法律状态公告日
法律状态信息
法律状态
2023-06-02
专利权的转移 IPC(主分类):G06F17/50 专利号:ZL2016110012697 登记生效日:20230522 变更事项:专利权人 变更前权利人:重庆科技学院 变更后权利人:新疆中亚石油技术有限公司 变更事项:地址 变更前权利人:401331 重庆市沙坪坝区大学城东路20号 变更后权利人:830000 新疆维吾尔自治区乌鲁木齐市高新区(新市区)北京南路358号大成国际中心22层写字间2室
专利申请权、专利权的转移
2019-12-31
授权
授权
2017-04-19
实质审查的生效 IPC(主分类):G06F17/50 申请日:20161114
实质审查的生效
2017-03-22
公开
公开
技术领域
本发明涉及油田机采技术领域,更为具体地,涉及一种基于计算智能的油田机采参数动态演化建模与优化方法。
背景技术
油田机采油是一种机械采油方式,主要由电动机、地面传动设备和井下抽油设备三部分组成。油田机采油过程主要分为上、下两个冲程,上冲程,即驴头悬点向上运动,需提起抽油杆柱和液柱,电动机需消耗大量的能量;下冲程,即驴头悬点向下运动,油田机杆柱转拉动对电动机做功。在杆柱上下运动过程中,液柱负载发生周期性变化,使得油田机系统在电机做功、传动装置等方面能耗较大,以致系统工作效率低下。
发明内容
鉴于上述问题,本发明的目的是提供一种基于计算智能的油田机采参数动态演化建模与优化方法,以解决上述背景技术所提出的问题。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,包括:
步骤S1:确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x1,x2,x3,L>n};以及,选取油田机工艺系统的性能变量,构成性能观测变量集合{y1,y2};
其中,x1为冲次决策变量,x2为有效冲程决策变量,x3~x5分别为计算泵效环境变量、含水率环境变量,平均功率因数环境变量,x6~xn均为载荷环境变量;性能观测变量的个数l=2,y1为日产液量,y2为日耗电量;
步骤S2:根据效率观测变量集合{x1,x2,x3,L>n}和性能观测变量集合{y1,y2},采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x1,x2L>n,y1,y2];其中,
设定采样周期为T,在采集观测变量的过程中,如果采样周期小于T,对T周期内的样本求取平均值以作为该T周期的样本[I,Y];如果采样周期大于T,剔除采集到的观测变量,将样本中的I作为输入样本,将样本中的Y作为输出样本;
步骤S3:利用主元分析算法对载荷环境变量进行降维,构建新的载荷主元变量{Lz1,Lz2,...,Lzd};
其中,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}为d个载荷主元分量,每个载荷主元分量的维度与所述样本[I,Y]的数量相同;
步骤S4:重新组合非载荷变量与d个载荷主元分量,构建新的输入样本I1,并对新的输入样本I1和输出样本Y进行归一化,获得归一化后的样本
步骤S5:基于归一化后的样本
其中,神经网络模型为:
其中,Ik为训练样本的矢量样本值,并作为神经网络模型的输入,
初始状态变量X为:
步骤S6:利用ST-UPFNN算法估计所述神经网络模型的最优状态变量;
步骤S7:将最优状态变量作为所述神经网络模型的
步骤S8:构建日产液量y1的偏好函数perfc(y);
步骤S9:利用SPEA-Ⅱ算法对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化,得到符合生产实际的决策变量;
步骤S10:将优化后的决策变量结合环境变量,带入由ST-UPFNN算法所建立的油田机采油过程模型,在油田机采油过程模型的基础之上进行优化,得到优化后的决策变量的系统性能的平均值,与实际样本的系统性能的平均值进行比较,如果优化后的决策变量的系统性能大于实际样本的系统性能的平均值,利用优化后的决策变量对实际生产进行指导;否则重复上述步骤S1-S9,直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,通过ST-UPFNN算法挖掘油田机的生产规律,并利用SPEA-Ⅱ算法优化油田机生产过程决策参量,提高油田机的生产效率。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为主原分量的贡献率柱状图;
图2为日产液量实际值与日耗电量的Pareto解集图。
具体实施方式
名称解释
ST-UKFNN:Strong TrackUnscented Kalman FilterNeural Network,强追踪无迹卡尔曼滤波神经网络。
ST-UPFNN:Strong TrackUnscented Particle FilterNeural Network,强追踪无迹粒子滤波神经网络,其将ST-UKFNN、粒子滤波(Particle Filter)、BP神经网络相结合。
SPEA-II:Strength pareto evolutionary algorithm-II,改进的强度pareto进化算法。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,包括:
步骤S1:确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x1,x2,x3,L>n};以及,选取油田机工艺系统的性能变量,构成性能观测变量集合{y1,y2}。
其中,x1为冲次决策变量,x2为有效冲程决策变量,x3~x5分别为计算泵效环境变量、含水率环境变量,平均功率因数环境变量,x6~xn均为载荷环境变量;性能观测变量的个数l=2,y1为日产液量,y2为日耗电量。
本发明中,选取性能影响因素与性能指标如表1所示:
表1
步骤S2:根据效率观测变量集合{x1,x2,x3,L>n}和性能观测变量集合{y1,y2},采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x1,x2L>n,y1,y2]。
设定采样周期为T,在采集观测变量的过程中,如果采样周期小于T,对T周期内的样本求取平均值以作为该T周期的样本[I,Y],即[I,Y]通过神经网络模型的观测变量的样本值矩阵[x1,x2L>n,y1,y2]经平均值后得到;如果采样周期大于T,说明存在样本不足的现象,直接剔除采集到的观测变量,将样本中的I作为输入样本,将样本中的Y作为输出样本。
样本[I,Y]如表2所示:
表2
步骤S3:利用主元分析算法对载荷环境变量进行降维,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}。
其中,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}为d个载荷主元分量,每个载荷主元分量的维度与所述样本[I,Y]的数量相同;
本发明采用示功图描绘数据的144个载荷点作为部分环境变量进行建立神经网络模型,利用144维数据建立神经网络模型为参数维度灾难。故而利用主元分析算法(Principal ComponentAnalysis,PCA)对载荷环境变量进行降维处理,构建新的载荷主元变量,新的载荷主元变量构成的集合:{Lz1,Lz2,...,Lzd},其为d个载荷主元分量,每个主元分量维度与样本[X,Y]的数量相同。令功图数据为:
故此,取前2个主元分量B1、B2作为载荷环境变量的特征变量,其部分值如下表所示:
表3 部分主元分量数据
步骤S4:重新组合非载荷变量与d个载荷主元分量,构建新的输入样本I1,并对新的输入样本I1和输出样本Y进行归一化,获得归一化后的样本
步骤S5:基于归一化后的样本
其中,构建的神经网络模型为:
其中,Ik为训练样本的矢量样本值,并作为神经网络模型的输入,
构建的初始状态变量为:
步骤S6:利用ST-UPFNN算法估计神经网络模型的状态变量X,以得到最优状态变量,完成所建模型的权值阈值更新,使得所得到的模型更符合实际生产过程。
利用ST-UPFNN算法估计神经网络模型的最优状态变量的过程,包括:
步骤S61:针对粒子滤波器设置粒子的数目N,并以x0为均值,P0为方差进行正态分布采样,得到初始粒子集
步骤S62:在获取(k+1)时刻的观测变量值
利用ST-UKFNN算法对每个粒子
步骤S621:对初始状态变量X进行Sigma采样,获得2n+1个采样点,初始化控制2n+1个采样点的分布状态参数α、待选参数κ,以及非负权系数β,对所述初始状态变量X的Sigma采样如下:
步骤S622:计算每个采样点的权重,每个采样点的权重如下:
其中,Wc为计算状态变量的协方差的权重,Wm为计算状态估计和观测预测时的权重,
步骤S623:通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计
(k+1)时刻的状态变量的状态估计
其中,
(k+1)时刻的状态变量的状态先验估计
(k+1)时刻的状态变量的协方差Pk+1|k为:
步骤S624:通过离散时间非线性系统的观测方程建立(k+1)时刻的状态变量的状态估计
其中,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,
步骤S625:通过估计(k+1)时刻的观测预测
(k+1)时刻的先验观测预测
(k+1)时刻的观测预测的协方差Pyk+1为:
其中,在此处引入强追踪算法,即渐消因子λk+1增强模型的追踪能力以提高模型精度;
其中,β为弱化因子,β≥1;
步骤S626:计算(k+1)时刻的状态变量的状态先验估计
协方差
步骤S627:通过建立协方差
建立的协方差
其中,Kk+1为增益矩阵,以及更新后的(k+1)时刻的状态变量的状态估计
将更新后的(k+1)时刻的状态变量的状态估计
步骤S63:将最优状态估计值
其中,p为每个新粒子
对于
对于
对于
步骤S64:对新粒子
权值更新公式为:
权值归一化公式为:
步骤S65:根据粒子权值和重采样策略对粒子集
设变量u,令
步骤S66:以粒子的数目N作为循环次数循环步骤S61-步骤S65的计算过程,将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计得到的所述神经网络模型的最优状态变量;其中,将新粒子
神经网络模型的最优状态变量的结构参数如下:
(1)日产液量模型结构参数
