深度神經網絡在電潛泵井穩定生產中的應用

李 權，孫 強，高智梁，張耘赫，周 日

1.中海石油（中國）有限公司秦皇島32-6 作業公司 天津 300459；2.中海石油（中國）有限公司天津分公司 天津 300459

0 引 言

電潛泵具有排量大、體積小、壽命長等優點，在油田應用廣泛。電潛泵的運轉時長對油田經濟效益影響較大，提前預測及處理故障、保障正常生產需求迫切。目前電潛泵故障診斷主要有：①經驗法，將現場實際生產的電流卡片與典型故障的電流卡片進行曲線對比［1］，依據泵工況數據判斷故障［2-3］；②理論分析方法，建立BP神經網絡，提取電流卡片特征判別故障類型［4-5］，利用模糊數學和小波分析等數學模型對故障類型進行預測［6］。本文綜合實時電機、生產和泵工況數據，利用深度神經網絡技術，得到模型監控預警電潛泵井異常運行狀態。

1 生產狀態數據用于油井故障診斷

1.1 生產狀態數據

在電潛泵采油生產過程中，現場采集大量的實時生產狀態數據，即電機、生產和泵工況數據。

電機數據為電壓、電流、電機轉速、功率和扭矩。生產數據為油嘴開度、氣嘴開度、油壓、套壓和回壓。泵工況為泵入口壓力、泵出口壓力、電機振動、泄漏電流、電機溫度和流體溫度。這些實時數據為電潛泵井故障分析和診斷提供了依據［7］。

1.2 油井故障診斷

在渤海某油田開發過程中，油井經常出現的不穩定狀態或故障主要包括氣鎖、乳化、油嘴堵塞和出砂等。

1.2.1 氣鎖

電潛泵在穩定生產時，各項生產狀態數據基本保持穩定。泵腔進氣后，泵實際排量變小（圖1），泵入口壓力上升，電機做功變小，泵電流、功率和扭矩變小，舉升能力變弱，出口壓力和油壓降低。

圖1 氣鎖Fig.1 Gas blocking

1.2.2 乳化

井底流體乳化時，電機做功增加，電流、電機功率和扭矩明顯增加（圖2），電機溫度升高，泵出口壓力增加，可能同時出現泵吸入口壓力和油壓升高現象［8］。

圖2 乳化Fig.2 Emulsification

1.2.3 油嘴堵塞

油嘴堵塞時，截流作用凸顯，近似于離心泵憋壓，油壓顯著升高（圖3），泵出口壓力和吸入口壓力升高，電機溫度升高。

圖3 油嘴堵塞Fig.3 Oil nozzle blockage

1.2.4 出砂

油田開發過程中，部分出砂井由于瞬間大量出砂而停井；部分出砂井表現為間歇性出砂，出砂量小，油井可以繼續生產。油井出砂明顯時，泵入口壓力上升，電機做功增加，電流、扭矩、泵溫升高，泵出口壓力增大（圖4）。

2 深度神經網絡模型簡介

深度神經網絡模型相對于BP神經網絡模型而言，通常具有3 個以上隱藏層。通過給定合適的權重初始值及調整隱藏層各層的激活值分布，加大模型收斂速度，避免陷入局部最小值。

本文構建的深度神經網絡模型包含以下3 層［8-9］（圖5）：①輸入層，神經元數量取決于輸入特征值個數；②隱藏層，第1 至n-1 層的每一層都由Affine層、正規化層、激活函數層和Dropout 層構成，第n層只有Affine 層；③輸出層，由Softmax 層和最終輸出層構成。

圖5 深度神經網絡模型Fig.5 Deep neural networks model

深度神經網絡模型刻畫了以輸入參數作為自變量、權重參數（Wij，bi）作為函數系數、輸出參數作為因變量的計算模型，該計算過程由輸入層、隱藏層（第1 層，第2 層，…，第n層）和輸出層依次傳遞計算結果，即為正向傳播。以正確解標簽和輸出層之間的誤差程度為損失函數（交叉熵誤差函數形式），計算損失函數關于各個權重參數的梯度，該計算不是數值微分方法，而是采用解析性求解數學式方法（依次對損失函數和權重參數求導，計算過程由輸出層到隱藏層，即為誤差反向傳播），沿梯度方向更新權重參數（本模型采用Adam方法［10］）。

