功图量油与诊断算法简介

功图量油与诊断算法简介2/5/2023主要内容功图量油概述现有问题与改进多气井量油抽油井故障诊断2/5/2023功图量油概述从传统量油到功图量油功图量油技术发展功图量油的国内外现状功图量油原理工程应用实例2/5/2023从传统量油到功图量油传统量油计量间量油智能化多相流量计量油容积式计量法功图量油理论示功图2/5/2023功图量油技术发展全天候间抽任意时段……示功图泵功图即时产量2003Gibbs方程等力学模型拉线法面积法有效冲程法……示功仪产量累加2/5/2023功图量油技术发展拉线面积法：80年代，B•M•卡西扬诺夫示功图的理论排量实际日产液量其中为AB、BC、CF延长线和AD延长线所围的面积。液量叠加法等

2/5/2023功图量油技术发展有效冲程法式中，

-柱塞直径

-冲次

-充满系数

-柱塞冲程

-泵功图的有效冲程2/5/2023功图量油的国内外现状国际Shell,Lufkin,Enerplus…国内长庆，中原，大港，……2/5/2023功图量油原理有效冲程AD段长度充满系数有效冲程/最大冲程AD/EC段冲次驴头一分钟内来回的次数2/5/2023功图量油原理示功图量油泵功图量油API算法量油综合考虑三者计算结果2/5/2023示功图量油日产液量＝24hr*60min*泵的面积*有效冲程*冲次其中，冲次：N次/min

有效冲程/冲程=充满系数关键：凡尔开闭点216个原数据平滑数据曲线变化2/5/2023泵功图的推算Gibbs波动方程2/5/2023示功图量油以实测地面功图为边界条件应用计算模型拟合泵功图应用实测井下泵功图对比修正建立计算模型对比修正实测地面示功图计算泵功图实测井下示功图确定边界条件实测泵功图实测井口示功图计算泵功图实测井口示功图实测示功图2/5/2023泵功图量油日产液量＝

24hr*60min*泵的面积*有效冲程*冲次2/5/2023APIRP11算法量油由已知的液面、泵挂深度、冲次、光杆冲程、泵塞直径、液体密度，再结合抽油杆尺寸和组合，以及油管直径、是否锚定等信息，能过查表、曲线图等确定柱塞冲程、泵排量、光杆最大最小载荷等需求量。2/5/2023工程应用实例计算过程实例泵功图验证计算结果分析庄13量油分析2/5/2023计算过程实例功图量油计算过程以堡1-3井为例

2009-12-2

示功图2/5/2023计算过程实例推算泵功图2/5/2023计算过程实例数据处理并确定凡尔开闭点2/5/2023计算过程实例计算单日产液量堡1-3井2009-12-2各时间段产量值时间8:0010:0012:0014:0016:0018:0020:0022:000:002:004:006:00产量m38.628.288.659.036.527.898.548.579.469.048.498.802/5/2023泵功图验证以沙22-21为例，在其井下1300m和1790m处均安装了井下示功仪2/5/2023计算结果分析单井单日产液量分析2/5/2023计算结果分析单井多日产液量分析，以堡1-4A为例堡1-4A功图计算产液量与计量产液量对比分析表日期堡1-4A井大罐量油（m3）

功图计量（m3）

差值（m）

误差率（%）10月7日14.71514.4700.2451.6610月8日15.93015.9010.8395.2710月9日15.66015.1790.4813.0710月10日15.93115.3440.5873.6810月12日16.33515.4800.8553.6810月14日16.20015.5410.6594.0710月16日15.52515.560-0.0350.232/5/2023计算结果分析堡1-4A一个月数据对比2/5/2023计算结果分析李堡数据汇总，见下页表格功图量液与大罐量液误差2/5/2023功图计量与大罐量油对比分析表日期堡1站大罐量油（m3）

功图计量（m3）

差值（m3）

误差率（%）9月28日110.476108.8961.581.459月29日99.404108.4989.0948.389月30日103.085107.6214.5364.2110月1日104.144108.5824.4384.0910月7日101.912105.4073.4953.3210月8日103.292105.3272.0351.9310月10日100.745105.0394.2944.0910月12日99.198103.2974.0993.9710月14日100.204104.2094.0053.8410月16日99.688104.1724.4844.3010月18日99.834103.6413.8073.6710月20日99.297101.2061.9091.8910月22日97.858100.883.0223.0010月24日98.825100.621.7951.7810月26日98.69499.8541.1601.1610月28日97.176100.5433.3673.352/5/2023庄13量油分析庄13总产量对比2/5/2023庄13量油分析庄13总产量对比2/5/2023主要内容功图量油概述现有问题与改进多气井量油抽油井故障诊断2/5/2023现有问题与改进量油产量及报表分析，基本与报表产量一致。但有少部分油井量油存在一定误差，对这些油井工作状况进行分析。2/5/2023现有问题与改进拐点计算偏差2/5/2023现有问题与改进功图数据采集错误2/5/2023现有问题与改进气体影响导致有效冲程偏大2/5/2023现有问题与改进数据采集错误2/5/2023现有问题与改进有效冲程变化比较大2/5/2023主要内容功图量油概述现有问题与改进多气井量油抽油井故障诊断2/5/2023多气井量油算法概述2/5/2023多气井量油算法概述液体冲程Sfreegas2/5/2023多气井量油算法概述测量压力满足eq.a时，进入油管的气液量

