基于大數(shù)據(jù)挖掘技術(shù)不停機間抽工作制度優(yōu)化
——以大慶油田為例

高 翔，王云峰，劉海波

（1.中國石油大慶油田有限責(zé)任公司采油工程研究院，黑龍江大慶 163453；2.中國石油大慶油田有限責(zé)任公司第九采油廠工程技術(shù)大隊，黑龍江大慶 163511）

隨著大慶油田開發(fā)進入中后期，低產(chǎn)液、低泵 效、低流壓井逐年上升，這部分井存在著系統(tǒng)效率 低、能耗大、設(shè)備磨損嚴(yán)重等問題[1-3]。為提高低效井的系統(tǒng)效率，達到節(jié)能降耗的目的，通常采用間抽采油技術(shù)[4-5]。但在實際生產(chǎn)過程中，采用常規(guī)間抽技術(shù)往往因為停井時間長導(dǎo)致卡泵故障、井底流壓上升，從而影響油井產(chǎn)量。相關(guān)研究表明，常規(guī)間抽技術(shù)平均影響油井產(chǎn)量0.1 m3/d，部分井潛力未得到充分發(fā)揮[6]。在綜合考慮常規(guī)間抽技術(shù)缺點的基礎(chǔ)上，相關(guān)工程技術(shù)人員提出一種抽油機不停機間抽技術(shù)。目前，大慶油田累計應(yīng)用不停機間抽技術(shù)千余口井，與常規(guī)間抽技術(shù)相比，噸液百米耗電降低明顯，系統(tǒng)效率顯著提高，應(yīng)用前景廣闊[7]。

不停機間抽技術(shù)應(yīng)用過程中，工作制度的確定是最關(guān)鍵的部分[8]。一般情況下，主要參考單井地質(zhì)特征和供液能力，以油井產(chǎn)能為最大目標(biāo)，結(jié)合IPR（流入動態(tài)生產(chǎn)曲線）確定合理流壓，通過持續(xù)觀察動液面變化，最終確定最優(yōu)的不停機間抽采油工作制度。但是該種方法需要對每口井工作制度進行多次試驗和反復(fù)驗證，實際操作性不強，生產(chǎn)單位通常依據(jù)沉沒度和產(chǎn)液情況，將運行工作制度定為若干種（表1），從而大大降低了單井個性化設(shè)計強度，也減弱了不停機間抽技術(shù)的應(yīng)用效果。

近幾年來，數(shù)字化、智能化、智慧化油田的建設(shè)將油田帶到了“大數(shù)據(jù)、人工智能”時代[9]，大數(shù)據(jù)挖掘技術(shù)作為機器學(xué)習(xí)、人工智能的基礎(chǔ)，同樣也開始應(yīng)用到油氣田勘探開發(fā)的各個領(lǐng)域[10-13]。2012年，石廣仁教授介紹了八大類數(shù)據(jù)挖掘算法，并通過34 個應(yīng)用實例對算法的應(yīng)用范圍及條件、基本原理和完整計算方法進行了適用性比較[14]；2015 年，檀朝東等人系統(tǒng)總結(jié)了大數(shù)據(jù)挖掘技術(shù)在石油工程的應(yīng)用前景[15]；2016 年，孫敬等人采用大數(shù)據(jù)挖掘技術(shù)建立的產(chǎn)能評價方程所預(yù)測的氣井產(chǎn)量與實際產(chǎn)量相比，精度可以達到90%[16]；2018 年，李大偉等人開展了油氣勘探開發(fā)常用數(shù)據(jù)挖掘算法優(yōu)選工作，認(rèn)為最優(yōu)的回歸算法是反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN），最優(yōu)的分類算法是支持向量機分類（C-SVM）[17]。本文則針對不停機間抽技術(shù)工作制度確定時出現(xiàn)的問題，通過對相關(guān)采油數(shù)據(jù)進行有效分析，明確影響工作制度確定因素的主次關(guān)系，并在對相關(guān)數(shù)據(jù)挖掘常用算法進行優(yōu)選的基礎(chǔ)上，構(gòu)建單井個性化工作制度優(yōu)化方法。

