基于卷積神經(jīng)網(wǎng)絡(luò)的油井供液程度定量分析方法及應(yīng)用

智勤功

中國(guó)石油化工股份有限公司勝利油田分公司石油工程技術(shù)研究院

目前，我國(guó)大部分油田都處在開發(fā)的中后期，油井供液不足現(xiàn)象越來越嚴(yán)重[1]。對(duì)于供液不足油井而言，充滿程度不足通常會(huì)引起空抽和液擊工況。這樣不僅對(duì)抽油設(shè)備造成損耗，而且會(huì)消耗很多的電能，顯著提高了油田的開發(fā)成本。

針對(duì)供液不足油井的變化情況，目前采用的方法有：①利用動(dòng)液面監(jiān)測(cè)判別油井供液不足的程度[2-3]，但傳統(tǒng)的動(dòng)液面監(jiān)測(cè)無法做到實(shí)時(shí)監(jiān)測(cè)，由于井下環(huán)境復(fù)雜，監(jiān)測(cè)誤差也較大。②根據(jù)示功圖判斷油井供液不足的程度，但該方法缺乏有效的識(shí)別方法，無法進(jìn)行自動(dòng)化分析，主要依靠工作人員經(jīng)驗(yàn)來判斷油井供液不足的程度，缺乏穩(wěn)定性和權(quán)威性。以往的特征提取比較依賴先驗(yàn)知識(shí)，隨著深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以學(xué)習(xí)性地提取由訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)的特征描述，使其更加有變通性和通用性。CNN被看作達(dá)成深度學(xué)習(xí)的關(guān)鍵手段，但早期的CNN 由于缺乏大數(shù)據(jù)支持且硬件性能不佳，無法處理復(fù)雜的問題。隨著大規(guī)模ImageDatabase 的孕育和硬件條件的發(fā)展，CNN 已成為研究的熱點(diǎn)并得到迅速發(fā)展。近年來，主要的CNN結(jié)構(gòu)有AlexNet[4]、LeNet-5[5]和VGGNet[6]等。在實(shí)際運(yùn)用中，隨著油田生產(chǎn)信息化的全面推進(jìn)，目前已實(shí)現(xiàn)油井生產(chǎn)數(shù)據(jù)的采集監(jiān)控，數(shù)據(jù)的實(shí)時(shí)傳輸上傳，視頻監(jiān)控的全面覆蓋，大數(shù)據(jù)資源已初步形成[7-8]。CNN 已在圖像分類[9-10]、目標(biāo)檢測(cè)、目標(biāo)跟蹤、文本識(shí)別這些領(lǐng)域獲得了極大的成就。

因此，基于油田大數(shù)據(jù)資源的完備和CNN 良好的特征提取性能，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的油井供液不足程度量化分析方法，同時(shí)使用Softmax 分類器構(gòu)建識(shí)別模型，很好地解決了傳統(tǒng)分析方法的不足。經(jīng)現(xiàn)場(chǎng)應(yīng)用，此方法能夠滿足油田實(shí)際應(yīng)用需求。

1 卷積神經(jīng)網(wǎng)絡(luò)

隨著深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已在石油工程領(lǐng)域展示出其突出的優(yōu)勢(shì)[11-12]。針對(duì)油井供液不足程度識(shí)別的問題，本文選用卷積神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型。

1.1 卷積神經(jīng)網(wǎng)絡(luò)及基本原理

卷積神經(jīng)網(wǎng)絡(luò)識(shí)別圖像的基本原理是[13-14]：首先輸入待識(shí)別的圖像，采用卷積操作對(duì)待識(shí)別圖像進(jìn)行特征提取；然后采用Max-pooling 方法對(duì)圖像降維，接著經(jīng)過多個(gè)卷積層與池化層，充分提取待識(shí)別圖像特征；最后在全連接層中將提取到的所有特征參數(shù)合并，完成對(duì)待識(shí)別圖像的辨別與分類。卷積操作是對(duì)待識(shí)別的示功圖圖像X進(jìn)行計(jì)算并獲取其特征參數(shù)，用Hi表示卷積神經(jīng)網(wǎng)絡(luò)第i層的特征參數(shù)（H0=X），即

