CN117454294A - 一种页岩气井柱塞工艺井异常工况判断方法 - Google Patents
一种页岩气井柱塞工艺井异常工况判断方法 Download PDFInfo
- Publication number
- CN117454294A CN117454294A CN202311458734.XA CN202311458734A CN117454294A CN 117454294 A CN117454294 A CN 117454294A CN 202311458734 A CN202311458734 A CN 202311458734A CN 117454294 A CN117454294 A CN 117454294A
- Authority
- CN
- China
- Prior art keywords
- well
- time point
- shale gas
- minute
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 206010030113 Oedema Diseases 0.000 claims description 6
- 241000521257 Hydrops Species 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 239000007788 liquid Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种页岩气井柱塞工艺井异常工况判断方法，属于页岩气井柱塞技术领域，该方法包括：对获取的页岩气井分钟级数据进行开/关井时间点标注及预处理，并划分为训练集、验证集以及测试集；构建并训练开/关井时间点识别模型，并利用验证集对经训练后的开/关井时间点识别模型进行验证；利用生产数据分析法对开/关井时间点进行校准；判断开/关井时间点识别模型的准确率是否达到预设的阈值；利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点，并根据获取的开/关井时间点判断是否发生异常工况，并利用测试集对异常工况的判断结果进行验证。本发明实现对页岩气井柱塞工艺井异常工况的判断。
Description
技术领域
本发明属于页岩气井柱塞工艺的异常工况判断技术领域，尤其涉及一种页岩气井柱塞工艺井异常工况判断方法。
背景技术
页岩气井柱塞(间开)工艺是页岩气开采中一种重要的生产方式，其特点是在井筒中设置柱塞或阀门等装置，以实现周期性的生产和封闭操作。这种生产方式在提高产能和减少水平段压力损失方面具有显著的优势，但也伴随着一系列可能导致异常工况的挑战。异常工况在页岩气井柱塞(间开)井中尤为突出，可能包括油管穿孔、输压上涨、异常关井和积液等情况，这些异常工况对生产运营和井下设备的安全性都构成潜在威胁。为了解决这些异常工况，页岩气井柱塞(间开)井需要适时的诊断和处理方法。这些方法包括传统的井下监测技术、传感器监测、数据分析和机器学习等先进技术。通过分析井下数据、监测设备状态以及模拟井下过程，研究人员和工程师希望能够及早发现和准确诊断异常工况，并采取适当的措施来解决这些问题，以确保页岩气井柱塞(间开)井的持续和高效生产。
现有方案中，使用各种传感器，如压力传感器、温度传感器、流量传感器等，来监测油田作业中的各种参数，但传感器成本高昂，需要频繁的维护和校准。此外，某些异常情况可能难以准确检测，例如微小的油管穿孔或渗漏。
现有方案中，使用数学建模或物理模拟来模拟油田作业中的各种情况，然后与实际数据进行比较，但需要准确的模型和参数，有时候可能无法完全模拟复杂的现实情况。
现有方案中，使用机器学习技术完成积液检测，但只能检测积液这种异常工况，其准确率还不够高。
发明内容
针对现有技术中的上述不足，本发明提供的一种页岩气井柱塞工艺井异常工况判断方法，解决了上述的问题。
为了达到以上目的，本发明采用的技术方案为：一种页岩气井柱塞工艺井异常工况判断方法，包括以下步骤：
S1、对获取的页岩气井分钟级数据进行开/关井时间点标注及预处理，并将经预处理后的页岩气井分钟级数据划分为训练集、验证集以及测试集；
S2、构建开/关井时间点识别模型，并利用训练集对开/关井时间点识别模型进行训练，并利用验证集对经训练后的开/关井时间点识别模型进行验证；
S3、根据验证结果，利用生产数据分析法对开/关井时间点进行校准；
S4、根据校准结果，判断开/关井时间点识别模型的准确率是否达到预设的阈值，若是，则进入步骤S5，否则，返回步骤S2；
S5、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点，并根据获取的开/关井时间点判断是否发生异常工况，并利用测试集对异常工况的判断结果进行验证。
本发明的有益效果是：本发明运用深度学习模型和生产数据分析法，实现页岩气井开/关井时间点的检测；基于开/关井时间点和生产数据，实现多个页岩气井异常工况检测，本发明通过采用深度学习的方法可以及时检测和诊断井的异常工况可以帮助采取必要的措施来恢复正常生产状态，基于开/关井时间点和生产数据，实现多个页岩气井异常工况检测。
进一步地，所述S1包括以下步骤：
