一种基于有效功率的螺杆泵生产系统设计方法

摘要

本发明涉及一种基于有效功率的螺杆泵生产系统设计方法，包括以下过程：收集正常工作的螺杆泵生产系统在工作过程中所涉及的相关参数数据；对收集的数据进行整理、清洗，建立参数数据库；用分类后的工况对深度信念网络(DBN)进行训练，使神经网络学习到合理型工况的区域范围，并找出基于有效功率最大的最优解；在新井开发需设计螺杆泵生产系统时，用训练后的DBN指导螺杆泵的泵型优选与相应的电动机、抽油杆等配套设备的设计。本发明通过训练后的人工神经网络指导选择合理的螺杆泵泵型，并设计相关配套设备的运行参数，以达到有效功率最大的设计要求，缩短了设计周期，提高了设计精度，实现了螺杆泵生产系统设计优选化。

说明书

技术领域

本发明涉及神经网络和机械设计技术领域，尤其是一种基于有效功率的螺杆泵生产系统设计方法。

背景技术

螺杆泵生产系统的设计主要包含螺杆泵选择和相关配套设备设计，而影响泵型选择的主要参数为转子半径、转子偏心距和定子导程。现场常用的螺杆泵生产系统设计方法主要为依托经验公式，编写出设计软件，输入已知参数进行设计，但传统的设计方法存在适应性差、准确率低、设计周期长等局限性。为此，提出了一种基于有效功率的螺杆泵生产系统设计新方法。

发明内容

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于有效功率的螺杆泵生产系统设计方法，旨在克服传统设计方法的缺陷，总结老生产井的参数配比与螺杆泵生产系统生产效果，在新井开发时，准确快捷地指导螺杆泵生产系统设计选型过程。

本发明解决其技术问题所采用的技术方案是：一种基于有效功率的螺杆泵生产系统设计方法，包括以下步骤：

步骤1、根据传统螺杆泵生产系统设计方法所需的参数类型，收集现场正常生产工作螺杆泵的相关参数；

步骤2、将收集来的数据进行整理、清洗，去除由于机器突发故障或其他特殊原因产生的异常数据以及重复数据，并对缺失数据进行填补，用清洗后得到的数据建立螺杆泵生产系统参数数据库；

步骤3、用数据库作为训练集训练深度信念网络DBN，训练过程为：DBN在基于有效功率最大的基础上查找螺杆泵生产系统的最优解，即得到对应不同参数选择情况下的螺杆泵生产系统优选结果；

步骤4、在新井开发生产需设计螺杆泵生产系统时，应用DBN进行设计，即通过DBN，选择出已知的参数条件下，所对应的最佳螺杆泵生产系统选型结果。

进一步地，步骤1中收集数据的过程为：选取不同区块、不同地层条件下的螺杆泵生产井在稳定生产一段时间内的工作参数，力求所收的参数具有广泛性、差异性。

具体说，步骤1中所收集的参数包括：油藏参数、电动机参数、抽油杆参数和工艺参数，所述油藏参数包括地层参数与井液参数，地层参数包括地层的压力、孔隙度和渗透率，井液参数包括井液的密度、粘度；所述电动机参数包括输出电流、输出功率；所述抽油杆参数包括抽油杆型号、抽油杆柱尺寸结构和完井方式；所述工艺参数包括产液指数、泵挂深度、泵排量、泵转速、油压、套压以及系统汽蚀余量。

具体地，步骤2中的对收集来的数据进行整理、清洗，包括去除异常数据、重复数据以及对缺失数据进行填补，用处理后的数据建立规范化的数据库。

具体地，步骤3中的训练过程，是将螺杆泵生产系统的工况划分为四种类型，分别是：工况合理型、工况故障型、参数偏差型、待落实型，通过有监督的学习，使神经网络学习工况合理型的参数特点，并找到最优解的合理范围，达到可对新输入的螺杆泵生产系统工况进行判断的目的。

进一步地，所述工况划分的标准包括螺杆泵生产系统的影响因素和地层与流体的影响因素，其中，螺杆泵生产系统考虑的影响因素为入口压力、泵效以及有效功率；地层与流体考虑的影响因素为地层压力、温度、流体的粘度及密度，通过上述因素的共同影响，工况成为一个由多维度因素控制的结果，并以此将螺杆泵工况划分为所述的四种类型，用于训练DBN。

特别地，所述的最优解合理范围，应在有效功率螺杆泵最大时取得。

具体说，步骤4中在新井开发进行螺杆泵生产系统设计时，是将已知的油藏参数输入神经网络，神经网络根据有监督学习到的工况分类结果，指导匹配出给定条件下最合理的螺杆泵优选结果，以及相应的电动机与抽油杆结构。

