邴紹強(qiáng)

（中國石化勝利油田分公司信息化管理中心，山東東營 257000）

傳統(tǒng)模式下，針對易結(jié)蠟的有桿泵抽油井，人們往往根據(jù)現(xiàn)場經(jīng)驗確定其清蠟周期，受人工采集數(shù)據(jù)頻率低、時間對應(yīng)性不強(qiáng)等條件限制，清蠟周期往往不準(zhǔn)確，易因井筒清蠟不及時而發(fā)生蠟卡躺井，不僅降低了油井生產(chǎn)時率，而且增加了油井作業(yè)維護(hù)費用和生產(chǎn)成本[1-3]。例如，勝利油田樁23區(qū)塊平均每年有2口井因清蠟周期不準(zhǔn)確、井筒清蠟不及時而發(fā)生蠟卡躺井。近年來，隨著油氣生產(chǎn)物聯(lián)網(wǎng)建設(shè)的不斷推進(jìn)，抽油機(jī)井懸點載荷與位移、井口溫度、回壓、電參數(shù)等逐步實現(xiàn)了自動實時采集[4]，為人工智能技術(shù)的應(yīng)用提供了大量的數(shù)據(jù)支持，因而國內(nèi)外開展了利用人工智能預(yù)測油井結(jié)蠟工況的研究：段友祥等人[5-8]利用人工智能的分類算法，建立了異常工況診斷模型，對油井的結(jié)蠟工況進(jìn)行識別；A. K. Manshad等人[9-10]利用人工智能預(yù)測算法，建立了儲層流體結(jié)蠟量預(yù)測模型。上述方法均難以實現(xiàn)抽油機(jī)井結(jié)蠟及清蠟周期的定量化預(yù)測及預(yù)警，為此，筆者利用人工智能預(yù)測算法，結(jié)合大數(shù)據(jù)挖掘技術(shù)[11-13]，通過研究抽油機(jī)井生產(chǎn)數(shù)據(jù)變化規(guī)律與結(jié)蠟程度的定量關(guān)系，建立了結(jié)蠟程度預(yù)測預(yù)警模型，可實時預(yù)測油井結(jié)蠟程度并超前預(yù)警，從而幫助人們合理選擇清蠟時機(jī)，盡可能避免蠟卡躺井，實現(xiàn)了抽油機(jī)井清蠟時機(jī)由傳統(tǒng)的業(yè)務(wù)驅(qū)動向數(shù)據(jù)驅(qū)動的轉(zhuǎn)變。

1 應(yīng)用人工智能預(yù)測抽油機(jī)井結(jié)蠟的技術(shù)思路

近年來，隨著智能傳感器、物聯(lián)網(wǎng)等技術(shù)的快速發(fā)展和大規(guī)模應(yīng)用，工業(yè)生產(chǎn)逐步進(jìn)入大數(shù)據(jù)時代，工業(yè)大數(shù)據(jù)的產(chǎn)生促進(jìn)了新一代人工智能技術(shù)在工業(yè)領(lǐng)域的應(yīng)用，拓展了利用人工智能解決問題的深度和廣度[14]。新一代人工智能技術(shù)在油田的應(yīng)用越來越廣泛[15-18]，已在儲層識別、油藏動態(tài)分析、油水井工況診斷等方面取得了較好的應(yīng)用成果。深度學(xué)習(xí)和知識工程是新一代人工智能技術(shù)在工業(yè)領(lǐng)域應(yīng)用的2大技術(shù)，在工業(yè)領(lǐng)域應(yīng)用中有相互融合的趨勢，從而提高了結(jié)果的可靠性和可解釋性。新一代人工智能技術(shù)用于抽油機(jī)井結(jié)蠟預(yù)測和預(yù)警的技術(shù)思路為：將數(shù)據(jù)挖掘技術(shù)與專業(yè)知識結(jié)合，識別抽油機(jī)井結(jié)蠟預(yù)警的主控參數(shù)，建立結(jié)蠟預(yù)警規(guī)則模型，實現(xiàn)結(jié)蠟井的有效識別，并建立結(jié)蠟井樣本庫；在此基礎(chǔ)上，將歸一化處理后的結(jié)蠟預(yù)警主控參數(shù)作為輸入變量，應(yīng)用長短時記憶深度學(xué)習(xí)算法，建立結(jié)蠟程度人工智能預(yù)測模型，利用大量樣本數(shù)據(jù)對所建模型進(jìn)行訓(xùn)練，利用訓(xùn)練后的模型可以定量預(yù)測抽油機(jī)井的結(jié)蠟程度，從而確定清蠟時機(jī)，輔助技術(shù)人員及時采取清蠟措施，避免蠟卡躺井。

