油田機采過程高精度建模與生產優(yōu)化應用研究.pdf

1、油田是產能大戶，也是耗能大戶。機械采油是油田主要耗能方式，但其效率普遍不足30％，若每臺采油設備節(jié)省一點能耗，則效益驚人。如何進一步提升抽油機井采油技術和管理水平成為油田普遍關心和亟待解決的關鍵問題。數字化油田的發(fā)展使井上井下布置了大量檢測裝置，記錄了豐富詳實的工況參數與產量、能耗數據，這意味可由數據挖掘技術，從大量生產數據中挖掘采油工藝潛在規(guī)律，并用數學模型描述；再通過智能優(yōu)化技術從獲取的工藝規(guī)律中尋找最佳的生產參數，以使得機采系統(tǒng)實

2、時保持最佳運行狀態(tài)，實現節(jié)能增效。為此，本文針對油田機采系統(tǒng)數據挖掘技術和生產參數智能優(yōu)化技術的關鍵科學問題展開深入研究，以油田機采系統(tǒng)為研究對象，通過理論研究、仿真實驗及軟件開發(fā)促進油田機采系統(tǒng)實現自主建模、智能優(yōu)化和自動決策，具體包括以下內容：
　　(1)提出基于無跡粒子濾波神經網絡(UPFNN)的油田機采系統(tǒng)動態(tài)演化建模方法。建立精準的機采工藝模型是實現生產優(yōu)化的前提。由于機采系統(tǒng)受機械、地層、人為等不確定因素影響，難以準確

3、掌握其生產參數、環(huán)境變量與系統(tǒng)性能之間的變化關系，為此本文提出利用無跡粒子濾波實時更新神經網絡的權值和閾值，建立基于無跡粒子濾波神經網絡子空間逼近的機采系統(tǒng)非線性動態(tài)演化模型。該方法利用無跡卡爾曼濾波對粒子進行估計，產生重要性密度，并更新粒子，以提高提高粒子濾波精度，從而改善神經網絡建模精度。
　　(2)提出基于偏好多目標優(yōu)化的油田機采過程生產參數優(yōu)化方法。油田為實現油藏的科學、合理化開采，通常需要根據油藏分布從全局上設計出各采油

4、區(qū)在一段時間內的開采量（即給定生產制度）。因此，機采系統(tǒng)優(yōu)化不能以采油量最大和用能最低為目標，而應該以采油量接近某一給定值和用能最低作為優(yōu)化目標。此外，油田機采系統(tǒng)生產優(yōu)化是在各種約束條件下求取目標函數的最優(yōu)值，屬于復雜的非線性優(yōu)化問題，應用傳統(tǒng)優(yōu)化理論往往遇到困難。帶精英策略的非支配排序遺傳算法通過計算個體之間的擁擠度來回避共享參數指定問題，并采用精英策略保存父代種群的優(yōu)秀個體，可實現多目標并行優(yōu)化。這使得其在處理工業(yè)過程問題復雜、高

5、維、難以解析得到的優(yōu)化模型時比傳統(tǒng)優(yōu)化方法更具優(yōu)勢。為此，本文首先結合無跡粒子濾波神經網絡建立的機采過程模型和面向生產制度的偏好函數，構建偏好多目標優(yōu)化模型，然后采用帶精英策略的非支配排序遺傳算法求解生產參數的Pareto解集，再通過有序加權獲得Pareto解集上每個方案的綜合評價，最終獲得最佳方案。
　　(3)開發(fā)數字化油田抽油機群調度優(yōu)化決策支撐系統(tǒng)。為實現理論指導實際生產，本文將上述理論研究通過C#與MATLAB混合編程方式