時序示功圖驅(qū)動的抽油機井結(jié)蠟預測及清蠟效果評價

檀朝東 陳培堯 楊亞少 于洋 宋健 馮鋼 孫向飛

1. 中國石油大學(北京)人工智能學院；2. 中國石油大學(北京)石油工程學院；3. 中國石油長慶油田分公司油氣工藝研究院；4. 長慶油田分公司第三采油廠；5. 北京雅丹石油技術開發(fā)有限公司

油井結(jié)蠟是石油開發(fā)和開采過程中嚴重影響油井正常生產(chǎn)的現(xiàn)象，通常會造成油井的阻塞，更為嚴重時會造成蠟卡停井及負荷過重燒電機等現(xiàn)象，導致油井停產(chǎn)維護，大大增加了油井開采成本［1-2］。目前，油井開采中主要采取定期加藥、熱洗井等清蠟措施提高油井開采效率［3］。然而實際生產(chǎn)中，由于人工對油井的結(jié)蠟監(jiān)測分析不及時、不到位，往往采取粗放生產(chǎn)管理方式，使得油井洗井周期的確定存在一定的隨機性和盲目性，導致廣泛存在油井在沒有明顯結(jié)蠟特征的狀態(tài)下，進行了大量洗井作業(yè)的過度洗井現(xiàn)象，造成資源浪費。所以，監(jiān)測油井結(jié)蠟狀態(tài)，確定合理的油井清洗周期和清蠟效果評價標準，對于提高油井開采效率，降低生產(chǎn)成本有著重要的意義。隨著數(shù)字油田建設的推進，用人工智能技術進行采油工藝措施決策的條件越來越成熟。

國內(nèi)外開展了利用人工智能預測油井結(jié)蠟工況的研究，人工神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等各種基于智能算法模擬的蠟沉積預測模型得到了廣泛的應用。這種模型可預測蠟在不同條件下的沉積速率，根據(jù)原始數(shù)據(jù)的輸入，使用適當?shù)娜斯ぶ悄芩惴▉砟M蠟沉積速率和影響因素之間的關系，而不需要仔細研究特定的蠟沉積機理［4］。周詩崠等［5］采用BP神經(jīng)網(wǎng)絡和逐步回歸分析方法建立蠟沉積速率模型，證明了基于BP神經(jīng)網(wǎng)絡的蠟沉積速率模型具有較高的精度。Behbahani等［6］采用基于多層感知器(MLP)拓撲結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(ANN)模型計算蠟的析出量，相比于機理模型［7-8］精度更高。邴紹強［9］分析油井生產(chǎn)參數(shù)的相關性建立結(jié)蠟規(guī)則模型，利用長短時記憶神經(jīng)網(wǎng)絡對油井結(jié)蠟綜合指數(shù)做出預測，具有較高的精度。目前，結(jié)合對結(jié)蠟定量分析的清蠟效果評價的研究相對較少，缺乏對清蠟效果的有效的定量評價。影響油井結(jié)蠟的因素很多，并且具有非常復雜的非線性關系，示功圖的時序變化直接反映了油井結(jié)蠟狀況［10-11］。筆者利用人工智能的算法模型，通過研究抽油機井示功圖及生產(chǎn)數(shù)據(jù)變化規(guī)律與結(jié)蠟等級的定量關系，建立了結(jié)蠟等級預測預警模型，可實時預測油井結(jié)蠟等級并超前預警，從而幫助人們合理選擇清蠟周期，在此基礎上構(gòu)建了結(jié)蠟井清蠟效果評價指數(shù)Q，對清蠟的效果做出有效的定量評價。

