檀朝東 陳培堯 楊亞少 于洋 宋健 馮鋼 孫向飛

1. 中國(guó)石油大學(xué)(北京)人工智能學(xué)院；2. 中國(guó)石油大學(xué)(北京)石油工程學(xué)院；3. 中國(guó)石油長(zhǎng)慶油田分公司油氣工藝研究院；4. 長(zhǎng)慶油田分公司第三采油廠；5. 北京雅丹石油技術(shù)開(kāi)發(fā)有限公司

油井結(jié)蠟是石油開(kāi)發(fā)和開(kāi)采過(guò)程中嚴(yán)重影響油井正常生產(chǎn)的現(xiàn)象，通常會(huì)造成油井的阻塞，更為嚴(yán)重時(shí)會(huì)造成蠟卡停井及負(fù)荷過(guò)重?zé)姍C(jī)等現(xiàn)象，導(dǎo)致油井停產(chǎn)維護(hù)，大大增加了油井開(kāi)采成本［1-2］。目前，油井開(kāi)采中主要采取定期加藥、熱洗井等清蠟措施提高油井開(kāi)采效率［3］。然而實(shí)際生產(chǎn)中，由于人工對(duì)油井的結(jié)蠟監(jiān)測(cè)分析不及時(shí)、不到位，往往采取粗放生產(chǎn)管理方式，使得油井洗井周期的確定存在一定的隨機(jī)性和盲目性，導(dǎo)致廣泛存在油井在沒(méi)有明顯結(jié)蠟特征的狀態(tài)下，進(jìn)行了大量洗井作業(yè)的過(guò)度洗井現(xiàn)象，造成資源浪費(fèi)。所以，監(jiān)測(cè)油井結(jié)蠟狀態(tài)，確定合理的油井清洗周期和清蠟效果評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)于提高油井開(kāi)采效率，降低生產(chǎn)成本有著重要的意義。隨著數(shù)字油田建設(shè)的推進(jìn)，用人工智能技術(shù)進(jìn)行采油工藝措施決策的條件越來(lái)越成熟。

國(guó)內(nèi)外開(kāi)展了利用人工智能預(yù)測(cè)油井結(jié)蠟工況的研究，人工神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等各種基于智能算法模擬的蠟沉積預(yù)測(cè)模型得到了廣泛的應(yīng)用。這種模型可預(yù)測(cè)蠟在不同條件下的沉積速率，根據(jù)原始數(shù)據(jù)的輸入，使用適當(dāng)?shù)娜斯ぶ悄芩惴▉?lái)模擬蠟沉積速率和影響因素之間的關(guān)系，而不需要仔細(xì)研究特定的蠟沉積機(jī)理［4］。周詩(shī)崠等［5］采用BP神經(jīng)網(wǎng)絡(luò)和逐步回歸分析方法建立蠟沉積速率模型，證明了基于BP神經(jīng)網(wǎng)絡(luò)的蠟沉積速率模型具有較高的精度。Behbahani等［6］采用基于多層感知器(MLP)拓?fù)浣Y(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型計(jì)算蠟的析出量，相比于機(jī)理模型［7-8］精度更高。邴紹強(qiáng)［9］分析油井生產(chǎn)參數(shù)的相關(guān)性建立結(jié)蠟規(guī)則模型，利用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)對(duì)油井結(jié)蠟綜合指數(shù)做出預(yù)測(cè)，具有較高的精度。目前，結(jié)合對(duì)結(jié)蠟定量分析的清蠟效果評(píng)價(jià)的研究相對(duì)較少，缺乏對(duì)清蠟效果的有效的定量評(píng)價(jià)。影響油井結(jié)蠟的因素很多，并且具有非常復(fù)雜的非線性關(guān)系，示功圖的時(shí)序變化直接反映了油井結(jié)蠟狀況［10-11］。筆者利用人工智能的算法模型，通過(guò)研究抽油機(jī)井示功圖及生產(chǎn)數(shù)據(jù)變化規(guī)律與結(jié)蠟等級(jí)的定量關(guān)系，建立了結(jié)蠟等級(jí)預(yù)測(cè)預(yù)警模型，可實(shí)時(shí)預(yù)測(cè)油井結(jié)蠟等級(jí)并超前預(yù)警，從而幫助人們合理選擇清蠟周期，在此基礎(chǔ)上構(gòu)建了結(jié)蠟井清蠟效果評(píng)價(jià)指數(shù)Q，對(duì)清蠟的效果做出有效的定量評(píng)價(jià)。

