張春琳，唐道臨，孫成

（1.成都北方石油勘探開發(fā)技術(shù)有限公司，成都 610051；2.延長油田股份有限公司，延安 716000；3.西安石油大學機械工程學院，西安 710065）

0 引言

油井在進行生產(chǎn)的同時井下工況也在不斷變化，當井下處于較差工況或是故障工況時不僅會影響油井正常生產(chǎn)，而且會造成巨大的電能浪費和生產(chǎn)設(shè)備的快速磨損，增加生產(chǎn)成本。通過技術(shù)手段對井下工況進行實時分析診斷，能及時發(fā)現(xiàn)不良的井下工況，根據(jù)具體工況做出相應(yīng)的技術(shù)調(diào)整，可使整個抽油系統(tǒng)處于高效的運行狀態(tài)[1]。模式識別技術(shù)是對表征事物的特征信息進行處理和分析，通過數(shù)學方法對事物進行識別?；谀Ｊ阶R的油井工況診斷技術(shù)源于20世紀80年代末，這種方法以計算機診斷法為基礎(chǔ)，通過分類器算法實現(xiàn)智能診斷[2]。因為油井的處于封閉的地下，井下環(huán)境惡劣多變，且常規(guī)的技術(shù)手段無法直接獲取井下工況信息，所以包含油井大量多維信息的示功圖可被作為油井工況的判定依據(jù)[3]。由此可見，基于模式識別的油井工況診斷技術(shù)的實質(zhì)就是通過分類器算法提取示功圖特征后進行圖形匹配。目前用于模式識別分類器算法有三大種類，一是距離分類器算法，二是模板匹配算法，三是費歇分類器算法。由于示功圖自身的特征和油井復(fù)雜的工況限制，基于模式識別技術(shù)的示功圖識別的分類器算法常采用距離分類器算法，其中識別精度較高的算法有灰度矩陣識別算法[4]、標準誤差法識別算法[5]。

1 典型油井工況分析舉例

示功圖是分析井下工況的重要依據(jù)，它能反映油井的出油狀況和井下工況[6]。油井井下工況復(fù)雜，使得油井存在許多不同的工況。不同工況對應(yīng)著不同的示功圖表現(xiàn)形式，同種工況的示功圖表現(xiàn)形式也存在著差異。如圖1為柱塞沙塞工況下的示功圖，其特點是上沖程時，附加阻力使光桿載荷增加；下沖程時，附加阻力使光桿載荷減少，且曲線出現(xiàn)不規(guī)則的鋸齒尖峰。由于在進行采油作業(yè)時，油井井底的壓力在不斷進行著變化，在這個過程中會造成井筒周圍巖壁的破損，使掉落的泥沙隨著地層油液進入泵筒中[7]。當油井內(nèi)出現(xiàn)砂阻時，不僅會降低油井的產(chǎn)量，而且會引起井下套管的損壞和設(shè)備的快速磨損[8]。

圖1 柱塞砂阻示功圖

圖2（a）為供液不足工況下的示功圖，油井呈現(xiàn)供液不足狀態(tài)時的示功圖成“刀把”形，即卸載線左移，供液不足越嚴重“刀把”越長，供液能力越差[9]，如圖 2（b）、（c）所示。油井供液能力不足，柱塞上沖程時液體不能充滿泵筒，因而在下沖程柱塞接觸液面之前不能卸載。在柱塞接觸液面后，卸載線和加載線平行。造成油井供液不足的主要原因是由地層的特性決定，如地層壓力不夠、地層滲透性不高都是供液不足的產(chǎn)生原因。當油井出現(xiàn)供液不足時，不僅會大幅地降低油井的產(chǎn)量，而且還會出現(xiàn)泵筒充不滿或空抽現(xiàn)象，造成采油設(shè)備的快速無效磨損和電能的巨大浪費，增加采油設(shè)備的運行維護成本，降低生產(chǎn)效率。