2 抽油機(jī)井結(jié)蠟預(yù)警規(guī)則模型的建立

抽油機(jī)井結(jié)蠟是一個漸變的過程，在分析結(jié)蠟井生產(chǎn)參數(shù)變化規(guī)律的基礎(chǔ)上，可以確定其主控參數(shù)，結(jié)合采油專業(yè)知識和專家經(jīng)驗，建立油井結(jié)蠟預(yù)警規(guī)則模型，自動識別有結(jié)蠟趨勢的抽油機(jī)井，為結(jié)蠟程度人工智能預(yù)測模型提供學(xué)習(xí)樣本，同時為預(yù)測模型提供輸入的自變量數(shù)據(jù)。

2.1 結(jié)蠟預(yù)測主控參數(shù)的優(yōu)選

收集了勝利油田2015—2017年300口典型結(jié)蠟井的生產(chǎn)參數(shù)，包括采取清蠟措施或蠟卡躺井前后地面示功圖的相關(guān)參數(shù)（上行電流、下行電流、最大載荷、最小載荷、載荷差和功圖面積）、井口生產(chǎn)參數(shù)（井口回壓、井口套壓和井口溫度）和電參數(shù)（A項電流、A項平均電流、耗電量、AB項電壓、功率因數(shù)、無功功率、周期內(nèi)有功功率平均值和周期內(nèi)無功功率平均值）等17項自動采集處理參數(shù)，作為屬性數(shù)據(jù)。其中，地面示功圖相關(guān)數(shù)據(jù)的采集頻率為1次/30min，其他數(shù)據(jù)的采集頻率為1次/min。利用皮爾遜相關(guān)系數(shù)分析方法，對收集的結(jié)蠟井屬性數(shù)據(jù)，逐口井進(jìn)行兩兩之間的相關(guān)性分析，從而確定結(jié)蠟預(yù)警的主控參數(shù)。

皮爾遜相關(guān)系數(shù)也稱為皮爾遜積矩相關(guān)系數(shù)（Pearson product-moment correlation coefficient），是一種線性相關(guān)系數(shù)，記為r，用來反映兩個變量X和Y的線性相關(guān)程度，r值介于-1～1之間，其絕對值越大表明相關(guān)性越強(qiáng)。r的計算公式為：

r還可以由(Xi，Yi)樣本點的標(biāo)準(zhǔn)分?jǐn)?shù)均值估計得到與式（1）等價的表達(dá)式：

將每口結(jié)蠟井17項屬性數(shù)據(jù)兩兩之間的皮爾遜相關(guān)系數(shù)進(jìn)行平均，分析300口典型結(jié)蠟井屬性數(shù)據(jù)的相關(guān)性，結(jié)果見表1。由表1可知，最大載荷、最小載荷、載荷差、功圖面積、上行電流、A項平均電流、周期內(nèi)有功功率平均值等7項參數(shù)相關(guān)性系數(shù)的絕對值大于0.9，與井筒結(jié)蠟密切相關(guān)。其中，最小載荷負(fù)相關(guān)，其余參數(shù)正相關(guān)。綜合典型結(jié)蠟井屬性數(shù)據(jù)相關(guān)性分析結(jié)果，將這7項參數(shù)作為預(yù)測油井結(jié)蠟程度的主控參數(shù)。

表1 300口典型結(jié)蠟井屬性數(shù)據(jù)相關(guān)性分析結(jié)果Table 1 Correlation analysis of attribute data of 300 typical paraffin troubled wells

2.2 結(jié)蠟預(yù)警規(guī)則模型的建立

在相關(guān)性分析的基礎(chǔ)上，結(jié)合專業(yè)知識和實踐經(jīng)驗，總結(jié)提煉結(jié)蠟井預(yù)警主控參數(shù)的變化規(guī)律，建立結(jié)蠟預(yù)警規(guī)則模型。

