基于示功圖的油井供液能力智能識(shí)別方法研究

夏 峰，陳夕松，錢帥康，姜 磊

（1.東南大學(xué)自動(dòng)化學(xué)院，江蘇南京 210096；2.南京富島信息工程有限公司，江蘇南京 210061）

我國(guó)大部分油田屬于低滲透油田，其豐度低[1]、滲透率低、單井產(chǎn)能低[2]，導(dǎo)致目前采油機(jī)的抽油能力與油井底層供液能力難以精準(zhǔn)匹配，采油機(jī)泵效低，耗電量大，抽油成本高。企業(yè)需要對(duì)采油機(jī)井的供液能力實(shí)時(shí)分析并制定沖次調(diào)節(jié)策略，實(shí)現(xiàn)采油機(jī)抽油能力與油井供液能力的準(zhǔn)確匹配，達(dá)到節(jié)能增產(chǎn)的目的。

在采油過(guò)程中，傳統(tǒng)上企業(yè)常采用動(dòng)液面來(lái)衡量油井的供液能力，但動(dòng)液面的測(cè)量成本較高且在動(dòng)液面深度較深或受氣體影響時(shí)測(cè)量結(jié)果并不準(zhǔn)確[3]。隨著示功圖測(cè)試技術(shù)的不斷進(jìn)步，目前企業(yè)多憑借人工經(jīng)驗(yàn)從示功圖中定位凡爾開閉點(diǎn)并據(jù)此計(jì)算油井的供液能力[4]。該方法雖彌補(bǔ)了傳統(tǒng)方法的不足，但仍存在實(shí)時(shí)性差和人工成本高等問(wèn)題。

近年來(lái)，人工智能技術(shù)的發(fā)展為油井供液能力的定量化分析提供了技術(shù)支撐[5]。卷積神經(jīng)網(wǎng)絡(luò)回歸模型可用于關(guān)鍵點(diǎn)的回歸任務(wù)，這為從示功圖中定位采油機(jī)的凡爾開閉點(diǎn)提供了可能。但前期研究表明，如果簡(jiǎn)單的將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于示功圖凡爾開閉點(diǎn)識(shí)別這種細(xì)粒度、高精度任務(wù)上，極易導(dǎo)致網(wǎng)絡(luò)模型存在精度和空間泛化能力上的不足。因此，亟需一種為凡爾開閉點(diǎn)識(shí)別任務(wù)定制化的卷積神經(jīng)網(wǎng)絡(luò)回歸模型來(lái)解決上述問(wèn)題。

1 方案設(shè)計(jì)

采用深度學(xué)習(xí)網(wǎng)絡(luò)提取示功圖圖像特征進(jìn)行訓(xùn)練，首先需要對(duì)原始的示功圖二維數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理并繪制成示功圖圖像；然后為示功圖圖像數(shù)據(jù)集標(biāo)定凡爾開閉點(diǎn)標(biāo)簽并將其劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；最后構(gòu)建適合凡爾開閉點(diǎn)識(shí)別任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型并通過(guò)訓(xùn)練集和驗(yàn)證學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，根據(jù)測(cè)試集結(jié)果評(píng)估其泛化能力。

1.1 數(shù)據(jù)預(yù)處理

對(duì)原始的示功圖二維數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理并繪制成示功圖圖像，主要步驟如下：

（1）由于傳感器等不穩(wěn)定因素，原始的示功圖數(shù)據(jù)可能存在異常數(shù)據(jù)。本文將超出示功儀位移及載荷量程的數(shù)據(jù)定義為異常數(shù)據(jù)，對(duì)其進(jìn)行過(guò)濾剔除以保證數(shù)據(jù)集的正確性。

（2）將過(guò)濾后的示功圖位移及載荷數(shù)據(jù)歸一化映射到［0，1］的范圍內(nèi)，對(duì)過(guò)濾后的示功圖位移x=［x1，x2，…，xm］和載荷f=［f1，f2，…，fm］，歸一化公式如下：

式中：m-每個(gè)示功圖原始樣本數(shù)據(jù)集中位移和載荷的采樣點(diǎn)數(shù)；xmax-抽油機(jī)的最大沖程；fmax-抽油機(jī)的最大載荷。

（3）新建w×h 的二維網(wǎng)格，將（2）中的歸一化結(jié)果映射到該網(wǎng)格坐標(biāo)中并進(jìn)行向下取整，得到網(wǎng)格化后位移和載荷數(shù)據(jù)對(duì)應(yīng)的像素點(diǎn)坐標(biāo)r 和c，兩者間的映射關(guān)系如下：

