(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111485825.3 (22)申请日 2021.12.07 (71)申请人 扬州江苏油田瑞达石油工程 技术开 发有限公司 地址 225000 江苏省扬州市开发区文汇西 路1号江苏油田综合楼616室 (72)发明人 贾明兴　冷春阳　郑海金　邓吉彬　 (74)专利代理 机构 扬州市锦江专利事务所 32106 代理人 江平 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于动静态信息特征融合神经网络的抽油 井多井动液面深度预测方法 (57)摘要 基于动静态信息特征融合神经网络的抽油 井多井动液面深度预测方法， 属于软测量领域， 现场采集若干口有杆泵抽油井历史数据， 得出与 井下动液面深度相关性强的因素， 构建预测模型 结构， 将油井历史运行数据按比例分成训练集、 验证集和测试集； 将Huber  loss作为神经网络的 损失函数， 采用梯度下降法对动静态信息特征融 合神经网络参数进行优化， 得到最优值。 本发明 实现了对不同井下环境的有杆泵抽油井的多井 动液面深度预测， 预测精度高， 稳定性强。 权利要求书3页 说明书9页 附图6页 CN 113988479 A 2022.01.28 CN 113988479 A 1.基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法， 其特征在于 包括以下步骤： 1)现场采集若干口有杆泵抽油井历史数据， 包括井号、 冲程开始时间、 冲程结束时间、 悬点位移、 悬点载荷、 冲程、 冲次、 产量、 含水率、 动液面深度、 油压、 套压、 泵径、 泵深、 泵效、 地层原油密度、 地面原油密度、 气油比、 饱和压力、 溶解系数、 泵径、 各级抽油杆杆长、 各级抽 油杆直径、 各级油管长和各级油管内径参数； 2)对有杆泵抽油井动液面进行机理分析， 得出与井下动液面深度相关性强的因素， 包 括示功图参数、 含水率、 油压、 套压、 地层原油密度、 地面原油密度、 泵径、 各级抽油杆杆长、 各级抽油杆直径、 各级油管长和各级油管内径参数； 其中示功图参数是 由一个冲程内所有 悬点载荷和悬点 位移数据构成的封闭曲线图； 在一个冲程内， 悬点位移和悬点载荷分别为动态数据， 含水率、 油压、 套压、 地层原油密 度、 地面原油密度、 泵径、 各级抽油杆杆长、 各级抽油杆直径、 各级油管长和各级油管内径 为 静态数据； 3)动液面深度预测模型采用BP神经网络， 网络由悬点位移特征子网络、 悬点载荷特征 子网络和静动态特征融合子网络三部分构成； 悬点位移特征子网络共H层， 包括输入层、 中 间层和输出层， 输入层由一个冲程内所有悬点位移值作为输入， 中间层H ‑2层， 激活函数选 择relu函数， 输出层为悬点位移特征层记为， 激活函数采用Linear 函数， 节点数记为J； 悬点 载荷特征子网络结构同悬点位移特征子网络， 输入为一个冲程内所有悬点载荷， 输出为悬 点载荷特征层， 节点 数也为J； zl(n)表示第n个特征子网络中第h层神经元的状态矩阵， αl(n)表 示第n个特征子网络中第h层神经元的输出矩阵， 当h＝1时， αl(n)为第n个特征子网络的输入 x(n)， h＝1,2…H‑1， n＝1代表悬点位移特征子网络， n＝2代表悬点载荷特征子网络； 静动态 特征融合子网络共L层， 包括输入层、 中间层和输出层， 输入层由悬点位移特征子网络的输 出、 悬点载荷特征子网络的输出及含水率、 油压、 套压、 地层原油密度、 地面原油密度和泵 径、 各级抽油杆杆长、 各级抽油杆直径、 各级油管长和各级油管内径参数作为输入， 中间层 L‑2层， 激活函数选择relu函数， 输出层为动液面深度记为 激活函数采用Linear函数， 节 点数为1， Zl表示静动态特征融合子网络第l层神经元的状态矩阵， βl是静动态特征融合子网 络第l层的输出矩阵， l ＝1,2…L‑1， 当l＝L‑1时， βL就是静动态特 征融合子网络的输出 4)将现场采集的若干口有杆泵抽油井历史运行数据随机排序， 然后将数据按照8∶1∶1 的比例分成训练集、 验证集和测试集； 训练集用于训练神经网络中的参数； 验证集用于来调 节神经网络中的参数； 测试集用于客观的评价神经网络的性能； 5)将Huberloss函数作为神经网络的损失函数， 利用训练集、 验证集、 测试集数据， 采用 梯度下降法对动静态信息特征融合神经网络参数包括Wl， Bl， wl(n)和bl(n)进行优化， 在全局 范围内得到神 经网络参数最优值， wl(n)表示第n个特征子网络中第h层到第h+1层的权重矩 阵， bh(n)表示第n个特征子网络中第h层到第h+1层的偏置矩阵。 Wl和Bl分别表示动静态混合 特征提取网络中第l层到第l +1层的偏 置项和权值矩阵， n＝ 1代表悬点位移特征子网络， n＝ 2代表悬点载荷特 征子网络； 6)将获得的神经网络参数最优值代入步骤3)的BP神经网络结构， 建立基于动静态信息 特征融合神经网络的抽油井多井动液面深度预测模型；权　利　要　求　书 1/3 页 2 CN 113988479 A 27)在生产 过程中， 采集任意某口油井的含水率、 油压、 套压、 地层原油密度、 地面原油密 度、 泵径、 各级抽油杆杆长、 各级抽油杆直径、 各级油管长、 各级油管内径参数以及一个冲程 内所有悬点载荷和悬点 位移数据输入步骤6)的模型， 得 出动液面深度预测结果。 2.根据权利要求1所述基于动静态信息特征融合神经网络的抽油井多井动液面深度预 测方法， 其特征在于， 所述步骤4)中基于动静态信息特征融合神经网络的抽油井多井动液 面深度预测模型， 将Huberl oss函数作为神经网络的损失函数， 具体函数为： 其中y为动液面深度的实际值, 为误差值， δ为可调节的误差节点数值， 如果误差值 绝对值大于δ就 用公式 当误差值绝对值小于等于δ用公式 3.根据权利要求1所述基于动静态信息特征融合神经网络的抽油井多井动液面预测方 法， 其特征在于， 所述步骤5)中对动静态信息特征融合神经网络中的参数组合Wl， Bl， wl(n) 和bl(n)等参数进行优化， 在全局范围内得到最优值， 具体为： 601)初始化 参数值Wl， Bl， wl(n)和bl(n)； 602)将输入 x(n)传入第n个特 征子网络， 激活前向传播， 具体过程 为： zh+1(n)＝wh+1(n)αh(n)+bh+1(n)                             (1) 其中， f(x)为激活函数； 当1≤h＜H ‑1时， f(x)为relu函数， 当h＝H ‑1时， f(x)为Linear 函数， 表达式分别为： Linear(x)＝x                                                 (4) 603)将静态数据X 结合动态特 征 输入到静动态特 征融合子网络中， 激活前向传播， 具体过程 为： Zl+1＝Wl+1βl+Bl+1                                               (5) βl+1＝g(Zl+1)                                                  (6) 其中， 当l＝1时,静动态特征融合子网络由悬点位移特征子网络的输出、 悬点载荷特征 子网络的输出和静态数据作为输入， 表示为 g(x)为激活函数， 当1≤l＜L ‑1时， g(x)为relu函数， 当l ＝L‑1时， g(x)为 Linear函数； 604)根据静动态特征融合子网络的输出的 值和其对应的实际值y计算误差， 具体过程 为：权　利　要　求　书 2/3 页 3 CN 113988479 A 3