引論：我們為您整理了1篇機采井組最優產能模型的應用范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。
摘要：基于大數據分析的機采井組優化技術，進行了現場應用。按照大數據技術原理確定的井組劃分原則，采用“以注定采”的優化方式，實現對抽油機井組產液量準確的預測，給出了井組內各抽油機井1a內的連續調控方案，解決了以單井為基礎進行優化的有效周期短、沉沒度波動大的問題。有效的延長了檢泵周期，降低了機采井能耗及日常維修維護成本，滿足了機采井低成本開發的需要，實現開發效益最大化，年創效益111.25萬元，為后期油田智能化建設提供技術支撐。
關鍵詞：大數據；產量；井組；優化調控
“十三五”期間某開發區塊針對有桿泵抽油機井采油過程中能耗治理問題，通過分析、研究，確定了抽油機井優化以立體節能為主。推廣應用北京勘探開發研究院研發的“采油采氣工程優化設計與決策支持系統”軟件，設計出以相同產液量或目標產液量下有桿泵抽油系統耗能最低為目的的一整套機采系統參數。累計應用了2203井次，年節電量達153.7×104kWh。應用后降低了能耗成本，提高了系統效率，延長了油井檢泵周期。累計應用5a，存在一定的不足，優化主要基于單井，未考慮油藏剩余油分布、油水井連通狀況及地層物性差異，也未綜合考慮采出井間的相互影響和采出井來液方向和流量的變化，出現了注采不平衡，能耗沒有得到最佳優化[。因此，開展基于大數據分析的機采井組優化技術研究，該技術適用于某區塊水驅機采井組優化。按照大數據確定井組劃分原則，實現“以注定采”的優化方式，從粗放型調整到精細化動態協調地面參數，合理匹配拖動裝置，降低機采井能耗及日常維修維護成本，滿足機采井低成本開發的需要[2]。
1技術研究
大數據運算有一項重要的功能是可以在變量和結果之間通過大數據的運算和推演直接建立邏輯關系，通過采用該技術應用在油水井的對應分析上，能夠彌補對油藏精細描述認識的不足，找到井間對應關系，加以調整實現產量最大，能耗最低[3]。
1.1異常數據處理
1.1.1缺失數據的處理采用K近鄰算法對缺失數據填補處理，給定實測實例，基于某種距離度量找出訓練集中與其最靠近的K個實例點，基于這些最近鄰的信息來進行預測。在分類任務中使用“投票法”，選擇K個樣本中出現最多的類別標記作為預測結果。提供的產油、產水、產液等數據均存在缺失，但無法驗證數據的真實值，因此在算法部分采用創造缺失值來驗證所采用算法的準確性與可靠性。以區塊月產油數據為例，將2011—2021年的日產油和日產水兩種數據作為K近鄰算法的特征進行提取，2011年區塊月產油數據見表1。在實際應用過程中，由于特征矩陣與區塊日產油和日產水數據相關，首先將特征進行標準化，然后制造缺失值。假設2011年11月份日產油數據為缺失值，采用K近鄰算法對缺失值進行處理并預測其真實值，此時K選擇為5，即基于歐式距離度量找出訓練集中與其最靠近的5個實例點，然后基于這5個最近鄰的信息來進行預測。2011年11月份日產油數據的真實值為569.05t/d，通過采用KNN算法對缺失值進行處理，得到的預測值為543.73t/d，預測的相對誤差僅為4.4%。因此，在對區塊月產液、月產油數據進行處理時，KNN算法具有一定的適用性。
1.1.2重復數據的處理采用重復數據刪除法對重復數進行刪除處理，基于數據自身的冗余度來檢測數據流中的相同數據的對象，只傳輸和存儲唯一的數據對象副本，并使用指向唯一數據對象副本的指針替換其他重復副本。由于所提供的產油、產水、產液等數據代表數據特征，不需要進行重復數據處理，因此在算法中提供一套采用刪除法處理重復數據的方法，具體為刪除相同數據。以區塊月產油數據為例，將2011—2021年的日產油數據作為特征進行提取，以驗證算法的準確性與可靠性。在編程實現上，特征矩陣與區塊日產液、日產油數據相關，首先創造重復值，以日產油為例，假設2011年3月、4月的日產油量數據相等，數值均為624.1t/d，然后判斷特征矩陣中是否存在重復觀測。因此，在對區塊月產液、月產油數據進行處理時，刪除法具有一定的代表性。
1.1.3異常數據處理法采用孤立森林算法進行異常數據的檢測，主要是對數據集進行隨機切割，通過集成學習的方式收斂數據切割的過程，正常樣本經過多次切割才能被識別出來，而異常樣本則很容易被切割出來找到并刪除異常值。所提供的產油、產水、產液等數據均存在異常值，主要是泵況造成的。因此在算法部分采用創造異常值來驗證所采用算法的準確性與可靠性。以區塊月產油數據為例，在2011—2021年的日產油數據中隨機設置異常值，基于隨機森林算法查找并刪除異常值，然后利用K近鄰算法對異常數據的真實值進行預測。在實際應用中將缺失值設置在日產油數據中，例如：將2012年5月的日產油數據為674.27t/d，考慮數據存在缺失將其最大上線值設置為3333t/d。設置孤立森林算法查找的異常值數為1，首先利用原始數據隨機采樣生成100個孤立樹，組成孤立森林模型，數據樣本遍歷孤立樹計算出異常分值，訓練每個基評估器的樣本的數量為50，異常值比例為0.05，成功檢測到異常值。其次，采用K近鄰算法對異常值進行處理并預測其真實值，K取值為10，即基于歐式距離度量找出訓練集中與其最靠近的10個實例點，基于最近鄰的信息來進行預測。通過采用K近鄰算法對缺失值進行處理，得到的預測值為675.308t/d，預測的相對誤差為0.15%。因此，孤立森林算法和K近鄰算法在處理油井數據的異常值問題時，具有一定的適用性。
1.2.1ARIMA預測模型ARIMA預測模型記作ARIMA(p，d，q)，p為自回歸項數，q為滑動平均項數，d為使之成為平穩序列所做的差分次數。“差分”是關鍵步驟，采用ARIMA模型預測的時序數據，必須是穩定的，不穩定的數據是無法捕捉到時序規律的。利用最終確定的模型進行產液、產油序列預測并得出結果[4]。10口井的ARIMA產液量和產油量預測指標見表2，其中包括產油預測結果的平均絕對百分比誤差（MAPE）、均方根誤差（RMSE）、預測精度（FA）三個指標，三種預測指標的結果均不理想。
1.2.2LSTM預測模型LSTM神經網絡模型具有一個輸入層，一個至多個隱藏層以及一個輸出層。網絡的隱藏層內有許多被稱為存儲單元的神經元，存儲單元都具有三個“門”：遺忘門（ft），輸入門（it）和輸出門（ot）。對比環節采用的預測方式為逐一預測，即通過歷史數據得出的預測數據每次僅為一個，由此可得到通過迭代法預測時的單次預測精度。10口井的LSTM產液量和產油量預測指標見表3。
1.2.3GM灰色預測模型選用GM（1，1）模型，是GM（1，N）模型的特例，僅包含一個微分方程且僅有一個單變量，建模的原始數據序列通常需要滿足或近似滿足指數型增長，且其增長速度要相對較慢。模型具有相對較高的計算效率，同時只需要擬合求解一個模型參數[5-6]。程序首先對數據進行級比檢驗，并計算是否在可調區間內，若在則對數據進行平移變換，并再一次進行級比檢驗；若不在則放棄調整。大部分井組的檢驗結果為不通過檢驗，表明灰色預測模型不適合用于該區塊內單井及區塊的平均日產油量和日產液量的預測。
1.2.4各預測模型精度對比對比ARIMA預測模型、LSTM預測模型和GM灰色預測模型，數據未通過GM的級比檢驗，說明GM不適用于該項目數據。根據產油量和產液量預測的平均絕對百分比誤差、均方根誤差、預測精度三個指標，比較LSTM、ARIMA的適用性。通過數據對比分析得出：LSTM預測模型效果優于ARIMA模型，大部分油井的預測精度可以達到95%以上。因此，選擇LSTM預測模型作為井組產能的預測模型[7-8]。
1.3實現井組產能預測一次性進行輸入多步和輸出多步是LSTM算法的一個顯著優點，采用1000組歷史數據，直接對未來365d的產油和產液量數據進行預測，區塊內日產液量預測結果見圖1。
2現場應用與效益預計
基于目標區塊平均含水率指標，確定井組內單井調整方向，若某個單井含水率低于平均含水率指標，則該單井生產能力較強，應提高該單井的產量[9-10]；若某個單井含水率高于平均含水率指標，則該單井生產能力較差，應減少該單井的產量；同時要保證調整后井組總產油量在目標產油量的范圍內[11-12]。
2.1現場應用效果試驗區開井79口井。因液面在井口、沉沒度較高的22口井，屬于泵況問題，暫不實施調整計劃。實施的57口井，參數調大18口，沖程與沖次的乘積變化5.81；調小參數28口井，沖程與沖次的乘積變化3.63；不調11口井，平均沖程與沖次的乘積保持不變，2022年10月份參數調整計劃見表4。實施后的57口井平均日產液由29.45t下降到29.0t，平均日產油由1.30t上升到1.32t，噸液百米耗電由0.75kWh/100m·t下降到0.69kWh/100m·t，平均節電率達到了8.26%，系統效率由36.32%提高到39.59%，提高了3.27個百分點，2022年參數調整效果見表5。由于有1口井實施后沒有達到預期效果，分析原因是電動機無牌，電動機級數不能確定，調后沖次未達到設計沖次，所以方案符合率98.25%，年節電能力達到了25.19×104kWh。隨后擴大了現場優化規模，在3個區塊17個井組開展了試驗，共318口井。實施后平均節電率達到了7.89%，系統效提高了3.47個百分點，年節電能力達到了132.36×104kWh。
2.2效益預計優化后管理與優化前無變化，其它費用不增加也不減少，只計算了節電效益。年節電能力達到157.55×104kWh，電價按0.7061元/kWh計算，年節約電費111.25萬元。
3結論
1）確定了采用數據算法中的K近鄰算法對缺失數據填補、刪除并對重復數據處理、采用孤立森林算法對異常數據進行處理，為產能預測提供數據源。2）采用平均相對誤差絕對值、均方根誤差和預測精度三種預測性能評價指標，對ARIMA模型（差分自回歸移動平均模型）、LSTM預測模型（長短期記憶人工神經網絡模型）、GM預測模型（灰色預測模型）進行對比分析，通過對比可以看出LSTM模型為最優的預測模型。3）在區塊內“定注”條件下，建立油水井之間存在著某種不確定的關系，根據給出的井組調控方案，開展了現場試驗及推廣375口井，年創經濟效益111.25萬元。
作者:孔令維 許立紅 劉樹輝 單位:大慶油田有限責任公司第四采油廠