圖2油井供液能力差示功圖

圖3 為存在氣體影響時的示功圖。由于在下沖程末余間隙內(nèi)還殘存一定數(shù)量的壓縮溶解氣，上沖程開始后泵內(nèi)壓力因氣體的膨脹而不能很快降低，加載緩慢，使吸入閥打開滯后；下沖程時，氣體受壓縮，泵內(nèi)壓力不能迅速提高，使排除閥打開滯后[10]。泵筒內(nèi)的氣體會影響抽油桿卸載，降低油井產(chǎn)量。

圖4為油管、抽油桿結(jié)蠟時的示功圖。由于油井結(jié)蠟，使活塞在整個行程中或某些區(qū)域增加附加阻力，反映在示功圖上為上下載荷線上出現(xiàn)波浪性彎曲且示功圖顯得肥胖。由于儲層中的原油含有石蠟和瀝青，在生產(chǎn)作業(yè)時，井筒內(nèi)的壓力會發(fā)生變化使得原油中的石蠟和瀝青析出，造成油管、抽油桿的結(jié)蠟現(xiàn)象[11]。當油井出現(xiàn)結(jié)蠟現(xiàn)象時不僅會使油管和抽油桿處結(jié)蠟，而且還會造成井壁泵筒游動閥、固定閥處結(jié)蠟。當結(jié)蠟現(xiàn)象發(fā)生時油流通道逐漸縮小，增大油流阻力，降低油井產(chǎn)能，結(jié)蠟嚴重時甚至會造成油井停產(chǎn)。

圖3 氣體影響示功圖

圖4 油管、抽油桿結(jié)蠟示功圖

2 建立標準工況樣本數(shù)據(jù)庫

標準工況樣本數(shù)據(jù)庫是油井工況診斷的基礎(chǔ)，基于模式識別技術(shù)的油井工況診斷方法都是通過提取待識別示功圖特征后與標準工況樣本數(shù)據(jù)庫進行逐一比對實現(xiàn)工況診斷，所以在實現(xiàn)工況診斷之前需要建立工況識別的判斷標準。在建立標準工況樣本數(shù)據(jù)庫時首先需要采集大量典型工況下的示功圖作為標準樣本，同時并不斷往數(shù)據(jù)庫里添加每種工況下不同表現(xiàn)形式的示功圖。隨著數(shù)據(jù)的不斷積累，標準工況樣本數(shù)據(jù)庫里的樣本也在不斷完善和不斷細化。為簡化后期識別工況時的分析過程，標準工況樣本數(shù)據(jù)庫里的每一張示功圖都添加了詳細的工況注釋和故障工況的處理方法，以便簡化后期的工況解釋工作。建立的標準工況數(shù)據(jù)庫便是待識別工況示功圖的匹配標準。通過分類器算法，將未知工況示功圖與標準樣本數(shù)據(jù)庫里的數(shù)據(jù)進行匹配，尋找到的最佳匹配工況即是示功圖所表示的工況。簡易標準工況數(shù)據(jù)庫如圖5所示。

3 特征提取與工況識別

在進行模式識別時，必須提取示功圖特征，即與分類器有關(guān)的各種因素才能完成工況識別。從某種意義上講，特征提取是模式識別的關(guān)鍵，特征提取的成功與否意味著模式識別技術(shù)應(yīng)用的成功與否。示功圖中包含的特征有示功圖的幾何特征、示功圖形狀特征、力學特征、位移特征等。針對不同的分類器算法提取不同的示功圖特征，完成工況識別。

