[发明专利]抽油机井工况的识别方法及装置

说明书

本发明实施例提供一种抽油机井工况的识别方法及装置，其中方法包括：获取抽油机井的待识别示功图；将所述待识别示功图输入至预先训练的机器学习模型中，输出所述待识别示功图对应的工况类型的概率分布；其中，所述机器学习模型以示功图样本集中的各示功图样本作为训练样本，以各示功图样本对应的工况类型作为样本标签训练而成。本发明实施例具有不依赖于标准功图的优势，利用实际测量的示功图样本即可对抽油机井工况进行准确识别。

技术领域

本发明涉及油气开采技术领域，更具体地，涉及抽油机井工况的识别方法及装置。

背景技术

在油气生产过程中，示功图描述了抽油泵往复运动时载荷随着位移的变化规律，可以反映抽油泵的工作状况。因此，结合生产资料、管杆信息等信息，可以利用示功图诊断抽油机井的工况，为调整生产参数、实现节能高效开采提供有力的依据。

示功图在油气生产过程中发挥着重要的作用，但是如何准确高效地识别示功图一直是油气行业面临的一个重大问题。目前识别示功图的方法主要有BP神经网络法、几何特征法、灰度矩阵共生法、傅里叶描述子、差分曲线法、网格划分法等方法，上述方法具有很大的局限在于：都依赖于标准示功图，但标准示功图在现场往往难以获得。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的抽油机井工况的识别方法及装置。

第一个方面，本发明实施例提供一种抽油机井工况的识别方法，包括：

获取抽油机井的待识别示功图；

将所述待识别示功图输入至预先训练的机器学习模型中，输出所述待识别示功图对应的工况类型的概率分布；

其中，所述机器学习模型以示功图样本集中的各示功图样本作为训练样本，以各示功图样本对应的工况类型作为样本标签训练而成。

进一步地，所述输出所述待识别示功图对应的工况类型的概率分布，之后还包括：

根据所述待识别示功图对应的工况类型的概率分布，计算所述待识别示功图对应工况类型的信息熵；

若所述信息熵不大于第一预设阈值，则将概率分布中概率最大的工况类型作为所述待识别的示功图对应的工况类型。

进一步地，所述计算所述待识别示功图对应工况类型的信息熵，之后还包括：

若所述信息熵大于第一预设阈值，则对所述待识别示功图的工况类型进行人工识别；

根据所述待识别示功图获得新的示功图样本，并存储至所述示功图样本集；

若所述示功图样本集中任意一种工况类型的示功图样本个数达到一定量级，则重新训练机器学习模型。

进一步地，所述机器学习模型的训练方法包括：

将示功图样本集分为训练集和验证集，所述训练集和验证集中的示功图样本均以对应的工况类型作为样本标签；

将所述训练集中的一部分示功图样本的样本标签统一修改为未知；

利用半监督学习算法，根据修改样本标签后的训练集对机器学习模型进行训练并计算训练精度，若训练精度不小于第二预设阈值，则用验证集验证机器学习模型，若验证结果符合预设要求，则训练结束。

进一步地，所述根据修改样本标签后的训练集对机器学习模型进行训练并计算精度，之后还包括：

若训练精度小于所述第二预设阈值，则计算各修改样本标签的训练样本对应工况类型的信息熵；

根据信息熵从大到小的顺序对所述各修改样本标签的训练样本进行排序，将前k个修改样本标签的训练样本的样本标签进行还原，并放回训练集对机器学习模型再次进行训练，直至训练精度不小于第二预设阈值；其中，k为正整数。