夏 峰，陳夕松，錢帥康，姜 磊

（1.東南大學(xué)自動化學(xué)院，江蘇南京 210096；2.南京富島信息工程有限公司，江蘇南京 210061）

我國大部分油田屬于低滲透油田，其豐度低[1]、滲透率低、單井產(chǎn)能低[2]，導(dǎo)致目前采油機(jī)的抽油能力與油井底層供液能力難以精準(zhǔn)匹配，采油機(jī)泵效低，耗電量大，抽油成本高。企業(yè)需要對采油機(jī)井的供液能力實(shí)時分析并制定沖次調(diào)節(jié)策略，實(shí)現(xiàn)采油機(jī)抽油能力與油井供液能力的準(zhǔn)確匹配，達(dá)到節(jié)能增產(chǎn)的目的。

在采油過程中，傳統(tǒng)上企業(yè)常采用動液面來衡量油井的供液能力，但動液面的測量成本較高且在動液面深度較深或受氣體影響時測量結(jié)果并不準(zhǔn)確[3]。隨著示功圖測試技術(shù)的不斷進(jìn)步，目前企業(yè)多憑借人工經(jīng)驗(yàn)從示功圖中定位凡爾開閉點(diǎn)并據(jù)此計(jì)算油井的供液能力[4]。該方法雖彌補(bǔ)了傳統(tǒng)方法的不足，但仍存在實(shí)時性差和人工成本高等問題。

近年來，人工智能技術(shù)的發(fā)展為油井供液能力的定量化分析提供了技術(shù)支撐[5]。卷積神經(jīng)網(wǎng)絡(luò)回歸模型可用于關(guān)鍵點(diǎn)的回歸任務(wù)，這為從示功圖中定位采油機(jī)的凡爾開閉點(diǎn)提供了可能。但前期研究表明，如果簡單的將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于示功圖凡爾開閉點(diǎn)識別這種細(xì)粒度、高精度任務(wù)上，極易導(dǎo)致網(wǎng)絡(luò)模型存在精度和空間泛化能力上的不足。因此，亟需一種為凡爾開閉點(diǎn)識別任務(wù)定制化的卷積神經(jīng)網(wǎng)絡(luò)回歸模型來解決上述問題。

1 方案設(shè)計(jì)

采用深度學(xué)習(xí)網(wǎng)絡(luò)提取示功圖圖像特征進(jìn)行訓(xùn)練，首先需要對原始的示功圖二維數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理并繪制成示功圖圖像；然后為示功圖圖像數(shù)據(jù)集標(biāo)定凡爾開閉點(diǎn)標(biāo)簽并將其劃分為訓(xùn)練集、驗(yàn)證集和測試集；最后構(gòu)建適合凡爾開閉點(diǎn)識別任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型并通過訓(xùn)練集和驗(yàn)證學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，根據(jù)測試集結(jié)果評估其泛化能力。

1.1 數(shù)據(jù)預(yù)處理

對原始的示功圖二維數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理并繪制成示功圖圖像，主要步驟如下：

（1）由于傳感器等不穩(wěn)定因素，原始的示功圖數(shù)據(jù)可能存在異常數(shù)據(jù)。本文將超出示功儀位移及載荷量程的數(shù)據(jù)定義為異常數(shù)據(jù)，對其進(jìn)行過濾剔除以保證數(shù)據(jù)集的正確性。

（2）將過濾后的示功圖位移及載荷數(shù)據(jù)歸一化映射到［0，1］的范圍內(nèi)，對過濾后的示功圖位移x=［x1，x2，…，xm］和載荷f=［f1，f2，…，fm］，歸一化公式如下：

式中：m-每個示功圖原始樣本數(shù)據(jù)集中位移和載荷的采樣點(diǎn)數(shù)；xmax-抽油機(jī)的最大沖程；fmax-抽油機(jī)的最大載荷。

（3）新建w×h 的二維網(wǎng)格，將（2）中的歸一化結(jié)果映射到該網(wǎng)格坐標(biāo)中并進(jìn)行向下取整，得到網(wǎng)格化后位移和載荷數(shù)據(jù)對應(yīng)的像素點(diǎn)坐標(biāo)r 和c，兩者間的映射關(guān)系如下：