S101、根据获取的页岩气井分钟级数据，绘制油压和套压曲线图，并人工标注开井时间点和关井时间点；
S102、利用K邻近缺失值填充算法，对经人工标注后的页岩气井分钟级数据中的缺失值进行填充；
S103、利用标准化，将经缺失值填充后的页岩气井分钟级数据分布变换为标准正态分布；
S104、筛选并删除标准正态分布的页岩气井分钟级数据中的异常点；
S105、利用滑动窗口，将经删除异常点的页岩气井分钟级数据划分为若干个子序列数据；
S106、对每个子序列数据进行归一化处理，并将经归一化处理后的子序列数据划分为训练集、测试集和验证集。
上述进一步方案的有益效果是：本发明进行预处理，有助于提高模型的性能、可解释性和稳健性。可以使模型更好地适应数据、提高泛化能力，并减少由于数据不一致性、异常值等问题引起的噪声。
再进一步地，所述S2中开/关井时间点识别模型包括：
自编码器，用于利用编码器将所有子序列数据编码为潜在特征向量，并利用解码器将潜在特征向量重构为重构子序列数据；
Transformer结构，用于分别对原始子序列数据和重构子序列数据进行自注意力相似性计算，并将原始子序列数据的计算结果作为查询向量，将重构子序列数据的计算结果作为键向量和值向量，作注意力相似性计算；
全连接层，用于对经注意力相似性计算的子序列数据进行变换和映射；
Softmax层，用于根据经变换和映射的子序列数据，生成类别概率分布，得到类别概率最大的类别。
上述进一步方案的有益效果是：本发明通过构建开/关井时间点识别模型，有助于快速准确识别出输入子序列数据中的开/关井时间点，为进一步判断开/关井时间点是否出现异常工况做准备。
再进一步地，所述自编码器的目标函数的表达式如下：
其中，Le表示自编码器的目标函数，表示归一化后的页岩气井分钟级数据，/>表示自编码器重构的页岩气井分钟级数据，i表示每个子序列数据的特征，j表示第j个子序列数据，k表示子序列数据中的每条数据，f表示原始页岩气井分钟级数据的特征个数，N表示子序列数据的总数，m表示滑动窗口大小；
所述自注意力相似性计算的表达式如下：
其中，Self-Attention(Q,K,V)表示相关性矩阵，表示注意力权重，Q,K,V分别表示查询矩阵、被查询矩阵和值矩阵，且Q＝K＝V，KT表示K的转置，dk表示K的特征维度；
所述类别概率最大的类别的表达式如下：
其中，Softmax(·)表示Softmax函数，zi表示第i个节点输出的类别，xi表示全连接层的第i个节点的输出值，xc表示全连接层的第c个节点的输出值，C表示分类的类别个数，且该类别个数为三个，包括：开井时间点、关井时间点以及非开/关时间点，e表示指数函数。
再进一步地，所述S3包括以下步骤：
S301、根据验证结果，利用阈值法对关井时间进行校准，其中，开/关井时间点识别模型输出的关井时间点和前一开井时间点的油压和输压均需满足第一经验公式；
S302、根据验证结果，利用阈值法对开井时间点进行校准，其中，开/关井时间点识别模型输出的开井时间点的油压和输压均需满足第二经验公式。
上述进一步方案的有益效果是：本发明利用阈值法对开/关井时间点进行核准，有助于人工快速、准确验证模型识别的开/关井时间点是否正确。
再进一步地，所述第一经验公式的表达式如下：
(got-gpt)-(kot-1-kpt-1)>0.2；
got＝11-kot-1>0.2；
got＝16≥got＝11；
其中，got表示关井时间点当前及后十分钟内每分钟的油压，gpt表示关井时间点当前及后十分钟内每分钟的输压，kot-1表示前一开井时间点当前油压，kpt-1表示前一开井时间当前输压，got＝11表示当前关井时间点后第十一分钟的油压，got＝16表示当前关井时间点后第十六分钟的油压；
所述第二经验公式的表达式如下：
(kot-kpt)-(kot＝11-kpt＝11)>0.3；
kot-kot＝11>0.2；
kot＝9-kot＝11>0.2；
其中，kot表示开井时间点当前及后五分钟内每分钟的油压，kpt表示开井时间点当前及后五分钟内每分钟的输压，kot＝11表示当前开井时间点后第十一分钟的油压，kpt＝11表示当前开井时间点后第十一分钟的输压，kot＝9表示当前开井时间后第九分钟的油压。
再进一步地，所述S5包括以下步骤：
S501、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点；
S502、针对获取的开/关井时间点，若每个开井时间点和关井时间点的油压与套压相减的结果小于0.1，则存在油管穿孔的异常工况；
S503、针对获取的开/关井时间点，若同时满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，且该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在输压上涨的异常工况；
S504、针对获取的开/关井时间点，若仅满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，不满足该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在异常关井工况；
