本申请涉及石油工程,尤其涉及一种基于机器学习的螺杆泵宏观控制图边界确定方法及装置。
背景技术:
1、螺杆泵的泵效与扬程间的关系是反映螺杆泵是否处于正常工作状态的重要指标。对某一区域内所有油井的螺杆泵的泵效与扬程间的关系进行分析,就可以从宏观上掌握该油田所有螺杆泵油井的工作状况。螺杆泵井的宏观控制图是根据泵扬程与泵效的关系,在其上划分出正常工况区和非正常工况区,将单一或众多螺杆泵情的实际工况与该宏观控制图进行比对,从而来评价螺杆泵的工作状况。
2、确定合理的螺杆泵工况区域即泵的正常工况区,对准确判断螺杆泵的工作状态是十分重要。目前,国内外针对宏观控制图的研究与应用,大多都是针对抽油机井的,螺杆泵井宏观控制图的研究较少,且多偏重于经验或理论计算,使得获得的泵效与泵扬程的关系表达式与实际应用具有较大的偏差。
技术实现思路
1、本申请实施例提供一种基于机器学习的螺杆泵宏观控制图边界确定方法及装置,能够准确的得出预设区域内螺杆泵井的泵效与泵扬程的关系,并通过工作点分布热力图确定合理的工况范围,为螺杆泵井生产制度的确定和调整提供指导。
2、为达到上述目的,本申请采用如下技术方案:
3、第一方面,提供一种基于机器学习的螺杆泵宏观控制图边界确定方法,方法包括:
4、分别计算获得预设区域内若干个螺杆泵中的每个螺杆泵的泵扬程参数,并将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点;
5、使用若干个螺杆泵的泵扬程参数及泵效参数对预设神经网络训练模型进行学习训练,获得用于表示泵扬程参数与泵效参数映射关系的泵效变化曲线;
6、结合数据分布密度热力图和泵效变化曲线,确定螺杆泵宏观控制图边界。
7、根据第一方面所述的方法可知,由于利用神经网络模型对预设区域内的泵扬程参数及对应的泵效参数进行训练学习,得到的泵效与泵扬程的关系式更加贴近现场实际,结合工作点分布密度图,可以直观的反映预设区域内的工作分布点状况,基于此做出的宏观控制图界限,更符合实际情况,与实际情况的偏差更小,从而为现场掌握和调整螺杆泵的工作制度提供更合理的理论依据和指导。
8、一种可能的设计方案中,计算获得螺杆泵的泵扬程参数的步骤包括:
9、根据第一表达式计算泵出口压力poutlet:
10、poutlet=tp+ρghpump
11、式中,tp为油压,hpump为下泵深度;
12、根据第二表达式计算泵入口压力pinlet:
13、pinlet=cp+ρghsubmergence
14、式中,cp为套压,hsubmergence为沉没度;
15、根据第三表达式计算获得螺杆泵的泵扬程参数pdiff:
16、pdiff=poutlet-pinlet
17、式中,poutlet为泵出口压力,pinlet为泵入口压力。
18、一种可能的设计方案中,将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点,包括:
19、根据第四表达式对每个螺杆泵的泵效参数进行归一化处理:
20、
21、式中,pe100为转速为100时的泵效,rpm为任一转速,perpm为该转速下对应的泵效。
22、一种可能的设计方案中,将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点,还包括:
23、根据第五表达式对每个螺杆泵的泵扬程参数进行归一化处理:
24、
25、式中,xnorm为归一化后的泵扬程,xmax与xmin分别为当前类型泵对应的额定泵扬程的最大值和最小值,x为当前计算获得的泵扬程;
26、将归一化处理后的泵扬程参数及泵效参数以数据分布密度热力图的形式进行展示。
27、一种可能的设计方案中,用若干个螺杆泵的泵扬程参数及泵效参数对预设神经网络训练模型进行学习训练,包括:
28、将螺杆泵的泵扬程参数确定为预设神经网络训练模型的输入,将与泵扬程参数对应的泵效参数确定为预设神经网络训练模型的输出,使用若干个螺杆泵的泵扬程参数及对应的泵效参数对预设神经网络训练模型进行训练,获得用于表示泵扬程参数随泵效参数变化的映射关系的泵效变化曲线。
29、一种可能的设计方案中,预设神经网络训练模型为bp神经网络模型。
30、一种可能的设计方案中,结合数据分布密度热力图和泵效变化曲线,确定螺杆泵宏观控制图边界,包括:
31、结合数据分布密度热力图,将泵效变化曲线平行上移和平行下移,使得预设区域内预设数量的分布工作点位于两平行趋势线的范围内,确定螺杆泵宏观控制图边界。
32、一种可能的设计方案中,方法还包括:
33、获得预设区域内螺杆泵的生产参数,其中,所述生产参数包括:油压、套压、沉没度、下泵深度、螺杆泵转速、泵效和流体密度。
34、第二方面,本申请实施例还提供了一种基于机器学习的螺杆泵宏观控制图边界确定装置,装置包括:
35、获得模块,用于分别计算获得预设区域内若干个螺杆泵中的每个螺杆泵的泵扬程参数,并将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点;
36、训练模块,用于使用若干个螺杆泵的泵扬程参数及泵效参数对预设神经网络训练模型进行学习训练,获得用于表示泵扬程参数与泵效参数映射关系的泵效变化曲线;
37、确定模块,用于结合数据分布密度热力图和泵效变化曲线,确定螺杆泵宏观控制图边界。
38、第三方面,本申请实施例提供了一种存储介质,存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行第一方面中任意一种可能的实现方式所述的基于机器学习的螺杆泵宏观控制图边界确定方法。
39、第四方面,提供一种计算机程序产品,包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中任意一种可能的实现方式所述的基于机器学习的螺杆泵宏观控制图边界确定方法被执行。
1.一种基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,计算获得螺杆泵的泵扬程参数的步骤包括:
3.根据权利要求2所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点,包括:
4.根据权利要求3所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述将若干个螺杆泵的泵扬程参数及对应的泵效参数以数据分布密度热力图的形式表示以确定预设区域内若干个螺杆泵的工作分布点,还包括:
5.根据权利要求1所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述使用若干个螺杆泵的泵扬程参数及泵效参数对预设神经网络训练模型进行学习训练,包括:
6.根据权利要求5所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述预设神经网络训练模型为bp神经网络模型。
7.根据权利要求1所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述结合数据分布密度热力图和泵效变化曲线,确定螺杆泵宏观控制图边界,包括:
8.根据权利要求1所述的基于机器学习的螺杆泵宏观控制图边界确定方法,其特征在于,所述方法还包括:
9.一种基于机器学习的螺杆泵宏观控制图边界确定装置,其特征在于,所述装置包括:用于执行权利要求1-8中任一项所述的基于机器学习的螺杆泵宏观控制图边界确定方法的模块。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求1-8任一项所述的基于机器学习的螺杆泵宏观控制图边界确定方法。