一种基于循环神经网络的抽油机井算产方法及装置与流程

本发明属于采油工艺的，尤其是一种基于循环神经网络的抽油机井算产方法及装置。

背景技术：

1、目前，油井产液量的计量方式主要采用小站计量模式，即将多口油井的产出液输送到计量站进行集中计量，但是该方法所需要的配套装置设备较多，工艺流程复杂，且投资较高，特别是对于分布分散或者偏僻的井，需单独建立计量站，成本更加高昂，另外，这种集中计量模式无法实现单井的精确计量，因此，示功图量油技术应运而生。

2、现有的示功图量油技术均采用示功图来计算产液量，通过示功仪来采集地面示功图，然后将地面示功图转换为井下泵示功图(需要求解波动方程，而波动方程的求解往往需要多次迭代，计算速度慢，难以满足油田多井的实时计算要求)，接着对井下泵示功图进行分析，确定柱塞的有效冲程，从而折算出油井的产液量，井下泵示功图能够较为准确地反映油井系统的运行状态，但是利用泵示功图进行量油存在以下问题：

3、一是井下泵示功图不能直接采样得到，而需通过地面示功图建立动力学模型计算得到，由于油井生产环境复杂多变，往往难以建立精准模型，进而影响产液量计算的准确性；

4、二是波动方程的求解过程比较复杂，计算速度较慢，难以支持油田多井的在线量油；

5、综上所述，无论是井上泵示功图还是井下泵示功图，都无法快速、准确地计算出单井的产液量。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出一种基于循环神经网络的抽油机井算产方法，该方法直接建立有功功率序列数据与油井产液量之间的映射关系，同时融入冲程、冲次和泵径等参数，提高了的模型的泛化能力，实现了油井产液量的自动、快速、准确计算。

2、本发明解决其技术问题是采取以下技术方案实现的：

3、一种基于循环神经网络的抽油机井算产方法，具体步骤如下：

4、步骤1：获取抽油机井的n个相关数据；

5、步骤2：基于箱线法对获取的所述抽油机井的n个相关数据进行清理；

6、步骤3：将清理后的抽油机井的n个相关数据进行预处理以获取测试数据集、训练数据集以及验证数据集；

7、步骤4，构建第一循环神经网络电参算产模型，输入所述训练数据集至循环神经网络电参算产模型进行训练，并利用所述验证数据集对所述第一循环神经网络电参算产模型进行训练结果初步验证，以获取第二循环神经网络电参算产模型；

8、步骤5：输入所述测试数据集至所述第二循环神经网络电参算产模型进行检验，并利用平均相对误差mre和可决系数r2对所述第二循环神经网络电参算产模型进行量化评价；

9、优选地，所述步骤1中抽油机井的相关数据包括有功功率序列、冲程、冲次、泵径及对应产液量；

10、优选地，所述步骤2中基于箱线法对获取的抽油机井的n个相关数据进行清理具体为，将获取的抽油机井的n个相关数据，以最小值、第一四分位数、中位数、第三四分位数以及最大值共五个确定产液量的合理范围，剔除畸变数据值或超出合理范围的数据值，得到完整数据值；

11、优选地，所述步骤4中循环神经网络电参算产模型包括第一门控循环单元组、第二门控循环单元组和参数融合结构，

12、所述第一门控循环单元组用于提取所述有功功率序列数据且将数据导入所述第二门控循环单元组和参数融合结构，所述第二门控循环单元组用于接收所述第一门控循环单元组的数据且将数据传输至参数融合结构，所述参数融合结构用于融合所述冲程、冲次和泵径的参数，

13、所述第一门控循环单元组内部的各门控循环单元gru1将数据传输至下一时刻的所述第一门控循环单元组和同时刻的所述第二门控循环单元组的相邻单元，

14、所述第二门控循环单元组内部的各门控循环单元gru2将数据传输至下一时刻的所述第二门控循环单元组的相邻单元，

15、所述参数融合结构包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层、第二全连接层和第三全连接层分别用于融合所述冲程、冲次和泵径的参数；

16、所述门控循环单元gru1和所述门控循环单元gru2分别包括重置门rt和更新门zt，所述重置门rt用于限制上一时刻的产液无关特征流入，所述更新门zt用于控制当前时刻的产液相关特征的流出，

17、所述重置门rt和更新门zt都包括一个sigmoid函数σ作为激活函数，具体公式如下：

18、rt＝σ(wr·[ht-1,xt])

19、zt＝σ(wz·[ht-1,xt])

20、式中：

21、ht-1为上一时刻的隐含状态，

22、xt为当前时刻的输入，

23、rt和zt值域均为[0,1]；

24、所述重置门rt的取值控制着对过去信息的保留程度，提供了自动舍弃与产液量无关的过去信息的机制，由于上一时刻的隐含状态ht-1包含了过去时刻信息，当前候选隐含状态使用重置门rt来控制其流入的信息量，具体公式如下：

25、

26、式中，

27、ht-1为上一时刻的隐含状态，

28、xt为当前时刻的输入；

29、所述更新门zt的取值控制着上一时刻隐含状态ht-1和候选隐含状态的信息传递率。因此，基于更新门对隐含状态ht进行更新，用于从过去及当前时刻信息中自动甄选出与产液量相关的信息，从而使得模型能够从高噪声数据中提取出有效特征。

30、隐含状态ht的更新公式为：

31、

32、式中:

33、ht-1为上一时刻的隐含状态，

34、为当前候选隐含状态；

35、优选地，所述步骤4中输入训练数据集至循环神经网络电参算产模型进行训练，并利用所述验证数据集对所述第一循环神经网络电参算产模型进行训练结果初步验证，以获取第二循环神经网络电参算产模型的步骤具体为：

36、分别获取平均相对误差mre值和可决系数r2，具体公式分别如下：

37、

38、

39、式中:

40、mre为平均相对误差；

41、fxi为模型预测产液量，m3/d；

42、yi为实测产液量，m3/d；

43、n为样本数据总量；

44、r2为可决系数；

45、ye为实测产液量平均值，m3/d；

46、所述可决系数r2取值范围在0到1之间，越接近1训练后的产液量值与实际的产业量值拟合程度越高；

47、优选地，所述步骤5中输入所述测试数据集至所述第二循环神经网络电参算产模型进行检验，并利用用平均相对误差mre和可决系数r2对所述第二循环神经网络电参算产模型进行量化评价的具体步骤为：

48、分别获取平均相对误差mre值和可决系数r2，具体公式分别如下：

49、

50、

51、式中:

52、mre为平均相对误差；

53、fxi为模型预测产液量，m3/d；

54、yi为实测产液量，m3/d；

55、n为样本数据总量；

56、r2为可决系数；

57、ye为实测产液量平均值，m3/d；

58、所述可决系数r2取值范围在0到1之间，越接近1测试后的产液量值与实际的产业量值拟合程度越高。

59、另一方面，本发明提供了一种基于循环神经网络的抽油机井算产装置，包括：

60、数据获取模块：用于获取抽油机井的n个相关数据；

61、数据预处理模块：用于基于箱线法对获取的所述抽油机井的n个相关数据进行清理；

62、数据分类模块：用于将清理后的抽油机井的n个相关数据进行预处理以获取测试数据集、训练数据集以及验证数据集；

63、模型训练模块，用于构建第一循环神经网络电参算产模型，输入所述训练数据集至循环神经网络电参算产模型进行训练，并利用所述验证数据集对所述第一循环神经网络电参算产模型进行训练结果初步验证，以获取第二循环神经网络电参算产模型；

64、模型验证模块：用于输入所述测试数据集至所述第二循环神经网络电参算产模型进行检验，并利用平均相对误差mre和可决系数r2对所述第二循环神经网络电参算产模型进行量化评价。

65、本发明的优点和积极效果是：

66、本发明提供的了一种基于循环神经网络的抽油机井算产方法，相对于现有技术，可以直接建立抽油机井有功功率序列数据与油井产液量之间的映射关系，去除了采集地面示功图的过程，极大地降低算产的成本，提高了电参的抽油机井算产的速度，同时融入冲程、冲次和泵径等参数，提高了的模型的泛化能力，实现了油井产液量的自动、快速、准确计算。