3.1 灰度矩陣識別算法

示功圖的灰度矩陣識別算法是在示功圖網(wǎng)格矩陣的基礎(chǔ)上形成的一種識別精度更高的算法，灰度矩陣識別算法可獲取示功圖的詳細幾何特征[12]?；叶染仃囎R別算法提取的是示功圖的幾何形狀特征，將示功圖通過網(wǎng)格劃分的方法按水平和垂直兩個方向分成m×n個網(wǎng)格，然后將示功圖輪廓線通過的網(wǎng)格賦1，得到示功圖輪廓特征。輪廓線以內(nèi)，按距離輪廓線的距離賦值，每遠離邊界一格其灰度值增1，距離越遠灰度值越高，即網(wǎng)格元素值賦值越大；輪廓線以外，距離輪廓線的距離越遠，灰度值越低，每遠離邊界一格其灰度值減1，即網(wǎng)格元素值賦值越小[13]。每一個網(wǎng)格內(nèi)的值代表著該網(wǎng)格的像素值，將待識別示功圖網(wǎng)格的m×n個像素值aij與標準數(shù)據(jù)庫中示功圖相同位置網(wǎng)格像素值bij相減，再將所有網(wǎng)格的差值累加，得到的值即為匹配值R。R越小說明匹配到標準工況示功圖與待識別示功圖越相似，匹配到的最小R值時的標準工況即為待識別示功圖代表的油井工況。示功圖的灰度矩陣如圖6所示。

圖5 簡易標準工況數(shù)據(jù)庫

3.2 標準誤差識別算法

標準誤差識別算法需要提取歸一化后示功圖的形狀特征，通過將待識別示功圖的形狀特征與標準工況樣本數(shù)據(jù)庫里樣本的形狀特征進行逐一匹配，尋找到的最佳匹配工況即為待識別示功圖所代表的工況。首先需要對示功圖進行歸一化處理，將示功圖中的位移設(shè)為常量，示功圖中的載荷作為匹配量。在進行圖形匹配時，將示功圖按上下沖順序展開成一系列的點，待識別示功圖的每一個載荷值與標準樣本數(shù)據(jù)庫里正在匹配的示功圖的對應(yīng)點載荷值相減，再將所有點的差值累加，得到的值即為匹配值d。d越小說明匹配到標準工況示功圖與待識別示功圖越相似，匹配到的最小d值時的標準工況即為待識別示功圖代表的油井工況。

式中，E=WA(x)-WB(x)，其中WA(x)：待識別工況的載荷，WB(x)：標準工況的載荷。

圖6 示功圖灰度矩陣

3.3 工況識別的實現(xiàn)

通過MATLAB編程實現(xiàn)工況識別的過程。首先通過MATLAB的存儲功能將建立的標準工況樣本數(shù)據(jù)庫進行數(shù)字化儲存，并編寫成一項調(diào)用函數(shù)供圖形匹配時使用。然后建立灰度矩陣識別算法的調(diào)用函數(shù)和標準誤差識別算法的調(diào)用函數(shù)，并將匹配值轉(zhuǎn)換成相似值顯示出來。最后編寫示功圖讀入時的數(shù)據(jù)處理程序和圖形匹配時的循環(huán)算法，實現(xiàn)待識別示功圖與標準樣本數(shù)據(jù)庫進行逐一匹配，尋找最優(yōu)匹配。圖7（a）為灰度矩陣識別算法識別結(jié)果圖，圖7（b）為標準誤差識別算法識別結(jié)果圖。

4 結(jié)語

圖7 工況識別示意圖

綜上所述，通過模式識別技術(shù)對示功圖進行定量分析可識別出油井的井下工況，能夠為油田的穩(wěn)定生產(chǎn)提供技術(shù)保障。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等新一代信息技術(shù)和石油工業(yè)的不斷發(fā)展，油田將進一步實現(xiàn)智能化、數(shù)字化，從而實現(xiàn)高效生產(chǎn)?；谀Ｊ阶R別技術(shù)的油井工況診斷是人工智能技術(shù)在石油行業(yè)里的應(yīng)用，它不僅能系統(tǒng)地分析油井井下工況，而且還能及時地發(fā)現(xiàn)潛在的問題和不良工況。通過建立的標準工況樣本數(shù)據(jù)庫，可對相應(yīng)的工況做出描述和初步調(diào)整的建議，能幫助現(xiàn)場工作人員應(yīng)對不同工況迅速做出決策，通過技術(shù)手段進行相應(yīng)的調(diào)整，提高生產(chǎn)運行的效率。