1 技術(shù)思路與神經(jīng)網(wǎng)絡(luò)模型原理

構(gòu)建油井結(jié)蠟等級(jí)預(yù)測(cè)模型和熱洗效果評(píng)價(jià)指數(shù)的技術(shù)思路為：(1)收集蠟卡井的時(shí)序示功圖和生產(chǎn)參數(shù)，對(duì)各項(xiàng)參數(shù)進(jìn)行歸一化處理；(2)通過(guò)殘差卷積神經(jīng)網(wǎng)絡(luò)提取示功圖的圖形特征，結(jié)合電參、井參作為表征油井結(jié)蠟程度的特征向量；(3)使用聚類算法對(duì)特征向量聚類，定義數(shù)據(jù)集中樣本的油井結(jié)蠟等級(jí)，劃分訓(xùn)練集和測(cè)試集；(4)利用LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集，建立油井結(jié)蠟等級(jí)的預(yù)測(cè)模型；(5)基于油井結(jié)蠟等級(jí)預(yù)測(cè)模型構(gòu)建洗井清蠟效果評(píng)價(jià)指數(shù)。主要流程如圖1所示。

圖1 油井結(jié)蠟程度預(yù)測(cè)和熱洗效果評(píng)價(jià)流程圖Fig. 1 Process for predicting paraffin deposition degree in oil wells and evaluating the effect of thermal washing

1.1 殘差卷積神經(jīng)網(wǎng)絡(luò)

殘差卷積神經(jīng)網(wǎng)絡(luò)(ResNet)［12］是在普通卷積神經(jīng)網(wǎng)絡(luò)的相鄰幾層中引入了一個(gè)包含恒映射(或者線性變換映射)的“快捷連接(Shortcut)”構(gòu)建而成?！?Shortcut”的引入使得深層卷積神經(jīng)網(wǎng)絡(luò)具有更加強(qiáng)大表征能力，從而在圖像分類、識(shí)別任務(wù)中更好地提取圖形中的特征。構(gòu)建油井結(jié)蠟預(yù)測(cè)模型需要提取示功圖的圖形特征，使用殘差卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取示功圖圖形特征，避免手工設(shè)計(jì)示功圖圖形特征提取方法［13］。

1.2 RNN和LSTM神經(jīng)網(wǎng)絡(luò)

Elman［14］提出的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networ, RNN)，主要用于處理序列數(shù)據(jù), 其最大的特點(diǎn)就是神經(jīng)元在某時(shí)刻的輸出可以作為輸入再次輸入到神經(jīng)元, 這種串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)非常適合于時(shí)間序列數(shù)據(jù), 可以保持?jǐn)?shù)據(jù)中的依賴關(guān)系，RNN已經(jīng)被廣泛用于各種與時(shí)間序列相關(guān)的任務(wù)中［15-17］。但在實(shí)際應(yīng)用中, 對(duì)于長(zhǎng)序列預(yù)測(cè)問(wèn)題，RNN常面臨訓(xùn)練方面的難題，根據(jù)文獻(xiàn)［18-19］，RNN模型不能保持隱藏層的長(zhǎng)期記憶，且無(wú)法克服梯度消失問(wèn)題，導(dǎo)致網(wǎng)絡(luò)無(wú)法收斂。