式中：Wi為網(wǎng)絡(luò)模型第i層卷積核的權(quán)值向量；bi為網(wǎng)絡(luò)模型第i層卷積核的偏移向量；f(x)為激活函數(shù)。

將提取到的特征參數(shù)經(jīng)過池化窗口(n×n)操作之后，原尺寸收縮為先前的(1/n)×(1/n)。

1998年，YANN LECUN提出了LeNet-5網(wǎng)絡(luò)模型，網(wǎng)絡(luò)結(jié)構(gòu)為：第一、二層為卷積層，卷積層后各自連接池化層；第三層也是卷積層，后連接兩個(gè)全連接層。作為第一代經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，在油井供液不足示功圖程度識(shí)別研究中，其網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)和卷積核尺寸等方面存在可以繼續(xù)提升的空間。

AlexNet 由KRIZHEVSKY 等人創(chuàng)建，它贏得了2012年的ImageNet競(jìng)賽。該模型由8層組成，其優(yōu)勢(shì)在圖像分類上表現(xiàn)卓越。

2014 年，牛津大學(xué)計(jì)算機(jī)視覺組的研究員一起研發(fā)出新的CNN 模型（VGGNet），同時(shí)贏得了ILSVRC 2014比賽分類項(xiàng)目的亞軍和定位項(xiàng)目的冠軍。VGGNet的模型結(jié)構(gòu)[11]如圖1所示。

圖1 VGGNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 VGGNet neural network structure

VGGNet 模型分為6 種不同的網(wǎng)絡(luò)架構(gòu)，每個(gè)結(jié)構(gòu)有5個(gè)卷積組，每個(gè)卷積組使用一個(gè)3×3的卷積核，后面跟著一個(gè)2×2 最大的池化層，接著是三個(gè)全連接層，最終結(jié)合Softmax 分類器構(gòu)建網(wǎng)絡(luò)模型。

VGGNet 網(wǎng)絡(luò)模型與LeNet-5 網(wǎng)絡(luò)模型對(duì)比：首先在VGGNet 模型中采用了局部響應(yīng)歸一化機(jī)制，局部響應(yīng)歸一化機(jī)制可以在模型中對(duì)局部神經(jīng)元?jiǎng)?chuàng)建權(quán)重參數(shù)，使得網(wǎng)絡(luò)模型在對(duì)圖像識(shí)別的過程中，更加具有針對(duì)性和目的性；然后卷積層中采用RELU激活函數(shù)取代了Tanh和Sigmoid[15-16]，使識(shí)別準(zhǔn)確率大大提升；接著池化層中采用Max-pooling方法代替了Avg-pooling 方法，從而避免了在特征提取的過程中出現(xiàn)圖像模糊的情況；最后在全連接層中增加了dropout 層，有效防止了過擬合現(xiàn)象的產(chǎn)生。

VGGNet 網(wǎng)絡(luò)模型與AlexNet 網(wǎng)絡(luò)模型對(duì)比：VGGNet模型是對(duì)AlexNet模型的進(jìn)一步優(yōu)化，網(wǎng)絡(luò)層數(shù)更深；VGGNet 使用的卷積核為3×3，而非AlexNet的11×11或5×5，準(zhǔn)確率更高。

但其相對(duì)龐大的網(wǎng)絡(luò)結(jié)構(gòu)在圖像識(shí)別的過程中花費(fèi)了大量時(shí)間。

1.2 改良的VGGNet網(wǎng)絡(luò)模型

針對(duì)診斷油井供液不足程度的問題，選用了改良后的VGGNet 結(jié)構(gòu)，它不僅可以滿足識(shí)別準(zhǔn)確率的要求，還可以減少識(shí)別時(shí)間。改良后的VGGNet結(jié)構(gòu)主要有以下優(yōu)點(diǎn)：

（1）改良后的VGGNet 模型輸出層由1 000 個(gè)神經(jīng)元變?yōu)?0個(gè)神經(jīng)元輸出。

（2）改良后的VGGNet 網(wǎng)絡(luò)模型由4 層卷積、4 層池化和3 層全連接構(gòu)成，減少了訓(xùn)練時(shí)間，提高了收斂速度。