在本文中，考慮到深度學(xué)習(xí)網(wǎng)絡(luò)常用到的輸入圖片大小及格式，設(shè)置w=h=256。

（4）將（3）中得到的示功圖二維像素坐標(biāo)點(diǎn)按照順序兩兩相連至最后一點(diǎn)，形成封閉曲線，并借助OpenCV 庫(kù)的工具將該二維網(wǎng)格可視化為示功圖圖像，圖像尺寸為w×h。

1.2 標(biāo)簽生成及數(shù)據(jù)集劃分

對(duì)繪制完成的示功圖圖像，從中標(biāo)注出四個(gè)凡爾開閉點(diǎn)：固定凡爾開啟點(diǎn)A、固定凡爾關(guān)閉點(diǎn)B、游動(dòng)凡爾開啟點(diǎn)C 和游動(dòng)凡爾關(guān)閉點(diǎn)D，并通過(guò)圖像處理工具LabelMe 生成四個(gè)點(diǎn)的像素點(diǎn)坐標(biāo)值（rA，cA）、（rB，cB）、（rC，cC）和（rD，cD），為了消除量綱影響，讓網(wǎng)絡(luò)模型更快的收斂，將像素點(diǎn)坐標(biāo)值歸一化至［-1，1］作為該示功圖圖像的標(biāo)簽，歸一化公式如下：

采用留出法將標(biāo)定好的示功圖圖像數(shù)據(jù)集及其標(biāo)簽按照固定比例6:2:2 劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

1.3 構(gòu)建網(wǎng)絡(luò)模型

本文采用融合了特征金字塔、高斯熱力圖和注意力機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)模型提取示功圖圖形特征并識(shí)別功圖的四個(gè)凡爾開閉點(diǎn)，具體網(wǎng)絡(luò)結(jié)構(gòu)（見圖1）。相較于傳統(tǒng)的關(guān)鍵點(diǎn)識(shí)別任務(wù)中使用到的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，本文的模型根據(jù)凡爾開閉點(diǎn)識(shí)別任務(wù)的特殊性做了以下三點(diǎn)改進(jìn)：

圖1 凡爾開閉點(diǎn)智能識(shí)別模型網(wǎng)絡(luò)結(jié)構(gòu)圖

（1）在提取特征的主干網(wǎng)絡(luò)中嵌入了注意力機(jī)制模 塊Convolutional Block Attention Module（CBAM），CBAM 是一種結(jié)合了空間和通道的注意力機(jī)制模塊。注意力機(jī)制是一種聚焦于局部信息的機(jī)制，它的本質(zhì)是定位到重要的信息，抑制無(wú)用的信息?？臻g注意力機(jī)制是尋找圖像中對(duì)任務(wù)貢獻(xiàn)最大的區(qū)域并讓網(wǎng)絡(luò)聚焦于該區(qū)域，而通道注意力是讓網(wǎng)絡(luò)關(guān)注于圖像中對(duì)任務(wù)重要性更高的特征。本文的凡爾開閉點(diǎn)識(shí)別任務(wù)屬于一種細(xì)粒度的定位任務(wù)，因此需要引入CBAM 模塊增加主干網(wǎng)絡(luò)的表征能力，讓網(wǎng)絡(luò)模型定位到對(duì)識(shí)別凡爾開閉點(diǎn)有價(jià)值的圖片區(qū)域并關(guān)注該區(qū)域中對(duì)識(shí)別凡爾開閉點(diǎn)更有價(jià)值的特征。

（2）將主干網(wǎng)絡(luò)提取到的不同尺度的特征進(jìn)行特征融合。本文采用特征金字塔網(wǎng)絡(luò)Feature Parymid Network（FPN）自上而下融合特征，融合后的特征同時(shí)利用了高分辨率的低層特征和具有語(yǔ)義信息的高層特征，而凡爾開閉點(diǎn)的定位任務(wù)也需同時(shí)結(jié)合這兩種維度的特征。將不同層級(jí)的融合特征圖分別用于凡爾開閉點(diǎn)識(shí)別任務(wù)，不僅能夠測(cè)試不同尺度特征對(duì)凡爾開閉點(diǎn)的檢測(cè)能力，還能夠通過(guò)特征層級(jí)的分辨率來(lái)控制高斯熱力圖的分辨率。

（3）以高斯熱力圖Heatmap 的方式代替?zhèn)鹘y(tǒng)全連接層來(lái)預(yù)測(cè)最終的凡爾開閉點(diǎn)坐標(biāo)。采用傳統(tǒng)的全連接層直接回歸四個(gè)凡爾開閉點(diǎn)的做法優(yōu)點(diǎn)是整個(gè)網(wǎng)絡(luò)的輸出即為坐標(biāo)點(diǎn)，同時(shí)整個(gè)模型的訓(xùn)練速度較快。但采用全連接層作為最終預(yù)測(cè)層會(huì)使得網(wǎng)絡(luò)模型缺乏空間泛化能力，即讓網(wǎng)絡(luò)丟失了特征圖上的空間信息。基于高斯熱力圖輸出凡爾開閉點(diǎn)，其輸出的特征圖較大，空間泛化能力強(qiáng)，能夠讓網(wǎng)絡(luò)模型學(xué)習(xí)到凡爾開閉點(diǎn)空間信息和點(diǎn)之間的相對(duì)位置關(guān)系，從而保證網(wǎng)絡(luò)模型的平移等價(jià)性，這在載荷經(jīng)常上下波動(dòng)的示功圖圖像中尤為重要。

