一种确定抽油机井的动液面深度参数的方法及装置

摘要

本申请公开了一种确定油井的动液面深度参数的方法及装置，具体地，可以利用样本数据，进行机器学习得到动液面深度确定模型，其中样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。该动液面深度确定模型，可以准确的根据目标油井的属性参数和生产参数，得到目标油井的动液面深度参数。因此，在确定目标油井的动液面深度参数时，可以获取目标油井的属性参数和生产参数，将该目标油井的属性参数和生产参数，输入该动液面深度确定模型，从而得到所述目标油井的动液面深度参数。由此可见，利用本申请实施例提供的方案，可以准确的得到目标油井的动液面深度参数。

说明书

技术领域

本申请涉及石油开采领域，特别是涉及一种确定抽油机井的动液面深度参数的方法及装置。

背景技术

在石油开采过程中，产量和综合效率的最大化是最终目标，而地层的供液能力是制约实现这一目标的根本因素。抽油机井的动液面深度参数是反映地层供液能力的一个重要指标，是确定合理的石油开采方案的重要依据。因此，确定抽油机井的动液面深度参数尤为重要。

目前，可以采用人工测量的方式测量抽油机井的动液面数据，并采用一定的计算方式根据该抽油机井的动液面数据计算得到抽油机井的动液面深度参数，但是传统的计算方式具备一定的局限性，不能准确的计算得到抽油机井的动液面深度参数。

发明内容

本申请所要解决的技术问题是传统的计算抽油机井的动液面深度参数的计算方式，不能准确的计算得到抽油机井的动液面深度参数，提供一种确定抽油机井的动液面深度参数的方法及装置。

第一方面，本申请实施例提供了一种确定抽油机井的动液面深度参数的方法，所述方法包括：

获取目标抽油机井的属性参数和生产参数；

将所述目标抽油机井的属性参数和生产参数输入预先构建的动液面深度确定模型，得到所述目标抽油机井的动液面深度参数；其中，所述动液面深度确定模型为对样本数据进行机器学习后得到的用于输出所述动液面深度参数的模型，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。

可选的，构建动液面深度确定模型包括：

获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数，并标注每个所述属性参数、生产参数以及动液面深度参数间的对应关系，得到标注后数据；

将所述标注后数据划分为训练数据和测试数据；

采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型；

将所述测试数据中的属性参数和生产参数输入每个所述初始动液面深度确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数；

比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值，将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型，其中所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

可选的，所述属性参数，包括以下任意一项或组合：

抽油机井的油藏参数、井筒参数和流体性质参数。

可选的，所述生产参数，包括以下任意一项或者组合：

抽油机井的产液量、冲程、冲次、油压、套压以及生产故障。

可选的，所述方法还包括：对所述产液量进行阶段求和，将阶段求和后的所述产液量作为构建动液面深度确定模型所需的样本数据。第二方面，本申请实施例提供了一种确定抽油机井的动液面深度参数的装置，所述装置包括：

第一获取单元，用于获取目标抽油机井的属性参数和生产参数；

第一确定单元，用于将所述目标抽油机井的属性参数和生产参数输入预先构建的动液面深度确定模型，得到所述目标抽油机井的动液面深度参数；其中，所述动液面深度确定模型为对样本数据进行机器学习后得到的用于输出所述动液面深度参数的模型；所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。

可选的，所述装置还包括：

第二获取单元，用于获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数；

标注单元，用于标注每个所述属性参数、生产参数以及动液面深度参数间的对应关系，得到标注后数据；

划分单元，用于将所述标注后数据划分为训练数据和测试数据；

模型构建单元，用于采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型；

测试单元，用于将所述测试数据中的属性参数和生产参数输入每个所述初始动液面深度确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数；

比较单元，用于比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值；

第二确定单元，用于将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型，其中所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

