基于BP神經網絡的檢泵周期預測模型

周浩

摘 要：檢泵周期是衡量油田工藝開發和管理水平的重要指標，隨著某區注聚的全面見效，產聚濃度的逐漸增大，抽油桿斷脫、卡泵、泵的漏失主要發生在某采油區。近年來，某采油廠的平均檢泵周期為680天，而注聚區2014年平均檢泵周期為345天，2015年為235天，2016年為324天，2017年為368天，明顯短于全廠的平均水平。本文通過現場的數據分析，以井底方位角、井底位移、含水率、見聚濃度、泵徑、沖程、沖次七個因素為輸入層，檢泵周期為輸出層建立BP神經網絡，來預測檢泵周期，預測效果較好。此外，通過正交試驗分析了4個影響因素對檢泵周期的敏感性，其敏感性排序為井底方位角>含水率>見聚濃度>井底位移。

關鍵詞：檢泵周期;影響因素;BP神經網絡;正交試驗分析

DOI：10.16640/j.cnki.37-1222/t.2019.18.062

近年來，隨著三次采油重大試驗的開發，注聚井越來越多，注聚面積越來越大，檢泵周期明顯短于注水開發區塊。延長檢泵周期不僅有利于減少油田維護成本，更有利于減少對產量的影響。所以，有必要對抽油井的檢泵周期進行研究。本文擬通過利用BP神經網絡，對檢泵周期進行預測，并對影響因素進行敏感性分析。

1 檢泵周期的主要影響因素

2011年，肖小紅通過對井斜、工作載荷、工作參數、高含水引起的桿管偏磨，得到了井斜、工作參數、高含水使得桿管與油管頻繁摩擦，檢泵周期縮短得到結論。2006年，郭曉忠的研究表明抽油桿與油管之間的摩擦系數隨著原油含水量增加而增加，磨損率也隨之增加。2010年，趙修太等通過對孤島采油廠抽油井管桿腐蝕情況的分析，認為聚合物驅采出液礦化度高、水溫高、細菌含量高是造成桿柱腐蝕的主要原因。丁建國經過研究發現，抽油機井的檢泵周期與抽油機井的抽汲參數有直接關系，隨著抽汲參數和泵徑的增大，管柱承受載荷增大，造成檢泵率的升高。2000年，趙子剛等發現采出液含聚合物溶液的粘彈性以及聚合物的參與改變了采出液的成分，并導致采出液系統受力狀態發生變化，造成抽油桿柱與油管柱發生偏磨。綜上所述，影響檢泵周期的因素主要有井斜、含水率、見聚濃度以及生產參數。

2 BP神經網絡預測檢泵周期

2.1 數據選取和處理

在本文中選取影響檢泵周期的7個主要影響因素：井底方位角、井底位移、含水率、見聚濃度、泵徑、沖程、沖次。其中井底方位角和井底位移代表井斜的影響，泵徑、沖程、沖次代表生產參數的影響。數據來源于2014-2018年某區塊檢泵紀錄。

原始數據由于各項指標的數量級差別較大且量綱不同，所以采用matlab的歸一化函數premnmx，把數據變換到[-1，1]的范圍之間。假設原始數據的輸入樣本為i，輸出樣本為o，用premnmx函數分別求出輸入輸出樣本的最大值maxi和maxo，最小值mini和mino，利用如下公式求出歸一化處理后的輸入樣本Pn和輸出樣本Tn：

在BP網絡訓練結束后，對于得到的歸一化數據，需要postmnmx函數對其反歸一化處理，還原成正常值。

2.2 BP神經網絡的構建

根據選取的影響因素和輸出結果，輸入、輸出層的神經元個數分別設置為7和1。為了不讓網絡訓練速度過慢，選取簡單的單隱含層結構。通過文獻調研，通過經驗公式來確定節點數：

式中：l為隱含層節點數，m、n分別為輸入節點數和輸出節點數，a為1～10間的參數。經過多次試驗，當隱含層節點數為7時，平均誤差最小。

2.3 神經網絡的訓練

BP神經網絡的傳遞函數有多種。log型函數的輸入值可取任意值，輸出值在0和1之間;tan型函數的輸入值可取任意值，輸出值在-1到+1之間;線性傳遞函數在purelin的輸入與輸出值可取任意值。BP神經網絡通常有一個或者多個隱含層，該層中的神經元均采用sigmoid型傳遞函數，輸出層的神經元均采用線傳遞函數，整個網絡的輸出值可以取任意值。

選取歸一化處理后的數據作為樣本，將2014～2018年的數據作為訓練樣本，選取單井T894和T872為測試樣本。本文確定動量因子mc=0.8，最大訓練步數1000次，誤差設定值0.001，建立了預測模型。

2.4 預測結果分析

以2014-2018年某區的檢泵記錄為數據來源，訓練網絡，并選取T894井和T872井為例，進行檢泵周期的預測。預測結果的相對誤差最小為0.8%，最大預誤差為52.05%，預測誤差百分比分布在8.48～24.70%。其中，最大誤差分布的點在檢泵周期為73天時，從檢泵周期的分布可以看出，檢泵周期為30-80天的檢泵周期分布較少，使得BP神經網絡未能充分訓練，導致訓練誤差較大。

3 檢泵周期敏感性因素分析

為了探究井斜、含水率、聚合物濃度、沖程、沖次、泵徑對檢泵周期的影響，引入了正交試驗，設計正交試驗表，利用極差分析和方差分析確定上述因素對檢泵周期的影響大小。

本文中以某區塊的地質和流體參數為例，因為本區塊的生產參數，即沖程、沖次、泵徑基本相同，沖程1.8m，沖次為3，泵徑為57mm，所以不將其列為影響因素。將方位角、井底位移、含水率、見聚濃度四項因素列為影響因素。取四個因素的三個水平值，計算出9種實驗方案，并用BP神經網絡預測出9種試驗情況下的檢泵周期。

3.1 正交試驗的極差分析與方差分析

通過極差分析，得到了關于影響檢泵周期的因素的主次關系，即方位角>含水率>見聚濃度>井底位移。但是，直觀分析的結果只能說明影響檢泵周期的主次關系，并不能說明方位角、井底位移、含水率與見聚濃度對檢泵周期的影響大小，所以，必須求取上述因素的計算偏差，進行顯著性排序。

通過方差分析，得到四個因素的顯著性排序為方位角>含水率>見聚濃度>井底位移。這與方差分析的結果一致，所以，檢泵周期受方位角影響最大，受含水率和見聚濃度影響次之，受井底位移影響最弱。

4 結論

（1）利用BP神經網絡，選取井底方位角、井底位移、含水率、見聚濃度、生產參數為輸入層，檢泵周期為輸出層，發現預測效果較好。

（2）通過對影響檢泵周期的四個因素進行分析發現，影響因素的顯著性排序為方位角>含水率>見聚濃度>井底位移，即方位角對檢泵周期影響最大，井底位移影響最小。