基于深度學習的油井工況智能診斷技術研究及應用

王 相，楊耀忠，何巖峰，王 振，竇祥驥

（1.常州大學石油工程學院，江蘇 常州 213164；2.中國石化勝利油田分公司信息化管理中心，山東 東營 257000；3.勝利油田魯明油氣勘探開發(fā)有限公司，山東 東營 257000）

目前中國有10萬余口油井，其中約90%采用有桿抽油系統(tǒng)生產，由地面抽油機經過抽油桿帶動井下千米深處的抽油泵工作，將原油舉升到地面［1］。作為典型的高風險高能耗系統(tǒng)，油井工作條件復雜惡劣，在長期運行過程中一旦發(fā)生異常，不僅會造成原油產量損失，甚至可能導致惡劣的安全和環(huán)境事故［2］。因此，及時準確地掌握油井的工作狀況，對于油田安全高效生產和提高采收率具有重要意義。

油井工況診斷作為石油開采中的關鍵問題之一，一直面臨很大困難。由于油井分布分散，抽油桿和抽油泵等大量重要裝備位于數千米深的油井內，不可視、不可及，其工況難以直觀判斷。同時，受系統(tǒng)結構復雜性及井下的腐蝕、出砂、結蠟、產氣和產水等因素的影響，油井可能出現的工況種類十分多樣，監(jiān)測指標和工況間的響應關系復雜且不清晰。經過數十年的研究和探索，油井工況診斷技術大致經歷了人工識別、自動化診斷和人工智能診斷三個階段［3-6］，形成了一系列方法，但大多只實現了部分常見的、單一型工況的診斷，現場應用效果不夠理想，仍未擺脫依靠人工分析的局面。

隨著當前油田信息化建設的不斷深入，大量傳感器裝配在油井生產系統(tǒng)中，實時采集油井的溫度、壓力和電流等數據并源源不斷的傳入油田數據中心，形成油井生產監(jiān)測大數據。同時，大數據和深度學習技術正在引起新一輪技術革命，在圖像識別、語音處理、無人駕駛和醫(yī)療診斷等多個領域不斷取得突破性進展，石油公司也紛紛出臺大數據和人工智能相關戰(zhàn)略和發(fā)展計劃，大數據和深度學習技術在油田應用迎來戰(zhàn)略機遇［7-9］。在這種情況下，基于“大數據+深度學習”的新一代人工智能技術，有望突破現有技術的局限，引領油井工況診斷技術進入新的階段。為此，基于油田信息化建設成果，依托油井生產實時監(jiān)測大數據，綜合利用大數據和人工智能技術，制備了涵蓋5 大類37 種工況問題的油井工況診斷樣本集，研究建立了面向油井工況診斷的卷積神經網絡（OWDNet），構建了具備持續(xù)學習能力的油井工況智能診斷系統(tǒng)，實現了油井工況診斷和生產管理的精準化、智能化和實時化，為油井工況持續(xù)改善、產量提升和石油行業(yè)的智能化轉型升級提供了技術支撐。

1 基于油井監(jiān)測數據的工況診斷樣本集制備

樣本集是機器學習相關研究的基礎，用于訓練機器學習模型。機器學習模型的質量取決于樣本集的質量和規(guī)模。目前該領域流行的樣本集，如MNIST 手寫數字識別樣本集，包含70 000 張數字0到9 的圖片，ImageNet 圖像識別數據集的圖像總數超過150萬張。

對于油井工況診斷問題，其數據集的樣本為示功圖，同時每張圖像對應一個標簽，用于表征該示功圖所屬的工況類型。調研了2010 年以來公開發(fā)表的基于機器學習的油井工況診斷相關研究，對于各研究中使用的樣本集規(guī)模、樣本覆蓋工況類型數量、采用的機器學習算法等進行了統(tǒng)計［10-27］，結果如表1所示。

表1 2010年以來油井工況診斷研究統(tǒng)計結果Table1 Statistical results of research on working condition di?agnosis of oil wells since 2010