在本文中，考慮到深度學(xué)習(xí)網(wǎng)絡(luò)常用到的輸入圖片大小及格式，設(shè)置w=h=256。

（4）將（3）中得到的示功圖二維像素坐標(biāo)點(diǎn)按照順序兩兩相連至最后一點(diǎn)，形成封閉曲線，并借助OpenCV 庫的工具將該二維網(wǎng)格可視化為示功圖圖像，圖像尺寸為w×h。

1.2 標(biāo)簽生成及數(shù)據(jù)集劃分

對繪制完成的示功圖圖像，從中標(biāo)注出四個凡爾開閉點(diǎn)：固定凡爾開啟點(diǎn)A、固定凡爾關(guān)閉點(diǎn)B、游動凡爾開啟點(diǎn)C 和游動凡爾關(guān)閉點(diǎn)D，并通過圖像處理工具LabelMe 生成四個點(diǎn)的像素點(diǎn)坐標(biāo)值（rA，cA）、（rB，cB）、（rC，cC）和（rD，cD），為了消除量綱影響，讓網(wǎng)絡(luò)模型更快的收斂，將像素點(diǎn)坐標(biāo)值歸一化至［-1，1］作為該示功圖圖像的標(biāo)簽，歸一化公式如下：

采用留出法將標(biāo)定好的示功圖圖像數(shù)據(jù)集及其標(biāo)簽按照固定比例6:2:2 劃分為訓(xùn)練集、驗(yàn)證集和測試集。

1.3 構(gòu)建網(wǎng)絡(luò)模型

本文采用融合了特征金字塔、高斯熱力圖和注意力機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)模型提取示功圖圖形特征并識別功圖的四個凡爾開閉點(diǎn)，具體網(wǎng)絡(luò)結(jié)構(gòu)（見圖1）。相較于傳統(tǒng)的關(guān)鍵點(diǎn)識別任務(wù)中使用到的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，本文的模型根據(jù)凡爾開閉點(diǎn)識別任務(wù)的特殊性做了以下三點(diǎn)改進(jìn)：

圖1 凡爾開閉點(diǎn)智能識別模型網(wǎng)絡(luò)結(jié)構(gòu)圖

（1）在提取特征的主干網(wǎng)絡(luò)中嵌入了注意力機(jī)制模 塊Convolutional Block Attention Module（CBAM），CBAM 是一種結(jié)合了空間和通道的注意力機(jī)制模塊。注意力機(jī)制是一種聚焦于局部信息的機(jī)制，它的本質(zhì)是定位到重要的信息，抑制無用的信息?？臻g注意力機(jī)制是尋找圖像中對任務(wù)貢獻(xiàn)最大的區(qū)域并讓網(wǎng)絡(luò)聚焦于該區(qū)域，而通道注意力是讓網(wǎng)絡(luò)關(guān)注于圖像中對任務(wù)重要性更高的特征。本文的凡爾開閉點(diǎn)識別任務(wù)屬于一種細(xì)粒度的定位任務(wù)，因此需要引入CBAM 模塊增加主干網(wǎng)絡(luò)的表征能力，讓網(wǎng)絡(luò)模型定位到對識別凡爾開閉點(diǎn)有價(jià)值的圖片區(qū)域并關(guān)注該區(qū)域中對識別凡爾開閉點(diǎn)更有價(jià)值的特征。

（2）將主干網(wǎng)絡(luò)提取到的不同尺度的特征進(jìn)行特征融合。本文采用特征金字塔網(wǎng)絡(luò)Feature Parymid Network（FPN）自上而下融合特征，融合后的特征同時利用了高分辨率的低層特征和具有語義信息的高層特征，而凡爾開閉點(diǎn)的定位任務(wù)也需同時結(jié)合這兩種維度的特征。將不同層級的融合特征圖分別用于凡爾開閉點(diǎn)識別任務(wù)，不僅能夠測試不同尺度特征對凡爾開閉點(diǎn)的檢測能力，還能夠通過特征層級的分辨率來控制高斯熱力圖的分辨率。