可选的，所述属性参数，包括以下任意一项或组合：

抽油机井的油藏参数、井筒参数和流体性质参数。

可选的，所述生产参数，包括以下任意一项或者组合：

抽油机井的产液量、所冲程、冲次、油压、套压以及生产故障。

可选的，所述装置还包括：第三确定单元，用于对所述产液量进行阶段求和，将阶段求和后的所述产液量作为构建动液面深度确定模型所需的样本数据。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上第一方面任一项所述的确定抽油机井的动液面深度参数的方法。

第四方面，本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上第一方面任意一项所述的确定抽油机井的动液面深度参数的方法。

与现有技术相比，本申请实施例具有以下优点：

本申请实施例提供了一种确定抽油机井的动液面深度参数的方法，考虑到抽油机井的动液面深度参数，与抽油机井的属性参数和抽油机井的生产参数是相关的。故而在本申请实施例中，可以利用训练抽油机井的属性参数和生产参数，以及动液面深度参数进行机器学习得到动液面深度确定模型。而后，在确定目标抽油机井的动液面深度参数时，可以获取目标抽油机井的属性参数和生产参数，将该目标抽油机井的属性参数和生产参数，输入该动液面深度确定模型，从而得到目标抽油机井的动液面深度参数。由于本申请实施例提供的动液面深度确定模型，是基于训练抽油机井的属性参数、生产参数和动液面深度参数进行机器学习得到的，故而利用该动液面深度确定模型，可以准确的根据目标抽油机井的属性参数和生产参数，得到目标抽油机井的动液面深度参数。由此可见，利用本申请实施例提供的方案，可以准确的得到目标抽油机井的动液面深度参数。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种确定抽油机井的动液面深度参数的方法的流程示意图；

图2为本申请实施例提供的一种构建动液面深度确定模型的方法的流程示意图；

图3为本申请实施例提供的一种的确定抽油机井的动液面深度参数的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的发明人经过研究发现，传统技术中，可以采用人工测量的方式测量抽油机井的动液面数据，并采用一定的计算方式根据该抽油机井的动液面数据计算得到抽油机井的动液面深度参数，但是传统的计算方式具备一定的局限性，因为传统的计算方式不能准确的体现动液面数据与动液面深度参数之间的关系，从而使得计算得到的动液面深度参数不是很准确。

为了解决上述问题，本申请实施例提供了一种确定抽油机井的动液面深度参数的方法，能够准确的确定出抽油机井的动液面深度参数。

下面结合附图，详细说明本申请的各种非限制性实施方式。

参见图1，该图为本申请实施例提供的一种确定抽油机井的动液面深度参数的方法的流程示意图。

本申请实施例提供的确定抽油机井的动液面深度参数的方法，可以由处理器实现，本申请实施例不具体限定所述处理器，所述处理器可以为终端设备的处理器，也可以为服务器的处理器。

本申请实施例提供的确定抽油机井的动液面深度参数的方法，可以通过如下步骤S101-S102实现。

S101：获取目标抽油机井的属性参数和生产参数。

在本申请实施例中，考虑到抽油机井的动液面深度参数，与抽油机井的属性参数和生产参数是相关的。故而在本申请实施例中，在需要确定目标抽油机井的动液面深度参数时，可以获取目标抽油机井的属性参数和生产参数，从而基于该目标抽油机井的属性参数和生产参数，确定目标抽油机井的动液面深度参数。

需要说明的是，目标抽油机井的属性参数，指的是能够体现目标抽油机井的固有属性的参数。目标抽油机井的属性参数是固定不变的，换言之，一旦目标抽油机井确定，该目标抽油机井的属性参数也随之确定。在本申请实施例中，考虑到在实际应用中，数据库例如存储抽油机井信息的数据库中，可以存储有目标抽油机井的属性参数，因此，可以从数据库中获取所述目标抽油机井的属性参数。

本申请实施例不具体限定所述目标抽油机井的属性参数，所述目标抽油机井的属性参数，可以包括目标抽油机井的油藏参数、所述目标抽油机井的井筒参数以及所述目标抽油机井的流体性质参数中的任意一项或者组合。

