基于支持向量机的油田异常井预测分析的研究与实现
发布时间：2020-08-02 11:34
【摘要】：异常井是造成油田产量波动的主要原因之一,这一问题受到了更多专业人员的重视。预先对异常井进行检测并及时进行相应的修缮工作,能够减少油田的损失。示功图解析方法是传统异常井预测方法之一,它通过专业人员对示功图进行分析进而判断油井是否异常。但这种方法更多依赖于人的经验,不仅耗时且易出错。同时,闲置的历史数据不能得以充分利用,限制了其价值的更大发挥。针对上述问题,本文实验以示功图成图数据为基础,设计使用曲线矩理论和机器学习算法的方法,借助Hadoop平台,进行异常井预测。预测过程主要分为如下步骤:首先,采用曲线矩理论描述示功图的特征;然后,构建异常井预测模型,模型采用基于决策树方法的SVM多分类算法,并以PSO聚类算法构建决策树;最后,利用词袋模型构造新的特征向量描述示功图,构造泛化能力更强的预测模型。预测模型的输入数据为经曲线矩理论和词袋模型转换的特征值数据,输出数据为油井的异常类型,其中利用了以MapReduce计算框架实现的网格搜索法对SVM算法的参数进行了寻优,提高了寻优效率和预测性能,实现了异常井预测。预测结果的准确率可达到90%以上。
【学位授予单位】：中国石油大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TE151;TP18
【图文】：
图 2.1 理论示功图Fig. 2.1 Theoretical dynamometer card机上下往复的过程中，随着油液的进出，活塞的位置、游关状态、抽油杆和油管的形变程度以及光杆相对于泵筒的化。示功图就是根据这个过程绘制的，并能够从一定程度 2.1 所示，其中的线段 AB、BC、CD、DA 就反映了光杆所化关系。可见，A、B、C、D 四个部分能够从一定程度上反测量中，油井井下管杆和泵除了受到抽油设备质量以及所会受到油层中的砂、蜡、气等多种因素的影响，同时还会层供油不充足的现象等[18]。这些影响因素都会导致油井工产生异常。况下的示功图呈平行四边形，若平行四边形存在图形局部等，都显示着油井工况已产生异常。图 2.2 所示的就是几种
0 1= = 1, 2, ,E ， ，i,i i ,i iF lh -h h - h i nS E，E 为抽油杆的弹性模量； 为抽油杆密度；c 为阻尼系杆柱 k 位置在 t 时刻沿地下方向的距离，在式（2.1）中记为 h悬点距离，h0,i和 h1,i分别表示抽油杆柱第 0 个和第 1 个节点在步长；Fi为悬点载荷；S 为抽油杆的横截面积。 模型是转化示功图的有效方法之一，目前仍在运用。得到井下会凭借专业知识和自身经验，通过解析泵功图得到油井的工况常。家系统田生产过程中，异常井的判断通常由技术人员的经验知识及相表示和处理这些经验知识刚好是专家系统的强项。
存放专家的知识，包含所有假设和对应的结果。专家系统模仿人类专家的思维模式来解答问题，因此越完备的知识统的性能更好。推理机把问题或已知条件多次与知识库中的终答案。神经网络经网络（ArtificialNeural Network，ANN）是通过仿照大脑信息进行分布式处理的方法[21]。它由网络的复杂程度，以的方式来处理信息。经网络分为单层和多层。神经元遍布于网络各层，并由伴网络对已有信息进行多次学习，并对权重作出调整，从而系和信息处理的工作，且仅需已知使输出发生改变的非常相较于传统数据处理方法，人工神经网络在处理大规模的的数据的效果更好。
本文编号：2778456
【学位授予单位】：中国石油大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TE151;TP18
【图文】：
图 2.1 理论示功图Fig. 2.1 Theoretical dynamometer card机上下往复的过程中，随着油液的进出，活塞的位置、游关状态、抽油杆和油管的形变程度以及光杆相对于泵筒的化。示功图就是根据这个过程绘制的，并能够从一定程度 2.1 所示，其中的线段 AB、BC、CD、DA 就反映了光杆所化关系。可见，A、B、C、D 四个部分能够从一定程度上反测量中，油井井下管杆和泵除了受到抽油设备质量以及所会受到油层中的砂、蜡、气等多种因素的影响，同时还会层供油不充足的现象等[18]。这些影响因素都会导致油井工产生异常。况下的示功图呈平行四边形，若平行四边形存在图形局部等，都显示着油井工况已产生异常。图 2.2 所示的就是几种
0 1= = 1, 2, ,E ， ，i,i i ,i iF lh -h h - h i nS E，E 为抽油杆的弹性模量； 为抽油杆密度；c 为阻尼系杆柱 k 位置在 t 时刻沿地下方向的距离，在式（2.1）中记为 h悬点距离，h0,i和 h1,i分别表示抽油杆柱第 0 个和第 1 个节点在步长；Fi为悬点载荷；S 为抽油杆的横截面积。 模型是转化示功图的有效方法之一，目前仍在运用。得到井下会凭借专业知识和自身经验，通过解析泵功图得到油井的工况常。家系统田生产过程中，异常井的判断通常由技术人员的经验知识及相表示和处理这些经验知识刚好是专家系统的强项。
存放专家的知识，包含所有假设和对应的结果。专家系统模仿人类专家的思维模式来解答问题，因此越完备的知识统的性能更好。推理机把问题或已知条件多次与知识库中的终答案。神经网络经网络（ArtificialNeural Network，ANN）是通过仿照大脑信息进行分布式处理的方法[21]。它由网络的复杂程度，以的方式来处理信息。经网络分为单层和多层。神经元遍布于网络各层，并由伴网络对已有信息进行多次学习，并对权重作出调整，从而系和信息处理的工作，且仅需已知使输出发生改变的非常相较于传统数据处理方法，人工神经网络在处理大规模的的数据的效果更好。
【相似文献】
相关期刊论文 前1条
1 陈中杰;蒋刚;蔡勇;;基于SVM一对一多分类算法的二次细分法研究[J];传感器与微系统;2013年04期
相关硕士学位论文 前1条
1 林圣迪;基于支持向量机的油田异常井预测分析的研究与实现[D];中国石油大学(北京);2018年
本文编号：2778456
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2778456.html
