CN103870670A - 一种油管腐蚀程度预测方法及装置 - Google Patents
一种油管腐蚀程度预测方法及装置 Download PDFInfo
- Publication number
- CN103870670A CN103870670A CN201210548324.XA CN201210548324A CN103870670A CN 103870670 A CN103870670 A CN 103870670A CN 201210548324 A CN201210548324 A CN 201210548324A CN 103870670 A CN103870670 A CN 103870670A
- Authority
- CN
- China
- Prior art keywords
- data
- oil pipe
- corrosion
- underground working
- data sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种油管腐蚀程度预测方法和装置,属于油田井下技术领域。该方法包括:S1,选取至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;S2,结合模糊线性回归法和最小二乘法,对训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;S4,采用得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。采用本发明,可以提高井下油管腐蚀程度预测的准确度。
Description
技术领域
本发明涉及油田井下技术领域,特别涉及一种油管腐蚀程度预测方法及装置。
背景技术
随着油气田的开发,油气井下的高温高压多相流环境含有的硫化氢、二氧化碳、氯离子、水及微生物等介质会作为伴生物质出现,使井下油管受到严重腐蚀,这样不仅影响了油气井的正常生产,而且给试修井作业带来许多困难。
影响油管钢腐蚀的因素可分为环境因素、材料因素和力学因素等。其中,环境因素包括温度、气体分压、腐蚀产物膜、pH值、流速、流型、溶液过饱和度、细菌等。以上这些因素不同程度地影响着油管的腐蚀,因此预测油管腐蚀程度主要从这几方面因素着手。实际工程中井下油管的腐蚀影响因素要非常复杂,例如:井深的变化、作业条件的不同和开发周期的进程不同使得井下不同位置、不同时期的介质浓度及工况条件等复杂多变,油管腐蚀程度不一。此外,许多诸如油管接头部位存在的缝隙和电偶腐蚀问题、管内油膜缓蚀作用机理及井下管柱复合受力状态等问题在本领域内目前尚未研究透彻。由于现有的腐蚀试验方法和设备尚不能完全模拟井下实际工况,因此仅通过现场工况数据检测油管腐蚀情况,或者仅通过现有腐蚀预测理论模型和模拟工况腐蚀试验都不能很好的对在役油管的腐蚀失效进行预警。
现有技术中,借助于经典理论公式和试验室模拟数据,对油管的腐蚀状况进行判断,常用的预测腐蚀程度判据有:(1)通过CO2分压来判断:当时代表油管严重腐蚀;而当时表明油管一般性腐蚀;当时代表油管没有腐蚀。(2)根据的比值判断:当时为CO2腐蚀;当为H2S腐蚀。(3)根据Ca2+/HCO3的比值判断:当且有地层水存在时,Ca2+/HCO3<0.5表明油管腐蚀速率较低,Ca2+/HCO3>1000表明油管腐蚀速率中等,Ca2+/HCO3=0.5~1000则代表油管发生严重腐蚀。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
现有技术中根据一些经典理论公式或试验室模拟数据对油管腐蚀进行判断预警,往往仅针对影响油管腐蚀的单一因素进行分析来判断油管的腐蚀程度。而事实上,由于油管井下环境的复杂性,现有技术的方法并不能对油管的腐蚀情况进行准确的判断。
发明内容
为了解决现有技术中的问题,本发明提供了一种油管腐蚀程度预测方法及装置,以提高井下油管腐蚀程度预测的准确度。本发明提供的技术方案如下:
一方面,提供了一种油管腐蚀程度预测方法,在数据库中预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据,所述方法包括:
S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;
S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
优选的,所述训练数据样本的组数不小于所述因变量的个数。
优选的,所述对选取的数据进行规一化,具体为:
优选的,所述井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据。
优选的,所述结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,具体为:
对典型线性回归模型yi=a1x1i+a2x2i+…+amxmi使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m;
根据和所述训练数据样本以及确定出的aj,确定cj,其中,H为预设的置信水平值,且0≤H≤1;
根据三角模糊数的隶属函数和确定出的aj、cj,得出三角模糊数Aj(aj,cj)的取值,作为模糊线性回归模型y=A1x1+A2x2+…+Amxm中的回归系数Aj,将该模糊线性回归模型作为所述油管腐蚀预测模型。
优选的,所述使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,具体为:
将所述检验数据样本中的井下工况数据代入所述油管腐蚀预测模型,得到油管预测腐蚀速率数据,将所述检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。
另一方面,提供了一种油管腐蚀程度预测方法,在数据库中预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据,所述方法包括:
S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;
S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
另一方面,提供了一种油管腐蚀程度预测装置,所述装置包括:
存储模块,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
优选的,所述训练数据样本的组数不小于所述因变量的个数。
优选的,所述建模模块,具体用于:
优选的,所述井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据。
优选的,所述建模模块,具体用于:
对典型线性回归模型yi=a1x1i+a2x2i+…+amxmi使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m;
根据三角模糊数的隶属函数和确定出的aj、cj,得出三角模糊数Aj(aj,cj)的取值,作为模糊线性回归模型y=A1x1+A2x2+…+Amxm中的回归系数Aj,将该模糊线性回归模型作为所述油管腐蚀预测模型。
优选的,所述建模模块,具体用于:
将所述检验数据样本中的井下工况数据代入所述油管腐蚀预测模型,得到油管预测腐蚀速率数据,将所述检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。
另一方面,提供了一种油管腐蚀程度预测装置,所述装置包括:
存储模块,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
本发明提供的技术方案带来的有益效果是:
基于实际检测的井下工况数据和对应的油管实际腐蚀速率数据,通过结合模糊线性回归法和最小二乘法建立由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,并根据该模型,对油管进行腐蚀程度预测,从而可以提高油田井下油管腐蚀程度预测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的油管腐蚀程度预测方法流程图;
图2是本发明实施例提供的油管腐蚀程度预测方法流程图;
图3是本发明实施例提供的油管腐蚀程度预测方法流程图;
图4是本发明实施例提供的油管腐蚀程度预测装置结构示意图;
图5是本发明实施例提供的油管腐蚀程度预测装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种油管腐蚀程度预测方法,该方法根据工程中搜集、整理的井下工况数据和油管腐蚀情况数据,首先构建变量(实际腐蚀速率)与因变量(腐蚀影响因素)的数据库,然后使用一种新的求解模糊线性回归的算法建立油管腐蚀预测模型,最终利用建立的油管腐蚀预测模型预测在指定情况下的油管腐蚀结果。
图1所示为本发明实施例提供的一种油管腐蚀程度预测方法流程图,该方法包括以下步骤:
S0:获取多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,存入数据库中。其中,井下工况数据包括多个影响因素的数据,例如可以包括:温度、压力、腐蚀介质浓度(如CO2、Cl-、H2S浓度)等。油管实际腐蚀速率定义方法为:对现场记录的腐蚀失效情况进行分级,并记录腐蚀坑深度,拟定的腐蚀等级有4级:①无任何腐蚀;②轻微腐蚀(接箍、管体外壁麻点状等);③严重腐蚀(接箍、管体外壁坑状、片状等);④腐蚀失效(接箍或管体腐蚀穿孔等),然后,结合油管失效等级,根据腐蚀坑深度和油管使用年限,定义油管实际腐蚀速率。较佳地,此步骤中获取多组不同情况下的CO2、Cl-、H2S、温度和压力数据以及对应的油管腐蚀程度数据存入数据库中。
S1:在数据库中,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本。优选的,此步骤中,在数据库中选取CO2浓度、Cl-浓度、H2S浓度、温度和压力数据(即井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据)及其对应的油管实际腐蚀速率数据,并对这些数据进行规一化处理。
优选的,此步骤中,选取的数据的组数大于步骤S2中所述的因变量的个数,其中,检验数据样本可以为一组,训练数据样本的组数不小于所述因变量的个数。
S2:结合模糊线性回归法和最小二乘法,对训练数据样本进行建模,得到由井下工况数据作为因变量、油管实际腐蚀速率数据作为变量的油管腐蚀预测模型。
S3:使用检验数据样本验证该油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程。
S4:采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
上述步骤S1中,规一化处理采用线性尺度化算法,可以实现把原始数据(数据库中存储的实测数据)变化到所要求的尺度范围的尺度化数据。应用尺度变化后的数据进行建模,可以消除使用不同尺度范围的数据导致的模型不准确。
具体的,对选取的数据进行的过程可以如下:
首先,确定选取的数据的取值范围,并确定规一化的尺度范围。
设z表示选取的数据,即没有尺度化的数据样本,其取值范围为z∈[zmin,zmax],经过线性尺度化算法处理后得到的规一化后的数据用表示,其取值范围为 然后,根据以下公式和选取的数据,得出规一化后的数据。z和二者之间的转换公式可以为:
上式(13)实现了把原始数据变化到所要求的尺度范围的尺度化数据,而式(14)实现了把尺度化数据又重新变化到原始数据。利用(13)式即可把所选取的井下工况数据及其对应的油管实际腐蚀速率数据变换到新的尺度范围(如,[-1,1])中。
