Sitemap: http://www.commonheathens.com/sitemap.xml

沈陽(yáng)自動(dòng)化所提出油井工況識別深度學(xué)習方法

發(fā)布時(shí)間:2024-06-18

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1TOP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: