王万庆
（中原油田信息化管理中心，河南濮阳 ４５７００１） ip调度系统
摘 要：近年来，随着中国石化油气生产运行指挥系统（ＰＣＳ）的建设，越来越多的采油数据接入了系统，数据体量越来越大，由此为机器学习奠定了基础。本文利用卷积神经网络的经典模型ＩｎｃｅｐｔｉｏｎＶ３，通过建立各工况的示功图训练数据训练卷积神经网络的模型，在模型建立过程中不断修改训练参数和样本集数据，最终实现了卷积神经网络在ＰＣＳ系统辅助诊断。
关键词：卷积神经网；ＰＣＳ系统；油井示功图；诊断
中图分类号：ＴＥ３１ 文献标识码：Ａ 文章编号：１００６—７９８１（２０１９）０２—００２８—０２
１ 卷积神经网络简介
农药渗透剂
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。２０世纪６０年代，Ｈｕｂｅｌ和Ｗｉｅｓｅｌ在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效
地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ－简称ＣＮＮ）。现在，ＣＮＮ已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用［１～２］。Ｋ．Ｆｕｋｕｓｈｉ－ｍａ在１９８０年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Ａｌｅｘ－ａｎｄｅｒ和Ｔａｙｌｏｒ提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。雨水弃流井
一般地，ＣＮＮ的基本结构包括两层，①特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；②特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的ｓｉｇ－ｍｏｉｄ函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
ＣＮＮ主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。由于ＣＮＮ的特征检测层通过训练数据进行学习，所以在使用ＣＮＮ时，避免了显式的特征抽取，而
隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
２ ＰＣＳ系统介绍
中国石化油气生产运行指挥系统（ＰＣＳ），是生产信息化建设主题的核心内容，是集过程监控、运行指挥、专业分析为一体的综合信息化系统。ＰＣＳ系统利用物联网、组态控制等技术，集成生产实时动态数据、图像数据和相关动静态数据，进行关联分析，实现油气生产全过程的自动监控、远程管控、异常报警等功能。通过与总部、分公司、采油（气）厂各层级的有效联动，提升生产运行指挥效率。
为实现油井的远程监控，ＰＣＳ系统集成了油井实时数据，重点用于监控采油相关的单井、计量站和示功图数据。其中油井示功图数据３０ｍｉｎ左右采集一次，为卷积神经网络诊断油井示功图奠定了数据的基础。
８
２内蒙古石油化工 ２０１９年第２期
＊收稿日期：２０１８－１１－１２
作者简介：王万庆（１９６６－），男，河南洛阳人，成人专科学历，中国石化中原油田信息化管理中心。２０１１年毕业于西安石油大学工商管理专业，主要从事计算机网络桌面运维工作。
３ 油井示功图
抽油机井采油是目前油田开发中普遍应用的方式，抽油机井的管理水平的好坏，关系到油田整体经济效益的高低。要做好抽油机井的生产管理工作，必须取准取全各项生产资料，制定抽油机井合理的工作制度，不断进行分析，适应不断变化的油藏动态，加强并提高抽油机井的日常管理水平。
分析和解释示功图，就是直接了解深井泵工作状况好坏的一个主要手段，不但深井泵工作中的一切异常现象可以在示功图上比较直观的反映出来，而且，还可以结合有关资料，来分析判断油井工作制度是否合理，抽油设备与油层和原油性质是否适应，还可以通过“示功图法”对低产、低能井制定出合理的开关井时间，减少设备的磨损和电能的浪费等。
实测示功图受到多种因素的影响，形状千变万化，要制定一套图形模板来解释示功图是不现实的［３］。因此，在分析示功图时，既要全面地了解油井的生产情况、设备状况和测试仪器的好坏程度，
根据多方面的资料综合分析，又要善于从各种因素中，出引起示功图变异的主要因素，这样才能做出正确的判断。
４ 卷积神经网络识别示功图
卷积神经网络识别示功图系统由两个主要部分组成，即示功图样本库、示功图诊断模型。
陈蓉 海藻４．１ 示功图样本库
示功图样本库是由不同工况的示功图的图像组成，包括正常功图、供液不足功图、杆断功图、泵漏功图和管漏功图。为提高示功图诊断符合率，样本库每种工况选取了５００张示功图作为学习样本
。
触摸笔
图１ 部分示功图样本
４．２ 示功图诊断模型
Ｉｎｃｅｐｔｉｏｎ网络是ＣＮＮ分类器发展史上一个重
要的里程碑。在Ｉｎｃｅｐｔｉｏｎ出现之前，大部分流行
ＣＮＮ仅仅是把卷积层堆叠得越来越多，使网络越来
越深，以此希望能够得到更好的性能。Ｉｎｃｅｐｔｉｏｎ为
Ｇｏｏｇｌｅ开源的ＣＮＮ模型，至今已经公开四个版本，