其中：

所述目标抽油机井的油藏参数，指的是所述目标抽油机井所属油藏的储油层的参数。所述目标抽油机井所属油藏的储油层的参数，包括目标抽油机井所属油藏的中部深度、目标抽油机井所属油藏的饱和压力、目标抽油机井所属油藏的孔隙度以及目标抽油机井所属油藏的渗透率等等。

所述目标抽油机井的井筒参数，包括描述所述目标抽油机井的井下套管与抽油泵的结构的参数。所述描述目标抽油机井的井下套管与抽油泵的结构的参数，包括射孔深度、射孔厚度、泵深以及泵径等等。

所述目标抽油机井的流体性质参数，指的是描述目标抽油机井中的流体即原油的性质的参数。所述目标抽油机井的流体性质参数，包括所述原油的密度和所述原油的体积系数等等。

在本申请实施例中，所述目标抽油机井的生产参数，指的是目标抽油机井生产过程中对应的参数。目标抽油机井的生产过程，可以理解为从目标抽油机井中开采原油的过程。

本申请实施例不具体限定所述目标抽油机井的生产参数，所述目标抽油机井的生产参数，可以包括目标抽油机井的产液量、目标抽油机井的冲程、目标抽油机井的冲次、目标抽油机井的油压、目标抽油机井的套压以及目标抽油机井的生产故障等等中的任意一项或者组合。

其中：

所述目标抽油机井的产液量，即为从目标抽油机井中开采的原油的量。

可以理解的是，在对目标抽油机井进行原油开采的过程中，可能会经历多个生产阶段。本申请实施例中提及的产液量，指的是总产液量。换言之，若所述目标抽油机井的生产参数，是第i个阶段的生产参数，则该目标抽油机井的产液量，指的是从第1个生产阶段至第i个生产阶段所述目标抽油机井的总产液量。在本申请实施例的一种实现方式中，可以对所述目标抽油机井各个生产阶段的产液量进行求和，得到所述总产液量。

需要说明的是，抽油机井在生产过程中，是做上下往复运动的，抽油机井做上下往复运动时，所达到的最高位置与最低位置之间的差值，即为冲程。即所述目标抽油机井的冲程指的是目标抽油机井做上下往复运动时，所达到的最高位置与最低位置之间的差值。

需要说明的是，目标抽油机井的冲次，指的是目标抽油机井在单位时间内所做的上下往复运动的次数。目标抽油机井的油压，指的是开采的原油从目标抽油机井的井底到目标抽油机井的井口的剩余压力。目标抽油机井的套压，指的是生产过程中目标抽油机井的油管与目标抽油机井的套管环空的压力。目标抽油机井的生产故障，指的是生产过程中发生的故障。所述生成故障可以包括：杆断、脱接器开、结蜡、泵漏、出砂、油管漏以及泄油器开等等中的任意一项或者多项。

S102：将所述目标抽油机井属性参数和生产参数输入动液面深度确定模型，得到所述目标抽油机井的动液面深度参数。

在本申请实施例中，可以利用预先进行机器学习得到的动液面深度确定模型，确定所述目标抽油机井的动液面深度参数。具体地，该动液面深度确定模型，是基于样本数据进行机器学习得到的，其中，所述样本数据包括抽油机井的属性参数、生产参数和动液面深度参数。该动液面深度确定模型的输入为属性参数和生产参数，输出为动液面深度参数。换言之，利用该动液面深度确定模型，可以准确的根据目标抽油机井的属性参数和生产参数，得到目标抽油机井的动液面深度参数。因此，在本申请实施例中，可以将获取到的目标抽油机井的属性参数和生产参数，输入前述动液面深度确定模型，并将所述动液面深度确定模型输出的结果，确定为所述目标抽油机井的动液面深度参数。

可以理解的是，由于前述动液面深度确定模型是利用机器学习得到的，因此，所述动液面深度确定模型可以为机器学习模型，所述机器学习模型采用的机器学习算法，可以为支持向量机、随机森林和决策树中的任意一项或者多项。

