基于模式识别技术的油井工况诊断

张春琳，唐道临，孙成

（1.成都北方石油勘探开发技术有限公司，成都 610051；2.延长油田股份有限公司，延安 716000；3.西安石油大学机械工程学院，西安 710065）

0 引言

油井在进行生产的同时井下工况也在不断变化，当井下处于较差工况或是故障工况时不仅会影响油井正常生产，而且会造成巨大的电能浪费和生产设备的快速磨损，增加生产成本。通过技术手段对井下工况进行实时分析诊断，能及时发现不良的井下工况，根据具体工况做出相应的技术调整，可使整个抽油系统处于高效的运行状态[1]。模式识别技术是对表征事物的特征信息进行处理和分析，通过数学方法对事物进行识别。基于模式识的油井工况诊断技术源于20世纪80年代末，这种方法以计算机诊断法为基础，通过分类器算法实现智能诊断[2]。因为油井的处于封闭的地下，井下环境恶劣多变，且常规的技术手段无法直接获取井下工况信息，所以包含油井大量多维信息的示功图可被作为油井工况的判定依据[3]。由此可见，基于模式识别的油井工况诊断技术的实质就是通过分类器算法提取示功图特征后进行图形匹配。目前用于模式识别分类器算法有三大种类，一是距离分类器算法，二是模板匹配算法，三是费歇分类器算法。由于示功图自身的特征和油井复杂的工况限制，基于模式识别技术的示功图识别的分类器算法常采用距离分类器算法，其中识别精度较高的算法有灰度矩阵识别算法[4]、标准误差法识别算法[5]。

1 典型油井工况分析举例

示功图是分析井下工况的重要依据，它能反映油井的出油状况和井下工况[6]。油井井下工况复杂，使得油井存在许多不同的工况。不同工况对应着不同的示功图表现形式，同种工况的示功图表现形式也存在着差异。如图1为柱塞沙塞工况下的示功图，其特点是上冲程时，附加阻力使光杆载荷增加；下冲程时，附加阻力使光杆载荷减少，且曲线出现不规则的锯齿尖峰。由于在进行采油作业时，油井井底的压力在不断进行着变化，在这个过程中会造成井筒周围岩壁的破损，使掉落的泥沙随着地层油液进入泵筒中[7]。当油井内出现砂阻时，不仅会降低油井的产量，而且会引起井下套管的损坏和设备的快速磨损[8]。

图1 柱塞砂阻示功图

图2（a）为供液不足工况下的示功图，油井呈现供液不足状态时的示功图成“刀把”形，即卸载线左移，供液不足越严重“刀把”越长，供液能力越差[9]，如图 2（b）、（c）所示。油井供液能力不足，柱塞上冲程时液体不能充满泵筒，因而在下冲程柱塞接触液面之前不能卸载。在柱塞接触液面后，卸载线和加载线平行。造成油井供液不足的主要原因是由地层的特性决定，如地层压力不够、地层渗透性不高都是供液不足的产生原因。当油井出现供液不足时，不仅会大幅地降低油井的产量，而且还会出现泵筒充不满或空抽现象，造成采油设备的快速无效磨损和电能的巨大浪费，增加采油设备的运行维护成本，降低生产效率。

图2油井供液能力差示功图

图3 为存在气体影响时的示功图。由于在下冲程末余间隙内还残存一定数量的压缩溶解气，上冲程开始后泵内压力因气体的膨胀而不能很快降低，加载缓慢，使吸入阀打开滞后；下冲程时，气体受压缩，泵内压力不能迅速提高，使排除阀打开滞后[10]。泵筒内的气体会影响抽油杆卸载，降低油井产量。

图4为油管、抽油杆结蜡时的示功图。由于油井结蜡，使活塞在整个行程中或某些区域增加附加阻力，反映在示功图上为上下载荷线上出现波浪性弯曲且示功图显得肥胖。由于储层中的原油含有石蜡和沥青，在生产作业时，井筒内的压力会发生变化使得原油中的石蜡和沥青析出，造成油管、抽油杆的结蜡现象[11]。当油井出现结蜡现象时不仅会使油管和抽油杆处结蜡，而且还会造成井壁泵筒游动阀、固定阀处结蜡。当结蜡现象发生时油流通道逐渐缩小，增大油流阻力，降低油井产能，结蜡严重时甚至会造成油井停产。

图3 气体影响示功图

图4 油管、抽油杆结蜡示功图

2 建立标准工况样本数据库

标准工况样本数据库是油井工况诊断的基础，基于模式识别技术的油井工况诊断方法都是通过提取待识别示功图特征后与标准工况样本数据库进行逐一比对实现工况诊断，所以在实现工况诊断之前需要建立工况识别的判断标准。在建立标准工况样本数据库时首先需要采集大量典型工况下的示功图作为标准样本，同时并不断往数据库里添加每种工况下不同表现形式的示功图。随着数据的不断积累，标准工况样本数据库里的样本也在不断完善和不断细化。为简化后期识别工况时的分析过程，标准工况样本数据库里的每一张示功图都添加了详细的工况注释和故障工况的处理方法，以便简化后期的工况解释工作。建立的标准工况数据库便是待识别工况示功图的匹配标准。通过分类器算法，将未知工况示功图与标准样本数据库里的数据进行匹配，寻找到的最佳匹配工况即是示功图所表示的工况。简易标准工况数据库如图5所示。

3 特征提取与工况识别

在进行模式识别时，必须提取示功图特征，即与分类器有关的各种因素才能完成工况识别。从某种意义上讲，特征提取是模式识别的关键，特征提取的成功与否意味着模式识别技术应用的成功与否。示功图中包含的特征有示功图的几何特征、示功图形状特征、力学特征、位移特征等。针对不同的分类器算法提取不同的示功图特征，完成工况识别。

3.1 灰度矩阵识别算法

示功图的灰度矩阵识别算法是在示功图网格矩阵的基础上形成的一种识别精度更高的算法，灰度矩阵识别算法可获取示功图的详细几何特征[12]。灰度矩阵识别算法提取的是示功图的几何形状特征，将示功图通过网格划分的方法按水平和垂直两个方向分成m×n个网格，然后将示功图轮廓线通过的网格赋1，得到示功图轮廓特征。轮廓线以内，按距离轮廓线的距离赋值，每远离边界一格其灰度值增1，距离越远灰度值越高，即网格元素值赋值越大；轮廓线以外，距离轮廓线的距离越远，灰度值越低，每远离边界一格其灰度值减1，即网格元素值赋值越小[13]。每一个网格内的值代表着该网格的像素值，将待识别示功图网格的m×n个像素值aij与标准数据库中示功图相同位置网格像素值bij相减，再将所有网格的差值累加，得到的值即为匹配值R。R越小说明匹配到标准工况示功图与待识别示功图越相似，匹配到的最小R值时的标准工况即为待识别示功图代表的油井工况。示功图的灰度矩阵如图6所示。

图5 简易标准工况数据库

3.2 标准误差识别算法

标准误差识别算法需要提取归一化后示功图的形状特征，通过将待识别示功图的形状特征与标准工况样本数据库里样本的形状特征进行逐一匹配，寻找到的最佳匹配工况即为待识别示功图所代表的工况。首先需要对示功图进行归一化处理，将示功图中的位移设为常量，示功图中的载荷作为匹配量。在进行图形匹配时，将示功图按上下冲顺序展开成一系列的点，待识别示功图的每一个载荷值与标准样本数据库里正在匹配的示功图的对应点载荷值相减，再将所有点的差值累加，得到的值即为匹配值d。d越小说明匹配到标准工况示功图与待识别示功图越相似，匹配到的最小d值时的标准工况即为待识别示功图代表的油井工况。

式中，E=WA(x)-WB(x)，其中WA(x)：待识别工况的载荷，WB(x)：标准工况的载荷。

图6 示功图灰度矩阵

3.3 工况识别的实现

通过MATLAB编程实现工况识别的过程。首先通过MATLAB的存储功能将建立的标准工况样本数据库进行数字化储存，并编写成一项调用函数供图形匹配时使用。然后建立灰度矩阵识别算法的调用函数和标准误差识别算法的调用函数，并将匹配值转换成相似值显示出来。最后编写示功图读入时的数据处理程序和图形匹配时的循环算法，实现待识别示功图与标准样本数据库进行逐一匹配，寻找最优匹配。图7（a）为灰度矩阵识别算法识别结果图，图7（b）为标准误差识别算法识别结果图。

4 结语

图7 工况识别示意图

综上所述，通过模式识别技术对示功图进行定量分析可识别出油井的井下工况，能够为油田的稳定生产提供技术保障。随着物联网、大数据、云计算等新一代信息技术和石油工业的不断发展，油田将进一步实现智能化、数字化，从而实现高效生产。基于模式识别技术的油井工况诊断是人工智能技术在石油行业里的应用，它不仅能系统地分析油井井下工况，而且还能及时地发现潜在的问题和不良工况。通过建立的标准工况样本数据库，可对相应的工况做出描述和初步调整的建议，能帮助现场工作人员应对不同工况迅速做出决策，通过技术手段进行相应的调整，提高生产运行的效率。