1 技術思路與神經(jīng)網(wǎng)絡模型原理

構(gòu)建油井結(jié)蠟等級預測模型和熱洗效果評價指數(shù)的技術思路為：(1)收集蠟卡井的時序示功圖和生產(chǎn)參數(shù)，對各項參數(shù)進行歸一化處理；(2)通過殘差卷積神經(jīng)網(wǎng)絡提取示功圖的圖形特征，結(jié)合電參、井參作為表征油井結(jié)蠟程度的特征向量；(3)使用聚類算法對特征向量聚類，定義數(shù)據(jù)集中樣本的油井結(jié)蠟等級，劃分訓練集和測試集；(4)利用LSTM神經(jīng)網(wǎng)絡訓練樣本集，建立油井結(jié)蠟等級的預測模型；(5)基于油井結(jié)蠟等級預測模型構(gòu)建洗井清蠟效果評價指數(shù)。主要流程如圖1所示。

圖1 油井結(jié)蠟程度預測和熱洗效果評價流程圖Fig. 1 Process for predicting paraffin deposition degree in oil wells and evaluating the effect of thermal washing

1.1 殘差卷積神經(jīng)網(wǎng)絡

殘差卷積神經(jīng)網(wǎng)絡(ResNet)［12］是在普通卷積神經(jīng)網(wǎng)絡的相鄰幾層中引入了一個包含恒映射(或者線性變換映射)的“快捷連接(Shortcut)”構(gòu)建而成。“ Shortcut”的引入使得深層卷積神經(jīng)網(wǎng)絡具有更加強大表征能力，從而在圖像分類、識別任務中更好地提取圖形中的特征。構(gòu)建油井結(jié)蠟預測模型需要提取示功圖的圖形特征，使用殘差卷積神經(jīng)網(wǎng)絡能夠自動提取示功圖圖形特征，避免手工設計示功圖圖形特征提取方法［13］。

1.2 RNN和LSTM神經(jīng)網(wǎng)絡

Elman［14］提出的循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Networ, RNN)，主要用于處理序列數(shù)據(jù), 其最大的特點就是神經(jīng)元在某時刻的輸出可以作為輸入再次輸入到神經(jīng)元, 這種串聯(lián)的網(wǎng)絡結(jié)構(gòu)非常適合于時間序列數(shù)據(jù), 可以保持數(shù)據(jù)中的依賴關系，RNN已經(jīng)被廣泛用于各種與時間序列相關的任務中［15-17］。但在實際應用中, 對于長序列預測問題，RNN常面臨訓練方面的難題，根據(jù)文獻［18-19］，RNN模型不能保持隱藏層的長期記憶，且無法克服梯度消失問題，導致網(wǎng)絡無法收斂。

為解決梯度消失問題及保持隱藏層的長期記憶，在RNN的基礎上提出了長短期記憶 (Long Short-Term Memory, LSTM)［20］網(wǎng)絡。LSTM網(wǎng)絡使用了三個“門控”來控制不同時刻的狀態(tài)和輸出，通過“門控”結(jié)構(gòu)將短期記憶與長期記憶結(jié)合起來，可以緩解梯度消失的問題。LSTM結(jié)構(gòu)在時間上的展開與RNN完全一致，區(qū)別在于其中Cell的不同，LSTM的Cell計算節(jié)點包含更多結(jié)構(gòu)，包括輸入門、遺忘門和輸出門。通過在隱藏層的計算節(jié)點中引入門控機制，LSTM在結(jié)構(gòu)上天然地克服了梯度消失的問題，具有更多的參數(shù)來控制模型；通過4倍于RNN的參數(shù)量，可以更加精細地預測時間序列變量。油井結(jié)蠟的預測是一個長期的時序信息處理過程，因此，本文選用LSTM作為油井結(jié)蠟的預測模型。