為解決梯度消失問(wèn)題及保持隱藏層的長(zhǎng)期記憶，在RNN的基礎(chǔ)上提出了長(zhǎng)短期記憶 (Long Short-Term Memory, LSTM)［20］網(wǎng)絡(luò)。LSTM網(wǎng)絡(luò)使用了三個(gè)“門控”來(lái)控制不同時(shí)刻的狀態(tài)和輸出，通過(guò)“門控”結(jié)構(gòu)將短期記憶與長(zhǎng)期記憶結(jié)合起來(lái)，可以緩解梯度消失的問(wèn)題。LSTM結(jié)構(gòu)在時(shí)間上的展開(kāi)與RNN完全一致，區(qū)別在于其中Cell的不同，LSTM的Cell計(jì)算節(jié)點(diǎn)包含更多結(jié)構(gòu)，包括輸入門、遺忘門和輸出門。通過(guò)在隱藏層的計(jì)算節(jié)點(diǎn)中引入門控機(jī)制，LSTM在結(jié)構(gòu)上天然地克服了梯度消失的問(wèn)題，具有更多的參數(shù)來(lái)控制模型；通過(guò)4倍于RNN的參數(shù)量，可以更加精細(xì)地預(yù)測(cè)時(shí)間序列變量。油井結(jié)蠟的預(yù)測(cè)是一個(gè)長(zhǎng)期的時(shí)序信息處理過(guò)程，因此，本文選用LSTM作為油井結(jié)蠟的預(yù)測(cè)模型。

2 抽油機(jī)井結(jié)蠟預(yù)測(cè)模型

油井結(jié)蠟后會(huì)引起示功圖、井口生產(chǎn)數(shù)據(jù)(井口回壓、套壓和溫度)和電參數(shù)據(jù)(上行電流、下行電流、A相電流、A相平均電流、AB相電壓、功率因數(shù)、無(wú)功功率、周期內(nèi)有功功率平均值和周期內(nèi)無(wú)功功率平均值)等油井生產(chǎn)參數(shù)發(fā)生變化，這些參數(shù)的時(shí)序變化直接或間接反映了油井的結(jié)蠟狀況。其中，示功圖是井下工況最直接的表現(xiàn)，圖2為某油井的正常示功圖和嚴(yán)重結(jié)蠟時(shí)的示功圖對(duì)比?？梢杂^察到油井結(jié)蠟主要表現(xiàn)為示功圖形狀“膨脹”，上平均載荷增大，下平均載荷減小，圖形面積增大。為獲得表征油井結(jié)蠟程度的特征數(shù)據(jù)，提取示功圖圖形的特征向量，結(jié)合采集的生產(chǎn)參數(shù)，作為油井結(jié)蠟預(yù)測(cè)模型的輸入特征向量，然后基于LSTM建立結(jié)蠟程度的預(yù)測(cè)模型。

圖2 某井正常工況和結(jié)蠟工況的示功圖Fig. 2 Indicator diagrams of a well under normal and paraffin deposition conditions

2.1 數(shù)據(jù)預(yù)處理及結(jié)蠟等級(jí)劃分

從大量油井歷史生產(chǎn)數(shù)據(jù)中獲得所有蠟卡井一個(gè)結(jié)蠟周期內(nèi)高質(zhì)量的歷史生產(chǎn)參數(shù)，包含示功圖數(shù)據(jù)、電參數(shù)及井口參數(shù)，模型建立需要采集的各項(xiàng)參數(shù)見(jiàn)表1。

表1 建立預(yù)測(cè)模型采集的參數(shù)Table 1 Parameters collected for establishing a prediction model