S505、针对获取的开/关井时间点，若计算得到的每个开井时间点开井前油压最高峰值的套压和油压差值持续增大4个周期，则存在积液工况；
S506、绘制油压和套压曲线图，利用测试集对S502-505中异常工况的判断结果进行验证。
上述进一步方案的有益效果是：本发明通过上述设计，有助于快速、准确判断子序列数据中的开/关井时间点是否出现异常工况以及异常工况的类型。
附图说明
图1为本发明的方法流程图。
图2为本实施例中开/关井时间点识别模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
在对本发明作说明前，先对以下术语作解释：
柱塞工艺：排水工艺的一种。间开工艺的基础上，利用柱塞(简单理解为在管道内放了个铁块)在举升气和采出液之间形成界面，从而有效防止气体上窜和液体滑脱，增加举升效率。
间开工艺：排水工艺的一种。通过周期性开关井来提高气井产量，关井期间，井内压力会逐步上升，开井后更高的压力能够使气体带出部分液体。
阈值法：生产数据分析法中的一种。依据数据分布确定临界值，根据临界值对数据进行划分。
油管穿孔：页岩气井柱塞(间开)井中，油管与井筒之间的压力差异可能会导致油管的损坏或穿孔，这将导致气体和液体泄漏到井外，降低产量并可能引发环境问题。
输压上涨：输压上涨是一种常见的异常工况，通常表明井下存在异常的压力情况或流体积聚，可能会导致井口设备的安全性问题，还可能降低生产效率。
异常关井：异常关井可能由于设备故障、操作失误或安全问题引起，这将导致生产中断，增加维护和修复成本，对开采计划产生负面影响。
积液：页岩气开采中，由于流体的复杂性，可能会出现积液问题，使气体和液体分离困难，从而影响产能和产气效率。
如图1所示，本发明提供了一种页岩气井柱塞工艺井异常工况判断方法，其实现方法如下：
S1、对获取的页岩气井分钟级数据进行开/关井时间点标注及预处理，并将经预处理后的页岩气井分钟级数据划分为训练集、验证集以及测试集，其实现方法如下：
S101、根据获取的页岩气井分钟级数据，绘制油压和套压曲线图，并人工标注开井时间点和关井时间点；
本实施例中，取西南地区某区块油田100口井一周分钟级数据，绘制油压和套压曲线图并人工标注开井时间点和关井时间点。
S102、利用K邻近缺失值填充算法，对经人工标注后的页岩气井分钟级数据中的缺失值进行填充：
其中，cx表示缺失值，xi表示附近第i'条页岩气井分钟级数据的值，k表示缺失值附近页岩气井分钟级数据的总数，wi'表示第i'条页岩气井分钟级数据的权重，di'表示第i'条页岩气井分钟级数据与缺失值的欧几里得距离；
S103、利用标准化，将经缺失值填充后的页岩气井分钟级数据分布变换为标准正态分布：
其中，X表示标准正态分布数据，x表示页岩气井分钟级总数据，mean表示页岩气井分钟级数据均值，σ表示页岩气井分钟级数据标准差；
S104、筛选并删除标准正态分布的页岩气井分钟级数据中的异常；
本实施例中，通过3sigma法则识别异常点，即超出均值3倍标准差的数据可被认为是异常点：
uv＝μ+3σ；
lv＝μ-3σ；
其中，uv表示正常值的上限，lv表示正常值的下限，μ表示分钟级数据的均值，σ表示页岩气井分钟级数据的方差；
S105、利用滑动窗口，将经删除异常点的页岩气井分钟级数据划分为若干个子序列数据：
其中，滑动窗口长度和步幅均为L，Nx表示页岩气井分钟级数据的总数，NX表示子序列数据的总数；
S106、对每个子序列数据进行归一化处理，并将经归一化处理后的子序列数据划分为训练集、测试集和验证集；
归一化处理为：
其中，x'表示归一化数据，x表示原始子序列数据，xmin表示最小值，xmax表示最大值。
S2、构建开/关井时间点识别模型，并利用训练集对开/关井时间点识别模型进行训练，并利用验证集对经训练后的开/关井时间点识别模型进行验证；
所述开/关井时间点识别模型包括：
自编码器，用于利用编码器将所有子序列数据编码为潜在特征向量，并利用解码器将潜在特征向量重构为重构子序列数据；
Transformer结构，用于分别对原始子序列数据和重构子序列数据进行自注意力相似性计算，并将原始子序列数据的计算结果作为查询向量，将重构子序列数据的计算结果作为键向量和值向量，作注意力相似性计算；
全连接层，用于对经注意力相似性计算的子序列数据进行变换和映射；
Softmax层，用于根据经变换和映射的子序列数据，生成类别概率分布，得到类别概率最大的类别。
本实施例中，构建开/关井时间点识别模型。首先，构建自编码器：自编码器主要由两部分组成，分别是编码器和解码器，编码器Encoder负责将输入映射至隐藏层获得潜在特征，解码器Decoder负责对潜在特征进行重建。自编码器基于反向传播和梯度下降算法，以输入作为监督重建输出，使两者之间的差异尽可能小。所述编码器，用于将所有未出现异常工况的子序列数据编码为特征向量，并根据特征向量进行积液严重程度划分，如对特征向量进行分类；所述解码器，用于将特征向量解码为重构子序列数据。自编码器中的编码器由1层LSTM长短记忆期记忆网络组成，解码器结构与编码器相反，自编码器目标函数公式为：
其中，Le表示自编码器的目标函数，表示归一化后的页岩气井分钟级数据，/>表示自编码器重构的页岩气井分钟级数据，i表示每个子序列数据的特征，j表示第j个子序列数据，k表示子序列数据中的每条数据，f表示原始页岩气井分钟级数据的特征个数，N表示子序列数据的总数，m表示滑动窗口大小
