《基于深度学习的油井工况智能诊断技术研究及应用》

技术简介：

及时准确地掌握油井的工况，对于油田安全高效生产和提高采收率具有重要意义。随着油田信息化建设的不断深入，示功图等油井生产动态监测数据实现了实时采集，并积累了海量数据，亟待进一步挖掘利用。基于“大数据+深度学习”的新一代人工智能技术，有望突破现有技术的局限，引领油井工况诊断技术升级。为此，依托4000余万组涵盖不同油藏类型油井的历史动态监测数据，制备了涵盖5大类37种工况类型的油井工况诊断样本集，在此基础上，选择卷积神经网络算法，个性化设计了面向油井工况诊断问题的卷积神经网络（OWDNet），包含26层5900余万个可学习参数。使用油井工况诊断样本集对OWDNet进行训练，10轮次后，训练准确率达99.7%，验证准确率达98.9%。利用开发的油井工况智能诊断系统，在现场完成500余万次工况诊断，准确率达90%，报警推送及时，借助该系统开展油井生产管控更加合理高效，油井工况持续改善，连续稳定生产井比例由68%上升到88%，为油田大数据的高价值应用提供了有益示范。

研发人员：王相;杨耀忠;何岩峰;王振;窦祥骥;