智勤功

中國石油化工股份有限公司勝利油田分公司石油工程技術(shù)研究院

目前，我國大部分油田都處在開發(fā)的中后期，油井供液不足現(xiàn)象越來越嚴重[1]。對于供液不足油井而言，充滿程度不足通常會引起空抽和液擊工況。這樣不僅對抽油設(shè)備造成損耗，而且會消耗很多的電能，顯著提高了油田的開發(fā)成本。

針對供液不足油井的變化情況，目前采用的方法有：①利用動液面監(jiān)測判別油井供液不足的程度[2-3]，但傳統(tǒng)的動液面監(jiān)測無法做到實時監(jiān)測，由于井下環(huán)境復雜，監(jiān)測誤差也較大。②根據(jù)示功圖判斷油井供液不足的程度，但該方法缺乏有效的識別方法，無法進行自動化分析，主要依靠工作人員經(jīng)驗來判斷油井供液不足的程度，缺乏穩(wěn)定性和權(quán)威性。以往的特征提取比較依賴先驗知識，隨著深度學習的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以學習性地提取由訓練數(shù)據(jù)驅(qū)動的特征描述，使其更加有變通性和通用性。CNN被看作達成深度學習的關(guān)鍵手段，但早期的CNN 由于缺乏大數(shù)據(jù)支持且硬件性能不佳，無法處理復雜的問題。隨著大規(guī)模ImageDatabase 的孕育和硬件條件的發(fā)展，CNN 已成為研究的熱點并得到迅速發(fā)展。近年來，主要的CNN結(jié)構(gòu)有AlexNet[4]、LeNet-5[5]和VGGNet[6]等。在實際運用中，隨著油田生產(chǎn)信息化的全面推進，目前已實現(xiàn)油井生產(chǎn)數(shù)據(jù)的采集監(jiān)控，數(shù)據(jù)的實時傳輸上傳，視頻監(jiān)控的全面覆蓋，大數(shù)據(jù)資源已初步形成[7-8]。CNN 已在圖像分類[9-10]、目標檢測、目標跟蹤、文本識別這些領(lǐng)域獲得了極大的成就。

因此，基于油田大數(shù)據(jù)資源的完備和CNN 良好的特征提取性能，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的油井供液不足程度量化分析方法，同時使用Softmax 分類器構(gòu)建識別模型，很好地解決了傳統(tǒng)分析方法的不足。經(jīng)現(xiàn)場應用，此方法能夠滿足油田實際應用需求。

1 卷積神經(jīng)網(wǎng)絡(luò)

隨著深度學習的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已在石油工程領(lǐng)域展示出其突出的優(yōu)勢[11-12]。針對油井供液不足程度識別的問題，本文選用卷積神經(jīng)網(wǎng)絡(luò)作為識別模型。

1.1 卷積神經(jīng)網(wǎng)絡(luò)及基本原理

卷積神經(jīng)網(wǎng)絡(luò)識別圖像的基本原理是[13-14]：首先輸入待識別的圖像，采用卷積操作對待識別圖像進行特征提?。蝗缓蟛捎肕ax-pooling 方法對圖像降維，接著經(jīng)過多個卷積層與池化層，充分提取待識別圖像特征；最后在全連接層中將提取到的所有特征參數(shù)合并，完成對待識別圖像的辨別與分類。卷積操作是對待識別的示功圖圖像X進行計算并獲取其特征參數(shù)，用Hi表示卷積神經(jīng)網(wǎng)絡(luò)第i層的特征參數(shù)（H0=X），即

式中：Wi為網(wǎng)絡(luò)模型第i層卷積核的權(quán)值向量；bi為網(wǎng)絡(luò)模型第i層卷積核的偏移向量；f(x)為激活函數(shù)。

將提取到的特征參數(shù)經(jīng)過池化窗口(n×n)操作之后，原尺寸收縮為先前的(1/n)×(1/n)。

1998年，YANN LECUN提出了LeNet-5網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)為：第一、二層為卷積層，卷積層后各自連接池化層；第三層也是卷積層，后連接兩個全連接層。作為第一代經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，在油井供液不足示功圖程度識別研究中，其網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)和卷積核尺寸等方面存在可以繼續(xù)提升的空間。

AlexNet 由KRIZHEVSKY 等人創(chuàng)建，它贏得了2012年的ImageNet競賽。該模型由8層組成，其優(yōu)勢在圖像分類上表現(xiàn)卓越。

2014 年，牛津大學計算機視覺組的研究員一起研發(fā)出新的CNN 模型（VGGNet），同時贏得了ILSVRC 2014比賽分類項目的亞軍和定位項目的冠軍。VGGNet的模型結(jié)構(gòu)[11]如圖1所示。

圖1 VGGNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 VGGNet neural network structure

VGGNet 模型分為6 種不同的網(wǎng)絡(luò)架構(gòu)，每個結(jié)構(gòu)有5個卷積組，每個卷積組使用一個3×3的卷積核，后面跟著一個2×2 最大的池化層，接著是三個全連接層，最終結(jié)合Softmax 分類器構(gòu)建網(wǎng)絡(luò)模型。

VGGNet 網(wǎng)絡(luò)模型與LeNet-5 網(wǎng)絡(luò)模型對比：首先在VGGNet 模型中采用了局部響應歸一化機制，局部響應歸一化機制可以在模型中對局部神經(jīng)元創(chuàng)建權(quán)重參數(shù)，使得網(wǎng)絡(luò)模型在對圖像識別的過程中，更加具有針對性和目的性；然后卷積層中采用RELU激活函數(shù)取代了Tanh和Sigmoid[15-16]，使識別準確率大大提升；接著池化層中采用Max-pooling方法代替了Avg-pooling 方法，從而避免了在特征提取的過程中出現(xiàn)圖像模糊的情況；最后在全連接層中增加了dropout 層，有效防止了過擬合現(xiàn)象的產(chǎn)生。

VGGNet 網(wǎng)絡(luò)模型與AlexNet 網(wǎng)絡(luò)模型對比：VGGNet模型是對AlexNet模型的進一步優(yōu)化，網(wǎng)絡(luò)層數(shù)更深；VGGNet 使用的卷積核為3×3，而非AlexNet的11×11或5×5，準確率更高。

但其相對龐大的網(wǎng)絡(luò)結(jié)構(gòu)在圖像識別的過程中花費了大量時間。

1.2 改良的VGGNet網(wǎng)絡(luò)模型

針對診斷油井供液不足程度的問題，選用了改良后的VGGNet 結(jié)構(gòu)，它不僅可以滿足識別準確率的要求，還可以減少識別時間。改良后的VGGNet結(jié)構(gòu)主要有以下優(yōu)點：

（1）改良后的VGGNet 模型輸出層由1 000 個神經(jīng)元變?yōu)?0個神經(jīng)元輸出。

（2）改良后的VGGNet 網(wǎng)絡(luò)模型由4 層卷積、4 層池化和3 層全連接構(gòu)成，減少了訓練時間，提高了收斂速度。

輸入的目標圖像大小為100×200，改良后的VGGNet網(wǎng)絡(luò)參數(shù)如表1所示。

表1 改良后的VGGNet網(wǎng)絡(luò)參數(shù)Tab.1 Prameters of improved VGGNet network

2 油井供液不足程度示功圖識別

2.1 示功圖程度識別方法流程

基于CNN 的油井供液不足程度示功圖的識別方法（圖2）如下：將訓練樣本集放入CNN網(wǎng)絡(luò)模型中進行訓練；將待識別的驗證樣本集放入已訓練好的CNN模型中進行驗證。

圖2 基于CNN的油井供液不足程度示功圖識別方法流程Fig.2 Identification method flow of indicator diagram of liquid supply deficiency degree based on CNN

2.2 示功圖圖像預處理

基于CNN 的油井供液不足程度示功圖識別原理為：以識別圖像像素點代替識別圖像，完成圖像的分割。對于分割后的圖像先以部分圖像為單位提取特征值，再將局部小特征進行匯總，最終完成整個圖像識別過程。因此，在圖像中出現(xiàn)的所有多余信息都將影響卷積神經(jīng)網(wǎng)絡(luò)的訓練效果，考慮到繪制出的示功圖還包含橫坐標（位移）、縱坐標（載荷）以及坐標線等冗余信息，需要先對示功圖進行預處理[17-18]。預處理的質(zhì)量決定了樣本集的水平，以及網(wǎng)絡(luò)的訓練效果，具體步驟如下：

（1）實驗數(shù)據(jù)。本實驗采集了某油田現(xiàn)場n余口井的有桿泵懸點載荷、位移等數(shù)據(jù)，通過對數(shù)據(jù)質(zhì)量的篩選和清洗，繪制成統(tǒng)一的標準化示功圖圖像：圖像的大小為100×200 像素，DPI 為50 像素/英寸，曲線線寬為2.5 mm；接著對示功圖進行分類和篩選，從而建立油井供液不足示功圖樣本集（圖3）。