結(jié)蠟周期是上次洗井至發(fā)生蠟卡的時(shí)間段，每個(gè)數(shù)據(jù)采集時(shí)間間隔為1 d。同時(shí)假設(shè)該井滿足以下條件：(1)上次洗井充分，洗井后井筒內(nèi)基本無(wú)結(jié)蠟殘留；(2)上次洗井后至發(fā)生蠟卡期間未采取洗井清蠟措施,且結(jié)蠟程度是逐漸增加的；(3)油井未發(fā)生其他重大故障，該井各項(xiàng)采集參數(shù)的變化主要受結(jié)蠟影響。對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理，以消除單位、數(shù)值范圍不同帶來(lái)的影響。

示功圖是圖形，還需要提取示功圖的圖形特征轉(zhuǎn)化為與生產(chǎn)參數(shù)一致的特征向量，基于開(kāi)源框架pytorch構(gòu)建18層殘差卷積神經(jīng)網(wǎng)絡(luò)［12］提取示功圖圖形特征，其中全連接層使用50個(gè)神經(jīng)單元，該層輸出就代表提取的示功圖圖形特征。為使網(wǎng)絡(luò)具有針對(duì)示功圖圖形的特征提取能力，使用10種工況的示功圖樣本預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)模型訓(xùn)練的優(yōu)化方法為Adam，設(shè)置Batch size為128，學(xué)習(xí)率(learning rate)為 0.001，訓(xùn)練世代為10。

在某時(shí)刻T，由卷積神經(jīng)網(wǎng)絡(luò)提取的示功圖圖形特征P(50維)，結(jié)合該時(shí)刻的生產(chǎn)參數(shù)Z(12維)，得到表征該時(shí)刻油井結(jié)蠟程度的特征向量XT=[P,Z]， 其對(duì)應(yīng)T時(shí)刻的油井結(jié)蠟程度記為YT。為定量化描述油井結(jié)蠟程度，將一個(gè)結(jié)蠟周期內(nèi)的油井結(jié)蠟程度分為5個(gè)等級(jí)，1級(jí)代表井基本無(wú)結(jié)蠟，5級(jí)為油井結(jié)蠟程度極端嚴(yán)重，已發(fā)生或?qū)⒁l(fā)生蠟卡，油井結(jié)蠟等級(jí)隨時(shí)間依次增加，處于同一結(jié)蠟等級(jí)的XT最為相似。為獲得結(jié)蠟周期內(nèi)每個(gè)XT對(duì)應(yīng)的YT，使用k-means聚類算法對(duì)其聚類，設(shè)定聚類數(shù)為5，圖3展示了5口井一個(gè)結(jié)蠟周期內(nèi)聚類的結(jié)果，一個(gè)結(jié)蠟周期內(nèi)油井結(jié)蠟等級(jí)逐漸上升。表2展示了聚類后一口井的結(jié)蠟等級(jí)及其對(duì)應(yīng)時(shí)間段內(nèi)的示功圖形狀變化范圍，定義了不同結(jié)蠟等級(jí)對(duì)應(yīng)的結(jié)蠟程度的標(biāo)準(zhǔn)。

圖3 5口井的結(jié)蠟程度聚類結(jié)果Fig. 3 Clustering results of paraffin deposition degree for 5 wells

表2 油井結(jié)蠟程度標(biāo)準(zhǔn)Table 2 Standard of paraffin deposition in oil wells

一口抽油機(jī)井的結(jié)蠟等級(jí)總是這5個(gè)等級(jí)中的一種，建立預(yù)測(cè)模型所需要的樣本標(biāo)簽以及每個(gè)時(shí)刻的輸出都是代表結(jié)蠟等級(jí)的one-hot向量。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后得到油井結(jié)蠟的時(shí)序特征向量X以及對(duì)應(yīng)的標(biāo)簽Y作為建立LSTM預(yù)測(cè)模型的數(shù)據(jù)集，其中70%作為訓(xùn)練集，30%作為測(cè)試集。