表1 生產(chǎn)單位制定不停機間抽工作制度（運行周期30 min）

1 常用數(shù)據(jù)挖掘方法與模型建立

機器學(xué)習(xí)數(shù)據(jù)挖掘常用的算法可分為分類、回歸、聚類等，其中分類和回歸是最成熟、應(yīng)用最廣泛的算法。對具體的研究問題、研究對象和數(shù)據(jù)源，不同的分類和回歸算法具有不同的適用性。常用的回歸算法包括反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、多元回歸分析（MRA）和支持向量機回歸（R-SVM）等，常用的分類算法包括決策樹（DTR）、支持向量機分類（C-SVM）、貝葉斯判別分析（BAYD）、樸素貝葉斯（NBAY）和貝葉斯逐步判別分析（BAYSD）等[17]。由于DTR 算法建立與應(yīng)用非常復(fù)雜[18]，BAYD 算法適應(yīng)性弱于BAYSD 算法，因此只針對其他幾類常用的數(shù)據(jù)挖掘的回歸和分類算法進行不停機間抽工作制度預(yù)測，并通過對比預(yù)測過程中產(chǎn)生的總平均相對誤差絕對值來確定最佳的數(shù)據(jù)挖掘算法。

研究結(jié)果對于低產(chǎn)低效井應(yīng)用不停機間抽技術(shù)確定最優(yōu)工作制度，從而達到節(jié)能最大化，具有較大的應(yīng)用價值，也可以推廣到其他數(shù)據(jù)挖掘案例，用于指導(dǎo)油氣勘探開發(fā)、采油工作方案設(shè)計等數(shù)據(jù)挖掘工作。

1.1 模型與方法建立

檢驗該算法擬合度；③回歸（分類）預(yù)測:將k 個預(yù)測樣本代入擬合方程 y = f ( x0)，得到預(yù)測值

1.2 誤差分析

為了表示預(yù)測樣本和學(xué)習(xí)樣本的預(yù)測變量y 的結(jié)果精度，通常采用相對誤差絕對值Ri、平均相對誤差絕對值和總平均相對誤差絕對值來判斷[14]。

2 數(shù)據(jù)挖掘算法優(yōu)選

2.1 學(xué)習(xí)樣本獲取

低產(chǎn)低效井產(chǎn)能的影響因素除了常規(guī)的地質(zhì)特征，還應(yīng)包括油壓、動液面以及生產(chǎn)制度等多方面的因素。通過對實際油井基礎(chǔ)數(shù)據(jù)[16]進行系統(tǒng)分析，將影響因素歸納為9 個獨立變量（地層系數(shù)、日產(chǎn)液量、孔隙度、含水率、油壓、沖程、沖次、泵徑和泵效）。

取大慶油田A 采油廠的15 個樣本數(shù)據(jù)[19-20]，其中，14 個樣本作為學(xué)習(xí)樣本，1 個樣本作為預(yù)測樣本，每個樣本都有9 個獨立變量數(shù)據(jù)[21]（表2），其中，因變量y*為工作制度運行時間。為了進一步準(zhǔn)確獲取15口樣本井不停機間抽工作制度，對樣本井進行不同不停機間抽工作制度條件下動液面恢復(fù)試驗。圖1 為A1 井不同不停機間抽工作制度條件下動液面恢復(fù)情況，從圖中可以看出，當(dāng)該井的工作制度為正常運行時間30 min，擺動運行時間30 min 時，動液面穩(wěn)定在850 m 附近，可以實現(xiàn)油井產(chǎn)能最大化，所以認(rèn)為該井不停機間抽最優(yōu)工作制度為正常運行時間30 min，擺動運行時間30 min。按照同樣方法，可以獲得其他14 個樣本的最優(yōu)工作制度（表2）。

2.2 算法優(yōu)選

2.2.1 輸入?yún)?shù)

輸入?yún)?shù)包括14 個學(xué)習(xí)樣本和1 個預(yù)測樣本的各個已知變量值 xi( i= 1,2,? ??,9)，以及14 個學(xué)習(xí)樣本的預(yù)測變量y*值。另外，根據(jù)現(xiàn)場應(yīng)用現(xiàn)狀，一般情況下，不停機間抽運行周期可分為30，60，90，120 min，所以對于回歸計算，y*值為運行時間，則擺動時間為運行周期時間減去運行時間；而對于分類計算，y*值為運行周期，表3 為不同運行周期時間對應(yīng)的運行周期類別。