其次，构建Transformer结构，Transformer可为深度学习层。为了提高积液异常数据在子序列中的比重，在自编码器输出层后使用Transformer结构。由于Transformer结构由且仅由多头注意力和前馈神经网络组成。
多头注意力中自注意力相似性计算的处理公式为：
其中，Self-Attention(Q,K,V)表示相关性矩阵，表示注意力权重，Q,K,V分别表示查询矩阵、被查询矩阵和值矩阵，且Q＝K＝V，KT表示K的转置，dk表示K的特征维度。
本实施例中，Transformer结构中采用了多个多头注意力，其作用是促使不同的头关注到不一样信息，最后再将各个方面的信息综合起来，有助于网络捕获到更丰富的特征。归一化和相加以及前馈神经网络比较简单，是借鉴了CNN中的某些模块改进而来。归一化和相加的计算公式如下：
X'＝X+MHA(LN(X))；
X”＝X'+FFN(LN(X))；
其中，X表示经自编码器重构后的子序列数据，X'表示经归一化、多头自注意力机制和残差连接后的子序列数据，X”表示经归一化、前馈神经网络和残差连接后的子序列数据，MHA表示多头注意力机制，LN表示归一化操作，FFN表示前馈神经网络，+表示残差连接，用于解决多层网络出现的退化、梯度消失问题。前馈神经网络代表一个包含两个全连接层的非线性映射函数，其中两个全连接层之间会有一个ReLU激活函数，其计算公式如下：
Xh＝f2(ReLU(f1(X)))；
其中，Xh表示经过前馈神经网络处理后的子序列数据，f2和f1分别表示第二中间函数和第一中间函数，X表示经自编码器重构后的子序列数据。
最后，利用全连接层和Softmax层进行最终的分类，分为3类：开井时间点、关井时间点、非开/关井时间点。全连接层主要是用于学习特征表示，而Softmax层用于生成类别概率分布。最后开/关井时间点识别模型输出的类别为类别概率最大的类别。其相关公式如下：
其中，Softmax(·)表示Softmax函数，zi表示第i个节点输出的类别，xi表示全连接层的第i个节点的输出值，xc表示全连接层的第c个节点的输出值，C表示分类的类别个数，且该类别个数为三个，包括：开井时间点、关井时间点以及非开/关时间点，e表示指数函数，通过Softmax函数就可以将多分类的输出值转换为范围在[0,1]和为1的概率分布。
即，图2中，首先将原始子序列数据送入到自编码器进行处理。编码器可以将输入的原始子序列数据转换为一种更有意义的表示，即为潜在特征，再使用解码器将编码器生成的潜在特征向量转换为重构子序列数据。分别对原始子序列数据和重构子序列数据进行位置编码，用于为输入序列中的每个元素引入位置信息。将进行位置编码后的原始子序列数据和重构子序列数据分别与静态生产数据(如孔隙度、套管尺寸等)进行拼接，并将拼接后的两个子序列数据同时送入到Transformer结构中，其中，Transformer结构为N个。Transformer结构用于分别对来自原始子序列数据的计算结果作为查询向量，将来自重构子序列数据的计算结果作为键向量和值向量，采用多头注意力进行多次相似性计算，这可以处理两个序列数据中不同位置之间的依赖关系，并将计算结果进行残差连接，这样可以允许信息在网络层之间直接传递，从而帮助避免梯度消失问题，提高网络训练的效率。然后，使用全连接层对经注意力相似性计算的子序列数据进行变换和映射。最后，使用Softmax层用于根据经变换和映射的子序列数据，生成类别概率分布，得到类别概率最大的类别(共有3钟类别：开井时间点、关井时间点、非开/关时间点)
本实施例中，利用训练集数据对开/关井时间点识别模型进行训练；利用训练后的开/关井时间点识别模型在验证集上验证，获取开/关井时间点识别模型的准确率。
本实施例中，本发明的自编码器可以由其变种模型替代，如变分自编码器等。自编码器可以由除LSTM网络以外的网络组成，如CNN网络等。Transformer结构可以直接由自注意力机制替代，可自行调整使用次数，可以通过本发明相同或相似的模型，并结合本发明以外的其他生产数据分析结果也能完成页岩气井柱塞(间开)工艺井异常工况判断。
S3、根据验证结果，利用生产数据分析法对开/关井时间点进行校准，其实现方法如下：
S301、根据验证结果，利用阈值法对关井时间进行校准，其中，开/关井时间点识别模型输出的关井时间点和前一开井时间点的油压和输压均需满足第一经验公式；
S302、根据验证结果，利用阈值法对开井时间点进行校准，其中，开/关井时间点识别模型输出的开井时间点的油压和输压均需满足第二经验公式；
所述第一经验公式的表达式如下：
(got-gpt)-(kot-1-kpt-1)>0.2；
got＝11-kot-1>0.2；
got＝16≥got＝11；
其中，got表示关井时间点当前及后十分钟内每分钟的油压，gpt表示关井时间点当前及后十分钟内每分钟的输压，kot-1表示前一开井时间点当前油压，kpt-1表示前一开井时间当前输压，got＝11表示当前关井时间点后第十一分钟的油压，got＝16表示当前关井时间点后第十六分钟的油压；
所述第二经验公式的表达式如下：
(kot-kpt)-(kot＝11-kpt＝11)>0.3；