2.2 LSTM模型建立及訓(xùn)練

將一口井的結(jié)蠟變化歸結(jié)為周期性的重復(fù)過(guò)程，一口井洗井清蠟后，結(jié)蠟等級(jí)逐漸上升，若無(wú)人為干預(yù)，油井將會(huì)延續(xù)其結(jié)蠟趨勢(shì)直至發(fā)生嚴(yán)重結(jié)蠟或蠟卡。每口井在一個(gè)完整的結(jié)蠟周期內(nèi)處于各等級(jí)的時(shí)間不同，周期長(zhǎng)短也不同。一個(gè)周期內(nèi)油井未來(lái)一段時(shí)間的結(jié)蠟等級(jí)變化可通過(guò)當(dāng)前及上一段時(shí)間的油井特征參數(shù)進(jìn)行預(yù)測(cè)，這是一個(gè)從變化時(shí)序特征中提取信息，對(duì)下一段時(shí)序數(shù)據(jù)進(jìn)行預(yù)測(cè)的過(guò)程。

因此，需要基于LSTM構(gòu)建序列到序列的網(wǎng)絡(luò)模型［21］作為油井結(jié)蠟等級(jí)的預(yù)測(cè)模型，序列到序列模型通過(guò)對(duì)輸入序列特征進(jìn)行編碼，提取序列中豐富的時(shí)序變化信息，能更好地進(jìn)行長(zhǎng)時(shí)期的預(yù)測(cè)。模型輸入為當(dāng)前及過(guò)去一段時(shí)間的油井特征向量序列X，模型輸出為未來(lái)一段時(shí)間的結(jié)蠟等級(jí)序列Y，圖4展示了這個(gè)過(guò)程。

圖4 模型輸入輸出示意圖Fig. 4 Schematic diagram of model input and output

T表示當(dāng)前時(shí)刻，輸入特征向量時(shí)序長(zhǎng)度由k控制，輸出向量時(shí)序長(zhǎng)度由l控制,考慮到數(shù)據(jù)集中的油井結(jié)蠟周期平均在100 d左右，所以設(shè)置k=20,l=80。對(duì)于X的時(shí)序長(zhǎng)度小于k的，向前重采樣補(bǔ)齊?；趐ytorch構(gòu)建LSTM的序列到序列模型，模型訓(xùn)練優(yōu)化器使用基于一階梯度的隨機(jī)目標(biāo)函數(shù)優(yōu)化算法Adam，其中學(xué)習(xí)率設(shè)置為0.001，decay設(shè)置為8×10?4。此外，為了防止過(guò)擬合，訓(xùn)練過(guò)程中使用dropout［22］機(jī)制，其值設(shè)為0.1，訓(xùn)練的batch-size為16，訓(xùn)練過(guò)程中l(wèi)oss變化見(jiàn)圖5?？梢钥闯?，基于LSTM的油井結(jié)蠟預(yù)測(cè)模型是收斂的。通過(guò)該預(yù)測(cè)模型，使用油井采集的示功圖數(shù)據(jù)和生產(chǎn)數(shù)據(jù)，就可以預(yù)測(cè)未來(lái)一段時(shí)間的油井結(jié)蠟程度，提前對(duì)油井發(fā)生嚴(yán)重結(jié)蠟(5級(jí)結(jié)蠟)發(fā)出預(yù)警，指導(dǎo)技術(shù)人員精確把握油井結(jié)蠟趨勢(shì)、發(fā)展程度和清蠟時(shí)機(jī)。

圖5 訓(xùn)練過(guò)程中的loss變化Fig. 5 Loss changes during training

2.3 模型評(píng)價(jià)及測(cè)試

模型預(yù)測(cè)的輸出為代表未來(lái)80 d油井結(jié)蠟等級(jí)的序列，即︿Y={Y1,Y2,···,Y80}，Yk代表未來(lái)第k天結(jié)蠟等級(jí)的one-hot向量，通過(guò)該輸出序列，可以知道各結(jié)蠟等級(jí)在未來(lái)發(fā)生時(shí)間，通過(guò)與對(duì)應(yīng)結(jié)蠟等級(jí)實(shí)際發(fā)生時(shí)間的真實(shí)值對(duì)比，得到預(yù)測(cè)值與真實(shí)值的絕對(duì)值差 ?Ki(i=1, 2, ···, 4)(見(jiàn)圖6)，作為評(píng)價(jià)該模型性能的指標(biāo)，絕對(duì)值的差越小表明模型性能越好，模型預(yù)測(cè)更準(zhǔn)確，預(yù)測(cè)值的可信度更高。