下面结合模糊线性回归法,具体说明图1所示流程中S2的实施方法。
先介绍一下模糊线性回归法,和经典的线性回归分析类似,在模糊线性回归中,设变量y与它的相关因变量x1、x2、…、xm有如下线性关系:
y=A1x1+A2x2+…+Amxm (1)
回归分析是利用已知的n组观测数据yi、x1i、x2i、…、xmi(其中,i=1、2、…、n),去估计回归系数Aj。但在模糊线性回归分析中,认为模型具有模糊性,即回归系数Aj是模糊数,于是模型的拟合值与观测值yi之间的偏差是由这种模糊性引起的。典型线性回归模型的一般表示形式是:
yi=a1x1i+a2x2i+…+amxmi (8)
通常取Aj为三角模糊数A(a,c),其隶属函数为:
由上式(2)得出式(1)中y的隶属函数为:
为使拟合函数(1)对已知的n组观测数据yi、x1i、x2i、…、xmi(其中,i=1、2、…、n)拟合最好,在线性回归分析中,必须同时满足下述2个准则:
(a)必须使各回归系数的模糊幅度之和最小(即精度最大),即:
(b)按照一定的置信水平H,必须能覆盖所有的观测数据yi,即:
hy(yi)≥H,0≤H≤1 (5)
该准则保证了没有隶属度<H的yi。
根据式(3)和式(5)可得:
模糊线性回归法中,结合式(4)和式(6)可将求解模糊线性回归的问题转化为求解方程组(7)所示的线性规划:
求解方程组(7)后可得到Aj(aj,cj)的值,从而得到yi和因变量x1、x2、…、xm之间的函数表达式。
本发明实施例采用上述模糊线性回归的建模思想,但是不采用上述方程组(7)来确定模糊系数,而是结合模糊线性回归法和最小二乘法计算出模糊系数,如图2所示为图1中步骤S2的具体实施方法流程,可以包括如下步骤:
S21:对典型线性回归模型的一般形式(如下面(式15))使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m。
yi=a1x1i+a2x2i+…+amxmi (15)
设上述模型的拟合值为利用最小二乘法求解:
根据数学知识可知,当时,公式(16)中的Q取得极值,即,需要满足:
由方程组(17)可以求出式(15)所示的模糊线性回归模型的模糊中心值a1、a2、a3、...、am,可以得到典型线性回归的中心模拟模型yi=a1x1i+a2x2i+…+amxmi。
S22:根据以下式(10)和训练数据样本以及确定出的aj,确定cj。
具体的,根据上述公式(6)求解模糊幅度cj的过程中,可以得到以下式(10),根据式(10)和训练数据样本以及确定出的aj可以计算出cj。最终,可以得到式(11)所示的模糊线性回归模型。
S23:根据三角模糊数的隶属函数(式(2)所示)和确定出的aj、cj,得出三角模糊数Aj(aj,cj)的取值,作为模糊线性回归模型y=A1x1+A2x2+…+Amxm中的回归系数Aj,将该模糊线性回归模型作为所述油管腐蚀预测模型。该模糊线性回归模型还可以表示为如下式(11)。
其中,Aj(aj,cj)为三角模糊数,其取值可以根据z值的不同在一个范围内变化。
CO2浓度、Cl-浓度、H2S浓度、温度和压力对于油管的腐蚀速率影响较大,对于井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据的情况,CO2浓度、Cl-浓度、H2S浓度、温度和压力数据与油管预测腐蚀速率数据的模型可以如下:
ΔVcorr=f(ΔCO2,ΔCl-,ΔH2S,ΔF,ΔT)(9)
其中,f()即为模糊线性回归模型,将式(11)代入式(9),则可以得到油管腐蚀预测模型:
Vcorr=(a1,c1)*CO2+(a2,c2)*Cl-+(a3,c3)*ΔH2S+(a4,c4)*ΔF+(a5,c5)*ΔT (12)
这里,由于Aj(aj,cj)为三角模糊数,而非确定数值,所以,在实际应用中,可以根据具体情况设置z值,以确定各Aj的数值,例如,可以对所有Aj设置z的值为aj+cj。
在步骤S3中,使用检验数据样本验证油管腐蚀预测模型的正确性,可以具体如下:
将检验数据样本中的井下工况数据代入该油管腐蚀预测模型,得到油管预测腐蚀速率数据,将检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。具体可以如下公式:
式中,Ω的值只要在30%(预设阈值)以内,则认为验证通过。如果验证失败,则说明模型的精度不满足使用要求,可以重新执行步骤S1、S2,进行数据优化选取,或者搜集足够多的数据样本后,再进行建模。
本发明实施例中,基于实际检测的井下工况数据和对应的油管实际腐蚀速率数据,通过结合模糊线性回归法和最小二乘法建立由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,并根据该模型,对油管进行腐蚀程度预测,从而可以提高油田井下油管腐蚀程度预测的准确度。
实施例二
本发明实施例提供了一种油管腐蚀程度预测方法,在数据库中预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据,如图3所示,该方法可以包括如下步骤:
S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;
S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
本发明实施例中,基于实际检测的井下工况数据和对应的油管实际腐蚀速率数据,通过结合模糊非线性回归法和最小二乘法建立由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,并根据该模型,对油管进行腐蚀程度预测,从而可以提高油田井下油管腐蚀程度预测的准确度。
实施例三