圖3 實驗中用到的油井供液不足示功圖Fig.3 Indicator diagram of insufficient liquid supply for oil wells used in the experiment

（2）像素歸一化。輸入的原始示功圖的像素位于0 到255 之間，像素的不同會干擾神經(jīng)網(wǎng)絡(luò)的學習能力，無形中制造了誤差。因此，根據(jù)示功圖像素的最大值及最小值，本文采用了最大、最小值歸一化方法，其公式如下：

式中：xi為像素點值，像素的最大和最小值分別是max(x)和min(x)。

通過常規(guī)的歸一化方法處理圖像，將像素回歸至0 到1 之間，不改變圖像特征，排除了井間差異，使得所需信息更加突出，隱匿噪聲信息，節(jié)省了訓練時間。

2.3 用于示功圖的CNN模型結(jié)構(gòu)

本文基于傳統(tǒng)的VGGNet 模型，提出了一種改良的VGGNet 模型，用于識別油井供液不足程度。首先構(gòu)建了油井供液不足程度示功圖數(shù)據(jù)集，然后將Max-pooling為采樣方法、RELU為激活函數(shù)，建立了4 層卷積層、4 層池化層和3 層全連接層的網(wǎng)絡(luò)模型，采用反向傳播算法優(yōu)化其網(wǎng)絡(luò)模型。訓練好的網(wǎng)絡(luò)模型不僅能夠滿足油井供液不足程度識別準確率要求，又能大大減少識別時間。改進的VGGNet模型結(jié)構(gòu)如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Convolutional neural network structure

2.4 分類識別

Softmax 分類器在卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域中已取得了良好的應用效果，并作為一種泛化能力強的通用學習算法廣泛應用于多類圖像識別領(lǐng)域。本文選取Softmax 分類器對示功圖圖像進行訓練和驗證，檢驗示功圖圖像特征提取的效果。

3 實驗

3.1 實驗環(huán)境

本次實驗基于64位的Win10系統(tǒng)，CPU為Intel(R)Core(TM)i7-10750K，CPU 的主頻為2.59 GHz，內(nèi)存為16 GB?；贙eras 深度學習框架和GPU[19]，利用Anaconda 下基于Python 語言的pycharm 進行代碼編制[20]。

3.2 實驗步驟

步驟1：通過油田生產(chǎn)現(xiàn)場采集到的載荷、位移數(shù)據(jù)，繪制成示功圖。對于不符合油井供液不足示功圖的圖像進行清洗工作，將得到的8 000 張示功圖分為10個供液不足等級。

步驟2：打亂樣本集，將樣本集按8∶2比例劃分訓練集和驗證集。根據(jù)油井供液不足示功圖特點，創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用訓練集對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓練和優(yōu)化。

步驟3：利用反向傳播算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)，獲取合適的識別準確率，并保存訓練好的模型。

步驟4：用保存好的模型對驗證集示功圖圖像進行識別。

步驟5：若識別錯誤，則修正錯誤的識別結(jié)果；將修正過的示功圖放入對應分類樣本集，再次訓練卷積神經(jīng)網(wǎng)絡(luò)，通過強化學習，不斷更新卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

3.3 實驗結(jié)果

在訓練過程中設(shè)定批處理尺寸為200，迭代次數(shù)為200，學習率為0.000 1。訓練集包含6 400 張圖像，驗證集包含1 600 張圖像。訓練集和驗證集的準確率如圖5所示。

圖5 訓練集和驗證集準確率Fig.5 Training set and validation set accuracy

3.4 結(jié)果分析

本次實驗采用GPU 訓練CNN 網(wǎng)絡(luò)模型。訓練時間在有GPU 訓練情況下需要8 min 左右，而無GPU訓練情況下需要56 min。

從圖5可以看出，開始階段訓練準確率呈上升趨勢，經(jīng)過一段時間后，準確率均保持在98%以上。由此可知，本次實驗訓練集網(wǎng)絡(luò)模型是比較成功的。接著利用驗證集對訓練好的模型進行驗證，驗證集的準確率基本都在98%以上，能夠滿足實際的功能需求。

3.5 對比實驗

為了驗證CNN 識別油井供液不足程度示功圖的性能[21]，本文還測驗了其他方法對示功圖圖像的識別效果，包括不同的網(wǎng)絡(luò)結(jié)構(gòu)和迭代次數(shù)訓練下所識別的油井供液不足程度示功圖的準確率。