3 訓練深度神經網絡診斷模型

3.1 數據選取和歸一化

為了監測電潛泵運行狀態，選取實時運行狀態數據［11］，即泵工況、電機和生產數據。對輸入數據進行歸一化處理，使其值介于0～1 之間（表1），并作為輸入層參數。

表1 輸入參數歸一化Tab.1 Naturalization of input parameters

3.2 訓練深度神經網絡診斷模型

3.2.1 構建深度神經網絡診斷模型

油田現場生產過程中，油井的生產狀態數據反映了電潛泵的運行狀態（表2 中輸入參數變化是相對于正常狀態）。電潛泵運行過程中，實時生產狀態數據的不同組合代表了泵的不同運行狀態，即實時生產狀態數據與泵運行狀態存在映射關系。實時生產狀態數據共有11 個，故輸入層由11 個神經元接收輸入參數；隱藏層依據模型最優確定為5 層，每層100 個神經元；輸出層為2 層，即正常和故障2 種類型，輸出層為概率分布，越接近1，則越代表為該類型。

表2 不同故障類型的生產狀態數據變化特征Tab.2 Characteristics of production status data changes for different types of faults

3.2.2 訓練深度神經網絡診斷模型

收集電潛泵井實時生產狀態數據，分為訓練樣本和測試樣本。訓練樣本和測試樣本包括實時生產狀態數據和電潛泵運行狀態標簽，這兩部分一一對應，實時綜合數據作為輸入層數據，電潛泵的運行狀態作為輸出層的正確解標簽。

訓練深度神經網絡模型時，將訓練樣本和測試樣本隨機劃分為具有相同數量的若干個單元，每個訓練樣本集單元采用正向傳播方法經由隱藏層的神經元進行權重參數計算，經過Softmax層概率處理，與正確解概率對比計算損失函數（交叉誤差熵），再對權重參數進行梯度計算（誤差反向傳播），最后使用Adam方法最優化權重參數。通過上述過程不斷迭代更新權重參數，最終達到損失函數最小的目的，即輸出層的結果最接近正確解（圖6）。至此，模型訓練結束，保存最后得到的隱藏層的每個神經元權重參數。

圖6 深度神經網絡模型訓練精度Fig.6 Train accuracy of deep neural networks model

4 預測應用實例

B34井為渤海某油田的一口生產井，地層原油黏度大，經常發生油嘴堵塞現象，嚴重影響了油井產量，需要通過經常活動油嘴來解除堵塞。收集該井2019 年3 月2 日至3 月8 日的實時電機、生產和泵工況數據（每分鐘記錄一次），標記運行狀態，組成數據集。隨機選取2 000 個數據點作為測試數據，剩下8 000 個數據點作為訓練數據，利用Python語言進行編程訓練，得到深度神經網絡模型，模型精確度為99.99%［12］。選取該井2018 年12 月11 日至2019 年6 月9 日的生產運行數據，標記每個記錄點的運行狀態，共計12 888 個數據點及對應標簽。利用訓練得到的深度神經網絡模型對這些數據點進行狀態預測，和標記的狀態做比較（圖7），其累計準確率為91.68%。將按照時間順序對此統計累計準確率和時間逆序累計準確率（圖8），中間段預測準確性比較高，兩端準確性比較低。分析原因為與選取的數據有關，學習數據和預測數據越接近，模型預測準確率越高。使用同樣的方法對其他容易氣鎖、乳化和出砂的3 口電潛泵井進行了深度神經網絡學習，預測準確率均高于90%。

圖7 深度神經網絡預測與真實運行狀態對比Fig.7 Comparison between deep neural network prediction and real operating state

圖8 深度神經網絡模型預測累計準確率（時間順序向前和時間逆序向后）Fig.8 Cumulative accuracy of deep neural network model prediction （forward and backward in chronological order）

5 結 論

①通過分析電潛泵井由電機數據、泵工況數據和生產數據組成的實時生產狀態數據，判斷電潛泵的運行狀態，如正常生產、氣鎖、油嘴堵塞、乳化和出砂等。

②深度神經網絡技術可以對電潛泵井生產狀態數據進行學習，并判斷其生產運行狀態，對實時生產狀態進行預測，對歷史生產數據進行判斷，從而積累生產狀態數據庫，不斷提高模型預測的準確性。

③學習數據與預測數據間的時間距離相關，兩者越接近，模型預測準確性越高。■