kot-kot＝11>0.2；
kot＝9-kot＝11>0.2；
其中，kot表示开井时间点当前及后五分钟内每分钟的油压，kpt表示开井时间点当前及后五分钟内每分钟的输压，kot＝11表示当前开井时间点后第十一分钟的油压，kpt＝11表示当前开井时间点后第十一分钟的输压，kot＝9表示当前开井时间后第九分钟的油压；
S4、根据校准结果，判断开/关井时间点识别模型的准确率是否达到预设的阈值，若是，则进入步骤S5，否则，返回步骤S2；
S5、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点，并根据获取的开/关井时间点判断是否发生异常工况，并利用测试集对异常工况的判断结果进行验证，其实现方法如下：
S501、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点；
S502、针对获取的开/关井时间点，若每个开井时间点和关井时间点的油压与套压相减的结果小于0.1，则存在油管穿孔的异常工况；
S503、针对获取的开/关井时间点，若同时满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，且该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在输压上涨的异常工况；
S504、针对获取的开/关井时间点，若仅满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，不满足该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在异常关井工况；
S505、针对获取的开/关井时间点，若计算得到的每个开井时间点开井前油压最高峰值的套压和油压差值持续增大4个周期，则存在积液工况；
S506、绘制油压和套压曲线图，利用测试集对S502-505中异常工况的判断结果进行验证。
本实施例中，检查是否出现异常工况——油管穿孔。近期内，若每个开井时间点和关井时间点的油压减去套压小于0.1，则认为出现有油管穿孔。
本实施例中，检查是否出现异常工况——输压上涨。基于开井时间点和关井时间点可以计算出开井时长和关井时长。因为输压上涨会导致油压一起上涨，而油压上涨会使得模型认为关井，所以异常周期内的开/关井时长会改变。此外，一个平台下所有气井共用一个输压机，所以平台下的所有井出现输压上涨才认为是出现了输压上涨。即同时满足以下两个条件：条件一为：若某一开/关井时长大于该井平均开/关井时长的2倍或小于平均开/关井时长的0.5倍；条件二为：该井所在平台下的所有井均在异常开/关井周期内出现输压上涨幅度超过40％。
本实施例中，检查是否出现异常工况——异常关井。如果只是上述中的条件一，但是不满足条件二，则认为出现了异常关井工况。
本实施例中，检查是否出现异常工况——积液。计算出每个开井时间点开井前油压最高峰值的套、油压差值，若连续4个周期套、油压差持续增大，认为出现积液。
本实施例中，绘制油压和套压曲线图，通过现有的人工识别验证模型在测试集上的准确率。
本实施例中，本发明通过采用深度学习方法可以及时检测和诊断井的异常工况，可以帮助采取必要的措施来恢复正常生产状态，与传统方式相比可以减少生产中断和井的停产时间，从而提高生产效率。页岩气井等油气开采作业存在一定的安全和环境风险，通过检测异常工况，可以及时采取措施来减少风险，确保安全操作和环境保护。本发明旨在深入研究页岩气井柱塞(间开)井中的异常工况，包括油管穿孔、输压上涨、异常关井和积液等问题的识别和解决方法，通过对异常工况的背景和机制进行分析，以及现有的诊断技术和方法，将为页岩气井柱塞(间开)井的异常工况管理提供有价值的见解，为页岩气资源的可持续开发和利用做出贡献。
Claims (7)
1.一种页岩气井柱塞工艺井异常工况判断方法，其特征在于，包括以下步骤：
S1、对获取的页岩气井分钟级数据进行开/关井时间点标注及预处理，并将经预处理后的页岩气井分钟级数据划分为训练集、验证集以及测试集；
S2、构建开/关井时间点识别模型，并利用训练集对开/关井时间点识别模型进行训练，并利用验证集对经训练后的开/关井时间点识别模型进行验证；
S3、根据验证结果，利用生产数据分析法对开/关井时间点进行校准；
S4、根据校准结果，判断开/关井时间点识别模型的准确率是否达到预设的阈值，若是，则进入步骤S5，否则，返回步骤S2；
S5、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点，并根据获取的开/关井时间点判断是否发生异常工况，并利用测试集对异常工况的判断结果进行验证。
2.根据权利要求1所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述S1包括以下步骤：
S101、根据获取的页岩气井分钟级数据，绘制油压和套压曲线图，并人工标注开井时间点和关井时间点；
S102、利用K邻近缺失值填充算法，对经人工标注后的页岩气井分钟级数据中的缺失值进行填充；
S103、利用标准化，将经缺失值填充后的页岩气井分钟级数据分布变换为标准正态分布；