輸入的目標(biāo)圖像大小為100×200，改良后的VGGNet網(wǎng)絡(luò)參數(shù)如表1所示。

表1 改良后的VGGNet網(wǎng)絡(luò)參數(shù)Tab.1 Prameters of improved VGGNet network

2 油井供液不足程度示功圖識(shí)別

2.1 示功圖程度識(shí)別方法流程

基于CNN 的油井供液不足程度示功圖的識(shí)別方法（圖2）如下：將訓(xùn)練樣本集放入CNN網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練；將待識(shí)別的驗(yàn)證樣本集放入已訓(xùn)練好的CNN模型中進(jìn)行驗(yàn)證。

圖2 基于CNN的油井供液不足程度示功圖識(shí)別方法流程Fig.2 Identification method flow of indicator diagram of liquid supply deficiency degree based on CNN

2.2 示功圖圖像預(yù)處理

基于CNN 的油井供液不足程度示功圖識(shí)別原理為：以識(shí)別圖像像素點(diǎn)代替識(shí)別圖像，完成圖像的分割。對(duì)于分割后的圖像先以部分圖像為單位提取特征值，再將局部小特征進(jìn)行匯總，最終完成整個(gè)圖像識(shí)別過程。因此，在圖像中出現(xiàn)的所有多余信息都將影響卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，考慮到繪制出的示功圖還包含橫坐標(biāo)（位移）、縱坐標(biāo)（載荷）以及坐標(biāo)線等冗余信息，需要先對(duì)示功圖進(jìn)行預(yù)處理[17-18]。預(yù)處理的質(zhì)量決定了樣本集的水平，以及網(wǎng)絡(luò)的訓(xùn)練效果，具體步驟如下：

（1）實(shí)驗(yàn)數(shù)據(jù)。本實(shí)驗(yàn)采集了某油田現(xiàn)場(chǎng)n余口井的有桿泵懸點(diǎn)載荷、位移等數(shù)據(jù)，通過對(duì)數(shù)據(jù)質(zhì)量的篩選和清洗，繪制成統(tǒng)一的標(biāo)準(zhǔn)化示功圖圖像：圖像的大小為100×200 像素，DPI 為50 像素/英寸，曲線線寬為2.5 mm；接著對(duì)示功圖進(jìn)行分類和篩選，從而建立油井供液不足示功圖樣本集（圖3）。

圖3 實(shí)驗(yàn)中用到的油井供液不足示功圖Fig.3 Indicator diagram of insufficient liquid supply for oil wells used in the experiment

（2）像素歸一化。輸入的原始示功圖的像素位于0 到255 之間，像素的不同會(huì)干擾神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，無形中制造了誤差。因此，根據(jù)示功圖像素的最大值及最小值，本文采用了最大、最小值歸一化方法，其公式如下：

式中：xi為像素點(diǎn)值，像素的最大和最小值分別是max(x)和min(x)。

通過常規(guī)的歸一化方法處理圖像，將像素回歸至0 到1 之間，不改變圖像特征，排除了井間差異，使得所需信息更加突出，隱匿噪聲信息，節(jié)省了訓(xùn)練時(shí)間。

2.3 用于示功圖的CNN模型結(jié)構(gòu)

本文基于傳統(tǒng)的VGGNet 模型，提出了一種改良的VGGNet 模型，用于識(shí)別油井供液不足程度。首先構(gòu)建了油井供液不足程度示功圖數(shù)據(jù)集，然后將Max-pooling為采樣方法、RELU為激活函數(shù)，建立了4 層卷積層、4 層池化層和3 層全連接層的網(wǎng)絡(luò)模型，采用反向傳播算法優(yōu)化其網(wǎng)絡(luò)模型。訓(xùn)練好的網(wǎng)絡(luò)模型不僅能夠滿足油井供液不足程度識(shí)別準(zhǔn)確率要求，又能大大減少識(shí)別時(shí)間。改進(jìn)的VGGNet模型結(jié)構(gòu)如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Convolutional neural network structure

2.4 分類識(shí)別

Softmax 分類器在卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域中已取得了良好的應(yīng)用效果，并作為一種泛化能力強(qiáng)的通用學(xué)習(xí)算法廣泛應(yīng)用于多類圖像識(shí)別領(lǐng)域。本文選取Softmax 分類器對(duì)示功圖圖像進(jìn)行訓(xùn)練和驗(yàn)證，檢驗(yàn)示功圖圖像特征提取的效果。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)基于64位的Win10系統(tǒng)，CPU為Intel(R)Core(TM)i7-10750K，CPU 的主頻為2.59 GHz，內(nèi)存為16 GB。基于Keras 深度學(xué)習(xí)框架和GPU[19]，利用Anaconda 下基于Python 語言的pycharm 進(jìn)行代碼編制[20]。

