基于人工智能的抽油機井結蠟預警方法

邴紹強

（中國石化勝利油田分公司信息化管理中心，山東東營 257000）

傳統(tǒng)模式下，針對易結蠟的有桿泵抽油井，人們往往根據現(xiàn)場經驗確定其清蠟周期，受人工采集數據頻率低、時間對應性不強等條件限制，清蠟周期往往不準確，易因井筒清蠟不及時而發(fā)生蠟卡躺井，不僅降低了油井生產時率，而且增加了油井作業(yè)維護費用和生產成本[1-3]。例如，勝利油田樁23區(qū)塊平均每年有2口井因清蠟周期不準確、井筒清蠟不及時而發(fā)生蠟卡躺井。近年來，隨著油氣生產物聯(lián)網建設的不斷推進，抽油機井懸點載荷與位移、井口溫度、回壓、電參數等逐步實現(xiàn)了自動實時采集[4]，為人工智能技術的應用提供了大量的數據支持，因而國內外開展了利用人工智能預測油井結蠟工況的研究：段友祥等人[5-8]利用人工智能的分類算法，建立了異常工況診斷模型，對油井的結蠟工況進行識別；A. K. Manshad等人[9-10]利用人工智能預測算法，建立了儲層流體結蠟量預測模型。上述方法均難以實現(xiàn)抽油機井結蠟及清蠟周期的定量化預測及預警，為此，筆者利用人工智能預測算法，結合大數據挖掘技術[11-13]，通過研究抽油機井生產數據變化規(guī)律與結蠟程度的定量關系，建立了結蠟程度預測預警模型，可實時預測油井結蠟程度并超前預警，從而幫助人們合理選擇清蠟時機，盡可能避免蠟卡躺井，實現(xiàn)了抽油機井清蠟時機由傳統(tǒng)的業(yè)務驅動向數據驅動的轉變。

1 應用人工智能預測抽油機井結蠟的技術思路

近年來，隨著智能傳感器、物聯(lián)網等技術的快速發(fā)展和大規(guī)模應用，工業(yè)生產逐步進入大數據時代，工業(yè)大數據的產生促進了新一代人工智能技術在工業(yè)領域的應用，拓展了利用人工智能解決問題的深度和廣度[14]。新一代人工智能技術在油田的應用越來越廣泛[15-18]，已在儲層識別、油藏動態(tài)分析、油水井工況診斷等方面取得了較好的應用成果。深度學習和知識工程是新一代人工智能技術在工業(yè)領域應用的2大技術，在工業(yè)領域應用中有相互融合的趨勢，從而提高了結果的可靠性和可解釋性。新一代人工智能技術用于抽油機井結蠟預測和預警的技術思路為：將數據挖掘技術與專業(yè)知識結合，識別抽油機井結蠟預警的主控參數，建立結蠟預警規(guī)則模型，實現(xiàn)結蠟井的有效識別，并建立結蠟井樣本庫；在此基礎上，將歸一化處理后的結蠟預警主控參數作為輸入變量，應用長短時記憶深度學習算法，建立結蠟程度人工智能預測模型，利用大量樣本數據對所建模型進行訓練，利用訓練后的模型可以定量預測抽油機井的結蠟程度，從而確定清蠟時機，輔助技術人員及時采取清蠟措施，避免蠟卡躺井。

2 抽油機井結蠟預警規(guī)則模型的建立

抽油機井結蠟是一個漸變的過程，在分析結蠟井生產參數變化規(guī)律的基礎上，可以確定其主控參數，結合采油專業(yè)知識和專家經驗，建立油井結蠟預警規(guī)則模型，自動識別有結蠟趨勢的抽油機井，為結蠟程度人工智能預測模型提供學習樣本，同時為預測模型提供輸入的自變量數據。