S104、筛选并删除标准正态分布的页岩气井分钟级数据中的异常点；
S105、利用滑动窗口，将经删除异常点的页岩气井分钟级数据划分为若干个子序列数据；
S106、对每个子序列数据进行归一化处理，并将经归一化处理后的子序列数据划分为训练集、测试集和验证集。
3.根据权利要求1所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述S2中开/关井时间点识别模型包括：
自编码器，用于利用编码器将所有子序列数据编码为潜在特征向量，并利用解码器将潜在特征向量重构为重构子序列数据；
Transformer结构，用于分别对原始子序列数据和重构子序列数据进行自注意力相似性计算，并将原始子序列数据的计算结果作为查询向量，将重构子序列数据的计算结果作为键向量和值向量，作注意力相似性计算；
全连接层，用于对经注意力相似性计算的子序列数据进行变换和映射；
Softmax层，用于根据经变换和映射的子序列数据，生成类别概率分布，得到类别概率最大的类别。
4.根据权利要求3所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述自编码器的目标函数的表达式如下：
其中，Le表示自编码器的目标函数，表示归一化后的页岩气井分钟级数据，/>表示自编码器重构的页岩气井分钟级数据，i表示每个子序列数据的特征，j表示第j个子序列数据，k表示子序列数据中的每条数据，f表示原始页岩气井分钟级数据的特征个数，N表示子序列数据的总数，m表示滑动窗口大小；
所述自注意力相似性计算的表达式如下：
其中，Self-Attention(Q,K,V)表示相关性矩阵，表示注意力权重，Q,K,V分别表示查询矩阵、被查询矩阵和值矩阵，且Q＝K＝V，KT表示K的转置，dk表示K的特征维度；
所述类别概率最大的类别的表达式如下：
其中，Softmax(·)表示Softmax函数，zi表示第i个节点输出的类别，xi表示全连接层的第i个节点的输出值，xc表示全连接层的第c个节点的输出值，C表示分类的类别个数，且该类别个数为三个，包括：开井时间点、关井时间点以及非开/关时间点，e表示指数函数。
5.根据权利要求1所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述S3包括以下步骤：
S301、根据验证结果，利用阈值法对关井时间进行校准，其中，开/关井时间点识别模型输出的关井时间点和前一开井时间点的油压和输压均需满足第一经验公式；
S302、根据验证结果，利用阈值法对开井时间点进行校准，其中，开/关井时间点识别模型输出的开井时间点的油压和输压均需满足第二经验公式。
6.根据权利要求5所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述第一经验公式的表达式如下：
(got-gpt)-(kot-1-kpt-1)>0.2；
got＝11-kot-1>0.2；
got＝16≥got＝11；
其中，got表示关井时间点当前及后十分钟内每分钟的油压，gpt表示关井时间点当前及后十分钟内每分钟的输压，kot-1表示前一开井时间点当前油压，kpt-1表示前一开井时间当前输压，got＝11表示当前关井时间点后第十一分钟的油压，got＝16表示当前关井时间点后第十六分钟的油压；
所述第二经验公式的表达式如下：
(kot-kpt)-(kot＝11-kpt＝11)>0.3；
kot-kot＝11>0.2；
kot＝9-kot＝11>0.2；
其中，kot表示开井时间点当前及后五分钟内每分钟的油压，kpt表示开井时间点当前及后五分钟内每分钟的输压，kot＝11表示当前开井时间点后第十一分钟的油压，kpt＝11表示当前开井时间点后第十一分钟的输压，kot＝9表示当前开井时间后第九分钟的油压。
7.根据权利要求1所述的页岩气井柱塞工艺井异常工况判断方法，其特征在于，所述S5包括以下步骤：
S501、利用达到准确率的开/关井时间点识别模型，获取测试集中的开/关井时间点；
S502、针对获取的开/关井时间点，若每个开井时间点和关井时间点的油压与套压相减的结果小于0.1，则存在油管穿孔的异常工况；
S503、针对获取的开/关井时间点，若同时满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，且该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在输压上涨的异常工况；
S504、针对获取的开/关井时间点，若仅满足某一开/关井时间大于该页岩气井的平均开/关井时间的2倍或小于该页岩气井的平均开/关井时长的0.5倍，不满足该页岩气井所在平台下的所有页岩气井均在异常开/关井周期内出现输压上涨幅度超过40％，则存在异常关井工况；
S505、针对获取的开/关井时间点，若计算得到的每个开井时间点开井前油压最高峰值的套压和油压差值持续增大4个周期，则存在积液工况；
