基于改进胶囊神经网络的示功图诊断模型

针对传统胶囊神经网络特征提取结构单一,模型参数量大以及动态路由算法中相似度衡量粗糙等问题,该文提出一种改进的胶囊神经网络。应用Fire Module模块,将网络中特征图通道数先进行压缩,再通过多尺度的卷积核提取特征信息,进而提升网络的特征提取能力和减少网络模型的参数。将Dropout思想引入胶囊神经网络来增加模型的多样性,并在动态路由结构中应用Tanimoto系数提高动态路由算法性能,加快模型收敛提高精度。为验证改进胶囊神经网络的有效性,将改进的胶囊神经网络与双卷积胶囊神经网络和传统卷积神经网络以及VGG网络模型进行对比。实验结果表明,改进的模型具有更高的准确率和更快的训练速度。

示功图诊断单井液量异常的系统建设分析

随着油田建设规模不断扩大,双容量计量方法已不能满足大规模生产计量的需要,原油计量的实时性和准确性相对较低,既不经济,也不利于油田计量的长远发展。准确的单井计量既是优化油藏管理的必要手段,更是油田生产管理的基础。如何改变现有的计量方法,实现油井液产量的连续计量,了解油井生产系统的现状,是简化工艺流程、提高油井生产效率急需解决的问题。与其他测油方法相比,示功图诊断计量具有投资小、实时连续测量、智能预警等优点。该技术简化了地面流程,降低了投资成本,具有较好的实时性和准确性,提高了油田的生产效率和管理水平。鉴于此,文章对示功图诊断单井液量异常的系统建设展开探讨。

有杆泵抽油系统井下工况诊断的物元分析方法

根据油田实际生产中常用的"四点"分析法,结合曲线矩理论,提取示功图图形的不变曲线矩特征值作为特征参数向量.采用可拓理论中的物元分析方法建立标准工况类型的物元模型,将特征向量的量值拓展为区间值,通过关联函数计算待诊断示功图与标准工况类型的关联度并进行归一化处理.计算结果给出待诊断样本相对于各标准工况类型的发生程度,最大的关联度表示该类型工况的发生程度最大.实例验证了所提出的方法是合理可行的,符合实际生产需要.

助力深抽有杆泵井工况诊断模型

针对有杆泵井抽油杆柱加装助力深抽装置后,抽油杆柱受力状况发生变化,影响示功图形状和特征以及油井工况诊断精度的问题,开展杆柱动力学分析、Gibbs模型修正和功图识别方法研究,建立了助力深抽有杆泵井泵功图求解的数学模型和综合了矢量法与基于规则诊断法的泵功图工况特征识别模型,并编制了计算软件。经9口油井的实际应用,工况诊断正确率达到100%,表明助力深抽有杆泵井工况诊断模型正确可行、应用可靠,能够为工程技术人员及时发现、分析、处理油井故障提供技术支持。

抽油机故障诊断的分布驱动主动学习算法

抽油机示功图直观显示了抽油机工作情况,但实际工况情况呈现典型的长尾分布特性,类别严重不平衡。传统方法无法准确识别小类别工况,也无法获得井下工作状态准确识别。针对这一问题,提出一种基于分布驱动的多类别长尾数据代价敏感主动学习算法(Cost-sensitive active learning algorithm based on distribution-driven multi-class long-tailed data,CALA)。首先,考虑数据分布特性,以最小化代价为优化目标确定数据的最佳聚类簇数;其次,通过加入预分类误差代价来更新之前得到的最佳聚类簇数;然后,构建集成分类模型作为分类器;最后,通过迭代来平衡数据分布。采用某油田真实的示功图数据进行测试,显著性实验分析证明CALA在小类别工况诊断上具有更好的性能。

采油数据采集与监测管理平台设计与实现

针对油田企业在采油现场信息化建设不足的问题,根据生产过程中产生的信息流和数据流,分析感知点可能产生的异常以及异常原因,构建基于异常诊断的采油生产业务管理模型。设计和开发了针对采油的数据采集与监测管理平台,并阐述了在平台中实际使用的示功图诊断油井异常的方法。最后通过在企业中的实际应用证明了该方案的可行性和实用性。