基于深度學(xué)習(xí)的油井功圖智能識別.pdf

1、對油井工況進行實時監(jiān)控能夠及時發(fā)現(xiàn)抽油機故障和避免無效生產(chǎn)，這對于降低生產(chǎn)成本和提高油田產(chǎn)能具有重要意義。抽油機的油泵部分通常在地下上千米的深處，直接對其進行檢測難度較大。在抽油機懸點處測量油井功圖，通過識別油井功圖來判斷抽油機的工作狀況是目前進行油井工況診斷的主要方法。傳統(tǒng)作業(yè)中通過人工識別油井功圖來分析油井的工況，這種方法效率低、人為因素影響大、不能實現(xiàn)油井工況的實時自動診斷。由于油井功圖受抽油機工作環(huán)境因素影響較大，使用傳統(tǒng)機器學(xué)

2、習(xí)模型對其進行識別時，識別準(zhǔn)確率往往較低。針對以上問題，本文提出了基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的油井功圖識別方法，主要研究內(nèi)容及研究成果如下：
　　分析了有桿式抽油機的工作原理及油井功圖的產(chǎn)生機理，并對常見的油井工況類別及其所對應(yīng)的油井功圖形狀進行了分析和介紹。闡述了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的產(chǎn)生背景和基本思想，分別對三種深度學(xué)習(xí)模型的結(jié)構(gòu)和原理進行了詳細介紹。對本文所使用的DBN和CNN深度學(xué)習(xí)模型的結(jié)構(gòu)原理和算法進行了深入的研究。
　　

3、對收集的油井功圖樣本進行了標(biāo)準(zhǔn)化處理，分別以DBN網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)建了基于深度學(xué)習(xí)結(jié)構(gòu)的油井功圖識別模型。分別對基于DBN和CNN的油井功圖識別模型進行實驗和驗證，將樣本功圖數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，用訓(xùn)練樣本對功圖識別模型進行訓(xùn)練，再用測試樣本對訓(xùn)練后的模型進行檢驗。分別在DBN和CNN的基礎(chǔ)上使用SVM作為分類器進行實驗。將所提出的幾種基于深度學(xué)習(xí)的油井功圖識別方法的實驗結(jié)果進行對比和分析。最后將本文所提出的深度學(xué)習(xí)方法