楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

基于譜聚類與極限學習機的抽油井動液面多模型軟測量

楊豐銘（遼河油田興隆臺采油廠，遼寧 盤錦 124010）

動液面是抽油井的一個重要生產(chǎn)參數(shù)，傳統(tǒng)人工測量方法存在實時性差、勞動強度大等問題。對此，本文提出基于譜聚類算法和極限學習機的多模型軟測量方法，解決單模型方法不能完全反映生產(chǎn)工況的問題，以提高軟測量模型的自適應能力及預測精度。

譜聚類；極限學習機；抽油；模型；軟測量

在油田生產(chǎn)過程中，油井的動液面是反映地層供液能力的一個重要指標，是油田確定合理沉沒度、制定合理工作制度的重要依據(jù)。通過對動液面的分析，確定泵深、計算井底流壓；根據(jù)動液面變化，判斷油井的工作制度與地層能量的匹配情況。動液面是油管和套管環(huán)形空間的液面，是反映地層供液能力的一個重要指標，是油田確定合理沉沒度、制定合理工作制度的重要依據(jù)。

動液面測量的傳統(tǒng)方法是聲波法，通過回聲技術(shù)測量井下液面深度[1]。由回聲儀通過采集經(jīng)過井管接頭反射的節(jié)箍波信號和經(jīng)過油層表面反射的液面波信號，找出井口位置、動液面位置和基準節(jié)箍波，然后計算動液面深度。但是回聲法存在不足，一是回聲信號受井筒工況制約產(chǎn)生誤差，例如：結(jié)臘點、油污泡沫；二是不能實時在線測量，測量時需要停井操作，無法實時獲取動液面數(shù)據(jù)。

1 譜聚類算法

譜聚類算法[1]的主要步驟如下：

步驟1參數(shù)初始化。輸入樣本集X，聚類數(shù)目k，尺度參數(shù)σ，其中σ定義如下：

步驟2建立相似矩陣S∈Rn×n。

步驟3計算規(guī)范化度矩陣D=diag(d1,d2,…,dn)，然后構(gòu)造規(guī)范化拉普拉斯矩陣Lrw=D-1/2(D-S)D-1/2。

步驟4對Lrw進行特征值分解，計算前k個最小特征值所對應的特征向量u1,u2,…,uk。

步驟5由特征向量u1,u2,…,uk組成矩陣U。

步驟6令Y∈Rk對應U的第i行向量，其中i=1,2,…,n。

步驟7根據(jù)K均值算法將樣本集聚類為k類：C1,C2,…,Ck。

2 極限學習機

ELM的訓練可以表示為如下最優(yōu)化問題：

目的就是找到最優(yōu)β，使ELM的計算輸出值ti和真實值yi之間的誤差最小。

圖1 基于譜聚類與極限學習機的多模型軟測量模型結(jié)構(gòu)

3 基于譜聚類與極限學習機的多模型軟測量模型

基于譜聚類與極限學習機的多模型軟測量模型結(jié)構(gòu)如下圖1所示。

4 實例驗證

采集國內(nèi)某油田作業(yè)區(qū)一口油井的961組生產(chǎn)數(shù)據(jù)，輔助變量[3]分別為上下沖程平均載荷差、沖程、沖次、產(chǎn)液量、油壓、套壓。隨機選取730組數(shù)據(jù)作為訓練樣本，剩下的231組數(shù)據(jù)作為測試樣本。本文所采用多模型軟測量模型的預測結(jié)果如圖2所示，與BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和GRNN神經(jīng)網(wǎng)絡的對比結(jié)果如表1所示。

圖2 模型預測結(jié)果

表1 不同方法預測結(jié)果對比

5 結(jié)論

針對油田生產(chǎn)中抽油井井下動液面測量存在的問題，本文提出了基于譜聚類與極限學習機的多模型軟測量方法。由譜聚類算法將數(shù)據(jù)集劃分為多個子模型，每個子模型由極限學習機方法進行建模，國內(nèi)某油田作業(yè)區(qū)一口抽油井的實際生產(chǎn)數(shù)據(jù)驗證了本文所提出方法的有效性。

[1]張朝暉，弓志謙，遲健男，張紅宇.采油井動態(tài)液面測量技術(shù)研究[J].傳感技術(shù)學報，2007，20(5):1180-1183.

[2]李琨，韓瑩，黃海礁.基于自動譜聚類與多極端學習機模型的油井油液含水率軟測量[J].化工學報，2016，67(7):2925-2933.

[3]王通，高憲文，劉文芳.自適應軟測量方法在動液面預測中的研究與應用[J].化工學報，2014，65(12):4898-4904.