2 抽油機井結(jié)蠟預測模型

油井結(jié)蠟后會引起示功圖、井口生產(chǎn)數(shù)據(jù)(井口回壓、套壓和溫度)和電參數(shù)據(jù)(上行電流、下行電流、A相電流、A相平均電流、AB相電壓、功率因數(shù)、無功功率、周期內(nèi)有功功率平均值和周期內(nèi)無功功率平均值)等油井生產(chǎn)參數(shù)發(fā)生變化，這些參數(shù)的時序變化直接或間接反映了油井的結(jié)蠟狀況。其中，示功圖是井下工況最直接的表現(xiàn)，圖2為某油井的正常示功圖和嚴重結(jié)蠟時的示功圖對比?？梢杂^察到油井結(jié)蠟主要表現(xiàn)為示功圖形狀“膨脹”，上平均載荷增大，下平均載荷減小，圖形面積增大。為獲得表征油井結(jié)蠟程度的特征數(shù)據(jù)，提取示功圖圖形的特征向量，結(jié)合采集的生產(chǎn)參數(shù)，作為油井結(jié)蠟預測模型的輸入特征向量，然后基于LSTM建立結(jié)蠟程度的預測模型。

圖2 某井正常工況和結(jié)蠟工況的示功圖Fig. 2 Indicator diagrams of a well under normal and paraffin deposition conditions

2.1 數(shù)據(jù)預處理及結(jié)蠟等級劃分

從大量油井歷史生產(chǎn)數(shù)據(jù)中獲得所有蠟卡井一個結(jié)蠟周期內(nèi)高質(zhì)量的歷史生產(chǎn)參數(shù)，包含示功圖數(shù)據(jù)、電參數(shù)及井口參數(shù)，模型建立需要采集的各項參數(shù)見表1。

表1 建立預測模型采集的參數(shù)Table 1 Parameters collected for establishing a prediction model

結(jié)蠟周期是上次洗井至發(fā)生蠟卡的時間段，每個數(shù)據(jù)采集時間間隔為1 d。同時假設該井滿足以下條件：(1)上次洗井充分，洗井后井筒內(nèi)基本無結(jié)蠟殘留；(2)上次洗井后至發(fā)生蠟卡期間未采取洗井清蠟措施,且結(jié)蠟程度是逐漸增加的；(3)油井未發(fā)生其他重大故障，該井各項采集參數(shù)的變化主要受結(jié)蠟影響。對所有數(shù)據(jù)進行歸一化處理，以消除單位、數(shù)值范圍不同帶來的影響。

示功圖是圖形，還需要提取示功圖的圖形特征轉(zhuǎn)化為與生產(chǎn)參數(shù)一致的特征向量，基于開源框架pytorch構(gòu)建18層殘差卷積神經(jīng)網(wǎng)絡［12］提取示功圖圖形特征，其中全連接層使用50個神經(jīng)單元，該層輸出就代表提取的示功圖圖形特征。為使網(wǎng)絡具有針對示功圖圖形的特征提取能力，使用10種工況的示功圖樣本預訓練網(wǎng)絡參數(shù)，網(wǎng)絡模型訓練的優(yōu)化方法為Adam，設置Batch size為128，學習率(learning rate)為 0.001，訓練世代為10。

在某時刻T，由卷積神經(jīng)網(wǎng)絡提取的示功圖圖形特征P(50維)，結(jié)合該時刻的生產(chǎn)參數(shù)Z(12維)，得到表征該時刻油井結(jié)蠟程度的特征向量XT=[P,Z]， 其對應T時刻的油井結(jié)蠟程度記為YT。為定量化描述油井結(jié)蠟程度，將一個結(jié)蠟周期內(nèi)的油井結(jié)蠟程度分為5個等級，1級代表井基本無結(jié)蠟，5級為油井結(jié)蠟程度極端嚴重，已發(fā)生或?qū)⒁l(fā)生蠟卡，油井結(jié)蠟等級隨時間依次增加，處于同一結(jié)蠟等級的XT最為相似。為獲得結(jié)蠟周期內(nèi)每個XT對應的YT，使用k-means聚類算法對其聚類，設定聚類數(shù)為5，圖3展示了5口井一個結(jié)蠟周期內(nèi)聚類的結(jié)果，一個結(jié)蠟周期內(nèi)油井結(jié)蠟等級逐漸上升。表2展示了聚類后一口井的結(jié)蠟等級及其對應時間段內(nèi)的示功圖形狀變化范圍，定義了不同結(jié)蠟等級對應的結(jié)蠟程度的標準。