w2(1×15)=[1.51>2=[12.56]
(2)日耗电量模型结构参数
w2(1×15)=[-8.11>2=[1.77]
步骤S7:将最优状态变量作为神经网络模型的
步骤S8:构建日产液量y1的偏好函数perfc(y)。
在系统工艺参数优化计算中,考虑对不同参数具有不同的喜好程度,利用物理规划构建系统偏好函数。设定日产液量最优值为y1best,设定值为ybest,在设定值ybest周围某一邻域范围[ybest-△y,ybest+△y]内波动为非常满意(HD),且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△y+△y1]内为满意(D),依次得到可接受(T),不满意(U)和非常不满意(HU),对应的偏好值区间用[1,2],[2,4],[4,6],[6,8],[8,10]表示。
假定将所有样本的平均日产液量作为给定产液量及极好程度的偏好值(47.38)。同时设定所有日产液量数据的最小值(40.22)和最大值(56.92)作为不可接受域的临界值。故而设计偏好程度区间为:[1,2],[2,4],[4,6],[6,8],[8,10]等,且设计的偏好区间边界值所对应的实际日产液量区间的边界值如表4所示,偏好函数如图4所示。
表4 偏好函数的边界值对应表
拟合得到日产液量的偏好函数为:
步骤S9:利用SPEA-II算法对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化,得到符合生产实际的决策变量。
优化的过程,包括:
步骤S91:通过决策变量个体P=[x1>2 L>n]的非支配性比较寻找最佳个体;其中个体非支配性由适应度函数值以及个体拥挤度共同决定。
其中,由ST-UPFNN算法构建的油田机采油过程模型:
对式(26)进行反归一化获得的多目标优化适应度函数为:
适应度函数值是评价决策变量个体优劣的重要指标,通过决策变量个体P=[x1>2L>n]的适应度函数值的大小比较寻找最佳个体。
步骤S92:计算油田机工艺系统的环境变量的平均值,以作为优化决策参数时的环境状态;
其中,环境变量包括计算泵效环境变量x3、含水率环境变量x4、平均功率因数环境变量x5,N为环境变量的输入样本的数量。
表5 环境变量平均值表
步骤S93:利用决策参量(x1,x2)构建父代种群P,其中,
其中,K为父代种群P中的个体
步骤S94:利用决策参量(x1,x2)构建父代种群P的个体Pk:
Pk=[x1k,x2k]>
其中,初始化父代种群P,令初始化父代种群P为第一代父代种群P1,设置初始化的种群样本数量为50,设置第一代精英种群
步骤S95:进行第一次遗传迭代(GEN=1),得到第二代精英种群A2和第二代父代种群P2。
获得第二代精英种群A2和第二代父代种群P2的具体过程为:
步骤S951:将第一代父代种群P1与第一代精英种群A1组合成种群Rt:Rt=P1U>1;
定义变量R(i)为种群Rt中个体Rt(i)的强度;其中,Rt(i)为种群Rt中的第i个个体;
将种群Rt中的个体Rt(i)与环境状态变量平均值
S(i)=|{j|xj∈Pk+A1,xif>j}|>
步骤S952:利用种群Rt中个体Rt(i)与种群Rt中第b个邻近个体Rt(i)的距离值
步骤S953:根据种群Rt中个体Rt(i)的强度R(i)与种群Rt中个体Rt(i)的密度值D(c)通过式(35)获得种群Rt中个体Rt(i)的适应值F(i);
F(i)=R(i)+D(i) (35)
步骤S954:在保持精英种群A2中个体的数量为
将种群Rt中所有的非支配个体全部放入精英种群A2中,即为将种群Rt中所有的非支配个体取出形成精英种群A2。
步骤S955:将精英种群A2中的个体放入交配池中进行遗传操作获得第二代父代种群P2。
步骤S96:将第二代父代种群P2与第二代精英解种群A2组合,且GEN=GEN+1。
步骤S97:循环100次步骤S95~步骤S96,得到精英种群AGEN,将AGEN的个体作为优化结果输出。
得到Pareto解集,日产液量的实际值与日耗电量的Pareto解集如图2所示。
由优化所得Pareto解集分析可知优化前后效果对比如表6所示:
表6 优化参数对应目标函数与生产实际输出对比表
优化后的日耗电量减少,达到了节能增效的优化效果,说明本次结果有效。
步骤S10:将优化后的决策变量结合环境变量,带入ST-UPFNN算法建立的油田机采油过程模型,计算优化后的决策变量的系统性能的平均值,与实际样本的系统性能的平均值进行比较,如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值,利用优化后的决策变量对实际生产进行指导;否则重复上述步骤S1-步骤S9,直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。
日产液量越接近最优值、日耗电量越低则效果越优越好。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
机译: 油田钻井参数三维建模方法,油田钻井参数三维建模系统和计算机程序产品
机译: 基于动态网格演化的地表水与地下水综合建模方法与系统
机译: 碳氢化合物领域地下油气藏,一种开发油藏的开发优化方法,涉及通过参数定义油田的开发模式,并利用该模式对油田进行优化开发