(Gibbsetal.,2006)-沉没压力

-泵出口压力

-液体载荷

-活塞面积Lufkin,Enerplus2/5/2023多气井量油算法概述沉没压力方程求解2/5/2023多气井量油算法概述溶解GOR和原油体积系数与压力关系2/5/2023多气井量油算法概述Nolencorrelations2/5/2023多气井量油算法概述2/5/20232/5/2023多气井量油算法概述PIP推算测定1.假定一个很小的起始值Pistart。2.从经验曲线计算求解溶解气和石油收缩。3.计算游离气体积。4.计算油管气液比。5.考虑多相流、泵挂深度等因素，确定对应的Pa。6.如(Pistart,Pa)不满足eq.a，增加Pi，回到步骤2，直至找到真实的Pitrue。7.由Pitrue从经验曲线中确定气体影响和石油收缩效应。2/5/2023主要内容功图量油概述现有问题与改进多气井量油抽油井故障诊断2/5/2023故障诊断功图量油须建立在抽油井工况健康的基础上，因此在量油之前需进行故障诊断。2/5/2023故障诊断整个故障诊断系统分为：诊断界面读写数据库底层模块接口诊断模块2/5/2023底层接口为诊断模块提供标准功图、当前功图和前一功图实现功图数据的前期处理，提供给诊断模块入口，对渐变故障进行后期处理底层模块接口诊断模块原始数据标准功图第n个功图第n-1个功图一部分诊断结果渐变故障处理渐变故障诊断结果2/5/2023诊断模块数据采集错误抽油杆断脱或活塞遇卡或凡尔失灵柱塞脱出工作筒油井结蜡或乳化油稠油管漏失固定凡尔漏失供液不足上碰挂下碰泵2/5/2023诊断模块2/5/2023智能分类人工神经网络已经有40多年的历史,近些年来神经网络技术被越来越广泛地应用于石油工业的许多不同领域。与传统的分类方法相比，人工神经网络模型有许多优势:具有极强的非线性映射能力，可以以任意精度逼近任何连续函数采用并行计算机制,具有高速度和高精度采用信息的分布式存储方式，具有更好的稳定性和容错性，允许样本缺失和扭曲，部分计算单元的损坏不会削弱整个系统的功用;具有较强的自学习综合能力、联想记忆能力和调整功能2/5/2023智能分类现在人工神经网络已经广泛的应用于有杆抽油井的故障诊断中。在众多的神经网络模型中,比较常用的是误差反向传播神经网络,简称BP神经网络，我们就使用了BP神经网络进行油井故障的诊断。2/5/2023智能分类BP神经网络是一种基于误差反向传播算法的多层前馈型人工神经网络,具有三层或三层以上神经元，有输入层、隐含层和输出层。它的学习方式是一种有监督的学习,在输出层比较网络的实际输出和对应的期望输出的误差均方差,如果不能得到满意的误差精度,则根据误差通过梯度下降法调整各层神经元的权值,最终使误差达到最小。2/5/2023智能分类具有两个隐层的神经网络示意图2/5/2023智能分类诊断过程示意图2/5/2023目前，我公司应用于油田现场的诊断系统可以识别出以下几种故障：数据采集错误，抽油杆断脱或活塞遇卡或凡尔失灵，柱塞脱出工作筒，油井结蜡或乳化油稠，油管漏失，固定凡尔漏失，供液不足，上碰挂，下碰泵。其中，数据采集错误可以通过功图的物理属性判断出来；其他故障类型的判断以神经网络为主，同时结合功图的物理属性。2/5/2023以“供液不足”为例神经网络训练阶段训练阶段分为神经网络构建、训练数据提取和网络训练三个部分。这里把神经网络设计为包含一个隐层的BP网络，隐含层神经元的传递函数使用正切S型，输出层神经元的传递函数使用对数S型，训练函数使用trainlm，反传算法采用收敛速度较快的Levenberg-Marquadt算法。2/5/2023以“供液不足”为例神经网络训练阶段选取供液不足的典型功图，对功图数据进行预处理，主要包括功图平滑和归一化。供液不足的功图特征主要为下行程功图缺失，因此提取从上死点开始的108组载荷数据作为功图特征数据。将提取好的数据作为神经网络的输入进行训练，直到网络达到预定的识别误差。2/5/2023以“供液不足”为例实时诊断阶段诊断系统运行时，将实时功图数据进行预处理、特征提取，然后将处理好的数据输入到神经网络，神经网络识别后将诊断结果输出，诊断完成。其它几种故障类型的神经网络诊断模型类似上述过程，只是在特征值提取阶段有所不同。2/5/2023新进展在诊断过程中，由于某些故障类型的功图数据非常的少，导致神经网络训练不充分，诊断的效果不明显，因此我们引进了“支持向量机”数据分类方法。支持向量机也是一种数据分类的方法，其一个重要优点是使用简单的线性分类器划分样本空间，并且可以处理线性不可分的情况，对小样本情况下的分类效果尤为显著。2/5/2023支持向量机1、支持向量机简介以最简单的线性可分的两类样本为例,假设对于数据集D={(xi,yi)}i=1~n,其中每个数据点对应的类别标识∈{+1,-1},在能够正确分类的所有线性分类器中,希望找到能够使泛化误差最小的分类器。直观的看,如果将分类间隔(margin)定义为两类中距分类面最近的数据点到分类面的距离之和,那么,能够使分类间隔最大的分类器显然是最佳的选择,如图1所示。图1a的分类面分类间隔较小,图1b中的分类面分类间隔比较大,显然图1b所示的分类器拥有更好的泛化