需要说明的是，所述样本数据中的抽油机井的属性参数，可以包括：抽油机井的油藏参数、井筒参数以及流体性质参数中的任意一项或者组合。

关于所述样本数据中的抽油机井的油藏参数的描述，与目标抽油机井的油藏参数类似，故而关于所述样本数据中的抽油机井的油藏参数，可以参考目标抽油机井的油藏参数的描述部分，此处不再详述。相应的，关于所述样本数据中的抽油机井的井筒参数的描述，与目标抽油机井的井筒参数类似，故而关于所述样本数据中的抽油机井的井筒参数，可以参考目标抽油机井的井筒参数的描述部分，此处不再详述。关于所述样本数据中的抽油机井的流体性质参数的描述，与目标抽油机井的流体性质参数类似，故而关于所述样本数据中的抽油机井的流体性质参数，可以参考目标抽油机井的流体性质参数的描述部分，此处不再详述。

在本申请实施例中，所述样本数据中的抽油机井的生产参数，指的是抽油机井生产过程中对应的参数。关于抽油机井生产过程中对应的参数，可以参考前文对于目标抽油机井生产过程中对应的参数的描述部分，此处不再详述。

通过以上描述可知，利用本申请实施例提供的方案，可以准确的确定出目标抽油机井的动液面深度参数。

如前文，所述动液面深度确定模型，是根据训练抽油机井的属性参数、生产参数和动液面深度参数进行机器学习得到的。以下对构建该动液面深度确定模型的过程进行介绍。

参见图2，该图为本申请实施例提供的一种构建动液面深度确定模型的方法的流程示意图。图2所示的方法，例如可以通过如下步骤S201-S205实现。

S201：获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数，并标注每个所述属性参数、生产参数以及动液面深度参数间的对应的关系，得到标注后数据。

此处提及的抽油机井，指的是属性参数、生产参数以及动液面深度参数已知的抽油机井。所述抽油机井可以为所述目标抽油机井，也可以为其它抽油机井。当所述抽油机井为所述目标抽油机井时，所述样本数据可以为所述目标抽油机井的历史属性参数和历史生产参数，以及所述目标抽油机井的所述历史生产参数和所述历史属性参数所对应的历史动液面深度参数。

在本申请实施例中，构建动液面深度确定模型时，可以首先获取抽油机井的属性参数、生产参数以及动液面深度参数。而后，标注每个所述属性参数、生产参数以及动液面深度参数间的对应的关系，得到标注后数据。

需要说明的是，具备对应关系的一组数据，为抽油机井在某一状态(例如经历第i个生产阶段)下的属性参数、生产参数以及对应的动液面深度参数。对获取的抽油机井的属性参数、生产参数以及动液面深度参数进行标注的目的在于，建立抽油机井在某一状态下属性参数、生产参数与动液面深度参数之间的对应关系，在构建动液面深度确定模型时，根据该对应关系可以基于抽油机井在某一状态下属性参数、生产参数与动液面深度参数进行机器学习。从而使得构建得到的动液面深度确定模型能够基于目标抽油机井的属性参数和生产参数确定对应的动液面深度参数。

S202：将所述标注后数据划分为训练数据和测试数据。

可以理解的是，构建动液面深度确定模型的过程，实际上是确定所述动液面深度模型的模型参数的过程。在本申请实施例中，可以将所述标注后数据划分为训练数据和测试数据。前述训练数据用于训练所述动液面深度确定模型，即用于确定所述动液面深度模型的模型参数。前述测试数据用于测试训练得到的动液面深度模型确定动液面深度参数的准确性。当利用所述测试数据确定所述动液面深度确定模型确定动液面深度参数的准确性高于一定的阈值时，则结束机器学习过程，否则继续进行机器学习，直至得到的动液面深度确定模型确定动液面深度参数的准确性高于一定的阈值。

本申请实施例不具体限定所述训练数据和所述测试数据的比例，作为一种示例，可以将前述标注后数据中的80％作为训练数据，将前述标注后数据中的20％作为测试数据。

S203：采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型。

S204：将所述测试数据中的属性参数和生产参数输入每个所述初始动液面确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数。