基于相同的技术构思,本发明实施例提供了一种油管腐蚀程度预测装置,如图4所示,所述装置包括:
存储模块410,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块420,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块430,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
优选的,所述训练数据样本的组数不小于所述因变量的个数。
优选的,所述建模模块420,具体用于:
优选的,所述井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据。
优选的,所述建模模块420,具体用于:
对典型线性回归模型yi=a1x1i+a2x2i+…+amxmi使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m;
根据三角模糊数的隶属函数和确定出的aj、cj,得出三角模糊数Aj(aj,cj)的取值,作为模糊线性回归模型y=A1x1+A2x2+…+Amxm中的回归系数Aj,将该模糊线性回归模型作为所述油管腐蚀预测模型。
优选的,所述建模模块420,具体用于:
将所述检验数据样本中的井下工况数据代入所述油管腐蚀预测模型,得到油管预测腐蚀速率数据,将所述检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。
本发明实施例中,基于实际检测的井下工况数据和对应的油管实际腐蚀速率数据,通过结合模糊线性回归法和最小二乘法建立由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,并根据该模型,对油管进行腐蚀程度预测,从而可以提高油田井下油管腐蚀程度预测的准确度。
实施例四
基于相同的技术构思,本发明实施例提供了一种油管腐蚀程度预测装置,如图5所示,所述装置包括:
存储模块510,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块520,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块530,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
本发明实施例中,基于实际检测的井下工况数据和对应的油管实际腐蚀速率数据,通过结合模糊非线性回归法和最小二乘法建立由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,并根据该模型,对油管进行腐蚀程度预测,从而可以提高油田井下油管腐蚀程度预测的准确度。
需要说明的是:上述实施例提供的油管腐蚀程度预测装置在进行油管腐蚀程度预测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的油管腐蚀程度预测装置与油管腐蚀程度预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种油管腐蚀程度预测方法,其特征在于,在数据库中预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据,所述方法包括:
S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;
S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
2.根据权利要求1所述的方法,其特征在于,所述训练数据样本的组数不小于所述因变量的个数。
4.根据权利要求1所述的方法,其特征在于,所述井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据。
5.根据权利要求1所述的方法,其特征在于,所述结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型,具体为:
对典型线性回归模型yi=a1x1i+a2x2i+…+amxmi使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m;
6.根据权利要求1所述的方法,其特征在于,所述使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,具体为:
将所述检验数据样本中的井下工况数据代入所述油管腐蚀预测模型,得到油管预测腐蚀速率数据,将所述检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。
7.一种油管腐蚀程度预测方法,其特征在于,在数据库中预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据,所述方法包括:
S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则执行S4,否则,转置S1,选取新的数据重复执行流程;
S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
8.一种油管腐蚀程度预测装置,其特征在于,所述装置包括:
存储模块,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
9.根据权利要求8所述的装置,其特征在于,所述训练数据样本的组数不小于所述因变量的个数。
11.根据权利要求8所述的装置,其特征在于,所述井下工况数据包括CO2浓度、Cl-浓度、H2S浓度、温度和压力数据。
12.根据权利要求8所述的装置,其特征在于,所述建模模块,具体用于:
对典型线性回归模型yi=a1x1i+a2x2i+…+amxmi使用最小二乘法,并基于训练数据样本,确定aj,其中,xji代入第i组训练数据样本中的第j个影响因素的数据,yi代入第i组训练数据样本中的油管实际腐蚀速率数据,j=1、2、…、m;
根据三角模糊数的隶属函数和确定出的aj、cj,得出三角模糊数Aj(aj,cj)的取值,作为模糊线性回归模型y=A1x1+A2x2+…+Amxm中的回归系数Aj,将该模糊线性回归模型作为所述油管腐蚀预测模型。
13.根据权利要求8所述的装置,其特征在于,所述建模模块,具体用于:
将所述检验数据样本中的井下工况数据代入所述油管腐蚀预测模型,得到油管预测腐蚀速率数据,将所述检验数据样本中该井下工况数据对应的油管实际腐蚀速率数据与所述油管预测腐蚀速率数据的差同该油管实际腐蚀速率数据的比值与预设阈值比较,来验证所述油管腐蚀预测模型的正确性,如果该比值不超过预设阈值,则验证通过,否则,验证失败。
14.一种油管腐蚀程度预测装置,其特征在于,所述装置包括:
存储模块,用于预先存储多组不同环境中井下工况数据和对应的油管实际腐蚀速率数据,所述井下工况数据包括多个影响因素的数据;
建模模块,用于执行:S1,选取存储的至少两组井下工况数据及其对应的油管实际腐蚀速率数据,并对选取的数据进行规一化,将规一化后的数据分为训练数据样本和检验数据样本;
S2,结合模糊非线性回归法和最小二乘法,对所述训练数据样本进行建模,得到由井下工况数据作为因变量、油管预测腐蚀速率数据作为变量的油管腐蚀预测模型;
S3,使用所述检验数据样本验证所述油管腐蚀预测模型的正确性,如果检验通过,则通知预测模块执行S4,否则,转置S1,选取新的数据重复执行流程;
预测模块,用于执行:S4,采用所得到的油管腐蚀预测模型,对指定环境下的在役油管进行腐蚀程度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210548324.XA CN103870670B (zh) | 2012-12-17 | 2012-12-17 | 一种油管腐蚀程度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210548324.XA CN103870670B (zh) | 2012-12-17 | 2012-12-17 | 一种油管腐蚀程度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103870670A true CN103870670A (zh) | 2014-06-18 |
CN103870670B CN103870670B (zh) | 2017-10-17 |
Family
ID=50909197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210548324.XA Active CN103870670B (zh) | 2012-12-17 | 2012-12-17 | 一种油管腐蚀程度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870670B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653791A (zh) * | 2015-12-29 | 2016-06-08 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测*** |
CN105678053A (zh) * | 2015-12-29 | 2016-06-15 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测方法 |
CN106951616A (zh) * | 2017-03-10 | 2017-07-14 | 西安交通大学 | 基于计算流体力学的碳钢管道co2溶液腐蚀速率预测方法 |
CN109710410A (zh) * | 2018-12-24 | 2019-05-03 | 微梦创科网络科技(中国)有限公司 | 一种互联网信息资源分配方法及装置 |
CN110073168A (zh) * | 2016-12-21 | 2019-07-30 | 通用电气公司 | 用于空气冷却式冷凝器的腐蚀保护 |
CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
CN111177947A (zh) * | 2020-01-12 | 2020-05-19 | 西南石油大学 | 一种考虑多因素的co2腐蚀预测图版建立方法 |
CN111798930A (zh) * | 2020-07-17 | 2020-10-20 | 西南石油大学 | 一种考虑腐蚀产物膜影响的co2腐蚀速率预测方法 |
CN112668206A (zh) * | 2021-01-20 | 2021-04-16 | 西南石油大学 | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 |
CN113806964A (zh) * | 2021-09-30 | 2021-12-17 | 西南石油大学 | 一种考虑多因素耦合作用的腐蚀与结垢速率预测方法 |
CN115506777A (zh) * | 2022-10-08 | 2022-12-23 | 中国石油大学(北京) | 一种套管的安全系数确定方法及装置 |
CN115983116A (zh) * | 2022-12-22 | 2023-04-18 | 新疆敦华绿碳技术股份有限公司 | 一种二氧化碳混相驱油腐蚀检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052076A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种对含有h2s/co2气田井筒流体成份监测***及其分析方法 |