（3）以高斯熱力圖Heatmap 的方式代替?zhèn)鹘y(tǒng)全連接層來預(yù)測最終的凡爾開閉點(diǎn)坐標(biāo)。采用傳統(tǒng)的全連接層直接回歸四個凡爾開閉點(diǎn)的做法優(yōu)點(diǎn)是整個網(wǎng)絡(luò)的輸出即為坐標(biāo)點(diǎn)，同時整個模型的訓(xùn)練速度較快。但采用全連接層作為最終預(yù)測層會使得網(wǎng)絡(luò)模型缺乏空間泛化能力，即讓網(wǎng)絡(luò)丟失了特征圖上的空間信息?；诟咚篃崃D輸出凡爾開閉點(diǎn)，其輸出的特征圖較大，空間泛化能力強(qiáng)，能夠讓網(wǎng)絡(luò)模型學(xué)習(xí)到凡爾開閉點(diǎn)空間信息和點(diǎn)之間的相對位置關(guān)系，從而保證網(wǎng)絡(luò)模型的平移等價(jià)性，這在載荷經(jīng)常上下波動的示功圖圖像中尤為重要。

1.4 模型訓(xùn)練及測試

本文選取某原油開采企業(yè)2020 年1 月1 日到2020 年1 月25 日期間8 口抽油機(jī)井的示功圖原始二維數(shù)據(jù)生成的示功圖圖像共8 672 張按照6:2:2 的比例構(gòu)建訓(xùn)練集5 204 張、驗(yàn)證集1 734 張和測試集1 734 張，模型在訓(xùn)練集和驗(yàn)證集上的損失函數(shù)值變化趨勢（見圖2）。

圖2 損失函數(shù)值變化趨勢圖

將測試集數(shù)據(jù)輸入至訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，并根據(jù)模型預(yù)測的結(jié)果，將預(yù)測的凡爾開閉點(diǎn)坐標(biāo)通過OpenCV 庫可視化至輸入圖片中，結(jié)果表明在幾種典型工況下，該模型均能準(zhǔn)確識別出示功圖的四個凡爾開閉點(diǎn)（見圖3）。

圖3 測試集結(jié)果示例

1.5 量化供液能力

首先將采油機(jī)實(shí)時工況記錄的示功圖輸入至訓(xùn)練完成的深度學(xué)習(xí)網(wǎng)絡(luò)模型中獲取對應(yīng)的凡爾開閉點(diǎn)標(biāo)簽（｛xA，yA），（xB，yB），（xC，yC），（xD，yD）｝，然后根據(jù)凡爾開閉點(diǎn)標(biāo)簽計(jì)算凡爾開閉點(diǎn)的像素點(diǎn)坐標(biāo)值，計(jì)算公式如下：

接著根據(jù)凡爾開閉點(diǎn)識別像素點(diǎn)坐標(biāo)值計(jì)算抽油機(jī)的有效沖程Spe，計(jì)算公式如下：

最后，根據(jù)有效沖程Spe和采油機(jī)運(yùn)行時沖程S 的比值量化供液能力指標(biāo)β：

1.6 消融實(shí)驗(yàn)

為了驗(yàn)證本文提出的深度學(xué)習(xí)網(wǎng)絡(luò)模型中特征金字塔、高斯熱力圖和注意力機(jī)制對凡爾開閉點(diǎn)定位的有效性，本文使用同樣的數(shù)據(jù)集和訓(xùn)練參數(shù)進(jìn)行消融實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果用測試集誤差和是否具有平移等價(jià)性這兩個指標(biāo)衡量，測試集誤差通過計(jì)算測試集的標(biāo)簽和實(shí)際預(yù)測結(jié)果間的均方根誤差得出，是否具有平移等價(jià)性則表示網(wǎng)絡(luò)模型的輸出是否會隨輸入圖像的平移變換做出等價(jià)的平移變換，實(shí)驗(yàn)結(jié)果（見表1）。

表1 消融實(shí)驗(yàn)結(jié)果

首先，移除高斯熱力圖預(yù)測模塊并通過傳統(tǒng)的全連接層點(diǎn)回歸的方式預(yù)測關(guān)鍵點(diǎn)位置，實(shí)驗(yàn)結(jié)果表明，網(wǎng)絡(luò)模型的測試集誤差上升，同時模型也失去了平移等價(jià)性（見圖4）。然后，再移除網(wǎng)絡(luò)中的CBAM 注意力機(jī)制模塊，實(shí)驗(yàn)結(jié)果表明雖然整個測試集誤差上升較少，但在游動凡爾開啟點(diǎn)上的預(yù)測精度下降了很多（見圖4）。最后，移除網(wǎng)絡(luò)模型中的FPN 模塊，實(shí)驗(yàn)結(jié)果表明，由于特征提取網(wǎng)絡(luò)的輸出特征圖只包含高層的語義信息且特征圖尺寸較小，導(dǎo)致最終預(yù)測的高斯熱力圖出現(xiàn)了分辨率大幅下降的情況。

圖4 網(wǎng)絡(luò)模型測試結(jié)果

2 應(yīng)用研究

本文選取某原油開采企業(yè)9 臺抽油機(jī)的示功圖原始數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。以2020 年3 月至2020 年5 月之間的數(shù)據(jù)構(gòu)建示功圖數(shù)據(jù)集，分析本文方法對抽油機(jī)供液能力識別的有效性。

在網(wǎng)絡(luò)模型完成訓(xùn)練后，以某原油開采企業(yè)一口抽油機(jī)井在2021 年2 月的示功圖原始數(shù)據(jù)作為實(shí)際應(yīng)用對象，引入本文提出的供液能力智能識別算法。在2月18 日時，算法自動檢測到此時抽油井的供液能力低于正常閾值，此時的示功圖（見圖5），智能識別算法的識別結(jié)果為 {（-0.69，-0.67），（0.90，-0.38），（-0.48，0.55），（-0.94，-0.33）}，分別對應(yīng)固定凡爾開啟點(diǎn)A 的標(biāo)簽值（-0.69，-0.67），固定凡爾關(guān)閉點(diǎn)B 的標(biāo)簽值（0.90，-0.38），游動凡爾開啟點(diǎn)C 的標(biāo)簽值（-0.48，0.55）和游動凡爾關(guān)閉點(diǎn)D 的標(biāo)簽值（-0.94，-0.33），將這些標(biāo)簽值按照式（4）反歸一化后得到四個點(diǎn)的像素點(diǎn)坐標(biāo)為：固定凡爾開啟點(diǎn)A 的像素點(diǎn)坐標(biāo)（39.68，42.24），固定凡爾關(guān)閉點(diǎn)B 的像素點(diǎn)坐標(biāo)（243.20，79.36），游動凡爾開啟點(diǎn)C 的像素點(diǎn)坐標(biāo)（66.56，198.40）和游動凡爾關(guān)閉點(diǎn)D 的像素點(diǎn)坐標(biāo)（7.68，-85.76），根據(jù)這四個凡爾開閉點(diǎn)的像素點(diǎn)坐標(biāo)和式（5）計(jì)算其有效沖程Spe為1.38 m，最后由公式（6）計(jì)算出供液能力指標(biāo)β 為23%，該值小于由專家設(shè)定的沖次下調(diào)供液能力指標(biāo)閾值，因此選擇以0.1 的步長向下調(diào)整抽油機(jī)沖次，調(diào)節(jié)周期為1 d，在經(jīng)過兩日的沖次調(diào)節(jié)后，該抽油機(jī)井經(jīng)濟(jì)效益有所上升（見表2）。

圖5 實(shí)時工況示例圖

表2 沖次調(diào)節(jié)后油井生產(chǎn)數(shù)據(jù)

由上述分析可知，本文提出的油井供液能力智能識別算法，能夠?qū)崟r監(jiān)測抽油機(jī)井供液能力的變化，從而根據(jù)供液能力指標(biāo)動態(tài)調(diào)節(jié)抽油機(jī)沖次。通過本文提出的方法可以實(shí)現(xiàn)實(shí)時、準(zhǔn)確的抽油機(jī)供液能力識別，為后續(xù)油井的智能控制提供可靠的調(diào)節(jié)依據(jù)。

3 結(jié)語

本文提出了一種基于示功圖的油井供液能力智能識別方法，該方法基于采油過程中生成的示功圖，搭建卷積神經(jīng)網(wǎng)絡(luò)回歸模型識別示功圖的凡爾開閉點(diǎn)。通過在網(wǎng)絡(luò)模型中融合高斯熱力圖、特征金字塔和注意力機(jī)制以滿足凡爾開閉點(diǎn)識別任務(wù)對細(xì)粒度和高精度的需求，從而準(zhǔn)確高效地識別四個凡爾開閉點(diǎn)并據(jù)此實(shí)時量化采油機(jī)井的供液能力，為后續(xù)的沖次調(diào)節(jié)和間抽控制提供可靠的理論支撐。相較于傳統(tǒng)方法，該方法在識別實(shí)時性上提升顯著，滿足了企業(yè)工程應(yīng)用需求，對降低抽油機(jī)系統(tǒng)能耗，增加油田產(chǎn)量具有良好的應(yīng)用價(jià)值。