圖3 5口井的結(jié)蠟程度聚類結(jié)果Fig. 3 Clustering results of paraffin deposition degree for 5 wells

表2 油井結(jié)蠟程度標準Table 2 Standard of paraffin deposition in oil wells

一口抽油機井的結(jié)蠟等級總是這5個等級中的一種，建立預測模型所需要的樣本標簽以及每個時刻的輸出都是代表結(jié)蠟等級的one-hot向量。經(jīng)過數(shù)據(jù)預處理后得到油井結(jié)蠟的時序特征向量X以及對應的標簽Y作為建立LSTM預測模型的數(shù)據(jù)集，其中70%作為訓練集，30%作為測試集。

2.2 LSTM模型建立及訓練

將一口井的結(jié)蠟變化歸結(jié)為周期性的重復過程，一口井洗井清蠟后，結(jié)蠟等級逐漸上升，若無人為干預，油井將會延續(xù)其結(jié)蠟趨勢直至發(fā)生嚴重結(jié)蠟或蠟卡。每口井在一個完整的結(jié)蠟周期內(nèi)處于各等級的時間不同，周期長短也不同。一個周期內(nèi)油井未來一段時間的結(jié)蠟等級變化可通過當前及上一段時間的油井特征參數(shù)進行預測，這是一個從變化時序特征中提取信息，對下一段時序數(shù)據(jù)進行預測的過程。

因此，需要基于LSTM構(gòu)建序列到序列的網(wǎng)絡模型［21］作為油井結(jié)蠟等級的預測模型，序列到序列模型通過對輸入序列特征進行編碼，提取序列中豐富的時序變化信息，能更好地進行長時期的預測。模型輸入為當前及過去一段時間的油井特征向量序列X，模型輸出為未來一段時間的結(jié)蠟等級序列Y，圖4展示了這個過程。

圖4 模型輸入輸出示意圖Fig. 4 Schematic diagram of model input and output

T表示當前時刻，輸入特征向量時序長度由k控制，輸出向量時序長度由l控制,考慮到數(shù)據(jù)集中的油井結(jié)蠟周期平均在100 d左右，所以設置k=20,l=80。對于X的時序長度小于k的，向前重采樣補齊?；趐ytorch構(gòu)建LSTM的序列到序列模型，模型訓練優(yōu)化器使用基于一階梯度的隨機目標函數(shù)優(yōu)化算法Adam，其中學習率設置為0.001，decay設置為8×10?4。此外，為了防止過擬合，訓練過程中使用dropout［22］機制，其值設為0.1，訓練的batch-size為16，訓練過程中l(wèi)oss變化見圖5?？梢钥闯?，基于LSTM的油井結(jié)蠟預測模型是收斂的。通過該預測模型，使用油井采集的示功圖數(shù)據(jù)和生產(chǎn)數(shù)據(jù)，就可以預測未來一段時間的油井結(jié)蠟程度，提前對油井發(fā)生嚴重結(jié)蠟(5級結(jié)蠟)發(fā)出預警，指導技術人員精確把握油井結(jié)蠟趨勢、發(fā)展程度和清蠟時機。

圖5 訓練過程中的loss變化Fig. 5 Loss changes during training

2.3 模型評價及測試

模型預測的輸出為代表未來80 d油井結(jié)蠟等級的序列，即︿Y={Y1,Y2,···,Y80}，Yk代表未來第k天結(jié)蠟等級的one-hot向量，通過該輸出序列，可以知道各結(jié)蠟等級在未來發(fā)生時間，通過與對應結(jié)蠟等級實際發(fā)生時間的真實值對比，得到預測值與真實值的絕對值差 ?Ki(i=1, 2, ···, 4)(見圖6)，作為評價該模型性能的指標，絕對值的差越小表明模型性能越好，模型預測更準確，預測值的可信度更高。

圖6 模型預測值與真實值對比示意圖Fig. 6 Schematic diagram of the comparison between the predicted values of the model and the actual values

為全面評價該模型對結(jié)蠟等級預測的性能，本文定義5個評價指標，如表3所示。以K1為例，計算方式為累加所有樣本二級結(jié)蠟等級發(fā)生時間的預測值與真實值差的絕對值?K1，再除以樣本數(shù)，得到對應結(jié)蠟等級的預測誤差。平均誤差為各等級結(jié)蠟預測誤差和的平均，反映了模型的整體性能。從表3中看出，K1、K2、K3、K4誤差都為2～4 d，平均誤差為3.2 d，表明模型預測的各結(jié)蠟等級發(fā)生的時間與真實值誤差不大，模型泛化性能較好，能達到現(xiàn)場實際需求的精度。

表3 模型評價指標及測試結(jié)果Table 3 Model evaluation indicators and testing results

3 結(jié)蠟油井清蠟效果評價

熱洗是油田普遍采用的清蠟措施，熱洗清蠟主要是通過在油套環(huán)空內(nèi)注入熱水或配置好的藥劑溶液，反循環(huán)洗井，熱水注入和抽汲同時進行。當前，熱洗工藝對于清蠟的效果評價沒有一個科學有效的定量化指標，熱洗清蠟作業(yè)人員難以獲得有效的反饋。本文結(jié)合油井結(jié)蠟等級預測模型，構(gòu)建熱洗作業(yè)的清蠟效果評價指數(shù)，對結(jié)蠟井每次的熱洗作業(yè)效果做出有效的定量化評價。

評價一口結(jié)蠟井熱洗作業(yè)的清蠟效果，可以通過洗井前后油井結(jié)蠟等級的變化來制定評價指標。一口嚴重結(jié)蠟井在實施洗井措施后，其結(jié)蠟等級越低，說明其清蠟效果越好。本次洗井后，下一次發(fā)生嚴重結(jié)蠟的時間有所延長，也反映了本次洗井徹底，效果較好。洗井前后結(jié)蠟等級的下降幅度可以作為洗井清蠟效果的即時性評價，洗井周期的延長代表了洗井清蠟效果的長期性評價。因此可以依據(jù)這2個變量構(gòu)建結(jié)蠟井的熱洗效果定量化評價指數(shù)Q，其表達式為

式中，ya為熱洗清蠟前油井的結(jié)蠟等級；yb為熱洗清蠟后油井的結(jié)蠟等級；Tr為上個周期熱洗清蠟后油井到達嚴重結(jié)蠟的時長，d；Tl為本次洗井后油井到達嚴重結(jié)蠟的時長，d。其中，ya、Tl已知，yb、Tr可通過油井結(jié)蠟等級預測模型得到，為平衡Q的2部分量綱不同所帶來的影響，分別進行歸一化，第1部分除以等級下降最大值4，第2部分除以該區(qū)塊結(jié)蠟井的平均清蠟周期AT。權重指數(shù) α、β決定構(gòu)成Q的2部分所占的比例，為使Q值歸一化到0～1的范圍，設置 α +β=1。 α、β是評價指數(shù)Q計算式中設置的超參數(shù)，α越大則表明Q值計算以洗井清蠟效果的即時性評價為主，結(jié)蠟等級下降幅度大小是洗井效果最直接的反映，而下次油井發(fā)生嚴重結(jié)蠟時間的延長是其從屬效應，所以應設置 α ＞β，推薦設置α∈[0.8,0.9]。

每次洗井清蠟作業(yè)后，都可以結(jié)合油井結(jié)蠟等級變化和預測模型計算其Q值，給出洗井清蠟效果的定量化評價，為洗井清蠟周期的確定提供參考。

4 實例分析

2020年3 月開始在長慶油田某作業(yè)區(qū)進行數(shù)據(jù)驅(qū)動的抽油機井結(jié)蠟預測及清蠟制度優(yōu)化現(xiàn)場試驗，截至2020年9月，該區(qū)塊未出現(xiàn)蠟卡躺井問題，通過該預測模型指導洗井作業(yè)，累計避免了蠟卡躺井15井次，延長了該區(qū)塊平均洗井周期16 d。