进一步说，对于相应的抽油杆结构选择，还应对选择结果进行应力校核，以确保选型符合生产开发要求。

本发明的有益效果是：本发明采用训练后的深度置信网络进行螺杆泵生产系统的设计，使训练过程具有智能性、便捷性，节省了人力物力，实现油田的经济高效生产；同时由于螺杆泵有效功率与螺杆泵的工况好坏密切相关，而有效功率又由扬程、排量等多重因素组成，所以将有效功率作为最优解的评价标准可以得到螺杆泵生产系统的最优选型。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的构架原理示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，一种基于有效功率的螺杆泵生产系统设计方法，所述的设计方法由以下四部分构成：收集油田现场正常工作的螺杆泵生产系统在工作过程中所涉及的相关参数数据；对收集来的数据进行整理、清洗，剔除由于机器故障等导致的错误数据，建立规范化的参数数据库；由于多重因素的影响，将螺杆泵生产系统工况看做是一个由多维度影响因素控制的结果，并将螺杆泵生产系统工况大致分为四种类型，用分类后的工况对深度信念网络(DBN)进行训练，通过有监督的学习使神经网络学习到合理型工况的区域范围，并找出基于有效功率最大的最优解；在新井开发需设计螺杆泵生产系统时，用训练后的DBN指导螺杆泵的泵型优选与相应的电动机、抽油杆等配套设备的设计。

上述参数数据库的构建：是根据传统螺杆泵生产系统设计方法所需的参数类型，收集现场正常生产工作螺杆泵的相关参数，并进行数据整理。

这里的螺杆泵生产系统主要由四部分组成，包括控制部分、地面驱动装置、井下泵部分和配套工具部分。

所述参数主要分为四大类，油藏参数、电动机参数、抽油杆参数和工艺参数。其中油藏参数包含地层参数与井液参数两部分，具体包括但不仅限于地层的压力、孔隙度、渗透率以及井液的密度、粘度等；电动机参数主要是输出电流、输出功率等；抽油杆参数主要为抽油杆型号、抽油杆柱尺寸结构和完井方式等；工艺参数包括但不仅限于产液指数、泵挂深度、泵排量、泵转速、油压、套压、系统汽蚀余量等；这些参数共同作用决定了螺杆泵生产系统的工作性能、使用寿命等多个方面的结果。

其中，数据的整理过程主要为剔除由螺杆泵故障引起的参数异常，螺杆泵生产系统的主要故障为：泵管脱落、泵杆脱落、断杆、泵管漏失、定子失效、结蜡以及供液不足。具体的参数表现为：泵管脱落与泵杆脱落导致的工作电流过小，动液面过高；断杆引起的电机电流瞬时下降、产量极大下降；泵管漏失产生的动液面上升，电流下降；定子失效造成的产液量极小，动液面过高；结蜡引发的工作电流过高，泵效降低；供液不足引起的油压、排量和电流较低。

用数据库作为训练集训练深度信念网络(DBN)，其训练过程为：神经网络在基于有效功率最大的基础上查找螺杆泵生产系统的最优解，即得到对应不同参数选择情况下的螺杆泵生产系统优选结果。

在训练DBN之前，先将螺杆泵生产系统的工况划分为四种类型，分别是：工况合理型、工况故障型、参数偏差型、待落实型。划分标准主要包括两大类：螺杆泵生产系统的影响因素、地层与流体的影响因素，其中，螺杆泵生产系统考虑的主要影响因素为入口压力、泵效以及有效功率；地层与流体考虑的主要影响因素为地层压力、温度，流体的粘度、密度。通过上述多种因素的共同影响，使得螺杆泵生产系统的工况成为一个由多维度因素控制的结果。

运用螺杆泵工况划分为的主要四大类型训练DBN，即通过有监督的学习，使神经网络学习工况合理型的参数特点，并找到最优解的合理范围，以达到可对新输入的螺杆泵生产系统工况进行判断的目的。

上述DBN的训练过程主要分为两步，第一步：由于DBN是由一系列受限玻尔兹曼机(RBM)组成，所以先采用贪婪算法逐层训练每层RBM网络，完成初始化DBN，得到一个接近最优解的值；选取螺杆泵有效功率这一具有代表性的指标作为优选的目标函数，最优解即有效功率最大基础上的设计结果，这一过程为无监督学习过程。第二步：根据期望输出的最优值与得到的实际输出之间存在的区别，通过反馈调节对部分参数进行修正，使得修正后的实际输出与期望输出一致，达到优化神经网络的目的，这一过程为有监督学习过程。

上述设计方法的实际应用：是指在新井开发生产需设计螺杆泵生产系统时，应用神经网络进行设计，即通过DBN，选择出已知的参数条件下，所对应的最佳螺杆泵生产系统选型结果。

也就是说，在新井开发进行螺杆泵生产系统设计时，将已知的油藏参数输入DBN，DBN根据分类区域训练结果，可指导匹配出给定条件下最合理的螺杆泵优选结果以及相应的电动机与抽油杆结构。

而对于相应的抽油杆结构设计结果，还应对抽油杆进行应力校核，以确保选型符合生产开发要求。

本发明通过训练后的人工神经网络指导选择合理的螺杆泵泵型，并设计相关配套设备的运行参数，以达到有效功率最大的设计要求。此方法可以有效地缩短设计周期、提高设计精度，从而进行螺杆泵生产系统设计优选，实现油田经济高效生产。由于该方法克服了传统设计方法的缺陷，通过总结老生产井的参数配比与螺杆泵生产系统生产效果，在新井开发时，可以准确快捷地指导螺杆泵生产系统设计选型过程。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。