【儀表網 研發快訊】油井工況的實時精準診斷對于快速掌握油田作業情況、提高生產效率、保障生產安全具有重要意義，然而由于油井自身結構的復雜性和生產環境的多變性，油井工況時刻發生變化。利用深度學習對油井功圖進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習框架中，會存在模型參數多、計算量大的問題。此外，抽油系統因不同因素產生的功圖也不盡相同，導致油田現場數據存在嚴重異質性，極大地影響工況識別的準確性。
 

　　針對上述問題，中國科學院沈陽自動化研究所科研團隊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習方法，實現了在供液不足、閥漏失、氣體影響等多種工況下的實時精準識別。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，發表在中國科學院1區TOP期刊《石油科學》(Petroleum Science)。
 

　　科研團隊建立了油井功圖四維時頻特征矩陣，可實現多個功圖數據的特征融合；針對模型參數多、計算量大、識別精度低問題，設計了一種輕量化的深度卷積神經網絡，可實現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場實測功圖數據，對算法有效性進行了驗證。實驗結果表明，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，助力提升油井生產運行的穩定性和安全性。
 

基于四維時頻特征矩陣的油井工況識別深度學習方法
 

　　該研究得到了國家自然科學基金項目，機器人學國家重點實驗室和遼寧遼河實驗室項目等的支持。(工業控制網絡與系統研究室)