3.2 實(shí)驗(yàn)步驟

步驟1：通過油田生產(chǎn)現(xiàn)場(chǎng)采集到的載荷、位移數(shù)據(jù)，繪制成示功圖。對(duì)于不符合油井供液不足示功圖的圖像進(jìn)行清洗工作，將得到的8 000 張示功圖分為10個(gè)供液不足等級(jí)。

步驟2：打亂樣本集，將樣本集按8∶2比例劃分訓(xùn)練集和驗(yàn)證集。根據(jù)油井供液不足示功圖特點(diǎn)，創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練和優(yōu)化。

步驟3：利用反向傳播算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)，獲取合適的識(shí)別準(zhǔn)確率，并保存訓(xùn)練好的模型。

步驟4：用保存好的模型對(duì)驗(yàn)證集示功圖圖像進(jìn)行識(shí)別。

步驟5：若識(shí)別錯(cuò)誤，則修正錯(cuò)誤的識(shí)別結(jié)果；將修正過的示功圖放入對(duì)應(yīng)分類樣本集，再次訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，通過強(qiáng)化學(xué)習(xí)，不斷更新卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

3.3 實(shí)驗(yàn)結(jié)果

在訓(xùn)練過程中設(shè)定批處理尺寸為200，迭代次數(shù)為200，學(xué)習(xí)率為0.000 1。訓(xùn)練集包含6 400 張圖像，驗(yàn)證集包含1 600 張圖像。訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率如圖5所示。

圖5 訓(xùn)練集和驗(yàn)證集準(zhǔn)確率Fig.5 Training set and validation set accuracy

3.4 結(jié)果分析

本次實(shí)驗(yàn)采用GPU 訓(xùn)練CNN 網(wǎng)絡(luò)模型。訓(xùn)練時(shí)間在有GPU 訓(xùn)練情況下需要8 min 左右，而無GPU訓(xùn)練情況下需要56 min。

從圖5可以看出，開始階段訓(xùn)練準(zhǔn)確率呈上升趨勢(shì)，經(jīng)過一段時(shí)間后，準(zhǔn)確率均保持在98%以上。由此可知，本次實(shí)驗(yàn)訓(xùn)練集網(wǎng)絡(luò)模型是比較成功的。接著利用驗(yàn)證集對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，驗(yàn)證集的準(zhǔn)確率基本都在98%以上，能夠滿足實(shí)際的功能需求。

3.5 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證CNN 識(shí)別油井供液不足程度示功圖的性能[21]，本文還測(cè)驗(yàn)了其他方法對(duì)示功圖圖像的識(shí)別效果，包括不同的網(wǎng)絡(luò)結(jié)構(gòu)和迭代次數(shù)訓(xùn)練下所識(shí)別的油井供液不足程度示功圖的準(zhǔn)確率。

3.5.1 迭代次數(shù)對(duì)比

本次實(shí)驗(yàn)選取迭代次數(shù)為100、200和300，每次迭代示功圖圖像200張。若迭代次數(shù)太少，將造成驗(yàn)證準(zhǔn)確率較低；若迭代次數(shù)太多，不僅不能提高正確識(shí)別率，而且將增加訓(xùn)練時(shí)間；因此，選取迭代次數(shù)為200時(shí)，可以使模型能充分學(xué)習(xí)圖像特征并收斂（表2）。

表2 不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對(duì)比Tab.2 Comparison of numbers of neural network layers of different convolutional layers