S205：比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值，将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型；其中，所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

关于S203-S205需要说明的是，如前文，所述动液面深度确定模型采用的机器学习算法可以包括支持向量机、随机森林和决策树中的任意一项或者组合。在本申请实施例的一种实现方式中，为了使得确定出的目标抽油机井的动液面深度参数更加准确，可以分别采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型，即构建多个初始动液面深度确定模型。而后利用测试数据测试该多个初始动液面深度确定模型确定动液面深度参数的准确性，将多个初始动液面深度确定模型中，确定动液面深度参数的准确性最高的初始动液面深度确定模型，确定为最终用于确定目标抽油机井的动液面深度参数的动液面深度确定模型。

如前文所述，测试数据中包括的属性参数和生产参数对应的动液面深度参数是已知的，因此，将测试数据中的属性参数和生产参数输入多个初始动液面深度确定模型中，可以得到多个输出的动液面深度参数。为方便描述，将测试数据中输入多个初始动液面深度确定模型的与属性参数和生产参数对应的动液面深度参数称为“标准动液面深度参数”。可以理解的是，由于S201中标注了每个所述属性参数、生产参数以及动液面深度参数间的对应关系，因此，可以基于该对应关系，确定每个所述属性参数、生产参数以及动液面深度参数间的对应关系，即基于该对应关系，确定标准动液面深度参数。

在本申请实施例中，可以比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值，可以理解的是，差值越小，则表示对应的初始动液面深度确定模型确定动液面深度参数的准确性越高。因此，在本申请实施例中，可以将差值最小的动液面深度参数所对应的初始动液面深度确定模型，确定为前述S102中用于确定目标抽油机井的动液面深度参数的动液面深度确定模型。

如前文所述，在对目标抽油机井进行原油开采的过程中，可能会经历多个阶段的开采。本申请实施例中提及的产液量，指的是总产液量。相应的，所述训练数据中抽油机井的生产参数中的产液量，指的是所述抽油机井的总产液量。在本申请实施例中，可以对抽油机井的产液量进行阶段求和，即对所述抽油机井的各个生产阶段的产液量进行求和，并将阶段求和之后得到的产液量作为构建前述动液面深度确定模型所需的样本数据。例如，所述训练数据中包括第一抽油机井在第二个生产阶段的属性参数和生产参数以及第二个生产阶段对应的动液面深度参数，则第二个生产阶段的生产参数中的产液量，包括第一个生产阶段的产液量和第二个生产阶段的产液量之和。

基于以上实施例提供的确定抽油机井的动液面深度参数的方法，本申请实施例还提供了一种确定抽油机井的动液面深度参数的装置，

以下结合附图介绍该装置。

参见图3，该图为本申请实施例提供的一种的确定抽油机井的动液面深度参数的装置的结构示意图。

本申请实施例提供的确定抽油机井的动液面深度参数的装置300，例如具体包括：第一获取单元301和第一确定单元302。

第一获取单元301，用于获取目标抽油机井的属性参数和生产参数；

第一确定单元302，用于将所述目标抽油机井的属性参数和生产参数输入预先构建的动液面深度确定模型，得到所述目标抽油机井的动液面深度参数；其中，所述动液面深度确定模型为对样本数据进行机器学习后得到的用于输出所述动液面深度参数的模型；所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。

可选的，所述装置还包括：

第二获取单元，用于获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数；

标注单元，用于标注每个所述属性参数、生产参数以及动液面深度参数间的对应关系，得到标注后数据；

划分单元，用于将所述标注后数据划分为训练数据和测试数据；

模型构建单元，用于采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型；

测试单元，用于将所述测试数据中的属性参数和生产参数输入每个所述初始动液面深度确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数；

比较单元，用于比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值；

第二确定单元，用于将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型，其中所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