用上升趨勢、持續(xù)上升、超上限、穩(wěn)定區(qū)間、下降趨勢等規(guī)則定義指標(biāo)變化趨勢，用趨勢連續(xù)變化時間、變化速率閾值以及載荷差閾值、沖次穩(wěn)定區(qū)間閾值等規(guī)則定義趨勢變化程度，將7項結(jié)蠟主控參數(shù)的變化規(guī)則進(jìn)行組合，建立結(jié)蠟預(yù)警規(guī)則模型。受泵型、泵掛深度、原油黏度、含水、結(jié)蠟程度等參數(shù)的影響，不同油井指標(biāo)的變化趨勢和趨勢變化程度等規(guī)則不同，需要結(jié)合油井的實際井況進(jìn)行“一井一策”的規(guī)則設(shè)置。該結(jié)蠟預(yù)警規(guī)則模型融合了業(yè)務(wù)機(jī)理和專家經(jīng)驗，能夠量化表征結(jié)蠟主控參數(shù)的變化規(guī)律，對結(jié)蠟井進(jìn)行實時、定性預(yù)警提示，其運行示意圖見圖1。在實際應(yīng)用時，現(xiàn)場采集的實時生產(chǎn)數(shù)據(jù)自動加載至計算機(jī)，按照預(yù)警規(guī)則模型設(shè)定的規(guī)則，利用計算引擎進(jìn)行數(shù)據(jù)變化趨勢擬合和趨勢變化程度閾值判斷，若符合模型設(shè)定規(guī)則，則給出結(jié)蠟預(yù)警提示信息，技術(shù)人員對預(yù)警信息準(zhǔn)確性進(jìn)行分析判斷，準(zhǔn)確的預(yù)警信息進(jìn)入結(jié)蠟井樣本庫。

圖1 結(jié)蠟預(yù)警規(guī)則模型運行示意Fig. 1 Operation schematic diagram of wax deposition early warning rule model

以HJH82-X11井為例，創(chuàng)建的結(jié)蠟預(yù)警規(guī)則模型共包括11項規(guī)則（見圖2），分別為最大載荷上升速率閾值0.2、最小載荷下降速率閾值0.2、載荷差上升速率閾值0.3、功圖面積上升速率閾值0.1、上行電流上升速率閾值0.1、A項平均電流上升速率閾值0.1、周期內(nèi)有功功率平均值上升速率閾值0.1；根據(jù)該井桿管泵組合，經(jīng)計算和分析，設(shè)定最大載荷上限閾值為40 kN、載荷差值上限閾值為5 kN；為消除調(diào)整參數(shù)的影響，增加了沖次穩(wěn)定的條件，穩(wěn)定區(qū)間閾值0.2。在該井工作制度不變的情況下，利用該模型可定性預(yù)警油井結(jié)蠟。

圖2 HJH82-X11井結(jié)蠟預(yù)警規(guī)則模型Fig.2 Wax deposition early warning rule model of Well HJH82-X11

3 抽油機(jī)井結(jié)蠟機(jī)器學(xué)習(xí)模型的建立

對結(jié)蠟預(yù)警主控參數(shù)值進(jìn)行加權(quán)處理，建立一項反映結(jié)蠟程度的綜合特征指標(biāo)，采用深度神經(jīng)網(wǎng)絡(luò)建立結(jié)蠟綜合特征指標(biāo)預(yù)測模型，利用結(jié)蠟規(guī)則模型產(chǎn)生的結(jié)蠟井樣本數(shù)據(jù)對該模型進(jìn)行訓(xùn)練，利用訓(xùn)練后的模型可以預(yù)測油井結(jié)蠟綜合特征指標(biāo)，從而精準(zhǔn)確定清蠟時機(jī)。

3.1 結(jié)蠟綜合特征指標(biāo)的建立

為定量描述油井結(jié)蠟程度與生產(chǎn)數(shù)據(jù)之間的關(guān)系，利用主成分分析方法（PCA），計算最大載荷、最小載荷、載荷差、功圖面積、上行電流、A項平均電流、周期內(nèi)有功功率平均值等7個結(jié)蠟預(yù)警主控參數(shù)的權(quán)重。

式中：x為樣本屬性值；下標(biāo)i為屬性索引（i=1， 2，…，n），下標(biāo)j為樣本索引(j=1，2，…，m)；xij為第j個樣本的第i個屬性對應(yīng)的數(shù)據(jù)。

利用收集整理的300口結(jié)蠟樣本井的7項參數(shù)，建立7×300的樣本矩陣，代入式（3），計算得到結(jié)蠟樣本井協(xié)方差矩陣B為：

將協(xié)方差矩陣進(jìn)行對角化處理，得到協(xié)方差矩陣的特征值，即為各項參數(shù)的權(quán)重：載荷差、最小載荷、最大載荷、功圖面積、上行電流、A項平均電流和周期內(nèi)有功功率平均值的權(quán)重分別為0.887 0，-0.143 8，0.224 1，0.367 9，0.093 2，0.060 3和 0.053 8。將 7項結(jié)蠟主控參數(shù)的權(quán)重進(jìn)行加權(quán)計算得到一個合并指標(biāo)（即7項結(jié)蠟主控參數(shù)的權(quán)重分別與其參數(shù)值相乘后相加），進(jìn)行歸一化處理得到一個能夠反映結(jié)蠟程度的結(jié)蠟綜合特征指標(biāo)（WPSC），該指標(biāo)介于0～1之間，越接近1蠟卡躺井風(fēng)險越大。

