一种基于人工智能算法的气井排采工艺选井方法与流程

本发明涉及气井排采工艺选井，具体而言，涉及一种基于人工智能算法的气井排采工艺选井方法。

背景技术：

1、页岩气井在生产过程中，随着产能迅速降低、井底压力逐渐下降，气井自身带液生产能力随之降低，造成井底积液，从而影响气井正常稳定生产，井底积液严重时，甚至将会发生水淹风险，造成气井失去产气能力，从而严重影响经济效益。因此，为保证气井的持续高效生产，当气井发生积液时或可能发生积液时，需要及时进行识别，采取排采工艺措施，并确定哪种工艺最适合该气井。现阶段，针对页岩气井的排水采气工艺主要为泡沫排水工艺、柱塞举升工艺、气举工艺、间开工艺等。对于某一口气井，排采工艺选择的维度主要考虑以下几个方向：该气井是否处于上工艺最优时机，否则会造成投资效益低下；该气井当前状态最适合上哪种工艺，从而达到气井最佳的排液效率。

2、目前，对于工艺选井，常用的分析方法有生产动态法、流入流出动态法、图版法、效用函数法等等。但这些方法，皆为传统的机理方法，准确性皆不具备一定的普适性，且基本依赖于气井动态分析工程师人工计算和分析，并没有实现基于实时动态数据的智能化、自动化工艺优选。随着我国天然气田开发井数量逐渐增加，降本增效需求更加迫切，提高气井精细化管理能力势在必行，单一产区每日几乎是上百口井的工艺需求分析，传统的选井分析方法存在选井时机难确定，选井分析工作量大、效率低、准确性低、人工成本高等问题，无法满足现场大量的选井分析需求，无法有效提供气井精细化管理服务能力。

3、有鉴于此，本发明提出了一种基于人工智能算法的气井排采工艺选井方法，通过创建一套基于天然气井生产动态数据、静态数据的工艺智能优选智能选井模型，解决传统工艺优选中工艺时机滞后、效率低、人为工作量大、工艺适应度不高等问题，为提高天然气田数字化、智能化管理提供技术支持，同时本技术同样也适用于页岩气、致密气等非常规天然气的气井开发管理。

技术实现思路

1、本发明的目的在于提供一种基于人工智能算法的气井排采工艺选井方法，包括：s1：获取与气井生产相关的历史数据；s2：利用数据清洗工具对所述历史数据进行治理，得到入模数据；s3：基于排采工艺理论建立运行效果评价指标体系，通过所述运行效果评价指标体系对投运的排采工艺井进行效果评估，得到多种工艺运行效果；s4：筛选所述多种工艺运行效果大于预设效果阈值的时间段数据，并通过数据分析划定正负样本数据集和确定选井模型预测目标；s5：设计衍生参数，丰富参数维度，得到最终样本数据集；s6：将所述最终样本数据集按比例划分为训练集与测试集，分别用于训练选井模型和对训练好的选井模型进行效果评估；s7：将所述训练集的数据按照多种排采工艺代入多种类型的智能算法模型中，并进行参数调整和算法优化，得到多个选井模型；s8：根据选井业务特征和当前气井选择的排采工艺的类型，建立选井模型运行规则，避免出现重复选井情况；s9：根据气井的当前信息，建立选井结果输出策略。

2、进一步的，还包括将开发完成的数据清洗接口、智能模型和输出规则封装为选井模型接口，并与生产管理平台进行集成，部署于用户端服务器中。

3、进一步的，将开发完成的数据清洗接口、智能模型和输出规则封装为选井模型接口，并与生产管理平台进行集成，部署于用户端服务器中，包括：所述数据清洗接口以分钟为单位从数据库中调取生产数据；对调取到的所述生产数据进行质量检查，对检测出异常的生产数据进行分类处理，得到完整数据；对所述完整数据执行数据同维操作，将同一时间不同类型数据同维到一条数据，完成数据准备，得到输入数据；将所述输入数据分别输入所述多个选井模型，模型分别输出气井在某时间段选择的排采工艺的概率，并基于概率确定该气井的排采工艺的选井结果。

