高含水油田調驅過程控制智能優化方法

王 甜，馬旭東，田兵兵，劉小江

（延安雙豐集團有限公司，延安 716000）

在當今工業化發展勢頭迅猛的時代背景下，石油成為了每一個國家發展的不可或缺的戰略資源。作為一種不可再生資源，石油被稱為“工業血液”，關系到一個國家的發展甚至安全。因此，石油資源的開發開采問題不置可否地成為了我們國家需要解決的當務之急，同時也是國家發展戰略中的重中之重。高含水油田智能定點調驅優化以提高采收率和降低成本為目標，是目前石化技術重點發展方向。傳統油田調驅技術是油田開發中常用的技術手段[1-3]，包括水平井水驅調控技術、聚合物微球深部調驅技術、井下油水分離技術。在傳統油田調驅技術中，通過調整注采比例、改變油藏滲透率和孔隙度等特性[4]，從而達到提高采收率的目的。智能油田調驅技術是一種利用人工智能、大數據分析等新一代信息技術手段[5]，結合傳統油田調驅技術，實現油田采收率、生產效率和資源利用率的智能化優化技術。相對于傳統油田調驅技術，智能油田調驅技術更注重數據分析和預測模型的建立，以數據為基礎、以智能模型為支撐，實現對油田生產的全過程、全方位的智能化管理，包括人工智能壓裂新技術、智能納米驅油新技術、“2-D 智能納米黑卡”驅油控水技術。水平井水驅調控技術的應用對于解決主力油藏開發中的問題起到了積極的作用，油藏開發面臨儲層非均質性強、天然微裂縫發育等挑戰，導致水平井開發區出現含水上升速度快、產量遞減大、來水方向復雜等問題，傳統的注采調控手段難以解決這些問題，制約了水平井的高效開發。人工智能優化壓裂技術，不僅可以使產量提高10%～40%，還可以降低整體壓裂作業成本，該技術需要在壓裂液的組成、配比及噴射方向，壓裂泵的功率配備、運行參數、壓裂段數、每段射孔的簇數、簇間距等方面，針對不同區塊的儲層特點及裂縫特征進行優化設計。在某些油田中，已經建成了自動化采集和監控系統，用于實時監控油水井和生產設備等。這些系統使用智能油井遠程監控系統或油田抽油機數據采集實時監控系統，可以實時監測抽油機的運行狀態和井口生產數據。此外，系統還能夠實現抽油機的遠程啟?？刂?，并能及時發現設備故障并自動報警，以便進行及時維修。這些系統的應用保障了油田采油作業的正常運行，并提高了作業效率。高含水油田是一種典型的難采油藏，其開采難度大、成本高、環境風險大等問題一直是油田開發的難點。以往的油田調驅優化研究中，常采用傳統的統計分析方法，或者基于人工神經網絡、支持向量機等機器學習算法進行預測和優化。然而，這些方法存在著一些局限性，例如，非線性擬合能力較差、對噪聲敏感等。為了有效提高高含水油田的采收率，降低開采成本，需要采用先進的技術手段進行調驅優化。小波算法作為一種新興的信號處理和分析技術，被廣泛應用于油田調驅優化領域。小波算法可以對信號進行多尺度、非線性分析，具有多分辨率分析、局部性等優點[6]，在油田調驅優化中，采用小波算法對油藏動態變化過程進行分析和預測，可以提高采收率和降低成本。因此，將小波算法應用于高含水油田智能定點調驅優化技術中，具有重要的應用價值和推廣前景。

1 高含水油田調驅系統整體方案

油田調驅系統整體設計方案使用圖像處理融合的方法，如圖1 所示。本裝置使用現場優化監控系統對油田成分實時優化，現場加裝帶旋轉攝像頭，攝像系統可以360°旋轉。方案采用工業CCD 攝像頭，將不同角度的拍攝視頻通過云端上傳PC，將處理后的圖像與具有Sobel 算子的算法相結合進行分析，最后使用DSP 芯片處理接收信息。

圖1 油田調驅優化系統示意圖Fig.1 Schematic diagram of oilfield profile control and flooding detection system