圖6 模型預(yù)測(cè)值與真實(shí)值對(duì)比示意圖Fig. 6 Schematic diagram of the comparison between the predicted values of the model and the actual values

為全面評(píng)價(jià)該模型對(duì)結(jié)蠟等級(jí)預(yù)測(cè)的性能，本文定義5個(gè)評(píng)價(jià)指標(biāo)，如表3所示。以K1為例，計(jì)算方式為累加所有樣本二級(jí)結(jié)蠟等級(jí)發(fā)生時(shí)間的預(yù)測(cè)值與真實(shí)值差的絕對(duì)值?K1，再除以樣本數(shù)，得到對(duì)應(yīng)結(jié)蠟等級(jí)的預(yù)測(cè)誤差。平均誤差為各等級(jí)結(jié)蠟預(yù)測(cè)誤差和的平均，反映了模型的整體性能。從表3中看出，K1、K2、K3、K4誤差都為2～4 d，平均誤差為3.2 d，表明模型預(yù)測(cè)的各結(jié)蠟等級(jí)發(fā)生的時(shí)間與真實(shí)值誤差不大，模型泛化性能較好，能達(dá)到現(xiàn)場(chǎng)實(shí)際需求的精度。

表3 模型評(píng)價(jià)指標(biāo)及測(cè)試結(jié)果Table 3 Model evaluation indicators and testing results

3 結(jié)蠟油井清蠟效果評(píng)價(jià)

熱洗是油田普遍采用的清蠟措施，熱洗清蠟主要是通過(guò)在油套環(huán)空內(nèi)注入熱水或配置好的藥劑溶液，反循環(huán)洗井，熱水注入和抽汲同時(shí)進(jìn)行。當(dāng)前，熱洗工藝對(duì)于清蠟的效果評(píng)價(jià)沒(méi)有一個(gè)科學(xué)有效的定量化指標(biāo)，熱洗清蠟作業(yè)人員難以獲得有效的反饋。本文結(jié)合油井結(jié)蠟等級(jí)預(yù)測(cè)模型，構(gòu)建熱洗作業(yè)的清蠟效果評(píng)價(jià)指數(shù)，對(duì)結(jié)蠟井每次的熱洗作業(yè)效果做出有效的定量化評(píng)價(jià)。

評(píng)價(jià)一口結(jié)蠟井熱洗作業(yè)的清蠟效果，可以通過(guò)洗井前后油井結(jié)蠟等級(jí)的變化來(lái)制定評(píng)價(jià)指標(biāo)。一口嚴(yán)重結(jié)蠟井在實(shí)施洗井措施后，其結(jié)蠟等級(jí)越低，說(shuō)明其清蠟效果越好。本次洗井后，下一次發(fā)生嚴(yán)重結(jié)蠟的時(shí)間有所延長(zhǎng)，也反映了本次洗井徹底，效果較好。洗井前后結(jié)蠟等級(jí)的下降幅度可以作為洗井清蠟效果的即時(shí)性評(píng)價(jià)，洗井周期的延長(zhǎng)代表了洗井清蠟效果的長(zhǎng)期性評(píng)價(jià)。因此可以依據(jù)這2個(gè)變量構(gòu)建結(jié)蠟井的熱洗效果定量化評(píng)價(jià)指數(shù)Q，其表達(dá)式為

