科研動(dòng)態(tài)
基于物理約束與數(shù)據(jù)驅(qū)動(dòng)融合的電泵井故障預(yù)警模型研究
中文題目：基于物理約束與數(shù)據(jù)驅(qū)動(dòng)融合的電泵井故障預(yù)警模型研究
論文題目：Research on early warning model of electric submersible pump wells failure based on the fusion of physical constraints and data-driven approach
錄用期刊/會(huì)議：Geoenergy Science and Engineering (JCR Q1)
原文DOI：【10.1016/j.geoen.2023.212489】
錄用/見刊時(shí)間：2023-11-18
作者列表：
1） 魏 琪 中國石油大學(xué)（北京）石油工程學(xué)院 油氣田開發(fā)專業(yè) 博 20
2） 檀朝東 中國石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 研究生導(dǎo)師
3） 高小永 中國石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 研究生導(dǎo)師
4） 關(guān)旭東 中海油能源發(fā)展股份有限公司
5） 史軒瑋 中海油能源發(fā)展股份有限公司
文章簡介:
本文提出了一種井筒能量守恒方程約束下的ESP井健康指數(shù)預(yù)測方法，有效地提高了健康指數(shù)預(yù)測的準(zhǔn)確性以及模型訓(xùn)練速度。進(jìn)一步揭示了物理約束與模型性能之間的內(nèi)在聯(lián)系，為油井故障預(yù)警領(lǐng)域物理約束下人工智能模型的改進(jìn)提供指導(dǎo)，為ESP井穩(wěn)定生產(chǎn)提供了重要參考。
針對油氣舉升過程中電泵井故障預(yù)警時(shí)預(yù)測參數(shù)單一且預(yù)測模型屬于純數(shù)據(jù)驅(qū)動(dòng)模型，對故障發(fā)生的機(jī)理無法做出合理的解釋等問題。本文建立了電泵井健康指數(shù)計(jì)算模型，利用井筒能量守恒方程和健康指數(shù)計(jì)算公式對LSTM的網(wǎng)絡(luò)模型中損失函數(shù)制定了物理約束(physical criterion-PC)，并以此約束建立了PC-LSTM電泵健康預(yù)警模型。驗(yàn)證了泵堵塞、出砂、油藏壓力上升三種故障類型前后健康指數(shù)的變化趨勢，結(jié)果表明PC-LSTM網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練時(shí)能夠更快的收斂，在預(yù)測精度方面，PC-LSTM有著顯著提高。
電泵井(Electric submersible pump , ESP)在油氣田中起做舉足輕重的作用，是目前人工舉升井中最主要的舉升方式之一。然而，電泵井的穩(wěn)定性和可靠性仍有待提高，由故障造成的非計(jì)劃停機(jī)頻頻發(fā)生。目前，ESP井故障診斷方式已由單參診斷發(fā)展到多參診斷，診斷的準(zhǔn)確率和實(shí)時(shí)性也取得了巨大的進(jìn)步。然而故障診斷為事后維修，不能夠?qū)﹄姳镁\(yùn)行健康狀態(tài)提前預(yù)警。因此，如何科學(xué)、高效的對ESP井進(jìn)行早期故障預(yù)警對提高電泵井生產(chǎn)周期意義重大。
首先，通過分析ESP井監(jiān)測數(shù)據(jù)之間的相關(guān)性，篩選了對ESP井健康狀態(tài)有重要影響的主控參數(shù)，然后基于主成分分析方法，利用主控參數(shù)建立了健康指數(shù)計(jì)算模型；利用井筒能量守恒方程和健康指數(shù)計(jì)算公式對LSTM的網(wǎng)絡(luò)模型中損失函數(shù)制定了物理約束(physical criterion-PC)，并以此約束建立了PC-LSTM電泵健康預(yù)警模型。
電泵井健康指數(shù)計(jì)算
（1） ESP實(shí)時(shí)數(shù)據(jù)樣本矩陣為
，標(biāo)準(zhǔn)化后樣本矩陣為
；
（2） 計(jì)算其相關(guān)系數(shù)矩陣R；
（3） 計(jì)算矩陣R的特征值為
，特征向量矩陣B；
（4） 根據(jù)特征向量和特征值計(jì)算第i個(gè)ESP監(jiān)測參數(shù)的貢獻(xiàn)率
，則主控參數(shù)權(quán)重為
；
（5） 設(shè)某一時(shí)刻t輸入的主控參數(shù)標(biāo)準(zhǔn)化和特征轉(zhuǎn)換后的數(shù)值為
，權(quán)重矩陣為
，綜合指數(shù)計(jì)算公式為：
，則T時(shí)間內(nèi)任意時(shí)刻t的綜合指數(shù)為：
（1）
（6） 將得到的綜合指數(shù)進(jìn)行歸一化到[0,1]區(qū)間，即得到健康度指數(shù)（HI）, 
時(shí)刻健康指數(shù)的計(jì)算公式為：
（2）
基于物理約束和LSTM的健康指數(shù)預(yù)測模型建立
