沈陽(yáng)自動(dòng)化所提出油井工況識別深度學(xué)習方法
基于四維時(shí)頻特征矩陣的油井工況識別深度學(xué)習方法
油井工況的實(shí)時(shí)精準診斷對于快速掌握油田作業(yè)情況、提高生產(chǎn)效率、保障生產(chǎn)安全具有重要意義，然而由于油井自身結構的復雜性和生產(chǎn)環(huán)境的多變性，油井工況時(shí)刻發(fā)生變化。利用深度學(xué)習對油井功圖進(jìn)行分類(lèi)是一種有效的油井工況識別方法，但直接將油井功圖作為二維圖像輸入到深度學(xué)習框架中，會(huì )存在模型參數多、計算量大的問(wèn)題。此外，抽油系統因不同因素產(chǎn)生的功圖也不盡相同，導致油田現場(chǎng)數據存在嚴重異質(zhì)性，極大地影響工況識別的準確性。
針對上述問(wèn)題，中國科學(xué)院沈陽(yáng)自動(dòng)化研究所科研團隊提出了一種基于四維時(shí)頻特征矩陣的油井工況識別深度學(xué)習方法，實(shí)現了在供液不足、閥漏失、氣體影響等多種工況下的實(shí)時(shí)精準識別。該研究成果以Working condition recognition of sucker rod pumping system based on 4-segment time-frequency signature matrix and deep learning為題，發(fā)表在中國科學(xué)院1區TOP期刊《石油科學(xué)》（Petroleum Science）。
科研團隊建立了油井功圖四維時(shí)頻特征矩陣，可實(shí)現多個(gè)功圖數據的特征融合；針對模型參數多、計算量大、識別精度低問(wèn)題，設計了一種輕量化的深度卷積神經(jīng)網(wǎng)絡(luò )，可實(shí)現功圖特征矩陣到油井工況的智能映射。
科研人員利用油田現場(chǎng)實(shí)測功圖數據，對算法有效性進(jìn)行了驗證。實(shí)驗結果表明，提出的油井工況識別方法可將工況識別精度提高到98%以上，助力提升油井生產(chǎn)運行的穩定性和安全性。
該研究得到了國家自然科學(xué)基金項目，機器人學(xué)國家重點(diǎn)實(shí)驗室和遼寧遼河實(shí)驗室項目等的支持。（工業(yè)控制網(wǎng)絡(luò )與系統研究室）
附件下載：