式中，ya為熱洗清蠟前油井的結(jié)蠟等級(jí)；yb為熱洗清蠟后油井的結(jié)蠟等級(jí)；Tr為上個(gè)周期熱洗清蠟后油井到達(dá)嚴(yán)重結(jié)蠟的時(shí)長(zhǎng)，d；Tl為本次洗井后油井到達(dá)嚴(yán)重結(jié)蠟的時(shí)長(zhǎng)，d。其中，ya、Tl已知，yb、Tr可通過(guò)油井結(jié)蠟等級(jí)預(yù)測(cè)模型得到，為平衡Q的2部分量綱不同所帶來(lái)的影響，分別進(jìn)行歸一化，第1部分除以等級(jí)下降最大值4，第2部分除以該區(qū)塊結(jié)蠟井的平均清蠟周期AT。權(quán)重指數(shù) α、β決定構(gòu)成Q的2部分所占的比例，為使Q值歸一化到0～1的范圍，設(shè)置 α +β=1。 α、β是評(píng)價(jià)指數(shù)Q計(jì)算式中設(shè)置的超參數(shù)，α越大則表明Q值計(jì)算以洗井清蠟效果的即時(shí)性評(píng)價(jià)為主，結(jié)蠟等級(jí)下降幅度大小是洗井效果最直接的反映，而下次油井發(fā)生嚴(yán)重結(jié)蠟時(shí)間的延長(zhǎng)是其從屬效應(yīng)，所以應(yīng)設(shè)置 α ＞β，推薦設(shè)置α∈[0.8,0.9]。

每次洗井清蠟作業(yè)后，都可以結(jié)合油井結(jié)蠟等級(jí)變化和預(yù)測(cè)模型計(jì)算其Q值，給出洗井清蠟效果的定量化評(píng)價(jià)，為洗井清蠟周期的確定提供參考。

4 實(shí)例分析

2020年3 月開(kāi)始在長(zhǎng)慶油田某作業(yè)區(qū)進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的抽油機(jī)井結(jié)蠟預(yù)測(cè)及清蠟制度優(yōu)化現(xiàn)場(chǎng)試驗(yàn)，截至2020年9月，該區(qū)塊未出現(xiàn)蠟卡躺井問(wèn)題，通過(guò)該預(yù)測(cè)模型指導(dǎo)洗井作業(yè)，累計(jì)避免了蠟卡躺井15井次，延長(zhǎng)了該區(qū)塊平均洗井周期16 d。

以長(zhǎng)慶油田某井為例，該井深1040 m，日產(chǎn)液58 t，井底流壓2.88 MPa，動(dòng)液面深510 m，平均洗井周期65 d。2020年6月1日洗井后，根據(jù)LSTM 建立的結(jié)蠟等級(jí)預(yù)測(cè)模型，輸入步長(zhǎng)為20 d，輸出步長(zhǎng)為80 d，利用6月1日?6月21日的油井生產(chǎn)參數(shù)預(yù)處理后作為模型輸入數(shù)據(jù)，得到未來(lái)80 d內(nèi)油井結(jié)蠟等級(jí)的預(yù)測(cè)值。圖7為該井6月22日?8月20日油井結(jié)蠟等級(jí)的真實(shí)值與預(yù)測(cè)值的對(duì)比，可以看出，預(yù)測(cè)值與真實(shí)值基本吻合，表明模型預(yù)測(cè)變化是準(zhǔn)確的。

圖7 長(zhǎng)慶油田某井結(jié)蠟等級(jí)預(yù)測(cè)結(jié)果Fig. 7 Prediction result of paraffin deposition level in a well in Changqing Oilfield

