【儀表網(wǎng) 研發(fā)快訊】油井工況的實(shí)時精準(zhǔn)診斷對于快速掌握油田作業(yè)情況、提高生產(chǎn)效率、保障生產(chǎn)安全具有重要意義，然而由于油井自身結(jié)構(gòu)的復(fù)雜性和生產(chǎn)環(huán)境的多變性，油井工況時刻發(fā)生變化。利用深度學(xué)習(xí)對油井功圖進(jìn)行分類是一種有效的油井工況識別方法，但直接將油井功圖作為二維圖像輸入到深度學(xué)習(xí)框架中，會存在模型參數(shù)多、計(jì)算量大的問題。此外，抽油系統(tǒng)因不同因素產(chǎn)生的功圖也不盡相同，導(dǎo)致油田現(xiàn)場數(shù)據(jù)存在嚴(yán)重異質(zhì)性，極大地影響工況識別的準(zhǔn)確性。
 

　　針對上述問題，中國科學(xué)院沈陽自動化研究所科研團(tuán)隊(duì)提出了一種基于四維時頻特征矩陣的油井工況識別深度學(xué)習(xí)方法，實(shí)現(xiàn)了在供液不足、閥漏失、氣體影響等多種工況下的實(shí)時精準(zhǔn)識別。該研究成果以Working condition recognition of sucker rod pumping system based on 4-segment time-frequency signature matrix and deep learning為題，發(fā)表在中國科學(xué)院1區(qū)TOP期刊《石油科學(xué)》(Petroleum Science)。
 

　　科研團(tuán)隊(duì)建立了油井功圖四維時頻特征矩陣，可實(shí)現(xiàn)多個功圖數(shù)據(jù)的特征融合；針對模型參數(shù)多、計(jì)算量大、識別精度低問題，設(shè)計(jì)了一種輕量化的深度卷積神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)功圖特征矩陣到油井工況的智能映射。
 

　　科研人員利用油田現(xiàn)場實(shí)測功圖數(shù)據(jù)，對算法有效性進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，提出的油井工況識別方法可將工況識別精度提高到98%以上，助力提升油井生產(chǎn)運(yùn)行的穩(wěn)定性和安全性。
 

基于四維時頻特征矩陣的油井工況識別深度學(xué)習(xí)方法
 

　　該研究得到了國家自然科學(xué)基金項(xiàng)目，機(jī)器人學(xué)國家重點(diǎn)實(shí)驗(yàn)室和遼寧遼河實(shí)驗(yàn)室項(xiàng)目等的支持。(工業(yè)控制網(wǎng)絡(luò)與系統(tǒng)研究室)