油井動(dòng)液面位置智能識(shí)別算法研究

仲志丹 吳進(jìn)峰 任金梅

摘 要：針對(duì)采用聲波探測(cè)法測(cè)得油井動(dòng)液面數(shù)據(jù)時(shí)，采集到的信號(hào)由于受到長(zhǎng)距離衰減和復(fù)雜背景噪聲的影響，動(dòng)液面回波位置容易淹沒(méi)在復(fù)雜噪聲之中不易識(shí)別的問(wèn)題，本文采用一種新的帶有寬第一層核的深度卷積神經(jīng)網(wǎng)絡(luò)（WDCNN）的方法。即使用采集到的原始聲波信號(hào)作為輸入，并使用第一卷積層中的寬內(nèi)核來(lái)提取特征和抑制高頻噪聲;卷積層中的小卷積核用于多層非線性映射，池化層用來(lái)減少特征的空間大小和網(wǎng)絡(luò)的參數(shù);在輸出層使用softmax函數(shù)轉(zhuǎn)化識(shí)別的不同液面深度值?，F(xiàn)場(chǎng)試驗(yàn)結(jié)果表明，構(gòu)建的WDCNN模型提高了動(dòng)液面位置識(shí)別的準(zhǔn)確性與識(shí)別效率，智能識(shí)別技術(shù)取代了傳統(tǒng)的耗時(shí)且不可靠的人工分析，降低了油田開(kāi)采生產(chǎn)成本，提高了經(jīng)濟(jì)效益。

關(guān)鍵詞： 聲波探測(cè)法;液面回波;抗噪;深度卷積神經(jīng)網(wǎng)絡(luò);智能識(shí)別

文章編號(hào)： 2095-2163（2019）03-0045-05?中圖分類(lèi)號(hào)： TN919.5?文獻(xiàn)標(biāo)志碼： A

0?引?言

中國(guó)現(xiàn)有油田大多數(shù)都處于開(kāi)發(fā)的中后期，由于采油井自身的原油滲出率低和長(zhǎng)時(shí)間開(kāi)采造成地層自身壓力降低等因素的影響，即使得現(xiàn)有的油田開(kāi)采必須依靠人工舉升的方式來(lái)保障任務(wù)目標(biāo)的實(shí)現(xiàn)。目前，國(guó)內(nèi)大多數(shù)油田礦井使用的是桿泵式的抽油設(shè)備進(jìn)行生產(chǎn)作業(yè)，這種抽采油技術(shù)具有設(shè)備體積小、生產(chǎn)效率高、運(yùn)行功耗小等諸多優(yōu)點(diǎn)，因而迄今為止的油田開(kāi)發(fā)中也一直都在使用該項(xiàng)技術(shù)[1]。為了更精細(xì)地掌握抽油井生產(chǎn)狀態(tài)和更全面地判斷抽油井的工作性能，需要測(cè)量多個(gè)油井的相關(guān)參數(shù)，其中，最重要的參數(shù)就是抽油井動(dòng)液面深度。而動(dòng)液面是指產(chǎn)油井中， 抽油桿和套氣管之間環(huán)形空間內(nèi)的油液形成的油面，而從油面到井口之間的距離深度就是指該井的油液面深度。抽油井的內(nèi)部結(jié)構(gòu)如圖1所示。

油井動(dòng)液面深度值不僅能夠反映出油井內(nèi)動(dòng)態(tài)液面的高度變化和油井內(nèi)部流動(dòng)壓力大小，而且還可以通過(guò)動(dòng)液面深度值確定泵的沉沒(méi)度[2]。確定合理的沉沒(méi)度是抽油機(jī)進(jìn)行安全生產(chǎn)作業(yè)的前提。實(shí)時(shí)監(jiān)測(cè)動(dòng)液面深度值，有利于合理安排抽油機(jī)的采油速率和抽油機(jī)生產(chǎn)作業(yè)時(shí)間，從而節(jié)約能源、降低成本，獲得最大的經(jīng)濟(jì)效益。

目前，井下壓力測(cè)量法、示功圖法、光纖測(cè)量法、聲波探測(cè)法等都可以用于抽油井動(dòng)液面深度的測(cè)量分析，但聲波探測(cè)法是應(yīng)用最廣泛、最高效的，因?yàn)檫@種測(cè)量方法具有容易操作、低成本和在線實(shí)時(shí)監(jiān)測(cè)等諸多優(yōu)點(diǎn)。但也存在一定的不足，較為突出的就是采集的回波信號(hào)由于受長(zhǎng)距離衰減和復(fù)雜背景噪聲影響，動(dòng)液面回波位置容易淹沒(méi)在噪聲之中不易識(shí)別。