圖1 電泵井舉升示意
根據(jù)伯努利原理可得井筒流動(dòng)系統(tǒng)正常運(yùn)行時(shí)的能量守恒方程：
（3）
根據(jù)公式3的推導(dǎo)，可得ESP井舉升過程中生產(chǎn)參數(shù)與流量之間的耦合關(guān)系為：
（4）
因此，將上述q標(biāo)準(zhǔn)化后為q’ ，帶入健康指數(shù)計(jì)算方程可得：
（5）
將CI標(biāo)準(zhǔn)化后為HI，在控制方程的基礎(chǔ)上定義控制方程的殘差函數(shù)為：
（6）
定義該控制項(xiàng)的誤差估計(jì)函數(shù)為：
（7）
物理約束的LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，DATA為模型輸入數(shù)據(jù)，LSTM其損失函數(shù)表達(dá)式為Lossdata；PDF為井筒能量守恒控制方程，其損失函數(shù)表達(dá)式為Losspdf。因此，物理約束的LSTM損失函數(shù)表達(dá)式為：
(8)
圖2 PC-LSTM 網(wǎng)絡(luò)結(jié)構(gòu)
利用皮爾遜相關(guān)性分析分析 A01井電泵監(jiān)測系統(tǒng)可監(jiān)測參數(shù)兩兩之間的關(guān)聯(lián)程度，在圖2中，參數(shù)兩兩之間都有很強(qiáng)的相關(guān)性。
圖3 A01H井皮爾遜相關(guān)系數(shù)分析
應(yīng)用主成分分析方法，分析了該井發(fā)生故障前后數(shù)據(jù)之間的關(guān)聯(lián)性。在圖3中，第一主成分井口的產(chǎn)液量，貢獻(xiàn)率為63.5%，分析結(jié)果與物理認(rèn)識相符，電潛泵井在運(yùn)行過程中，井口產(chǎn)液量最能反應(yīng)泵的健康狀態(tài)，電泵在亞健康狀態(tài)和故障狀態(tài)下，產(chǎn)液量根據(jù)不同的故障類型會(huì)隨之下降；第二主成分為電流，通過監(jiān)測電潛泵的電流信號，從而判斷是否存在故障，例如，如果電流出現(xiàn)明顯的畸變或電流峰值異常高或低，可能表示電潛泵存在故障，如電機(jī)繞組短路、軸承損壞等；第三主成分為出入口壓差，出入口壓差是直觀反應(yīng)電潛泵運(yùn)行狀態(tài)和性能的重要指標(biāo)。
圖4 主成分各成分貢獻(xiàn)率
圖5 A01H井健康指數(shù)
計(jì)算了A01H井故障前后時(shí)間段的健康指數(shù)（圖5中綠色線條），該井在生產(chǎn)過程中，由于產(chǎn)出液中含有雜質(zhì)、出砂等原因，造成了泵葉輪或吸入口發(fā)生堵塞。
選取了A01H井泵堵塞故障發(fā)生前后一段時(shí)間的數(shù)據(jù)，樣本數(shù)為426條，選擇前316條故障發(fā)生前數(shù)據(jù)點(diǎn)作為訓(xùn)練集，后106個(gè)故障數(shù)據(jù)點(diǎn)作為測試集。
圖6 LSTM損失函數(shù)
圖7 PC-LSTM損失函數(shù)
圖6與圖7為兩種模型的訓(xùn)練過程，圖中表明，PC-LSTM收斂更快。
模型表現(xiàn)結(jié)果如圖8和圖9所示，圖中黑線為真實(shí)值，紅線為訓(xùn)練集預(yù)測值，藍(lán)線為測試集預(yù)測值。圖8中，盡管LSTM在訓(xùn)練集上表現(xiàn)出較好的擬合效果，但是在其測試集中，模型預(yù)測出了健康指數(shù)變化趨勢，但是由于在訓(xùn)練集中缺少故障樣本，因此模型預(yù)測的健康指數(shù)偏低，與真實(shí)值不符。從圖9可以看出，在PC-LSTM的訓(xùn)練集中，無論實(shí)在測試集還是驗(yàn)證集中，模型都準(zhǔn)確的預(yù)測了健康指數(shù)的變化趨勢，相較與LSTM模型，PC-LSTM在測試集中，健康指數(shù)預(yù)測結(jié)果更接近真實(shí)值。
圖8 LSTM預(yù)測值與真實(shí)值的曲線
圖9 PC-LSTM預(yù)測值與真實(shí)值的曲線
本文提出了一種井筒能量守恒方程約束下的ESP井健康指數(shù)預(yù)測方法，通過加入物理約束的建模方式，使得PC-LSTM模型有了機(jī)理可解釋性，有效地提高了健康指數(shù)預(yù)測的準(zhǔn)確性以及模型訓(xùn)練速度。進(jìn)一步揭示了物理約束與模型性能之間的內(nèi)在聯(lián)系，為油井故障預(yù)警領(lǐng)域物理約束下人工智能模型的改進(jìn)提供指導(dǎo)，為ESP井穩(wěn)定生產(chǎn)提供了重要參考。
檀朝東，博士，教授，正高級工程師，博士生導(dǎo)師，信息科學(xué)與工程學(xué)院/人工智能學(xué)院教師。主要從事檢測技術(shù)與自動(dòng)化裝置、數(shù)據(jù)驅(qū)動(dòng)理論與方法等教學(xué)和科研，致力于低碳智能油氣田、油氣生產(chǎn)物聯(lián)網(wǎng)大數(shù)據(jù)和油氣舉升設(shè)備故障診斷的關(guān)鍵核心技術(shù)研究及應(yīng)用。