由表1可以看出，隨著研究的不斷發(fā)展，油井工況診斷樣本集的樣本規(guī)模和覆蓋的工況類型數量總體上呈現增長的趨勢，樣本規(guī)模最大已達到18 500 張示功圖，覆蓋工況類型數量最大達17 種。面對復雜的工作環(huán)境，油井可能出現的工況類型遠不止十幾種，為了實現更全面的油井工況問題診斷，油井工況診斷樣本集的樣本規(guī)模和覆蓋的工況類型數量還有待進一步提升。

在油田信息化建設中，越來越多的油井井口安裝了示功圖采集儀，實時采集示功圖的位移和載荷數據并傳輸到數據中心。以S 油田為例，目前各油井的示功圖采集頻率為30 min/次，1 萬口油井每年產生的示功圖相關數據可達1.7 億余組，為構建大規(guī)模油井工況診斷樣本集奠定了堅實的數據基礎。本研究抓取了S油田4 000余萬組示功圖相關數據，覆蓋油井1 930 口，涵蓋了高含水整裝、低滲透和稠油等多種油藏類型，以期盡可能全面地覆蓋不同油藏生產情況。

1.1 標準化示功圖繪制

繪制示功圖是制備油井工況診斷樣本集的前提。示功圖原始數據在數據庫中以位移向量（W）和載荷向量（Z）的形式存儲，位移向量和載荷向量中分別記錄了抽油井上下沖程過程中200個采樣點的懸點位移和懸點載荷。分別以位移和載荷作為橫、縱坐標，在直角坐標系中繪制得到的位移與載荷的關系曲線即為示功圖。示功圖繪制需要遵守統(tǒng)一的規(guī)范，傳統(tǒng)上習慣于將黑色示功圖曲線繪制在寬高比為2∶1 的畫面中，同時隱去坐標軸標記。默認情況下，示功圖縱軸的取值范圍為[minZ,maxZ]。在某些工況下，如桿斷，最大載荷和最小載荷的差距會顯著減小，如果采用默認的縱軸取值范圍，示功圖看起來仍較飽滿（圖1a），從而極易誤判。為此，本研究在繪制示功圖時縱軸的取值范圍設定為如圖1b 所示。在此基礎上，考慮到單一時刻示功圖難以充分展示油井工況的動態(tài)變化信息，在當前時刻示功圖的基礎上，增加上一時刻示功圖，構成疊加示功圖（圖1c），為精準的工況診斷提供更豐富的信息。綜合以上分析，本研究最終確定采用的示功圖繪制標準為：①圖像寬高比為2∶1，大小為200×100像素。②圖像無坐標軸標記。③圖像為灰度圖，底色為白色，當前示功圖顏色為黑色，上一時刻示功圖顏色為50%灰度。線型均為實線，線寬均為2 像素。④圖像橫軸取值范圍設定為[minW,maxW]，縱軸取值范圍設定為

圖1 不同繪制標準下示功圖Fig.1 Indicator diagrams under different drawing standards

1.2 工況類型劃分及標注

有桿抽油系統(tǒng)由抽油機、抽油桿和抽油泵等部件組成，結構復雜，且長期與地層流體接觸，油井可能出現的工況種類多種。結合現場專家經驗及示功圖特征，總結梳理常見工況類型37種，涵蓋健康、地層問題、井筒問題、地面問題和數據問題5 大類（表2）。

表2 工況分類結果Table2 Classification of working conditions

樣本標注的準確性對于機器學習模型的性能至關重要，針對每一張標準化示功圖，均需要經驗豐富的油田專家結合示功圖形狀及油井井史進行逐一研判標注。高質量大規(guī)模的已標注數據樣本是油田寶貴的數據資產，但標注過程費時費力，完全依靠人力完成數千萬示功圖的標注難以實現。為此，采用了迭代式標注策略以減少標注過程的人力，具體操作流程如圖2 所示。迭代式標注策略首先從未標注樣本集中抽取部分未標注樣本進行人工標注，之后采用人工標注的樣本集訓練1 個神經網絡分類器，如果神經網絡分類器的準確度能夠滿足要求，則利用該神經網絡分類器對剩余未標注的樣本進行自動標注，人工只需要對自動標注的結果進行審核，從而有效降低了樣本標注時間。