以長慶油田某井為例，該井深1040 m，日產(chǎn)液58 t，井底流壓2.88 MPa，動液面深510 m，平均洗井周期65 d。2020年6月1日洗井后，根據(jù)LSTM 建立的結(jié)蠟等級預測模型，輸入步長為20 d，輸出步長為80 d，利用6月1日?6月21日的油井生產(chǎn)參數(shù)預處理后作為模型輸入數(shù)據(jù)，得到未來80 d內(nèi)油井結(jié)蠟等級的預測值。圖7為該井6月22日?8月20日油井結(jié)蠟等級的真實值與預測值的對比，可以看出，預測值與真實值基本吻合，表明模型預測變化是準確的。

圖7 長慶油田某井結(jié)蠟等級預測結(jié)果Fig. 7 Prediction result of paraffin deposition level in a well in Changqing Oilfield

模型預測油井結(jié)蠟等級在59 d后(8月20日)達到5級結(jié)蠟，此時系統(tǒng)發(fā)出嚴重結(jié)蠟預警及采取清蠟作業(yè)的建議，觀察該井示功圖發(fā)現(xiàn)明顯“膨脹”，油井確有發(fā)生蠟卡的趨勢，綜合分析生產(chǎn)情況，于8月23日對該井實施熱洗清蠟作業(yè)，熱洗時間3 h，熱洗液注入溫度85 ℃，熱洗注入流量15 m3/d。措施后結(jié)蠟等級降為一級，計算本次清蠟效果評價指數(shù)Q=0.91，Q值較大，表明本次洗井清蠟效果良好，觀察到清蠟后實測示功圖(圖8)及各項指標完全恢復正常，說明洗井清蠟效果良好，與Q值對洗井效果的評價一致。

圖8 清蠟前后實測示功圖Fig. 8 Measured indicator diagram before and after paraffin removal

現(xiàn)場應用結(jié)果表明，本文建立的油井結(jié)蠟等級預測模型可以準確地預測油井結(jié)蠟等級的發(fā)展變化，把握油井結(jié)蠟程度及發(fā)展趨勢，既避免了對結(jié)蠟程度不清楚造成的過度洗井，又能夠通過預測油井到達5級結(jié)蠟的時間，指導現(xiàn)場人員及時采取有效清蠟措施，避免油井蠟卡躺井。

5 結(jié)論

(1)利用卷積神經(jīng)網(wǎng)絡提取的示功圖圖形特征，結(jié)合12項生產(chǎn)參數(shù)的特征向量能有效地表征油井結(jié)蠟程度，通過聚類算法對油井結(jié)蠟程度進行等級劃分，以序列特征向量作為輸入，基于LSTM構(gòu)建的油井結(jié)蠟等級預測模型能夠?qū)τ途Y(jié)蠟等級做出精確的長期預測。

(2)本文構(gòu)建的模型在測試集上具有良好的泛化能力，具有較小的預測誤差，能準確預測油井各結(jié)蠟等級發(fā)生時間，指導現(xiàn)場人員把握油井結(jié)蠟趨勢，確定合理的洗井清蠟時機。

(3)現(xiàn)場應用結(jié)果表明，數(shù)據(jù)驅(qū)動的抽油機井結(jié)蠟預測模型能實現(xiàn)油井結(jié)蠟程度的定量化預測，從而指導現(xiàn)場人員進行洗井周期的決策，有效避免了蠟卡躺井，同時延長了油井免洗周期，基于預測模型構(gòu)建的洗井清蠟效果定量化評價指數(shù)，對評價熱洗清蠟效果具有較好的指導作用。

(4)應用人工智能技術的抽油機井結(jié)蠟預測預警方法、洗井周期決策實現(xiàn)了抽油機井清蠟制度由傳統(tǒng)的業(yè)務驅(qū)動向數(shù)據(jù)驅(qū)動的轉(zhuǎn)變，對于開展油氣設備的智能化預測性維護具有借鑒意義。