每一个版本都是基于大型图像数据库ＩｍａｇｅＮｅｔ中
的数据训练而成。因此我们可以直接利用Ｇｏｏｇｌｅ
的Ｉｎｃｅｐｔｉｏｎ模型来实现图像分类。本文以Ｉｎｃｅｐ－
ｔｉｏｎｖ３模型为基础，通过各工况的示功图的训练，实
现示功图辅助诊断的功能。在训练过程中，为提高
识别率，对训练迭代次数和学习样本进行了优化，最
终实现了训练准确率７５％。
ｆｌｕｉｄｄｅｆｉｃｉｅｎｃｙ（ｓｃｏｒｅ＝０．７０１５７）
ｖａｎｌｅａｋｉｎｇ（ｓｃｏｒｅ＝０．１２５９２）
ｔｕｂｉｎｇｌｅａｋｉｎｇ（ｓｃｏｒｅ＝０．１１４９４）
ｒｏｂｂｒｅａｋ（ｓｃｏｒｅ＝０．０５４５９）
ｎｏｒｍａｌ（ｓｃｏｒｅ＝０．００２９８
）
９
２ ２０１９年第２期 王万庆 卷积神经网络在ＰＣＳ系统辅助诊断油井示功图的研究
华北油田采油二厂热洗药剂的评价与研发
葛东文，王云川，田中太，张艳辉，朱可华，姜 红
（１．华北油田公司第二采油厂；河北霸州 ０６５７００；２．中国石油大学，山东东营 ２５１５００；
３．胜利油田临盘采油厂，山东德州 ０６５７００）
摘 要：针对华北油田第二采油厂的智能环保洗井工艺系统，研发出配套的复合高效热洗药剂。通过室内实验，评价了复合高效洗井药剂分散原油能力、溶蜡能力、防蜡能力、防腐防垢能力，在华北油田采油二厂实施了十三口井，取得了良好的应用效果，证明了复合高效热洗药剂具有超强的清洗能力，及较好的推广应用前景。
关键词：复合高效热洗药剂；清洗；溶蜡；防蜡
中图分类号：ＴＥ９３ 文献标识码：Ａ 文章编号：１００６—７９８１（２０１９）０２—００３０—０３
油井修井作业是维护抽油井正常生产的重要措施，油田生产过程中，多数抽油井都定期或不定期进行修井作业。原油开采过程中，随着温度压力下降，原油中的蜡晶析出，附着和沉积在井筒管壁及抽油杆上，原油含蜡越高，覆盖在油杆上的原油及蜡垢越厚。常规作业工艺提出的抽油杆表面包裹着一层原油，携带着井筒内的原油流淌滴落，导致井口附近的地面土壤环境遭到污染，其轻质组分的挥发性
和易燃性不但污染空气，伤害生态环境，还可能引发火灾。华北油田采油二厂开创了绿环保洗井工艺－－作业前封闭洗井，复合高效热洗药剂将井筒内及抽油杆上附着的原油清洗掉，油污顺油井输油管道排走，使作业起出的抽油杆干净无污，不滴不流安全环保，保障了地处雄安新区的华北油田正常开发生产。
１ 热洗药剂的作用原理
热洗药剂由于含有蜡晶改进剂和分散剂，通过分散作用将含蜡原油中蜡晶分散，使晶粒变细小不易互相结合，随热洗液携带出油井；分散作用亦使沉积在井壁上的原油蜡块脱落。脱落的蜡块再继续分散成小蜡块和小晶粒并悬浮在热洗水中，随热洗液流携带流出油井。
复合高效洗井液是以多种表面活性剂复配而形成的一种可以清洗原油油污，特别针对华北油田高含蜡原油有较强的清洗能力，其体系特点为：①溶解力强：由于体系中含有多种表面活性剂，可以很好的溶解附着在稠油杆壁上的油污，这些油污的主要成分为原油中胶质、沥青质、蜡质等的沉积。②分散力好：体系内甜菜碱等表面活性剂含有亲水疏水基团，可以使溶解的原油组分分散于水中，形成微米级的液滴，扩大洗井液与油垢的接触面积，提高清洗效率，达到彻底清洗的目的。③返排方便：体系同时具有亲水和疏水基团，使水溶液表面被一层活性分子覆盖，达到降低表面张力的良好作用，
櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗櫗
櫗櫗櫗櫗櫗
利于注入及返
４ 结束语
中国石化油气生产运行指挥系统（ＰＣＳ）的建设，使采油过程的数据不再零散、非结构化的存储，数据的集中、结构化的存储奠定了机器学习的数据基础。卷积神经网络在图形分类有着广泛的应用，是机器学习重要的算法之一，本文利用卷积神经网络的经典模型Ｉｎｃｅｐｔｉｏｎ Ｖ３，实现了ＰＣＳ系统的示功图辅助诊断，且后期可通过学习样本的丰富，提高诊断成功率。后挂式耳机
［参考文献］
［１］ ＬｅＣｕｎＹ，ＢｏｔｔｏｕＬ，ＨａｆｆｎｅｒＰ，ＨａｆｆｎｅｒＰ．Ｇｒａ－
ｄｉｅｎｔ－Ｂａｓｅｄ ｌｅａｒｎｉｎｇ ａｐｐｌｉｅｄ ｔｏ ｄｏｃｕｍｅｎｔ
ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］．／／Ｐｒｏｃ．ＩＥＥＥ，１９９８．ＵＳＡ；
ＩＥＥＥ，１９９８：２２７８～２３２４．
［２］ Ｓｔｅｖｅ Ｌａｗｒｅｎｃｅ，Ｃ Ｌｅｅ Ｇｉｌｅｓ，Ａｈ ＣｈｕｎｇＴｓｏｉ，Ａｎｄｒｅｗ Ｄ Ｂａｃｋ．ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎ：Ａ
Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｐｐｒｏａｃｈ
［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ
（Ｓ１０４５－９２２７），１９９７，８（１）：９８～１１３．［３］ 刘益江，张学臣，李伟，等．抽油井示功图综合解释［Ｊ］．油气田地面工程，２００７，（２６）８：３～５．
０
３内蒙古石油化工 ２０１９年第２期 ＊收稿日期：２０１８－１２－２１
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议