CN102282411A (zh) * | 2009-01-19 | 2011-12-14 | Bp北美公司 | 用于使用机械模型来预测腐蚀速率的方法和*** |
JP2012202792A (ja) * | 2011-03-25 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 光ファイバ複合架空地線の寿命予測方法。 |
-
2012
- 2012-12-17 CN CN201210548324.XA patent/CN103870670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102282411A (zh) * | 2009-01-19 | 2011-12-14 | Bp北美公司 | 用于使用机械模型来预测腐蚀速率的方法和*** |
CN102052076A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种对含有h2s/co2气田井筒流体成份监测***及其分析方法 |
JP2012202792A (ja) * | 2011-03-25 | 2012-10-22 | Tokyo Electric Power Co Inc:The | 光ファイバ複合架空地線の寿命予測方法。 |
Non-Patent Citations (1)
Title |
---|
刚振宝等: "松辽盆地北部深层气井CO2腐蚀预测方法", 《天然气勘探与开发》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678053A (zh) * | 2015-12-29 | 2016-06-15 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测方法 |
CN105653791A (zh) * | 2015-12-29 | 2016-06-08 | 中国石油天然气集团公司 | 一种基于数据挖掘的在役油管柱腐蚀失效预测*** |
CN110073168A (zh) * | 2016-12-21 | 2019-07-30 | 通用电气公司 | 用于空气冷却式冷凝器的腐蚀保护 |
CN106951616A (zh) * | 2017-03-10 | 2017-07-14 | 西安交通大学 | 基于计算流体力学的碳钢管道co2溶液腐蚀速率预测方法 |
CN106951616B (zh) * | 2017-03-10 | 2020-01-14 | 西安交通大学 | 基于计算流体力学的碳钢管道co2溶液腐蚀速率预测方法 |
CN109710410B (zh) * | 2018-12-24 | 2021-08-13 | 微梦创科网络科技(中国)有限公司 | 一种互联网信息资源分配方法及装置 |
CN109710410A (zh) * | 2018-12-24 | 2019-05-03 | 微梦创科网络科技(中国)有限公司 | 一种互联网信息资源分配方法及装置 |
CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
CN111177947B (zh) * | 2020-01-12 | 2022-02-22 | 西南石油大学 | 一种考虑多因素的co2腐蚀预测图版建立方法 |
CN111177947A (zh) * | 2020-01-12 | 2020-05-19 | 西南石油大学 | 一种考虑多因素的co2腐蚀预测图版建立方法 |
CN111798930A (zh) * | 2020-07-17 | 2020-10-20 | 西南石油大学 | 一种考虑腐蚀产物膜影响的co2腐蚀速率预测方法 |
CN111798930B (zh) * | 2020-07-17 | 2022-02-25 | 西南石油大学 | 一种考虑腐蚀产物膜影响的co2腐蚀速率预测方法 |
CN112668206A (zh) * | 2021-01-20 | 2021-04-16 | 西南石油大学 | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 |
CN112668206B (zh) * | 2021-01-20 | 2022-03-15 | 西南石油大学 | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 |
CN113806964A (zh) * | 2021-09-30 | 2021-12-17 | 西南石油大学 | 一种考虑多因素耦合作用的腐蚀与结垢速率预测方法 |
CN115506777A (zh) * | 2022-10-08 | 2022-12-23 | 中国石油大学(北京) | 一种套管的安全系数确定方法及装置 |
CN115506777B (zh) * | 2022-10-08 | 2023-09-08 | 中国石油大学(北京) | 一种套管的安全系数确定方法及装置 |
CN115983116A (zh) * | 2022-12-22 | 2023-04-18 | 新疆敦华绿碳技术股份有限公司 | 一种二氧化碳混相驱油腐蚀检测方法 |
CN115983116B (zh) * | 2022-12-22 | 2024-05-24 | 新疆敦华绿碳技术股份有限公司 | 一种二氧化碳混相驱油腐蚀检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103870670B (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870670A (zh) | 一种油管腐蚀程度预测方法及装置 | |