1.4 模型訓(xùn)練及測(cè)試

本文選取某原油開采企業(yè)2020 年1 月1 日到2020 年1 月25 日期間8 口抽油機(jī)井的示功圖原始二維數(shù)據(jù)生成的示功圖圖像共8 672 張按照6:2:2 的比例構(gòu)建訓(xùn)練集5 204 張、驗(yàn)證集1 734 張和測(cè)試集1 734 張，模型在訓(xùn)練集和驗(yàn)證集上的損失函數(shù)值變化趨勢(shì)（見圖2）。

圖2 損失函數(shù)值變化趨勢(shì)圖

將測(cè)試集數(shù)據(jù)輸入至訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，并根據(jù)模型預(yù)測(cè)的結(jié)果，將預(yù)測(cè)的凡爾開閉點(diǎn)坐標(biāo)通過(guò)OpenCV 庫(kù)可視化至輸入圖片中，結(jié)果表明在幾種典型工況下，該模型均能準(zhǔn)確識(shí)別出示功圖的四個(gè)凡爾開閉點(diǎn)（見圖3）。

圖3 測(cè)試集結(jié)果示例

1.5 量化供液能力

首先將采油機(jī)實(shí)時(shí)工況記錄的示功圖輸入至訓(xùn)練完成的深度學(xué)習(xí)網(wǎng)絡(luò)模型中獲取對(duì)應(yīng)的凡爾開閉點(diǎn)標(biāo)簽（｛xA，yA），（xB，yB），（xC，yC），（xD，yD）｝，然后根據(jù)凡爾開閉點(diǎn)標(biāo)簽計(jì)算凡爾開閉點(diǎn)的像素點(diǎn)坐標(biāo)值，計(jì)算公式如下：

接著根據(jù)凡爾開閉點(diǎn)識(shí)別像素點(diǎn)坐標(biāo)值計(jì)算抽油機(jī)的有效沖程Spe，計(jì)算公式如下：

最后，根據(jù)有效沖程Spe和采油機(jī)運(yùn)行時(shí)沖程S 的比值量化供液能力指標(biāo)β：

1.6 消融實(shí)驗(yàn)

為了驗(yàn)證本文提出的深度學(xué)習(xí)網(wǎng)絡(luò)模型中特征金字塔、高斯熱力圖和注意力機(jī)制對(duì)凡爾開閉點(diǎn)定位的有效性，本文使用同樣的數(shù)據(jù)集和訓(xùn)練參數(shù)進(jìn)行消融實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果用測(cè)試集誤差和是否具有平移等價(jià)性這兩個(gè)指標(biāo)衡量，測(cè)試集誤差通過(guò)計(jì)算測(cè)試集的標(biāo)簽和實(shí)際預(yù)測(cè)結(jié)果間的均方根誤差得出，是否具有平移等價(jià)性則表示網(wǎng)絡(luò)模型的輸出是否會(huì)隨輸入圖像的平移變換做出等價(jià)的平移變換，實(shí)驗(yàn)結(jié)果（見表1）。

表1 消融實(shí)驗(yàn)結(jié)果

首先，移除高斯熱力圖預(yù)測(cè)模塊并通過(guò)傳統(tǒng)的全連接層點(diǎn)回歸的方式預(yù)測(cè)關(guān)鍵點(diǎn)位置，實(shí)驗(yàn)結(jié)果表明，網(wǎng)絡(luò)模型的測(cè)試集誤差上升，同時(shí)模型也失去了平移等價(jià)性（見圖4）。然后，再移除網(wǎng)絡(luò)中的CBAM 注意力機(jī)制模塊，實(shí)驗(yàn)結(jié)果表明雖然整個(gè)測(cè)試集誤差上升較少，但在游動(dòng)凡爾開啟點(diǎn)上的預(yù)測(cè)精度下降了很多（見圖4）。最后，移除網(wǎng)絡(luò)模型中的FPN 模塊，實(shí)驗(yàn)結(jié)果表明，由于特征提取網(wǎng)絡(luò)的輸出特征圖只包含高層的語(yǔ)義信息且特征圖尺寸較小，導(dǎo)致最終預(yù)測(cè)的高斯熱力圖出現(xiàn)了分辨率大幅下降的情況。