圖2 樣本迭代式標注策略流程Fig.2 Flowchart of iterative labeling strategy

截至2021 年10 月，已完成示功圖標注153 772組，盡管目前工況診斷樣本集中已標注樣本的總體規(guī)模已經有數量級的突破，但不同工況間樣本數量存在顯著差異，健康生產包含34 089 個樣本，而載荷漂移工況樣本僅為3 個（圖3）。這主要是由于不同工況在油田發(fā)生的頻次不同，載荷漂移等工況發(fā)生次數較少，因此產生的有效樣本也較少。

為了保證不同工況類型的樣本數分布足夠均勻，機器學習領域中常用數據增強的辦法解決有效樣本少的問題，即在現有示功圖樣本的基礎上，對其進行隨機旋轉、平移、翻轉和縮放等操作產生一批新的同類樣本。對于示功圖來說，上述操作極易使得示功圖所代表的工況類型發(fā)生變化，因此對于油井工況診斷樣本集難以應用數據增強技術。在實際機器學習模型訓練過程中，選擇重復采樣策略，確保小樣本量所對應的工況類型得到足夠多的學習。

圖3 各工況類型所包含的示功圖樣本數Fig.3 Number of indicator diagram samples for each working condition

2 基于深度學習的油井工況診斷神經網絡架構設計

油井工況診斷的目的即根據油井示功圖，利用計算機進行分類判定，從而給出該油井所處的工況，這屬于典型的模式識別問題。機器學習是解決模式識別問題的核心算法，通過對比傳統(tǒng)機器學習和深度學習在油井工況診斷時的優(yōu)缺點，從常用深度學習算法中選擇了卷積神經網絡，并針對油井工況診斷問題開展神經網絡架構的個性化設計。

2.1 傳統(tǒng)機器學習與深度學習

油井工況診斷的原始輸入對象為示功圖。對于傳統(tǒng)機器學習方法，需要首先對示功圖進行特征提取，例如基于灰色理論的工況診斷方法，先將示功圖轉化為灰度矩陣，之后計算灰度均值和灰度方差等6 個參數組成特征向量，再根據不同示功圖特征向量的差異性進行診斷分類［10-13］。特征選取的優(yōu)劣對于分類準確率影響顯著，面對復雜多樣的油井工況，人工開展特征設計難度很大。另外，示功圖在特征提取過程中，大量有效信息損失，使得某些工況類型難以有效區(qū)分。

深度學習作為機器學習中的一個新興領域，不需要進行人工特征提取，可以直接將原始數據作為輸入對象，通過大量樣本學習自動找出用于診斷分類的重要特征，有效避免了人工特征提取的繁瑣和有效信息損失［28-29］。與此同時，深度學習算法的復雜度更高，算法性能依賴更大量的數據樣本。考慮到目前油田信息化建設水平，油井示功圖已經實現自動化采集，積累了海量示功圖樣本，為開展基于深度學習的油井工況智能診斷創(chuàng)造了良好條件。

2.2 深度學習算法優(yōu)選與神經網絡架構設計

典型的深度學習算法包括深度置信網絡（DBN，Deep Belief Network）、卷積神經網絡（CNN，Convolu?tion Neural Network）、遞歸神經網絡（RNN，Recur?rent Neural Network）等［28-31］。3 類深度學習算法的特點及典型應用領域對比如表3所示。

表3 典型深度學習算法對比Table3 Comparison of typical deep learning algorithms

考慮到油井工況診斷的輸入對象為示功圖，因此選擇了具有強大的圖像特征學習和分類能力的CNN。CNN 是目前在圖像識別等計算機視覺領域研究中的主導算法，已經取得了一系列成功應用。作為一種深度學習算法，CNN 的靈感來自于動物視覺皮層組織，通過一層層不同類型的視覺神經自適應地提取圖像的空間層次信息。從數學模型上，CNN 通常包含卷積層、池化層和全連接層3 種不同類型的層。其中卷積層和池化層用于執(zhí)行圖像特征提取操作，前者通過不同卷積核對特征圖進行濾波掃描實現不同視角下的特征提取，后者對特征進行降維，全連接層將提取的特征映射到最終輸出。