傳統(tǒng)的信號(hào)處理方法是通過(guò)傅里葉變換[3]、均值濾波[4]、維納濾波[5]等來(lái)做消噪處理，再進(jìn)行液面位置的識(shí)別，但是這類(lèi)濾波方法在處理非平穩(wěn)信號(hào)時(shí)，具有局限性;還有一些采用雙頻段帶通濾波法和譜減法，但卻存在識(shí)別的動(dòng)液面深度值成功率有限和關(guān)鍵信號(hào)容易消失等各種問(wèn)題。

近年來(lái)，深度學(xué)習(xí)[6]相關(guān)理論迅速發(fā)展，在機(jī)器視覺(jué)、圖像處理、語(yǔ)音識(shí)別等領(lǐng)域都得到了廣泛的應(yīng)用，深度學(xué)習(xí)具有從數(shù)據(jù)中自主學(xué)習(xí)的能力，也可用于油井動(dòng)液面信號(hào)的識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)[7-8]算法即是其中的一種代表性算法，其輸入可以是一維的時(shí)間序列信號(hào)，也可以是二維、三維的圖片信息。研究可知，通常采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)液面識(shí)別時(shí)，都需要對(duì)采集信號(hào)進(jìn)行預(yù)處理，本文則采用一種寬第一層核的深度卷積神經(jīng)網(wǎng)絡(luò)的方法，可以使用采集到的原始聲波動(dòng)液面信號(hào)進(jìn)行輸入，經(jīng)過(guò)訓(xùn)練得到準(zhǔn)確的動(dòng)液面測(cè)量值，提高動(dòng)液面位置識(shí)別率。

1?卷積神經(jīng)網(wǎng)絡(luò)研究

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括由卷積層、池化層構(gòu)成的過(guò)濾器階段和以全連接層構(gòu)成多層感知器的分類(lèi)階段。對(duì)此可做闡釋分析如下。

1.1?過(guò)濾器階段

卷積層主要用來(lái)進(jìn)行權(quán)重分配，卷積層內(nèi)的過(guò)濾器都使用相同數(shù)量的卷積核，把輸入原始的動(dòng)液面信號(hào)局部區(qū)域與卷積核進(jìn)行卷積運(yùn)算，然后通過(guò)相應(yīng)的激活函數(shù)生成輸出特征。卷積運(yùn)算過(guò)程如式（1）：

其中，符號(hào)*表示進(jìn)行的卷積運(yùn)算;Kli和bli表示第l層中第i個(gè)濾波器的權(quán)重和偏差;xl（j）表示第l層的第j個(gè)局部區(qū)域;Yl+1i（j）表示第l+1層中第i個(gè)濾波器中的第j個(gè)局部區(qū)域。

在卷積層的設(shè)計(jì)運(yùn)算后，還需要添加池化層，重點(diǎn)是用于減少計(jì)算空間的大小和神經(jīng)網(wǎng)絡(luò)參數(shù)的數(shù)量。池化層中，最常用的是max-pooling層。對(duì)經(jīng)過(guò)卷積運(yùn)算并通過(guò)相應(yīng)激活函數(shù)獲得非線性表達(dá)的信號(hào)進(jìn)行最大池化操作，從而使得網(wǎng)絡(luò)相關(guān)運(yùn)算參數(shù)減少，同時(shí)將保持截取的局部位置區(qū)域不變的特征。研究推得最大池化過(guò)程的數(shù)學(xué)方法公式如下：

研究發(fā)現(xiàn)，在經(jīng)過(guò)了卷積層、池化層的設(shè)計(jì)開(kāi)發(fā)后，為加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，還需要施以批量標(biāo)準(zhǔn)化的操作。設(shè)定進(jìn)行批量標(biāo)準(zhǔn)化層操作的p維源信號(hào)輸入為x=（x（1），…，x（p）），其轉(zhuǎn)換過(guò)程如式（3）所示：