對收集整理的300口結(jié)蠟井中，120口井蠟卡躺井前一個月的WPSC數(shù)值進(jìn)行計算，分析計算結(jié)果發(fā)現(xiàn)：當(dāng)結(jié)蠟井的WPSC數(shù)值約達(dá)到0.950后，WPSC數(shù)值曲線變化率出現(xiàn)拐點，上升速度明顯加快，3～5 d后出現(xiàn)蠟卡躺井情況。因此，在WPSC的數(shù)值約達(dá)到0.950后應(yīng)立即采取清蠟措施，以避免蠟卡躺井。以GN24P102井為例，從該井躺井前一個月的WPSC數(shù)值可以看出（見圖3），2016年11月2日15：30時（即第26天）的WPSC數(shù)值為0.946，2016年11月6日10：25時（即第30天）的WPSC數(shù)值快速升至0.989，該井發(fā)生蠟卡躺井。

圖3 GN24P102井躺井前30 d的WPSC數(shù)值曲線Fig. 3 WPSC numerical curve of 30 days before Well GN24P102 fails

對結(jié)蠟預(yù)警規(guī)則模型產(chǎn)生的樣本數(shù)據(jù)進(jìn)行計算處理，建立結(jié)蠟井WPSC樣本集，作為人工智能預(yù)測模型的學(xué)習(xí)樣本。

3.2 結(jié)蠟綜合特征指標(biāo)機(jī)器學(xué)習(xí)模型的建立

針對油井生產(chǎn)數(shù)據(jù)及結(jié)蠟程度隨時間變化的特征，選用長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM），建立WPSC機(jī)器學(xué)習(xí)模型。LSTM是在通用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上，在各隱藏層神經(jīng)單元中加入記憶單元，實現(xiàn)時間序列上的記憶信息可控，適合于處理和預(yù)測時間序列中間隔和延遲相對較長的重要事件[19-20]，是一種基于深度學(xué)習(xí)的人工智能預(yù)測算法。

LSTM的計算節(jié)點包括輸入門、輸出門、遺忘門和Cell。其中Cell是LSTM計算節(jié)點的核心，主要用于記錄當(dāng)前時刻狀態(tài)，計算公式為：

此外，有：

WPSC機(jī)器學(xué)習(xí)模型建立及訓(xùn)練方法為：

1）調(diào)用接口創(chuàng)建模型，設(shè)置超參數(shù)。調(diào)用Tensor Flow上的接口創(chuàng)建LSTM模型，設(shè)置預(yù)訓(xùn)練次數(shù)、激活函數(shù)、優(yōu)化函數(shù)等超參數(shù)。

2）根據(jù)模型結(jié)構(gòu)，建立測試集和訓(xùn)練集。按照LSTM模型結(jié)構(gòu)，提取結(jié)蠟樣本集數(shù)據(jù)，設(shè)置時間序列，根據(jù)設(shè)定輸入時間長度對樣本數(shù)據(jù)進(jìn)行分割處理，創(chuàng)建結(jié)蠟井WPSC訓(xùn)練集和測試集，其中每口樣本井80%數(shù)據(jù)用于模型訓(xùn)練，20%數(shù)據(jù)用于模型測試。

3）模型訓(xùn)練。利用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，利用測試集數(shù)據(jù)進(jìn)行模型預(yù)測精度評價，根據(jù)預(yù)測精度調(diào)整和優(yōu)選超參數(shù)。WPSC機(jī)器學(xué)習(xí)模型選用tanh 函數(shù)作為激活函數(shù)、Adam函數(shù)作為優(yōu)化函數(shù)，設(shè)定模型輸入時間長度（樣本輸入時間步長）為50 d，模型輸出時間長度（模型輸出時間步長）為20 d。

4）模型發(fā)布。用測試集數(shù)據(jù)評價WPSC機(jī)器學(xué)習(xí)模型的預(yù)測精度，當(dāng)預(yù)測結(jié)果的均方根誤差小于0.01時，模型訓(xùn)練完成，發(fā)布為正式預(yù)測模型。