針對不同問題，卷積層、池化層和全連接層的數量和邏輯關系有所不同，即卷積神經網絡架構設計不同。由于神經網絡類算法的不可解釋性，目前神經網絡架構設計仍缺少通用的標準和規(guī)范，更多地依賴經驗和試錯法完成。針對油井工況診斷問題特點，結合圖像識別領域LeNet-5，AlexNet，VGG?Net，GoogleNet（Inception）和ResNet等經典網絡架構及礦場實踐，設計面向油井工況診斷的卷積神經網絡（OWDNet）的架構如表4所示。

表4 面向油井工況診斷的卷積神經網絡（OWDNet）架構Table4 Architecture of convolutional neural network（OWDNet）for working condition diagnosis of oil wells

OWDNet 共包含26 層，其中5 個卷積層，均采用3×3 的小卷積核；3 個池化層，均采用2×2 的最大池化。除了分類輸出前采用Softmax激活函數以外，各中間層均采用ReLU 激活函數。Softmax 和ReLU 激活函數的公式分別為：

OWDNet 可學習參數總數達到5 900 余萬個，為了避免模型訓練過程耗時過長及可能出現過擬合現象的問題，加入了5 個Dropout 層。Dropout 層在訓練過程中隨機選定一定比例的神經元停止參與運算，在減少了計算量的同時，將一個單一大規(guī)模模型轉化為多個相對小規(guī)模模型的集合，能夠有效提升模型的泛化能力［32］。

3 神經網絡訓練與礦場應用

3.1 神經網絡訓練

神經網絡訓練是尋找卷積層中各卷積核和全連接層中各神經元連接之間權重的過程，以期最大程度地降低輸出層的計算結果與樣本集給定的真實標簽之間的差異。損失函數和優(yōu)化器的選擇及設定在神經網絡訓練中起到關鍵作用。首先將數據樣本輸入到神經網絡，再通過向前傳播過程和損失函數評估當前模型性能，然后通過反向傳播過程和優(yōu)化器根據損失的大小對神經網絡中可學習參數的權重進行更新。

OWDNet 訓練的損失函數選用交叉熵損失函數，其刻畫了2 個概率分布之間的距離，其表達式為：

優(yōu)化器選用Adadelta，其是在Adagrad 算法的基礎上改進得到的擴展版。Adadelta 相比Adagrad，不再累積所有過去的梯度，而是根據漸變更新的移動窗口調整學習率，使其具有更強的魯棒性［33］。Ad?adelta 算法參數設定主要包括：學習率為1.0，Ad?adelta梯度平方移動均值的衰減率為0.95，模糊因子為1×10-6，每次參數更新后學習率衰減值為0。

訓練過程中，隨機抽取20%樣本作為驗證樣本，剩余80%樣本作為訓練樣本，共計訓練10輪次，每次送入神經網絡訓練的樣本數量為100。訓練環(huán)境為keras+tensorflow。工作站配置方面，處理器為Intel Xeon E5-2673 v312C/24T 2.40 GHz，內存為64 G 2 400 MHz DDR4 ECC。

分析OWDNet 性能隨著訓練輪次的變化結果（圖4）可以看出，第1 輪次訓練完成后，模型訓練準確率和驗證準確率分別為78.6%和94.9%，二者存在較大差距，說明訓練還不充分。第2 輪次訓練完成后，訓練準確率和驗證準確率均超過97.0%，說明模型具有良好的快速收斂能力。第3 輪次之后，模型準確率呈現緩慢上升的趨勢，至第10 輪次結束，訓練準確率達99.7%，驗證準確率達98.9%。兩類準確率之間的差異沒有出現大幅增加的現象，說明模型沒有出現過擬合，訓練效果理想。模型訓練損失值和驗證損失值隨訓練輪次的變化趨勢基本相同，進一步說明訓練效果理想。

