基于深度学习的油井工况智能诊断技术研究及应用

• 作者: 王相 杨耀忠 何岩峰 王振 窦祥骥
• 来源期刊: 油气地质与采收率
• 学科: 工学
• 关键词: 油井 工况诊断 深度学习 大数据 卷积神经网络
• 年，卷（期）: 2022,（1）
• 页码范围: 181-189
• 页数: 9页
• 分类号: TE319
• 语种: 中文
• DOI: 10.13673/j.cnki.cn37-1359/te.2022.01.023

摘要

及时准确地掌握油井的工况,对于油田安全高效生产和提高采收率具有重要意义.随着油田信息化建设的不断深入,示功图等油井生产动态监测数据实现了实时采集,并积累了海量数据,亟待进一步挖掘利用.基于"大数据+深度学习"的新一代人工智能技术,有望突破现有技术的局限,引领油井工况诊断技术升级.为此,依托4000余万组涵盖不同油藏类型油井的历史动态监测数据,制备了涵盖5大类37种工况类型的油井工况诊断样本集,在此基础上,选择卷积神经网络算法,个性化设计了面向油井工况诊断问题的卷积神经网络(OWDNet),包含26层5900余万个可学习参数.使用油井工况诊断样本集对OWDNet进行训练,10轮次后,训练准确率达99.7％,验证准确率达98.9％.利用开发的油井工况智能诊断系统,在现场完成500余万次工况诊断,准确率达90％,报警推送及时,借助该系统开展油井生产管控更加合理高效,油井工况持续改善,连续稳定生产井比例由68％上升到88％,为油田大数据的高价值应用提供了有益示范.