2.2.2 學(xué)習(xí)過程

使用回歸、分類算法對表2 中14 個學(xué)習(xí)樣本進行學(xué)習(xí)計算，分別建立9 個獨立變量 xi( i= 1,2,? ??,9)與運行時間（回歸）或運行周期（分類）的工作制度的預(yù)測擬合方程 y = f ( x0)，然后將表2 中的14 個學(xué)習(xí)樣本和1 個預(yù)測樣本的 xi( i= 1,2,? ??,9)值分別代入預(yù)測擬合方程 y = f ( x0)，從而得到每個學(xué)習(xí)樣本的運行時間T（圖2）和運行周期分類（圖3），并計算每種算法所得結(jié)果的誤差（表4、表5）。

表2 不停機間抽工作制度分析預(yù)測基本數(shù)據(jù)

圖1 A1 井不同不停機間抽工作制度條件下動液面恢復(fù)

表3 不停機間抽工作制度運行周期分類

2.2.3 回歸結(jié)果分析

由圖2 可知，BPNN、R-SVM 和MRA 三種回歸算法最終預(yù)測的運行時間，只有BPNN 算法預(yù)測的結(jié)果與實際運行時間擬合度較高；從表4 也可以看出，用R-SVM 和MRA 算法所得的結(jié)果精度較低，而BPNN 得到的結(jié)果精度則較高。雖然不停機間抽工作制度優(yōu)化過程非線性關(guān)系很強，但BPNN算法較適用。另外，MRA 算法的= 53.27%，所以預(yù)測得到的y 值與相關(guān)的9 個獨立變量之間具有較強的非線性關(guān)系，MRA 算法計算出的各獨立變量的相關(guān)性由大到小排序為:xi( i=5,7,6,9,8,2,1,3,4)。由于用R-SVM 和BPNN 算法所得回歸方程為非線性方程，所以不能計算出預(yù)測運行時間T 與各獨立變量的相關(guān)性。

2.2.4 分類結(jié)果分析

圖3 為C-SVM、BAYSD 和NBAY 三種分類算法的最終預(yù)測運行周期分類，從圖中可以看出，CSVM 算法結(jié)果擬合度達到100%，從表5 也可以看出，C-SVM 算法所得結(jié)果的精度非常高，Ri、和均為0，BAYSD 和NBAY 兩種算法的預(yù)測精度都很低。

圖2 不停機間抽運行時間預(yù)測結(jié)果

圖3 不停機間抽運行周期分類結(jié)果

表4 三種回歸算法計算不停機間抽運行時間結(jié)果誤差 %

表5 三種分類算法計算不停機間抽運行時間結(jié)果誤差 %

綜合數(shù)據(jù)挖掘的回歸和分類算法，優(yōu)選得到C-SVM—BPNN 算法。

3 C-SVM—BPNN 應(yīng)用實例分析

通過C-SVM—BPNN 算法對A 采油廠所應(yīng)用的不停機間抽技術(shù)進行工作制度優(yōu)化，由表6 可知，在產(chǎn)液量變化不大的情況下，優(yōu)化后泵效提高2%～8%，系統(tǒng)效率提高3%～5%。

4 結(jié)論

（1）常用數(shù)據(jù)挖掘算法用于優(yōu)化不停機間抽工作制度，最優(yōu)的回歸算法是BPNN，其次是MRA 和R-SVM；最優(yōu)的分類算法是C-SVM，其次為NBAY和BAYSD。機器學(xué)習(xí)數(shù)據(jù)挖掘應(yīng)用研究過程中，對于具體的研究對象、研究問題和數(shù)據(jù)源，不同的回歸和分類算法具有不同的適用性，所以針對不同問題要進行算法的優(yōu)化選擇。

（2）利用C-SVM—BPNN 算法對不停機間抽工作制度進行優(yōu)化的實例表明，優(yōu)化后的不停機間抽井系統(tǒng)效率和泵效均有明顯的提升，說明CSVM—BPNN 算法具有較好的應(yīng)用效果。

表6 部分井不停機間抽工作制度優(yōu)化前后運行情況對比