圖4 網(wǎng)絡(luò)模型測(cè)試結(jié)果

2 應(yīng)用研究

本文選取某原油開采企業(yè)9 臺(tái)抽油機(jī)的示功圖原始數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。以2020 年3 月至2020 年5 月之間的數(shù)據(jù)構(gòu)建示功圖數(shù)據(jù)集，分析本文方法對(duì)抽油機(jī)供液能力識(shí)別的有效性。

在網(wǎng)絡(luò)模型完成訓(xùn)練后，以某原油開采企業(yè)一口抽油機(jī)井在2021 年2 月的示功圖原始數(shù)據(jù)作為實(shí)際應(yīng)用對(duì)象，引入本文提出的供液能力智能識(shí)別算法。在2月18 日時(shí)，算法自動(dòng)檢測(cè)到此時(shí)抽油井的供液能力低于正常閾值，此時(shí)的示功圖（見圖5），智能識(shí)別算法的識(shí)別結(jié)果為 {（-0.69，-0.67），（0.90，-0.38），（-0.48，0.55），（-0.94，-0.33）}，分別對(duì)應(yīng)固定凡爾開啟點(diǎn)A 的標(biāo)簽值（-0.69，-0.67），固定凡爾關(guān)閉點(diǎn)B 的標(biāo)簽值（0.90，-0.38），游動(dòng)凡爾開啟點(diǎn)C 的標(biāo)簽值（-0.48，0.55）和游動(dòng)凡爾關(guān)閉點(diǎn)D 的標(biāo)簽值（-0.94，-0.33），將這些標(biāo)簽值按照式（4）反歸一化后得到四個(gè)點(diǎn)的像素點(diǎn)坐標(biāo)為：固定凡爾開啟點(diǎn)A 的像素點(diǎn)坐標(biāo)（39.68，42.24），固定凡爾關(guān)閉點(diǎn)B 的像素點(diǎn)坐標(biāo)（243.20，79.36），游動(dòng)凡爾開啟點(diǎn)C 的像素點(diǎn)坐標(biāo)（66.56，198.40）和游動(dòng)凡爾關(guān)閉點(diǎn)D 的像素點(diǎn)坐標(biāo)（7.68，-85.76），根據(jù)這四個(gè)凡爾開閉點(diǎn)的像素點(diǎn)坐標(biāo)和式（5）計(jì)算其有效沖程Spe為1.38 m，最后由公式（6）計(jì)算出供液能力指標(biāo)β 為23%，該值小于由專家設(shè)定的沖次下調(diào)供液能力指標(biāo)閾值，因此選擇以0.1 的步長(zhǎng)向下調(diào)整抽油機(jī)沖次，調(diào)節(jié)周期為1 d，在經(jīng)過(guò)兩日的沖次調(diào)節(jié)后，該抽油機(jī)井經(jīng)濟(jì)效益有所上升（見表2）。

圖5 實(shí)時(shí)工況示例圖

表2 沖次調(diào)節(jié)后油井生產(chǎn)數(shù)據(jù)

由上述分析可知，本文提出的油井供液能力智能識(shí)別算法，能夠?qū)崟r(shí)監(jiān)測(cè)抽油機(jī)井供液能力的變化，從而根據(jù)供液能力指標(biāo)動(dòng)態(tài)調(diào)節(jié)抽油機(jī)沖次。通過(guò)本文提出的方法可以實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確的抽油機(jī)供液能力識(shí)別，為后續(xù)油井的智能控制提供可靠的調(diào)節(jié)依據(jù)。

3 結(jié)語(yǔ)

本文提出了一種基于示功圖的油井供液能力智能識(shí)別方法，該方法基于采油過(guò)程中生成的示功圖，搭建卷積神經(jīng)網(wǎng)絡(luò)回歸模型識(shí)別示功圖的凡爾開閉點(diǎn)。通過(guò)在網(wǎng)絡(luò)模型中融合高斯熱力圖、特征金字塔和注意力機(jī)制以滿足凡爾開閉點(diǎn)識(shí)別任務(wù)對(duì)細(xì)粒度和高精度的需求，從而準(zhǔn)確高效地識(shí)別四個(gè)凡爾開閉點(diǎn)并據(jù)此實(shí)時(shí)量化采油機(jī)井的供液能力，為后續(xù)的沖次調(diào)節(jié)和間抽控制提供可靠的理論支撐。相較于傳統(tǒng)方法，該方法在識(shí)別實(shí)時(shí)性上提升顯著，滿足了企業(yè)工程應(yīng)用需求，對(duì)降低抽油機(jī)系統(tǒng)能耗，增加油田產(chǎn)量具有良好的應(yīng)用價(jià)值。