4、进一步的，所述对所述历史数据进行治理包括数据有效时间确定、数据清洗和连续时间处理；所述数据有效时间确定为根据气井参数的重要程度，确定多个基准字段，以所述多个基准字段同时不为0的第一秒或分钟级数据，作为所述气井的第一条有效数据；其余字段从前一条数据之后，向后进行筛选；所述数据清洗包括压力数据清洗、温度数据清洗和产量数据清洗；所述压力数据清洗为对超出预设压力范围的压力数据进行填充；所述温度数据清洗为对超出预设温度范围的温度数据进行填充；所述产量数据清洗为获取和清洗累计产气量，并基于清洗后的累计产气量填充日产气量和瞬时产气量；所述连续时间处理为对缺失的数据进行填充，以对不同字段的相同时间点生成完整的时间序列。

5、进一步的，获取和清洗累计产气量，并基于清洗后的累计产气量填充日产气量和瞬时产气量，包括：当所述累计产气量超出预设累计产气量[0,100000]范围或值为‘0.9999’时，将该条数据删除；当所述累计产气量缺失时，基于缺失的累计产气量的后一条累计产气量和前一条累计产气量，得到缺失的当前累计产气量；对平均每分钟产气量小于等于0.000000001的数据进行填充；对每分钟产气量大于100的数据，将其缩小100,0000倍；基于当天的累计产气量和前一天的累计产气量，确定瞬时产气量和日产气量。

6、进一步的，所述建立气井排采工艺运行效果评价指标体系，包括：确定所述气井在不采取排采工艺的情况下的基准产量；获取所述气井在采取排采工艺后的实际产量；基于所述基准产量和所述实际产量，确定增产气量和气井的套压变化情况；基于所述增产气量和所述套压变化情况，确定效果评估划分。

7、进一步的，所述基准产量的计算公式为：

8、

9、其中，为本月的基准产量；为上月的月平均产量；为上月的递减率；

10、每日的增产气量的计算公式为：

11、

12、其中，为本日的增产气量；为本日的实际产量；

13、每日的平均增产气量的计算公式为：

14、

15、其中，为采取排采工艺措施后30天内每日的平均增产气量，单位为；为采取排采工艺措施后30天内每日的平均产气量，单位为；为采取排采工艺措施前30天内每日的平均产气量，单位为；

16、气井的套压下降值的计算公式为：

17、

18、其中，为采取排采工艺措施后30天平均套压下降值，单位为mpa；为采取排采工艺措施前30天平均套压，单位为mpa；为采取排采工艺措施后30天平均套压，单位为mpa。

19、进一步的，所述递减率的计算公式为：

20、

21、其中，为递减率；为为上月平均产气量；为上上月平均产气量。

22、进一步的，基于所述增产气量和所述套压变化情况，确定效果评估划分，包括：当增产气量小于等于0时：套压下降值小于等于零，则效果为差；套压下降值在（0,0.5]区间，则效果为中；套压下降值大于0.5，则效果为良；当增产气量在（0,0.5]区间时：套压下降值在0以下，则效果为中；套压下降值在（0,0.5]区间，则效果为良；套压下降值大于0.5，则效果为优；当增产气量在（0.5,1]区间时：套压下降值小于等于0，则效果为良；套压下降值大于0，则效果为优；当增产气量大于1时：不考虑套压变化情况，评价为优。

23、进一步的，利用相关性分析、业务经验或决策树模型的方式，设计相关衍生参数，丰富参数维度。

24、本发明实施例的技术方案至少具有如下优点和有益效果：

25、本发明方案通过数据质量实时处理技术，实现了对生产数据的实时提取、实时分析、实时处理，能同时包含所有生产气井，处理时间为分钟级，无需人工干预；对于预测类、复杂化场景，智能模型的优点，就是通过对经验样本学习，可以快速分析内在隐藏的、无法结构化的关系逻辑，实现对选井时机的提前预警；同时，建设完成的智能模型，可实时对全井数据进行分析，输出结果，无需人工干预，只需少量人工对结果进行校验即可，大量节约人力资源成本；本发明所用静态数据维度较多，因此覆盖的气井场景类型较多，具备普适性，有助于不同类型气田的推广应用，为提高天然气田数字化、智能化管理提供技术支持；同时本发明也同样也适用于页岩气、致密气等非常规天然气的气井开发精细化管理。