S506、绘制油压和套压曲线图，利用测试集对S502-505中异常工况的判断结果进行验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311458734.XA CN117454294B (zh) | 2023-11-02 | 2023-11-02 | 一种页岩气井柱塞工艺井异常工况判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311458734.XA CN117454294B (zh) | 2023-11-02 | 2023-11-02 | 一种页岩气井柱塞工艺井异常工况判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454294A true CN117454294A (zh) | 2024-01-26 |
| CN117454294B CN117454294B (zh) | 2024-06-04 |
Family
ID=89596308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311458734.XA Active CN117454294B (zh) | 2023-11-02 | 2023-11-02 | 一种页岩气井柱塞工艺井异常工况判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454294B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150136389A1 (en) * | 2013-11-21 | 2015-05-21 | Conocophillips Company | Plunger lift optimization |
| WO2015101856A2 (en) * | 2013-12-30 | 2015-07-09 | Abb Technology Ltd. | A method and system for fault detection during a plunger lift operation in hydrocarbon wells |
| CN110439513A (zh) * | 2019-07-30 | 2019-11-12 | 北京雅丹石油技术开发有限公司 | 一种柱塞气举排液采气生产制度的优化方法 |
| KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
| CN112836719A (zh) * | 2020-12-11 | 2021-05-25 | 南京富岛信息工程有限公司 | 一种融合二分类和三元组的示功图相似性检测方法 |
| CN113153224A (zh) * | 2021-03-25 | 2021-07-23 | 中国石油天然气股份有限公司 | 一种适合页岩气井柱塞工艺运行状态的诊断方法及设备 |
| CN115874993A (zh) * | 2023-02-21 | 2023-03-31 | 成都工业学院 | 一种基于人工智能的页岩气井生产控制方法、设备和*** |
| CN116181287A (zh) * | 2023-02-09 | 2023-05-30 | 成都理工大学 | 一种页岩气井生产异常工况预警***及方法 |
| CN116822580A (zh) * | 2023-08-08 | 2023-09-29 | 西安石油大学 | 一种基于Transformer模型的机械钻速时序特征的预测方法、***、设备及介质 |
-
2023
- 2023-11-02 CN CN202311458734.XA patent/CN117454294B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150136389A1 (en) * | 2013-11-21 | 2015-05-21 | Conocophillips Company | Plunger lift optimization |
| WO2015101856A2 (en) * | 2013-12-30 | 2015-07-09 | Abb Technology Ltd. | A method and system for fault detection during a plunger lift operation in hydrocarbon wells |
| CN110439513A (zh) * | 2019-07-30 | 2019-11-12 | 北京雅丹石油技术开发有限公司 | 一种柱塞气举排液采气生产制度的优化方法 |
| KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
| CN112836719A (zh) * | 2020-12-11 | 2021-05-25 | 南京富岛信息工程有限公司 | 一种融合二分类和三元组的示功图相似性检测方法 |
| CN113153224A (zh) * | 2021-03-25 | 2021-07-23 | 中国石油天然气股份有限公司 | 一种适合页岩气井柱塞工艺运行状态的诊断方法及设备 |
| CN116181287A (zh) * | 2023-02-09 | 2023-05-30 | 成都理工大学 | 一种页岩气井生产异常工况预警***及方法 |