2.1 結蠟預測主控參數的優(yōu)選

收集了勝利油田2015—2017年300口典型結蠟井的生產參數，包括采取清蠟措施或蠟卡躺井前后地面示功圖的相關參數（上行電流、下行電流、最大載荷、最小載荷、載荷差和功圖面積）、井口生產參數（井口回壓、井口套壓和井口溫度）和電參數（A項電流、A項平均電流、耗電量、AB項電壓、功率因數、無功功率、周期內有功功率平均值和周期內無功功率平均值）等17項自動采集處理參數，作為屬性數據。其中，地面示功圖相關數據的采集頻率為1次/30min，其他數據的采集頻率為1次/min。利用皮爾遜相關系數分析方法，對收集的結蠟井屬性數據，逐口井進行兩兩之間的相關性分析，從而確定結蠟預警的主控參數。

皮爾遜相關系數也稱為皮爾遜積矩相關系數（Pearson product-moment correlation coefficient），是一種線性相關系數，記為r，用來反映兩個變量X和Y的線性相關程度，r值介于-1～1之間，其絕對值越大表明相關性越強。r的計算公式為：

r還可以由(Xi，Yi)樣本點的標準分數均值估計得到與式（1）等價的表達式：

將每口結蠟井17項屬性數據兩兩之間的皮爾遜相關系數進行平均，分析300口典型結蠟井屬性數據的相關性，結果見表1。由表1可知，最大載荷、最小載荷、載荷差、功圖面積、上行電流、A項平均電流、周期內有功功率平均值等7項參數相關性系數的絕對值大于0.9，與井筒結蠟密切相關。其中，最小載荷負相關，其余參數正相關。綜合典型結蠟井屬性數據相關性分析結果，將這7項參數作為預測油井結蠟程度的主控參數。

表1 300口典型結蠟井屬性數據相關性分析結果Table 1 Correlation analysis of attribute data of 300 typical paraffin troubled wells

2.2 結蠟預警規(guī)則模型的建立

在相關性分析的基礎上，結合專業(yè)知識和實踐經驗，總結提煉結蠟井預警主控參數的變化規(guī)律，建立結蠟預警規(guī)則模型。

用上升趨勢、持續(xù)上升、超上限、穩(wěn)定區(qū)間、下降趨勢等規(guī)則定義指標變化趨勢，用趨勢連續(xù)變化時間、變化速率閾值以及載荷差閾值、沖次穩(wěn)定區(qū)間閾值等規(guī)則定義趨勢變化程度，將7項結蠟主控參數的變化規(guī)則進行組合，建立結蠟預警規(guī)則模型。受泵型、泵掛深度、原油黏度、含水、結蠟程度等參數的影響，不同油井指標的變化趨勢和趨勢變化程度等規(guī)則不同，需要結合油井的實際井況進行“一井一策”的規(guī)則設置。該結蠟預警規(guī)則模型融合了業(yè)務機理和專家經驗，能夠量化表征結蠟主控參數的變化規(guī)律，對結蠟井進行實時、定性預警提示，其運行示意圖見圖1。在實際應用時，現(xiàn)場采集的實時生產數據自動加載至計算機，按照預警規(guī)則模型設定的規(guī)則，利用計算引擎進行數據變化趨勢擬合和趨勢變化程度閾值判斷，若符合模型設定規(guī)則，則給出結蠟預警提示信息，技術人員對預警信息準確性進行分析判斷，準確的預警信息進入結蠟井樣本庫。

圖1 結蠟預警規(guī)則模型運行示意Fig. 1 Operation schematic diagram of wax deposition early warning rule model

以HJH82-X11井為例，創(chuàng)建的結蠟預警規(guī)則模型共包括11項規(guī)則（見圖2），分別為最大載荷上升速率閾值0.2、最小載荷下降速率閾值0.2、載荷差上升速率閾值0.3、功圖面積上升速率閾值0.1、上行電流上升速率閾值0.1、A項平均電流上升速率閾值0.1、周期內有功功率平均值上升速率閾值0.1；根據該井桿管泵組合，經計算和分析，設定最大載荷上限閾值為40 kN、載荷差值上限閾值為5 kN；為消除調整參數的影響，增加了沖次穩(wěn)定的條件，穩(wěn)定區(qū)間閾值0.2。在該井工作制度不變的情況下，利用該模型可定性預警油井結蠟。

圖2 HJH82-X11井結蠟預警規(guī)則模型Fig.2 Wax deposition early warning rule model of Well HJH82-X11

3 抽油機井結蠟機器學習模型的建立

對結蠟預警主控參數值進行加權處理，建立一項反映結蠟程度的綜合特征指標，采用深度神經網絡建立結蠟綜合特征指標預測模型，利用結蠟規(guī)則模型產生的結蠟井樣本數據對該模型進行訓練，利用訓練后的模型可以預測油井結蠟綜合特征指標，從而精準確定清蠟時機。

3.1 結蠟綜合特征指標的建立

為定量描述油井結蠟程度與生產數據之間的關系，利用主成分分析方法（PCA），計算最大載荷、最小載荷、載荷差、功圖面積、上行電流、A項平均電流、周期內有功功率平均值等7個結蠟預警主控參數的權重。

式中：x為樣本屬性值；下標i為屬性索引（i=1， 2，…，n），下標j為樣本索引(j=1，2，…，m)；xij為第j個樣本的第i個屬性對應的數據。

利用收集整理的300口結蠟樣本井的7項參數，建立7×300的樣本矩陣，代入式（3），計算得到結蠟樣本井協(xié)方差矩陣B為：

將協(xié)方差矩陣進行對角化處理，得到協(xié)方差矩陣的特征值，即為各項參數的權重：載荷差、最小載荷、最大載荷、功圖面積、上行電流、A項平均電流和周期內有功功率平均值的權重分別為0.887 0，-0.143 8，0.224 1，0.367 9，0.093 2，0.060 3和 0.053 8。將 7項結蠟主控參數的權重進行加權計算得到一個合并指標（即7項結蠟主控參數的權重分別與其參數值相乘后相加），進行歸一化處理得到一個能夠反映結蠟程度的結蠟綜合特征指標（WPSC），該指標介于0～1之間，越接近1蠟卡躺井風險越大。

對收集整理的300口結蠟井中，120口井蠟卡躺井前一個月的WPSC數值進行計算，分析計算結果發(fā)現(xiàn)：當結蠟井的WPSC數值約達到0.950后，WPSC數值曲線變化率出現(xiàn)拐點，上升速度明顯加快，3～5 d后出現(xiàn)蠟卡躺井情況。因此，在WPSC的數值約達到0.950后應立即采取清蠟措施，以避免蠟卡躺井。以GN24P102井為例，從該井躺井前一個月的WPSC數值可以看出（見圖3），2016年11月2日15：30時（即第26天）的WPSC數值為0.946，2016年11月6日10：25時（即第30天）的WPSC數值快速升至0.989，該井發(fā)生蠟卡躺井。

圖3 GN24P102井躺井前30 d的WPSC數值曲線Fig. 3 WPSC numerical curve of 30 days before Well GN24P102 fails

對結蠟預警規(guī)則模型產生的樣本數據進行計算處理，建立結蠟井WPSC樣本集，作為人工智能預測模型的學習樣本。

3.2 結蠟綜合特征指標機器學習模型的建立

針對油井生產數據及結蠟程度隨時間變化的特征，選用長短時記憶神經網絡（LSTM），建立WPSC機器學習模型。LSTM是在通用循環(huán)神經網絡（RNN）的基礎上，在各隱藏層神經單元中加入記憶單元，實現(xiàn)時間序列上的記憶信息可控，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件[19-20]，是一種基于深度學習的人工智能預測算法。

LSTM的計算節(jié)點包括輸入門、輸出門、遺忘門和Cell。其中Cell是LSTM計算節(jié)點的核心，主要用于記錄當前時刻狀態(tài)，計算公式為：

此外，有：

WPSC機器學習模型建立及訓練方法為：

1）調用接口創(chuàng)建模型，設置超參數。調用Tensor Flow上的接口創(chuàng)建LSTM模型，設置預訓練次數、激活函數、優(yōu)化函數等超參數。

2）根據模型結構，建立測試集和訓練集。按照LSTM模型結構，提取結蠟樣本集數據，設置時間序列，根據設定輸入時間長度對樣本數據進行分割處理，創(chuàng)建結蠟井WPSC訓練集和測試集，其中每口樣本井80%數據用于模型訓練，20%數據用于模型測試。

3）模型訓練。利用訓練集數據進行模型訓練，利用測試集數據進行模型預測精度評價，根據預測精度調整和優(yōu)選超參數。WPSC機器學習模型選用tanh 函數作為激活函數、Adam函數作為優(yōu)化函數，設定模型輸入時間長度（樣本輸入時間步長）為50 d，模型輸出時間長度（模型輸出時間步長）為20 d。

4）模型發(fā)布。用測試集數據評價WPSC機器學習模型的預測精度，當預測結果的均方根誤差小于0.01時，模型訓練完成，發(fā)布為正式預測模型。

利用發(fā)布的預測模型，預測結蠟井WPSC隨時間的變化情況，指導技術人員精確把握油井結蠟趨勢、發(fā)展程度和清蠟時機。當WPSC值大于0.95時，結合油井現(xiàn)場情況及時采取清蠟措施，最大程度地提高油井生產效益。

4 現(xiàn)場應用效果

從2017年7月開始，基于人工智能的油井結蠟預警方法在勝利油田樁23區(qū)塊進行了現(xiàn)場試驗，截至2018年12月，該區(qū)塊未出現(xiàn)蠟卡躺井問題。目前，該預警方法已經在勝利油田河口、現(xiàn)河等采油廠的550多口易結蠟抽油機井進行了推廣應用，技術人員利用模型預測結果，超前把握結蠟趨勢和程度，及時采取清蠟措施，累計12口井避免了蠟卡躺井，節(jié)約作業(yè)費用100多萬元。下面以H148井為例，介紹該預警方法的現(xiàn)場應用情況。

該井在2017年7月2日—12月3日生產期間，根據實測數據計算得到的WPSC實際值從0.4逐步升至0.8以上，井筒有結蠟趨勢。為此，應用LSTM建立該井的WPSC預測模型，輸入步長為50 d，輸出步長為20 d，利用7月2日—9月30日的WPSC數據訓練預測模型，訓練好后預測WPSC值，圖4和圖5分別為該井10月20—11月8日、11月9日—28日WPSC計算值與預測值的對比曲線。從圖4和圖5可以看出，WPSC預測值與實際值基本吻合，WPSC實際值由0.860升至0.936。11月29日，該模型預測出該井4 d后的WPSC值為0.954并且有繼續(xù)增大的趨勢（見圖6），系統(tǒng)發(fā)出清蠟預警，經過綜合分析該井生產情況，于12月3日對該井實施熱洗清蠟措施，實施后該井各項指標恢復正常，避免了蠟卡躺井的發(fā)生。

圖4 H148井WPSC實際值與預測值對比曲線（10月20日-11月8日）Fig. 4 Correlation curve between actual and predicted values of WPSC in Well H148 (October 20-November 8)

圖5 H148井WPSC實際值與預測值對比曲線（11月9日-28日）Fig. 5 Correlation curve between actual and predicted values of WPSC in Well H148 (November 9-28)

圖6 H148井WPSC預測值曲線Fig. 6 WPSC predictive value curve of Well H148

5 結 論

1）通過皮爾遜相關系數分析方法對自動采集生產數據進行關聯(lián)性分析，確定了7項預測油井結蠟程度的主控參數，結合采油工程理論與實踐經驗，建立了結蠟預警規(guī)則模型。該模型能夠對結蠟程度相關參數變化規(guī)律進行量化表征。

2）綜合7項主控參數提出了結蠟綜合特征指標（WPSC），利用結蠟預警規(guī)則模型產生的樣本數據建立了結蠟井WPSC樣本集，選用長短時記憶神經網絡（LSTM）對樣本集進行訓練得到了WPSC機器學習模型。

3）現(xiàn)場應用效果表明，基于人工智能的結蠟預警方法改變了傳統(tǒng)的按周期進行熱洗清蠟的管理模式，實現(xiàn)了基于數據驅動的預測性管理、油井結蠟程度和清蠟時機的定量化預測及預警，降低了生產成本，提高了油井生產效益。

4）基于人工智能的結蠟預警方法對于人工智能技術在油水井工況診斷及超前治理、油氣生產設備預測性維護等方面的應用具有借鑒意義。