利用發(fā)布的預(yù)測模型，預(yù)測結(jié)蠟井WPSC隨時間的變化情況，指導(dǎo)技術(shù)人員精確把握油井結(jié)蠟趨勢、發(fā)展程度和清蠟時機(jī)。當(dāng)WPSC值大于0.95時，結(jié)合油井現(xiàn)場情況及時采取清蠟措施，最大程度地提高油井生產(chǎn)效益。

4 現(xiàn)場應(yīng)用效果

從2017年7月開始，基于人工智能的油井結(jié)蠟預(yù)警方法在勝利油田樁23區(qū)塊進(jìn)行了現(xiàn)場試驗，截至2018年12月，該區(qū)塊未出現(xiàn)蠟卡躺井問題。目前，該預(yù)警方法已經(jīng)在勝利油田河口、現(xiàn)河等采油廠的550多口易結(jié)蠟抽油機(jī)井進(jìn)行了推廣應(yīng)用，技術(shù)人員利用模型預(yù)測結(jié)果，超前把握結(jié)蠟趨勢和程度，及時采取清蠟措施，累計12口井避免了蠟卡躺井，節(jié)約作業(yè)費用100多萬元。下面以H148井為例，介紹該預(yù)警方法的現(xiàn)場應(yīng)用情況。

該井在2017年7月2日—12月3日生產(chǎn)期間，根據(jù)實測數(shù)據(jù)計算得到的WPSC實際值從0.4逐步升至0.8以上，井筒有結(jié)蠟趨勢。為此，應(yīng)用LSTM建立該井的WPSC預(yù)測模型，輸入步長為50 d，輸出步長為20 d，利用7月2日—9月30日的WPSC數(shù)據(jù)訓(xùn)練預(yù)測模型，訓(xùn)練好后預(yù)測WPSC值，圖4和圖5分別為該井10月20—11月8日、11月9日—28日WPSC計算值與預(yù)測值的對比曲線。從圖4和圖5可以看出，WPSC預(yù)測值與實際值基本吻合，WPSC實際值由0.860升至0.936。11月29日，該模型預(yù)測出該井4 d后的WPSC值為0.954并且有繼續(xù)增大的趨勢（見圖6），系統(tǒng)發(fā)出清蠟預(yù)警，經(jīng)過綜合分析該井生產(chǎn)情況，于12月3日對該井實施熱洗清蠟措施，實施后該井各項指標(biāo)恢復(fù)正常，避免了蠟卡躺井的發(fā)生。

圖4 H148井WPSC實際值與預(yù)測值對比曲線（10月20日-11月8日）Fig. 4 Correlation curve between actual and predicted values of WPSC in Well H148 (October 20-November 8)

圖5 H148井WPSC實際值與預(yù)測值對比曲線（11月9日-28日）Fig. 5 Correlation curve between actual and predicted values of WPSC in Well H148 (November 9-28)

圖6 H148井WPSC預(yù)測值曲線Fig. 6 WPSC predictive value curve of Well H148

5 結(jié) 論

1）通過皮爾遜相關(guān)系數(shù)分析方法對自動采集生產(chǎn)數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析，確定了7項預(yù)測油井結(jié)蠟程度的主控參數(shù)，結(jié)合采油工程理論與實踐經(jīng)驗，建立了結(jié)蠟預(yù)警規(guī)則模型。該模型能夠?qū)Y(jié)蠟程度相關(guān)參數(shù)變化規(guī)律進(jìn)行量化表征。

2）綜合7項主控參數(shù)提出了結(jié)蠟綜合特征指標(biāo)（WPSC），利用結(jié)蠟預(yù)警規(guī)則模型產(chǎn)生的樣本數(shù)據(jù)建立了結(jié)蠟井WPSC樣本集，選用長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）對樣本集進(jìn)行訓(xùn)練得到了WPSC機(jī)器學(xué)習(xí)模型。

3）現(xiàn)場應(yīng)用效果表明，基于人工智能的結(jié)蠟預(yù)警方法改變了傳統(tǒng)的按周期進(jìn)行熱洗清蠟的管理模式，實現(xiàn)了基于數(shù)據(jù)驅(qū)動的預(yù)測性管理、油井結(jié)蠟程度和清蠟時機(jī)的定量化預(yù)測及預(yù)警，降低了生產(chǎn)成本，提高了油井生產(chǎn)效益。

4）基于人工智能的結(jié)蠟預(yù)警方法對于人工智能技術(shù)在油水井工況診斷及超前治理、油氣生產(chǎn)設(shè)備預(yù)測性維護(hù)等方面的應(yīng)用具有借鑒意義。