其中，y（i）表示一個(gè)神經(jīng)元響應(yīng)的輸出，γ（i）和β（i）分別表示學(xué)習(xí)率和偏差，主要用于恢復(fù)神經(jīng)網(wǎng)絡(luò)的表示能力，增強(qiáng)網(wǎng)絡(luò)識(shí)別的準(zhǔn)確率。

1.2?分類(lèi)階段

在分類(lèi)階段一般由完全連接層組成，旨在用于分類(lèi)識(shí)別不同的動(dòng)液面位置。主要有使用Softmax函數(shù)用于轉(zhuǎn)換多個(gè)神經(jīng)元的logits以符合多種不同動(dòng)液面深度值的概率分布形式。

2?寬第一層核的深度卷積神經(jīng)網(wǎng)絡(luò)（WDCNN）

2.1?WDCNN網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建

抽油機(jī)采集到的動(dòng)液面信號(hào)是基于時(shí)間序列的一維信號(hào)，與神經(jīng)網(wǎng)絡(luò)常用于識(shí)別的二維圖像信號(hào)有所不同[9]。常用的神經(jīng)網(wǎng)絡(luò)的第一層都是非常小的卷積核，但在實(shí)際的動(dòng)液面信號(hào)采集過(guò)程中，由于抽油桿上下滑動(dòng)，電機(jī)運(yùn)轉(zhuǎn)，井內(nèi)存氣結(jié)蠟等因素影響，故而經(jīng)常會(huì)受到高頻噪聲的干擾。為了捕獲所采集到的信號(hào)中包含的中頻、低頻的關(guān)鍵信息，在原來(lái)傳統(tǒng)的小內(nèi)核層的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)上添加寬內(nèi)核用于提取采集到信號(hào)中更多的有用信息，此后再繼續(xù)使用小內(nèi)核進(jìn)行卷積運(yùn)算，為此就將其稱為寬第一層核深度卷積神經(jīng)網(wǎng)絡(luò)（WDCNN）。本文模型構(gòu)建中使用的WDCNN的體系結(jié)構(gòu)包括5個(gè)卷積和池化層，然后是完全連接的隱藏層，最后是Softmax層。本文模型的設(shè)計(jì)架構(gòu)如圖2所示。

2.2?WDCNN網(wǎng)絡(luò)的訓(xùn)練

動(dòng)液面液面位置識(shí)別的聲波信號(hào)輸入的是一維時(shí)間序列信號(hào)，與傳統(tǒng)的二維圖像識(shí)別不同，使用了一維的卷積核和反向傳播算法。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的代價(jià)函數(shù)估計(jì)的Softmax輸出概率分布與目標(biāo)類(lèi)概率分布之間的交叉熵?？紤]到在模型構(gòu)建中，采用的批量標(biāo)準(zhǔn)化過(guò)程已經(jīng)包含正則化處理的效果，所以，在代價(jià)函數(shù)中就沒(méi)有加入正則化項(xiàng)。設(shè)p（x）是目標(biāo)分布，q（x）是估計(jì)分布，則代價(jià)函數(shù)的數(shù)學(xué)公式可表述為：

反向傳播算法中使用梯度下降進(jìn)行參數(shù)的迭代更新，其更新的過(guò)程如下：

[2]?楊少鵬. 基于光纖傳感的生產(chǎn)井動(dòng)液面實(shí)時(shí)監(jiān)測(cè)技術(shù)研究[D]. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2013.

[3]?FOURIER J B. Les temperatures du globe terrestre et des espaces planetaire[J]. ?Mémoires de l'Académie ?Royale des sciences de l'Institut de France， tomeVII，1827，7：569-604.

[4]?BROWNRIGG D R K. The weighted median filter[J]. Communications of the ACM，1984，27（8）：807-818.

[5]?ZALEVSKY Z， MENDLOVIC D.Fractional wiener filter[J]. AppliedOptics，1996，35（20）：3930-3936.

[6]??何希平，劉波. 深度學(xué)習(xí)理論與實(shí)踐[M]. 北京：科學(xué)出版社，2017.

[7]??常亮，鄧小明，周明全，等. 圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 自動(dòng)化學(xué)報(bào)，2016，42（9）：1300-1312.

[8]??Bouvrie J. Notes on convolutional neural networks[EB/OL]. 2018.

[9]?SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv：1409.1556，2014.

[10]LI Yanghao， WANG Naiyan， SHI Jianping， et al. Revisiting batch normalization for practical domain adaptation[J]. arXiv preprint arXiv：1603.04779， 2016.