3.5.2 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比

在深度學(xué)習(xí)中，隨著網(wǎng)絡(luò)層數(shù)增加，CNN模型學(xué)習(xí)能力將更強(qiáng)，但層數(shù)過多，將會(huì)導(dǎo)致網(wǎng)絡(luò)模型出現(xiàn)過擬合現(xiàn)象；隨著網(wǎng)絡(luò)層數(shù)減少又會(huì)出現(xiàn)CNN模型欠擬合現(xiàn)象。因此，在選擇卷積層數(shù)時(shí)，本文采用一層一層增加直到識(shí)別率不會(huì)隨著層數(shù)增加而發(fā)生顯著變化的方法來確定最佳層數(shù)。第一層使用了16個(gè)尺為3×3的卷積核，池化層使用2×2的池化核；第二層使用32 個(gè)尺寸為3×3 的卷積核，池化層使用2×2 的池化核；第三層使用64 個(gè)尺寸為3×3 的卷積核，池化層使用2×2 的池化核；第四層使用64 個(gè)尺寸為3×3 的卷積核；第五層使用128個(gè)尺寸為3×3的卷積核。

不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對(duì)比結(jié)果如表3 所示。當(dāng)層數(shù)增加，準(zhǔn)確率也慢慢增加，然后保持不變或下降。為此，CNN 網(wǎng)絡(luò)結(jié)構(gòu)選擇4 層最合適，收斂耗時(shí)短，準(zhǔn)確率也更高。

表3 不同卷積層神經(jīng)網(wǎng)絡(luò)層數(shù)對(duì)比Tab.3 Comparison of numbers of neural network layers of different convolutional layers

4 現(xiàn)場(chǎng)應(yīng)用

以某管理區(qū)塊為例，該區(qū)塊具有常溫、高壓、低孔、特低滲透油藏的特點(diǎn)。對(duì)于該區(qū)塊某口油井，通過訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)采集的示功圖進(jìn)行識(shí)別分析，實(shí)現(xiàn)了此油井供液程度定量化評(píng)估。油井供液不足示功圖數(shù)據(jù)的采集頻率為每30 min 一次，本文選取6 h 跨度的示功圖圖像樣本進(jìn)行評(píng)估。

從圖6，圖7 可以看出，通過基于卷積神經(jīng)網(wǎng)絡(luò)的油井供液程度智能識(shí)別方法，可以準(zhǔn)確地反映出隨時(shí)間不斷變化的油井供液程度。結(jié)果表明，該油井供液能力較差，亟需對(duì)油井生產(chǎn)參數(shù)進(jìn)行調(diào)控。

圖6 示功圖圖像樣本Fig.6 Sample of indicator diagram image

圖7 基于示功圖的油井供液程度量化評(píng)估Fig.7 Quantitative assessment of oil well fluid supply degree based on indicator diagram

通過基于深度學(xué)習(xí)的油井供液不足程度量化分析方法監(jiān)測(cè)油井供液情況，根據(jù)油井供液情況進(jìn)行遠(yuǎn)程動(dòng)態(tài)調(diào)頻生產(chǎn)，供液能力較差時(shí)減低生產(chǎn)參數(shù)，供液能力變好后調(diào)高生產(chǎn)參數(shù)，保障油井供液的穩(wěn)定性和泵筒的高充滿系數(shù)。2020 年6—8 月，在該管理區(qū)塊3口油井上進(jìn)行了生產(chǎn)參數(shù)自適應(yīng)調(diào)控試驗(yàn)，均取得了較好的效果。

從表4可以看出，平均沖速下降0.55 min-1，日產(chǎn)液量增加1.28 m3，日產(chǎn)油量增加0.91 m3，節(jié)電58 kWh/d，節(jié)約電費(fèi)59.16元/d。

表4 生產(chǎn)參數(shù)調(diào)控試驗(yàn)前后對(duì)比Tab.4 Comparison before and after the production parameter control test

5 結(jié)論

針對(duì)油井供液不足程度分析，建立了一套示功圖樣本集，設(shè)計(jì)了包含4層卷積層、4層池化層和3層全連接層的卷積神經(jīng)網(wǎng)絡(luò)模型，準(zhǔn)確率達(dá)98.58%，訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型能夠高效準(zhǔn)確識(shí)別供液不足程度。礦場(chǎng)應(yīng)用進(jìn)一步表明，采用所建立的油井供液不足程度量化分析方法監(jiān)測(cè)油井供液情況并進(jìn)行遠(yuǎn)程動(dòng)態(tài)調(diào)頻生產(chǎn)，能夠?qū)崿F(xiàn)抽油機(jī)沖速與油井供液程度的合理匹配，有效減少了電能浪費(fèi)。