該系統采用TI 公司ADS5422 和DSP 芯片TMS-320C6203B，采集30 MHz、20 ms 高速數據，對模擬信號進行數字化處理，在PC 端處理數據，通過互連設備發送共享調驅過程數據，通過無線傳輸將分析數據傳送到PDA、平板電腦等智能設備。

2 高含水油田調驅決策優化方案

在油田調驅過程傳感器檢測中，紅外線單元的原理是依靠傳感器的熱敏感性發現溫度異?，F象，進而決策優化設備位置，由于調驅過程的熱能變化這一特性，故紅外傳感器能夠比其他傳感器更易于獲取數據。雖然紅外線已普遍部署，但檢測難以長時間持續，實時性的要求不容易滿足，故還添加了超聲模塊。當油田調驅過程出現工況變化，會產生沖擊波，從而被超聲波傳感器感應到，超聲波傳感器接收到的模擬信號在經過數字化處理、濾波放大處理之后，可以用于維修人員進行科學檢查處理。超聲波的優點是本身不會受到工作現場的強電磁信號的干擾，缺點是設備工作現場的干擾以及設備內部的復雜結構會引起超聲波衰減、損耗，出現較大誤差。脈沖電流檢測單元可以檢測調驅設備的電流信號，通過記錄設備的電流波形和頻譜分析波形和頻譜，判斷調驅過程是否需要決策優化，并定位調驅位置和調驅優化類型，從而實現對調驅過程的決策優化。采用脈沖電流法采集油田調驅過程的檢測信號，進行小波變換處理，可以得到高含水油田調驅過程數據頻譜圖。對獲取到的頻譜圖進行圖像預處理，對圖像歸一化和灰度化操作，同時劃分出訓練樣本集；對不同類型的局部放電灰度圖像進行Sobel 特征處理，形成Sobel 特征向量，將提取的Sobel 特征向量送入分類器，實現調驅過程狀態識別。選擇無噪聲方差的GCV 閾值選擇函數來確定小波閾值，并利用果蠅優化算法進行自動搜索調參[7]，計算GCV 閾值選擇函數的閾值優化，同時將模擬退火算法的思想和人工調整因子引入果蠅優化算法進行優化。

2.1 GCV 閾值選取函數

本文選取的GCV 閾值選擇函數是通過廣義交叉驗證得到的閾值，在一定程度上是基于最小均方誤差的最優解。該方法在閾值選取過程中不需要噪聲方差的參與，廣義交叉驗證（GCV）準則的閾值選擇函數的表達式為

式中：N0為經過閾值處理后的小波的數量；N 為尺度變換下的高頻率小波的數量；為高頻率小波系數；為經過閾值處理后的高頻率小波系數。當GCV 的值最小時，此時的閾值即為當前的最優閾值：

采用GCV 閾值選取函數時，小波系數的閾值處理也參與運算，閾值的信號均方差的表達式為

式中：vj，k表示原始信號的高頻小波系數；當N 取較大值時，如果能夠得到當前情況下的閾值m 為最優閾值，MES 一定存在最小值，即：

設E 為數學期望，推導可得當N→∞有：

存在λm的某個領域范圍內，有如下情況：

綜上所述，采用GCV 閾值，提高了整體算法的準確性。

2.2 果蠅優化算法

果蠅在尋找食物時，先利用嗅覺確定食物的大概位置，然后沿著位置的方向搜索，再依靠視覺系統確定食物源的大概位置和其他果蠅的位置，最后根據位置之間的特殊關系飛向食物所在的方向。果蠅尋找食物的示意圖如圖2 所示。

圖2 果蠅搜尋食物示意圖Fig.2 Schematic diagram of fruit fly searching for food

通過進化果蠅的覓食過程，果蠅的優化算法可以分為3 個步驟：

（1）參數初始化：首先需要設置果蠅的種群數量和初始位置，種群數量決定了算法的搜索能力，而初始位置則影響了搜索的起點和探索范圍，合理的參數設置可以提高算法的性能和收斂速度。

（2）嗅覺搜索：在嗅覺搜索階段，果蠅通過嗅覺系統感知周圍環境，確定食物的方向，并沿著食物方向進行搜索。這一步驟類似于算法中的局部搜索過程，通過利用局部信息來尋找當前最優解。果蠅優化算法通常采用隨機擾動的方式來增加搜索的多樣性，以克服局部最優解陷阱。

（3）視覺搜索：在視覺搜索階段，果蠅通過視覺系統判斷自身與果蠅種群和食物源之間的位置關系，并根據位置關系飛向食物源。這一步驟類似于算法中的全局搜索過程，通過利用全局信息來尋找更優的解。果蠅優化算法通常采用一種自適應的策略來平衡局部搜索和全局搜索，以保持搜索的多樣性和收斂性。

2.3 改進小波變換閾值選取算法

根據果蠅算法原理，果蠅在搜索食物時步長是隨機的，步長設置如下：

式中：l 為果蠅搜索的初始化步長；Rand（）為0～1 上的隨機函數；L 的范圍在0～1 之間。在處理問題時，傾向于在迭代初期選擇較大的搜索步長，以保證最優解在其搜索范圍內，從而保證算法的搜索效率。以下公式是對步長的改進：

3 實驗驗證與分析

3.1 實驗軟硬件環境介紹

實驗運行軟硬件環境如表1 所示。

表1 實驗硬件描述Tab.1 Experimental hardware description

3.2 實驗過程及結果

圖3 為油田調驅測試點示意圖，選擇4 個不同位點，對決策優化效果實驗。

圖3 油田調驅測試點Fig.3 Electrical equipment testting points

本實驗選取A、B、C、D 4 個位點，實驗設定次數為40 次，通過實驗分析系統算法的有效性，主要用到的實驗方案有以下4 種。

（1）Bayes 方案：基于關聯規則的分類算法，算法的分類過程主要包括：尋找類別屬性值；從已發現的類別關聯規則中，優先挑選出高優先度的規則。將這種規則作為最終的分類結果。Bayes 基本公式如下：

（2）Fisher 方案：目標是選擇一個投影軸，使得同類樣本在該軸上的投影值的類內方差最小，而不同類樣本的投影值的類間方差最大?？梢詫⒃紨祿诒Ａ纛悇e信息的同時，將其映射到低維空間。目標函數如下：

（3）改進小波變換方案：本文使用改進小波變換閾值去噪算法進行油田設備調驅決策優化，選用不需要噪聲方差參與的GCV 閾值選取函數確定小波閾值，并使用結合了模擬退火算法的思想和人工調節因子的果蠅尋優算法進行訓練。

（4）徑向基函數神經網絡（radical basis function，RBF）方案：

式中：ci為指定中心點；σ2為RBF 函數的作用范圍，值越小，說明作用范圍越寬，反之則越窄。徑向基函數神經網絡具有其他前向網絡所不具有的最佳逼近性能和全局最優。

為了證明本文改進的油田調驅優化的性能，進行對比實驗，如表2 所示。對于未安裝攝像頭的測試，3 種方法的準確率均明顯低于使用攝像頭的情況，可以看到加裝旋轉攝像頭對提高精度有較大作用。

表2 與其他方法比較結果Tab.2 Compare results with other methods

4 結語

本研究基于高含水油田智能定點調驅結合圖像處理技術和傳感器技術，引入旋轉攝像頭和脈沖電流單元，同時提出了一種基于引入小波變換的電測法對油田調驅設備進行決策優化的方法，有效地優化了設備的決策問題。實驗結果表明，旋轉攝像頭和脈沖電流單元能夠實現對油田生產過程的全面監測和診斷，相比傳統的基于Bayes、Fisher、RBF方案和改進小波方案，本研究提出的方案在識別準確率上有了明顯提升，實現對油田調驅過程的監測和診斷。未來將進一步優化旋轉攝像頭和脈沖電流優化單元，研究更加高效的油田智能調控和優化算法，提高設備監測的精度和可靠性。進一步提高生產效率和經濟效益，如人工智能、大數據和物聯網等油田智能化管理調度系統相關技術，實現對油田調驅過程的全面智能化監控和控制。