可选的，所述属性参数，包括以下任意一项或组合：

抽油机井的油藏参数、井筒参数和流体性质参数。

可选的，所述生产参数，包括以下任意一项或者组合：

抽油机井的产液量、冲程、冲次、油压、套压以及生产故障。

可选的，所述装置还包括：第三确定单元，用于对所述产液量进行阶段求和，将阶段求和后的所述产液量作为构建动液面深度确定模型所需的样本数据。

由于所述装置300是与以上方法实施例提供的方法对应的装置，所述装置300的各个单元的具体实现，均与以上方法实施例为同一构思，因此，关于所述装置300的各个单元的具体实现，可以参考以上方法实施例的描述部分，此处不再赘述。

通过以上描述可知，由于本申请实施例提供的动液面深度确定模型，是基于训练抽油机井的属性参数、生产参数和动液面深度参数进行机器学习得到的，故而利用该动液面深度确定模型，可以准确的根据目标抽油机井的属性参数和生产参数，得到目标抽油机井的动液面深度参数。由此可见，利用本申请实施例提供的方案，可以准确的得到目标抽油机井的动液面深度参数。

需要说明的是，所述确定抽油机井的动液面深度参数的装置300包括处理器和存储器，上述第一获取单元、第一确定单元单元、第二获取单元、标注单元、划分单元、模型构建单元、测试单元、比较单元、第二确定单元和第三确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定目标抽油机井的动液面深度参数。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上方法实施例任一项所述的确定抽油机井的动液面深度参数的方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上方法实施例任一项所述的确定抽油机井的动液面深度参数的方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：

获取目标抽油机井的属性参数和生产参数；

将所述目标抽油机井的属性参数和生产参数输入预先构建的动液面深度确定模型，得到所述目标抽油机井的动液面深度参数；其中，所述动液面深度确定模型为对样本数据进行机器学习后得到的用于输出所述动液面深度参数的模型，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。

可选的，构建动液面深度确定模型包括：

获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数，并标注每个所述属性参数、生产参数以及动液面深度参数间的对应关系，得到标注后数据；

将所述标注后数据划分为训练数据和测试数据；

采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型；

将所述测试数据中的属性参数和生产参数输入每个所述初始动液面深度确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数；

比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值，将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型，其中所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

可选的，所述属性参数，包括以下任意一项或组合：

抽油机井的油藏参数、井筒参数和流体性质参数。

可选的，所述生产参数，包括以下任意一项或者组合：

抽油机井的产液量、冲程、冲次、油压、套压以及生产故障。

可选的，还包括：对所述产液量进行阶段求和，将阶段求和后的所述产液量作为构建动液面深度确定模型所需的样本数据。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获取目标抽油机井的属性参数和生产参数；

将所述目标抽油机井的属性参数和生产参数输入预先构建的动液面深度确定模型，得到所述目标抽油机井的动液面深度参数；其中，所述动液面深度确定模型为对样本数据进行机器学习后得到的用于输出所述动液面深度参数的模型，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数。

可选的，构建动液面深度确定模型包括：

获取样本数据，所述样本数据包括抽油机井的属性参数、生产参数以及动液面深度参数，并标注每个所述属性参数、生产参数以及动液面深度参数间的对应关系，得到标注后数据；

将所述标注后数据划分为训练数据和测试数据；

采用不同的机器学习算法对所述训练数据进行机器学习，构建对应的初始动液面深度确定模型；

将所述测试数据中的属性参数和生产参数输入每个所述初始动液面深度确定模型，得到每个所述初始动液面深度确定模型输出的动液面深度参数；

比较输出的每个所述动液面深度参数与标准动液面深度参数间的差值，将差值最小的动液面深度参数所对应的初始动液面深度确定模型作为动液面深度确定模型，其中所述标准动液面深度参数为测试数据中与输入模型的属性参数和生产参数对应的动液面深度参数。

可选的，所述属性参数，包括以下任意一项或组合：

抽油机井的油藏参数、井筒参数和流体性质参数。

可选的，所述生产参数，包括以下任意一项或者组合：

抽油机井的产液量、冲程、冲次、油压、套压以及生产故障。

可选的，还包括：对所述产液量进行阶段求和，将阶段求和后的所述产液量作为构建动液面深度确定模型所需的样本数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。