一种基于产量的螺杆泵生产系统设计方法与流程

本发明涉及神经网络和机械设计技术领域，尤其是一种基于产量的螺杆泵生产系统设计方法。

背景技术：

螺杆泵生产系统由螺杆泵、电动机、抽油杆等组成。要进行螺杆泵生产系统的设计，所需的参数包含许多方面。在螺杆泵的选型方面，需要注意泵的排量、转速、泵效、定子衬套与转子间的过盈量等。在电动机和抽油杆的选型方面要考虑电动机的电流、功率以及抽油杆的选型、应力条件等。

现有的螺杆泵生产系统设计方法主要为依托经验公式进行设计，但这种设计方法需要冗长的公式计算，设计周期长，耗费人力物力，而且存在地区特异性，不能广泛全面地使用。为此，提出了一种基于产量的螺杆泵生产系统设计新方法。

技术实现要素：

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于产量的螺杆泵生产系统设计方法，以解决如下问题：1、传统的螺杆泵设计方法，计算过程冗长，难以在短时间内获得设计结果，浪费大量时间，耗费人力物力；2、现存的螺杆泵生产系统设计方法适用性低，不能全面的在多种不同的地层情况下进行设计；3、由于传统的设计方法是基于经验公式进行计算的，因此存在人为影响因素，正确率难以保障。

本发明解决其技术问题所采用的技术方案是：一种基于产量的螺杆泵生产系统设计方法，具有以下步骤：a、收集螺杆泵生产系统设计所需参数；b、整理收集的参数建立螺杆泵生产系统参数数据库；c、构建神经网络进行训练，获取基于产量最大时的最优解；d、现场实际应用时，根据已知的参数条件，由神经网络指导螺杆泵生产系统选型。

具体说，步骤a中，所述的参数主要包括三大类参数，分别是：油藏地质类参数、螺杆泵生产系统参数以及工艺参数；其中油藏地质类参数从地层参数、井液参数两个方面出发，具体包括但不仅限于地层的压力、孔隙度、渗透率以及井液的密度、粘度；螺杆泵生产系统参数分为电动机参数与抽油杆参数两大类，包括电动机的输出电流、输出功率，抽油杆的型号、尺寸以及完井方式；工艺参数则是影响螺杆泵选型的生产要求因素，具体包括但不仅限于产液指数、泵挂深度、泵排量、泵转速、油压、套压、系统汽蚀余量。

进一步地，步骤b中，数据收集时，需挑选在地层条件差异明显的不同地层、区块下稳定生产一段时间内的螺杆泵生产系统工作参数；所收集来的螺杆泵生产系统工作参数应该是在多种不同的井型、地质条件、生产要求下产生的。

所述的数据整理过程，包括挑选去除异常、重复的工况数据，并对缺失的数据进行修复填补，将整理后的数据形成数据库。

步骤c中，所述的神经网络是指将整理得到的参数数据库作为学习样本，所采用的神经网络包括但不仅限于卷积神经网络cnn、深度信念网络dbn、循环神经网络rnn、长短期记忆lstm。

所述的神经网络为深度信念网络dbn，其根据设定的工况划分标准，将螺杆泵生产系统工况划分为工况合理型和工况不合理型，根据分类好的训练集对dbn进行训练。

所述的dbn的构建过程包括：a、对参数数据库进行整理分类，构建包含工况合理与工况不合理两种情况的训练集；b、基于深度信念网络，搭建神经网络构架；c、利用训练集训练dbn；d、得到训练好的dbn用于指导螺杆泵生产系统设计。

所述的工况划分的标准主要为螺杆泵生产系统的影响因素和地层与流体的影响因素，其中，螺杆泵生产系统考虑的主要影响因素为入口压力、泵效以及有效功率；地层与流体考虑的主要影响因素为地层压力、温度，流体的粘度、密度；通过上述多种因素的共同影响，工况成为一个由多维度因素控制的结果，并将螺杆泵工况划分为工况合理型和工况不合理型，用于训练dbn。

所述的dbn训练过程为通过有监督的学习，使神经网络学习工况合理型的参数特点，并找到基于产量最大的最优解。

步骤d中，所述的现场实际应用，是指在新井开发进行螺杆泵生产系统设计时，将已知的油藏参数输入神经网络，神经网络根据有监督学习到的工况分类结果，指导匹配出给定条件下基于产量最大的螺杆泵优选结果，以及相应的电动机与抽油杆结构。

另外，对于相应的抽油杆结构选择，还应对选择结果进行应力校核，以确保选型符合生产开发要求。

本发明的有益效果是：本发明使用训练后的神经网络指导螺杆泵生产系统设计，可以克服传统设计方法存在的效率低、设计周期长、正确率低等问题。并且由于加入了神经网络，使得设计过程变得更加智能、适用性更强；将螺杆泵生产系统的产量这一参数作为设计结果优选的标准，符合油田现场的生产要求，力求高产量获得最大的经济效益，基于这个基础上设计出的螺杆泵生产系统可以促进油田经济高效生产。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的构架原理示意图。

图2是本发明实施例提供的一种dbn模型的构建流程图。

具体实施方式

如图1、图2所示，一种基于产量的螺杆泵生产系统设计方法，由以下步骤组成：收集螺杆泵生产系统设计所需的各项参数参数；整理收集的参数建立螺杆泵生产系统参数数据库；构建神经网络进行训练，获取基于产量最大时的最优解；现场实际应用时，根据已知的参数条件，由神经网络指导螺杆泵生产系统选型。

参数数据库的构建：首先，在油田现场挑选在地层条件差异明显的不同地层、区块下稳定生产一段时间内的螺杆泵生产系统参数；所收集来的螺杆泵生产系统工作参数应该是在多种不同的井型、地质条件、生产要求下产生的。以此保证训练集包含数据的全面性、权威性。

螺杆泵生产系统的参数主要分为三大类，分别是：油藏地质类参数、螺杆泵生产系统参数以及工艺参数，其中油藏地质类参数从地层参数、井液参数两个方面出发，具体包括但不仅限于地层的压力、孔隙度、渗透率以及井液的密度、粘度等；螺杆泵生产系统参数分为电动机参数与抽油杆参数两大类，包括电动机的输出电流、输出功率，抽油杆的型号、尺寸以及完井方式等；工艺参数则是影响螺杆泵选型的生产要求因素，具体包括但不仅限于产液指数、泵挂深度、泵排量、泵转速、油压、套压、系统汽蚀余量等。

对于收集来的参数数据还需进行数据整理，主要过程包括挑选去除异常、重复的工况数据，并对缺失的数据进行修复填补，最终，将整理后的数据形成数据库。

神经网络的训练过程为：本发明所提供的方法是一种将神经网络与螺杆泵生产系统相结合的设计新方法，主要过程是用参数数据库作为训练样本训练神经网络，用训练好的神经网络指导新井的螺杆泵生产系统设计选型。

这里所采用的神经网络包括但不仅限于卷积神经网络(cnn)、深度信念网络(dbn)、循环神经网络(rnn)、长短期记忆(lstm)。以下以dbn为例，详述训练过程。

在训练dbn之前，先将用于训练的训练集根据设定的工况划分标准，将训练集划分为工况合理型和工况不合理型两大类。

工况的划分标准主要为螺杆泵生产系统的影响因素和地层与流体的影响因素。其中，螺杆泵生产系统考虑的主要影响因素为入口压力、泵效以及有效功率。地层与流体考虑的主要影响因素为地层压力、温度，流体的粘度、密度。通过上述多种因素的共同影响，工况成为一个由多维度因素控制的结果。

用划分好的训练集训练dbn，dbn通过有监督的学习，学习到工况合理型的参数特点，并找到基于产量最大的最优解。

特别地，dbn的构建过程包括：a、对参数数据库进行整理分类，构建包含工况合理与工况不合理两种情况的训练集；b、基于深度信念网络，搭建神经网络构架；c、利用训练集训练dbn；d、得到训练好的dbn用于指导螺杆泵生产系统设计。

dbn的训练过程由两部分组成：首先采用贪婪算法逐层训练每层rbm网络，完成初始化dbn，得到一个接近最优解的值，并选取螺杆泵产量这一具有代表性的指标作为优选的目标函数，最优解即在产量最大基础上获得的设计结果。

接下来根据期望输出的最优值与得到的实际输出之间存在的区别，通过反馈调节对部分参数进行修正，使得修正后的实际输出与期望输出一致，达到优化神经网络的目的，完成dbn的训练。

基于产量的螺杆泵设计新方法的实际应用：将训练后的dbn用于螺杆泵生产系统设计，即在新井开发进行螺杆泵生产系统设计时，将已知的油藏参数输入dbn，dbn根据有监督学习到的工况分类结果，指导匹配出给定条件下基于产量最大的螺杆泵优选结果，以及相应的电动机与抽油杆结构。

对于相应的抽油杆结构选择，还应对选择结果进行应力校核，以确保选型符合生产开发要求。

本发明将神经网络应用于螺杆泵生产系统的设计，使得设计方法既具有实用性，又更加的智能便捷，可以将螺杆泵生产系统的设计从复杂的多部分多方面的公式计算，转变为神经网络经过训练后指导设计的过程；神经网络由于其智能性、可学习性被应用于多个方面，实施例所涉及的深度信念网络(dbn)是神经网络的一种，其训练过程为一层一层的进行训练，通过这种方式可以有效地减少训练时间，并逐步获取局部最优解。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。