基于深度學(xué)習(xí)的油井功圖智能識(shí)別.pdf

1、對(duì)油井工況進(jìn)行實(shí)時(shí)監(jiān)控能夠及時(shí)發(fā)現(xiàn)抽油機(jī)故障和避免無(wú)效生產(chǎn)，這對(duì)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(jī)的油泵部分通常在地下上千米的深處，直接對(duì)其進(jìn)行檢測(cè)難度較大。在抽油機(jī)懸點(diǎn)處測(cè)量油井功圖，通過(guò)識(shí)別油井功圖來(lái)判斷抽油機(jī)的工作狀況是目前進(jìn)行油井工況診斷的主要方法。傳統(tǒng)作業(yè)中通過(guò)人工識(shí)別油井功圖來(lái)分析油井的工況，這種方法效率低、人為因素影響大、不能實(shí)現(xiàn)油井工況的實(shí)時(shí)自動(dòng)診斷。由于油井功圖受抽油機(jī)工作環(huán)境因素影響較大，使用傳統(tǒng)機(jī)器學(xué)

2、習(xí)模型對(duì)其進(jìn)行識(shí)別時(shí)，識(shí)別準(zhǔn)確率往往較低。針對(duì)以上問(wèn)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(shí)別方法，主要研究?jī)?nèi)容及研究成果如下：
　　分析了有桿式抽油機(jī)的工作原理及油井功圖的產(chǎn)生機(jī)理，并對(duì)常見(jiàn)的油井工況類別及其所對(duì)應(yīng)的油井功圖形狀進(jìn)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(duì)三種深度學(xué)習(xí)模型的結(jié)構(gòu)和原理進(jìn)行了詳細(xì)介紹。對(duì)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(jìn)行了深入的研究。
　　

3、對(duì)收集的油井功圖樣本進(jìn)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(shí)別模型。分別對(duì)基于DBN和CNN的油井功圖識(shí)別模型進(jìn)行實(shí)驗(yàn)和驗(yàn)證，將樣本功圖數(shù)據(jù)分為訓(xùn)練樣本和測(cè)試樣本，用訓(xùn)練樣本對(duì)功圖識(shí)別模型進(jìn)行訓(xùn)練，再用測(cè)試樣本對(duì)訓(xùn)練后的模型進(jìn)行檢驗(yàn)。分別在DBN和CNN的基礎(chǔ)上使用SVM作為分類器進(jìn)行實(shí)驗(yàn)。將所提出的幾種基于深度學(xué)習(xí)的油井功圖識(shí)別方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比和分析。最后將本文所提出的深度學(xué)習(xí)方法