模型預(yù)測(cè)油井結(jié)蠟等級(jí)在59 d后(8月20日)達(dá)到5級(jí)結(jié)蠟，此時(shí)系統(tǒng)發(fā)出嚴(yán)重結(jié)蠟預(yù)警及采取清蠟作業(yè)的建議，觀察該井示功圖發(fā)現(xiàn)明顯“膨脹”，油井確有發(fā)生蠟卡的趨勢(shì)，綜合分析生產(chǎn)情況，于8月23日對(duì)該井實(shí)施熱洗清蠟作業(yè)，熱洗時(shí)間3 h，熱洗液注入溫度85 ℃，熱洗注入流量15 m3/d。措施后結(jié)蠟等級(jí)降為一級(jí)，計(jì)算本次清蠟效果評(píng)價(jià)指數(shù)Q=0.91，Q值較大，表明本次洗井清蠟效果良好，觀察到清蠟后實(shí)測(cè)示功圖(圖8)及各項(xiàng)指標(biāo)完全恢復(fù)正常，說(shuō)明洗井清蠟效果良好，與Q值對(duì)洗井效果的評(píng)價(jià)一致。

圖8 清蠟前后實(shí)測(cè)示功圖Fig. 8 Measured indicator diagram before and after paraffin removal

現(xiàn)場(chǎng)應(yīng)用結(jié)果表明，本文建立的油井結(jié)蠟等級(jí)預(yù)測(cè)模型可以準(zhǔn)確地預(yù)測(cè)油井結(jié)蠟等級(jí)的發(fā)展變化，把握油井結(jié)蠟程度及發(fā)展趨勢(shì)，既避免了對(duì)結(jié)蠟程度不清楚造成的過(guò)度洗井，又能夠通過(guò)預(yù)測(cè)油井到達(dá)5級(jí)結(jié)蠟的時(shí)間，指導(dǎo)現(xiàn)場(chǎng)人員及時(shí)采取有效清蠟措施，避免油井蠟卡躺井。

5 結(jié)論

(1)利用卷積神經(jīng)網(wǎng)絡(luò)提取的示功圖圖形特征，結(jié)合12項(xiàng)生產(chǎn)參數(shù)的特征向量能有效地表征油井結(jié)蠟程度，通過(guò)聚類算法對(duì)油井結(jié)蠟程度進(jìn)行等級(jí)劃分，以序列特征向量作為輸入，基于LSTM構(gòu)建的油井結(jié)蠟等級(jí)預(yù)測(cè)模型能夠?qū)τ途Y(jié)蠟等級(jí)做出精確的長(zhǎng)期預(yù)測(cè)。

(2)本文構(gòu)建的模型在測(cè)試集上具有良好的泛化能力，具有較小的預(yù)測(cè)誤差，能準(zhǔn)確預(yù)測(cè)油井各結(jié)蠟等級(jí)發(fā)生時(shí)間，指導(dǎo)現(xiàn)場(chǎng)人員把握油井結(jié)蠟趨勢(shì)，確定合理的洗井清蠟時(shí)機(jī)。

(3)現(xiàn)場(chǎng)應(yīng)用結(jié)果表明，數(shù)據(jù)驅(qū)動(dòng)的抽油機(jī)井結(jié)蠟預(yù)測(cè)模型能實(shí)現(xiàn)油井結(jié)蠟程度的定量化預(yù)測(cè)，從而指導(dǎo)現(xiàn)場(chǎng)人員進(jìn)行洗井周期的決策，有效避免了蠟卡躺井，同時(shí)延長(zhǎng)了油井免洗周期，基于預(yù)測(cè)模型構(gòu)建的洗井清蠟效果定量化評(píng)價(jià)指數(shù)，對(duì)評(píng)價(jià)熱洗清蠟效果具有較好的指導(dǎo)作用。

(4)應(yīng)用人工智能技術(shù)的抽油機(jī)井結(jié)蠟預(yù)測(cè)預(yù)警方法、洗井周期決策實(shí)現(xiàn)了抽油機(jī)井清蠟制度由傳統(tǒng)的業(yè)務(wù)驅(qū)動(dòng)向數(shù)據(jù)驅(qū)動(dòng)的轉(zhuǎn)變，對(duì)于開(kāi)展油氣設(shè)備的智能化預(yù)測(cè)性維護(hù)具有借鑒意義。