3.5.1 迭代次數(shù)對比

本次實驗選取迭代次數(shù)為100、200和300，每次迭代示功圖圖像200張。若迭代次數(shù)太少，將造成驗證準確率較低；若迭代次數(shù)太多，不僅不能提高正確識別率，而且將增加訓練時間；因此，選取迭代次數(shù)為200時，可以使模型能充分學習圖像特征并收斂（表2）。

表2 不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對比Tab.2 Comparison of numbers of neural network layers of different convolutional layers

3.5.2 網(wǎng)絡(luò)結(jié)構(gòu)對比

在深度學習中，隨著網(wǎng)絡(luò)層數(shù)增加，CNN模型學習能力將更強，但層數(shù)過多，將會導致網(wǎng)絡(luò)模型出現(xiàn)過擬合現(xiàn)象；隨著網(wǎng)絡(luò)層數(shù)減少又會出現(xiàn)CNN模型欠擬合現(xiàn)象。因此，在選擇卷積層數(shù)時，本文采用一層一層增加直到識別率不會隨著層數(shù)增加而發(fā)生顯著變化的方法來確定最佳層數(shù)。第一層使用了16個尺為3×3的卷積核，池化層使用2×2的池化核；第二層使用32 個尺寸為3×3 的卷積核，池化層使用2×2 的池化核；第三層使用64 個尺寸為3×3 的卷積核，池化層使用2×2 的池化核；第四層使用64 個尺寸為3×3 的卷積核；第五層使用128個尺寸為3×3的卷積核。

不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對比結(jié)果如表3 所示。當層數(shù)增加，準確率也慢慢增加，然后保持不變或下降。為此，CNN 網(wǎng)絡(luò)結(jié)構(gòu)選擇4 層最合適，收斂耗時短，準確率也更高。

表3 不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對比Tab.3 Comparison of numbers of neural network layers of different convolutional layers

4 現(xiàn)場應用

以某管理區(qū)塊為例，該區(qū)塊具有常溫、高壓、低孔、特低滲透油藏的特點。對于該區(qū)塊某口油井，通過訓練后的卷積神經(jīng)網(wǎng)絡(luò)模型，對采集的示功圖進行識別分析，實現(xiàn)了此油井供液程度定量化評估。油井供液不足示功圖數(shù)據(jù)的采集頻率為每30 min 一次，本文選取6 h 跨度的示功圖圖像樣本進行評估。

從圖6，圖7 可以看出，通過基于卷積神經(jīng)網(wǎng)絡(luò)的油井供液程度智能識別方法，可以準確地反映出隨時間不斷變化的油井供液程度。結(jié)果表明，該油井供液能力較差，亟需對油井生產(chǎn)參數(shù)進行調(diào)控。

圖6 示功圖圖像樣本Fig.6 Sample of indicator diagram image

圖7 基于示功圖的油井供液程度量化評估Fig.7 Quantitative assessment of oil well fluid supply degree based on indicator diagram

通過基于深度學習的油井供液不足程度量化分析方法監(jiān)測油井供液情況，根據(jù)油井供液情況進行遠程動態(tài)調(diào)頻生產(chǎn)，供液能力較差時減低生產(chǎn)參數(shù)，供液能力變好后調(diào)高生產(chǎn)參數(shù)，保障油井供液的穩(wěn)定性和泵筒的高充滿系數(shù)。2020 年6—8 月，在該管理區(qū)塊3口油井上進行了生產(chǎn)參數(shù)自適應調(diào)控試驗，均取得了較好的效果。

從表4可以看出，平均沖速下降0.55 min-1，日產(chǎn)液量增加1.28 m3，日產(chǎn)油量增加0.91 m3，節(jié)電58 kWh/d，節(jié)約電費59.16元/d。

表4 生產(chǎn)參數(shù)調(diào)控試驗前后對比Tab.4 Comparison before and after the production parameter control test

5 結(jié)論

針對油井供液不足程度分析，建立了一套示功圖樣本集，設(shè)計了包含4層卷積層、4層池化層和3層全連接層的卷積神經(jīng)網(wǎng)絡(luò)模型，準確率達98.58%，訓練完成的卷積神經(jīng)網(wǎng)絡(luò)模型能夠高效準確識別供液不足程度。礦場應用進一步表明，采用所建立的油井供液不足程度量化分析方法監(jiān)測油井供液情況并進行遠程動態(tài)調(diào)頻生產(chǎn)，能夠?qū)崿F(xiàn)抽油機沖速與油井供液程度的合理匹配，有效減少了電能浪費。