Bao et al. | Integrated ARMA model method for damage detection of subsea pipeline system | |
EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN104063588A (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测***及方法 | |
CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
Artun | Characterizing reservoir connectivity and forecasting waterflood performance using data-driven and reduced-physics models | |
Krechowicz et al. | Risk assessment in energy infrastructure installations by horizontal directional drilling using machine learning | |
CN105824987A (zh) | 一种基于遗传算法的风场特征统计分布模型建立方法 | |
Kumar Pandey et al. | Employing deep learning neural networks for characterizing dual-porosity reservoirs based on pressure transient tests | |
RU2459136C2 (ru) | Способ мониторинга коррозии трубопровода и устройство для его осуществления | |
Sabaa et al. | Artificial neural network model to predict production rate of electrical submersible pump wells | |
Yan et al. | An Efficient Method for Optimizing Sensors’ Layout for Accurate Measurement of Underground Ventilation Networks | |
Su et al. | Prediction of drilling leakage locations based on optimized neural networks and the standard random forest method | |
CN117035151A (zh) | 基于lightGBM算法实现的不稳定注水工作制度优化方法及*** | |
Jian et al. | Anomaly detection and classification in water distribution networks integrated with hourly nodal water demand forecasting models and feature extraction technique | |
Wan et al. | Binary segmentation for structural condition classification using structural health monitoring data | |
Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
Su et al. | Composite Fault Diagnosis for Rotating Machinery of Large Units Based on Evidence Theory and Multi‐Information Fusion | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及*** | |
Shi | Data-driven predictive analytics for water infrastructure condition assessment and management | |
Suryana et al. | Detection of Leak Position in Household LPG Distribution Pipes Using Gas Pressure Sensors and Continuity Equation | |
Liu et al. | Predictive Modelling of CART-Based Frictional Resistance in Mine Ventilation Systems | |
Mounce et al. | Development of artificial intelligence systems for analysis of water supply system data | |
CN105224777A (zh) | 一种油气单元勘探工作程度识别方法 | |
Restuccia et al. | A distributed analysis of vibration signals for leakage detection in Water Distribution Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |