基于机器学习的原油流量估计模型,准确率达到96.99%!

   自动化那些事        

油井和油藏系统的优化和监测方案需要准确地估计产量。实时监测通常使用流量变送器进行,流量变送器本身包含由于多种流体流动而产生的固有不确定性。由于这些局限性,工业实践中需要使用井口条件和间歇试井数据,通过某些已建立的相关性来估计井流量。然而,由于试井数据不足以及相关的操作和成本密集型承诺,这些相关性变得无效。


这项工作的主要目标是利用人工智能(AI)技术开发稳健的相关性来预测气举井的产油量。本研究所采用的人工智能技术包括人工神经网路(ANN)、人工神经模糊推理系统、支持向量机及功能网路。本文以“Application of Artificial Intelligence to Estimate Oil Flow Rate in Gas-Lift Wells”为题发布于《Natural Resources Research》杂志上。

基于机器学习的原油流量估计模型,准确率达到96.99%!


研究背景


在油田生命周期的某一时刻,几乎所有油井都会发生多相流。与此流动制度相关的主要问题是准确确定:(a)液体流动速率;(b)井口压力;和(c)扼流圈直径。但是,压力通常是通过经过良好校准的压力表和变送器准确知道的;此外,节流器的尺寸也很容易确定。然而,在油田开发、下游设备设计、防止气/水锥进和出砂时,确定准确的产量是至关重要的。


因此,这是通过使用井口节流器来调节油井流量来实现的,井口节流器提供足够的背压来调节产量。此外,扼流圈还具有以下重要功能:(a)防止影响上游压力的下游波动;(b)保护井口装置免受段塞流影响;(c)防止砂粒表面的大幅度下降,这可能导致井筒完整性问题。流体通过扼流圈流动的主要方面是流速;当流动是临界的,速度接近音速,下游的压力扰动不会影响上游的压力,因此,这是阻流器的主要用途,以帮助维持该地区的流动。


相反地,不可能总是保持这个条件,并且流动是亚临界的。用于识别流动区域类型的指标是临界压力比,即下游压力与上游压力的比值;等于或小于0.5的值被认为是临界流量。产量是一个必要的参数,它可以为工程师指明井的动态,以便他们能够监测和提高系统(井和油藏)的动态。在文献中可以找到大量的临界流相关性。


发展起来的关联分为两类:理论的,需要许多参数作为输入,因此通常不实际使用;经验的,主要限于一定范围的数据,它是为其发展。因此,这两种类型的相关性缺乏行业所追求的普遍性。然而,由于其易于使用的性质,经验相关性比理论相关性更受欢迎。


自20世纪80年代初以来,人工智能就被集成到各种商业应用中,国防高级研究计划局(DARPA)强调了这一点。


支持向量机是一种管理学习算法,通常用于分类问题;然而,它们在回归问题中的应用也是非常关键的。基本上,支持向量机遵循一组操作序列。首先,将输入轨迹以非线性的方式绘制成高维特征空间。其次,在这个复杂的空间中,创建了一个判决曲面,能够确保该算法具有更强的泛化能力。


ANN体系结构所依赖的基础是一组神经元和嵌入它们的层。基本上,输入层和输出层之间可以有不同数量的隐层,神经元数量也不同。因此,为了确定该问题的最优参数,研究者进行了广泛的灵敏度分析,不仅可以找到最佳的层/神经元组合,而且还可以提供最有效的训练算法和传递函数。


首先,研究者观察到两层和三层模型的误差都很大,而只使用一层就可以得到更好的结果;一层得到的矩阵更容易处理。第二,当单层神经元数量在25~6个之间变化时,研究者的结果得到了改善,值得注意的是,超过25层的神经元数量增加导致了数据的过度拟合,在测试阶段产生了较大的误差。


总共进行了5000次实现,得出了最优的人工神经网络模型。AI模型的训练和测试以石油日单位油量(BPD)为单位进行。在运行FN模型时,观察到了令人鼓舞的结果,与AAPE值较低的ANN模型在2.7%范围内得到了类似的结果。下图描述了所有人工智能算法在训练阶段和测试阶段的实际预测值和模型预测值之间的结果。

基于机器学习的原油流量估计模型,准确率达到96.99%!


图为所有模型在训练阶段的实际值和预测值的交叉图

基于机器学习的原油流量估计模型,准确率达到96.99%!


图为所有模型测试阶段的实际值和预测值的交叉图


由于两个具体原因,ANN被选为最优模型。首先,它能够为研究者提供一个实际可行的经验关联,可以在各种数据集中使用/推广,而不需要复杂的软件来为特定案例创建模型。其次,预测了与其它模型相比变化较小的原油流量。ANN模型预测数据的可变性接近99%,预测油率的AAPE为2.5%左右,预测速率在(±)20 bpd以内。


研究结论


机器学习技术已经成功地预测了人工举升气井的油率,其结果与实际分离器值进行了测试,准确率约为96 99%。提出了一种新的原油流量估算经验模型,该模型适用于输入参数在模型范围内的任何情况,而不需要专门的编码和复杂的软件。在所建立的计算智能模型中,以FN和ANN生成的计算智能模型最优。


然而,FN提供了30bpd范围内的可变性,这比ANN (20 bpd)略高,而且计算费用也很昂贵。


ANN模型的R2为0.99,AAPE为2.56%。所开发的人工智能模型通过生成所有所创建的人工智能模型中最低的AAPE和其他测试的经验模型来验证。计算智能是一种鲁棒的技术,只要有足够的现场数据来训练模型。另外,数据分析和预处理需要足够的工程判断。


参考文献:Mohammad Rasheed Khan, Zeeshan Tariq & Abdulazeez Abdulraheem Application of Artificial Intelligence to Estimate Oil Flow Rate in Gas-Lift Wells   Natural Resources Research 4017–4029(2020)



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