圖4 OWDNet性能隨著訓練輪次的變化曲線Fig.4 Variation of OWDNet performance with epochs

在當前訓練環(huán)境下，OWDNet 單輪次訓練平均耗時為7 077.6 s，訓練完成后以H5文件格式存儲的神經網絡模型大小為572 MB，從訓練耗時和模型空間占用上均能夠滿足油田現場部署需要。

3.2 礦場應用

在訓練完成的OWDNet 基礎上，開展油井工況智能診斷系統(tǒng)的設計和開發(fā)，系統(tǒng)架構如圖5所示。該系統(tǒng)包含2 個工作流程：①工況診斷流程。油井傳感器數據不斷傳入油田數據庫，部署在工況診斷服務器上的后臺程序會持續(xù)向油田數據庫發(fā)送請求，抓取最新的油井監(jiān)測數據。數據接收后進行預處理，繪制標準化示功圖，再傳入已訓練的OWDNet中進行工況分類，分類結果寫入工況診斷數據庫。油田管控人員通過圖形化的工況診斷客戶端查看工況診斷結果，并進行相應的油井管控。②持續(xù)學習流程。當油田管控人員發(fā)現誤診后，通過工況診斷客戶端進行修正，修正數據會更新到工況診斷數據庫。當修正數據積累到一定數量時，利用新產生的數據樣本對OWDNet 進行追加訓練，實現OWD?Net的持續(xù)升級。

圖5 油井工況智能診斷系統(tǒng)架構Fig.5 Architecture of intelligent working condition diagnosis system for oil wells

截至2021 年10 月，油井工況智能診斷系統(tǒng)已完成500 余萬次工況診斷，現場工況診斷準確率達到90%，從監(jiān)測數據進入油田數據庫到油井工況智能診斷系統(tǒng)完成診斷推送報警平均耗時約為2 min，有效提升了異常井的發(fā)現和處置效率，油井生產管控更加合理，油井運行工況持續(xù)改善，連續(xù)穩(wěn)定生產井比例由68%上升到88%，為油田安全高效生產和提高采收率提供了有力支撐。借助精準的油井工況診斷，節(jié)省了大量巡檢、監(jiān)控時間，使油田管控人員從簡單繁雜的監(jiān)控工作中解脫出來，將更多的精力投入到運行管理和異常處置等更高級的智能工作中。

4 結論

基于S 油田信息化建設成果，抓取了涵蓋高含水整裝、低滲透和稠油等多種油藏類型1 930 口油井的示功圖相關數據4 000 余萬組，設計了用于工況診斷的疊加示功圖繪制規(guī)范并完成了繪制。結合現場專家經驗及示功圖的形狀特點，總結梳理常見工況類型5 大類37 種。提出了迭代式標注策略，有效降低了樣本標注所花費的人工時間，構建了包含15萬余組示功圖的工況診斷樣本集。

結合油井工況診斷問題特點，對比了傳統(tǒng)機器學習算法和深度學習算法的適用性，從常用深度學習算法中選擇了卷積神經網絡，開展了網絡架構的個性化設計，構建了包含26 層5 900 余萬個可學習參數的OWDNet。設定合理的學習參數后，使用工況診斷樣本集對OWDNet 進行訓練，10 輪次訓練后訓練準確率達99.7%，驗證準確率達98.9%。在此基礎上，開發(fā)了油井工況智能診斷系統(tǒng)，并已在現場完成500 余萬次工況診斷，工況診斷準確率高達90%，報警推送及時，借助該系統(tǒng)開展油井生產管控更加合理高效，油井運行工況持續(xù)改善，產量提升，也為油田安全高效生產和提高采收率提供了有力支撐，為油田大數據的高價值應用提供了有益示范。

未來圍繞如何進一步擴充油井工況診斷樣本庫，更好地解決樣本分布不均勻的問題，以及引入更多的油井動態(tài)監(jiān)測指標，如電流、壓力、產量等，實現更精準更廣泛的油井問題診斷，還有待于進一步探索。

符號解釋