| CN115874993A (zh) * | 2023-02-21 | 2023-03-31 | 成都工业学院 | 一种基于人工智能的页岩气井生产控制方法、设备和*** |
| CN116822580A (zh) * | 2023-08-08 | 2023-09-29 | 西安石油大学 | 一种基于Transformer模型的机械钻速时序特征的预测方法、***、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李志杰: "轴向柱塞泵空化检测与故障诊断方法研究", 工程科技Ⅱ辑, 23 December 2022 (2022-12-23), pages 1 - 58 * |
| 王庆蓉: "页岩气井积液诊断及排水采气工艺技术探讨", 天然气与石油, vol. 38, no. 5, 31 October 2020 (2020-10-31), pages 83 - 87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454294B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警***及其预警方法 | |
| CN110866314B (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
| US20200150622A1 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
| US9280517B2 (en) | System and method for failure detection for artificial lift systems | |
| US8988237B2 (en) | System and method for failure prediction for artificial lift systems | |
| US8988236B2 (en) | System and method for failure prediction for rod pump artificial lift systems | |
| CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
| Hu et al. | Anomaly identification of foundation uplift pressures of gravity dams based on DTW and LOF | |
| RU2745136C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
| Yang et al. | Cross-validation enhanced digital twin driven fault diagnosis methodology for minor faults of subsea production control system | |
| CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
| WO2021188789A1 (en) | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation | |
| CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
| CN116611556A (zh) | 一种基于混合神经网络的致密气井单井产量预测方法 | |
| Li et al. | Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping | |
| CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
| KR20230167589A (ko) | 스마트 IoT 밸브용 딥러닝 모델 기반 고장 진단 시스템 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN117454294B (zh) | 一种页岩气井柱塞工艺井异常工况判断方法 | |
| Yang et al. | A Fault Identification Method for Electric Submersible Pumps Based on DAE‐SVM | |
| Geekiyanage et al. | Feature selection for kick detection with machine learning using laboratory data | |
| CN115099129B (zh) | 一种基于输入特征误差修正的天然气井产量预测方法 | |
| CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |