基于人工智能技术的泡沫排水采气智能化加注系统设计与实现

◆齐霖

基于人工智能技术的泡沫排水采气智能化加注系统设计与实现

◆齐霖

（京东物流人工智能与大数据部 北京 100000）

天然气自气井采集过程中，因为气井自身能量较弱，必须依靠外力才能及时排出井内积液，维持气井正常生产。当前的大部分天然气井，基本实现药剂自动配兑、自动加注等功能，极大节约了人力物力。同时通过在原加注工艺上增加电磁阀、深度液位计等设备，实现了自动加注。但是此种方式存在一些显著弊端，泡排制度调整主要依靠人员经验，或简单依靠油套压差、产水量、产气量情况进行调整，存在药剂加注量过大或加注制度不合理现象。另外现有泡排工艺效果尚无系统评价方法，无法对不同井况效果进行对比。在上述背景下，本项目的总体目标是基于人工智能技术建设一个能够接收实时数据、并自动判断是否存在不稳定生产状况、同时对加注泡排剂剂量能调整优化的智能化系统，其目的是代替原有人工经验判断的传统方式，自动化地调整气井所需的泡排剂的剂量值；与此同时，系统也能自主判断何时需要修改、修改的剂量值是否适合。

人工智能；天然气井；系统设计与实现；机器学习

1 引言

早在20世纪50～60年代，泡沫排水采气就受到国外学者的关注，在前苏联和美国的多个气田开展了泡沫排水，效果较好，成效很高。美国堪萨斯州、俄克拉荷马州等气田实施泡排工艺技术，其成功率达到90%以上。

国内开展泡沫排水采气相对较晚，川南气区从1978年起开始，在威远气田酸化井开展泡沫剂排液工艺技术试验，到1990年，川渝地区多个气田都已推广了泡沫排水采气的应用。然而，目前泡沫排水采气技术仍存在几大技术瓶颈，严重制约着泡沫排水采气措施效率与效益的进一步提升：（1）泡沫排水采气年投入成本较高，主要为药剂成本，投入产出比较低；（2）气井积液诊断准确率低（低于80%）、井底积液量预测误差大（约50%），药剂用量、加注制度设计方法缺乏；（3）施工效果评价指标单一，缺乏经济有效的评价方法。工况的实时监控与异常工况的及时判别与响应，对于工业生产的安全和效率至关重要。建立一套完善的风险防控和应急管理体系、及时发现异常工况并予以回应及处理，首先能避免事故发生造成的人员与财产损失，同时也能减少因风险隐患导致的停工成本。

在上述背景下，通过人工智能技术辅助修改天然气井泡沫排水剂加注制度成为新方向。本文将以应用人工智能方法解决天然气井泡沫排水剂加注制度问题为主题，全面阐述泡排剂加注剂量的机器学习模型的构建，并提出根据历往资料的稳定性判断与剂量评价方法的构建，最后整合成完整的基于机器学习技术的智能化泡沫排水加注系统。

2 技术路线

2.1 数据采集

为构建模型，需要采集样本及卷标数据。模型构建所采集的样本数据来自重庆气矿大竹作业区云和1井，数据通过实地单片机传输采集，采样间隔为2秒1条。首次执行模型构建的所采集的数据自2018年6月至2018年10月，包含5次剂量调整。如今模型已上线部署，正在持续地定期将新产生的数据及事发记录投入模型，进行模型的学习更新。

稳定性判断模型构建所采集的标签数据源于业务人员的台账记录，共计五列资料，包含：昨日平均产量、剂量值、时间、油压和差压。台账记录包含剂量调整时间及剂量。

2.2 数据预处理及特征构建

根据项目业务经验，共有如下几条需与数据预处理相结合：

（1）瞬时产量可能为0Kpa，但是累积产量不会为0Kpa，以此为依据删除累积产量为0Kpa的样本；

（2）连续时间内不会出现相同的生产数据，即连续一段时间内采集的生产数据不可能在全部维度上相同，以此删除重复行；

（3）平稳生产过程中不会出现过于离群的点，以此删除平稳生产曲线中的离异点[1-2]。

结合上述业务经验，观察数据的基础特征，制定相应的数据预处理及特征构建解决方案。在完成上述处理后，进行基本的数据预处理部分，首先删除缺失数据。对异常数据，根据对数据的观察，首先基于固定规则剔除典型的异常值（如-999等），接着对每行资料评价各列值是否超出整列平均值上下三倍标准偏差之外，对存在此情况的数据行进行删除。

在特征构建部分，因为原始特征维度较低会出现相同剂量值下相似生产状况的情况，因此特征构建的主要目的是区别相似的生产状态。对于相似的生产状态，本模型利用固定时长的数据窗口制作新的特征，同时结合业务经验，构造如油套压差、差分特征等特征进行描述，提升特征维度进而区分相似样本，使相同剂量下的不可分样本变得可分。当前模型分别对不同时间段内（2s、30s、60s、10min、30min、1h、12h、1d、15d、1month）进行变化率的刻画，对原有8维数据进行特征构建，产出合计188维的特征数据样本。

在特征构建部分的最后，根据样本卷标对上述统一构建的特征进行筛选，排除无关噪声干扰。通过皮尔逊相关度、f检验及卡方检验三种方式对特征进行重要性评价，最终选取特征88维投入模型训练。

2.3 稳定性判断模型构建

本系统除构建回归模型，还需构建一个稳定判断模型用以判断何时需要剂量修改，同时也要判断修改后的剂量是否能使气井稳定生产，从而评价此次修改。

针对稳定性判断，系统构建了两种判断方式：

（1）连续多天的整体性判断；

（2）连续两天内的单一性判断。

对于第一种判断方法，系统以以往历年的调产记录作为参考。根据观察，该井历年出现调产（即不稳定生产）之时，其油套压差和累积产气量会出现一定的变化趋势，针对这种现象，系统获取连续五天内的瞬时生产资料，对其进行处理后转化为天平均数据，将瞬时转化的天平均数据与历史调产数据进行对比，利用皮尔逊系数刻画其相似性，当相似性大于0.6时即判断二者相似，此时认为当前的生产不稳定，反之则稳定。对于第二种判断方法，根据时间划分两天的瞬时资料，同样计算每一天的天平均数据，根据业务经验由专家或现场操作人员确定一个阈值，当二者之间的变化值超过阈值时，则判断其生产状况不稳定，反之，则稳定。

稳定性系统结合上述两种稳定判断方式进行综合判断，当前系统的设计为连续5天内的每连续2天都稳定且整体5天也稳定生产时，才会回馈稳定生产。

3 模型训练及实验效果

本剂量调整系统所需构建的是典型的回归预测模型。本研究中，应用了XGBoost模型，主要思想为构造多棵判定树并进行boosting。出于时间和准确性的考虑，本文也采用了XGBoost模型，该模型指令周期快，对于本次使用数据集中有明显特征区分的部分预测正确性高。

针对该回归模型，本文设计了两种实验来验证模型的准确性，

实验一：从每种剂量值的样本中抽取20%作为测试集，其余用作训练集训练模型，并分析结果。

实验二：抽取最后一个月的资料作为测试集，其余数据作为训练集训练模型，并分析结果。

其中，实验一的目的是验证模型的整体准确性，主要用来分析回归模型的准确性，通过对已有的数据进行拆分，再进行测试，其结果将直接反映在误差上，进而反映出模型的准确率。实验二主要用来分析回归模型的稳定性，实验数据中，最后一个月的数据包含了新的剂量值，用其作为测试集将很好地分析模型对于新数据是否具有稳定性（鲁棒性）。

实验一使用了随机抽取20%的数据作为测试集，其余作为训练集训练模型，结果偏差值在0.05kg以内，基本符合预期。

实验二使用了一个月的新数据作为测试集，其余作为训练集训练模型，同时保证新数据的部分卷标在原数据中不存在。

实验所预期的值为新加入的剂量，即27kg的预测基本准确，未加入27kg数据的训练集得到的模型预测的结果与真实值偏差小于0.2kg，同时也表明模型对新的剂量有一定的稳定性。

在进行回归模型实验后，同样对稳定性判断模型进行验证。针对稳定性实验，系统获取的2018年6月至2018年10月的资料中，共调产5次，其中第4次调产为实验性调产，即在并未出现不稳定生产情况下进行调产，仅用于增加标签丰富性。针对5次调产记录，分别按照判断模型的思路进行计算，其中第4次调产连续5天判断结果为1，同时连续两天判断结果也为1，可以认定第4次调产会产生不稳定状态。其他实验仍然判断其为稳定状态。

结合上述实验和验证的判别效果，可认为本模型既能准确地判断生产的稳定性，亦能相对准确地回归预测剂量值，具备良好应用前景。

4 总结及下一步发展

本智能化剂量调整系统已部署到现场进行实地应用。首先会对开始应用时的生产状态进行判断，并执行后续操作。且该系统针对数据时效性的问题设计了实时更新的本地数据存储功能，将实时更新本地记录的2个月的瞬时数据作为模型回归预测的历史数据。同时，当连续执行6到8个月后，将对模型进行更新，利用此段时间获取的数据结合历史数据重新训练模型，用以更新模型，提高准确率。

同时，本系统仍存在几个问题需要在未来改进：

（1）标签的局限性。收到训练集的限制，回归模型只能在当前训练集的最大值和最小值区间进行回归预测，无法准确预测出远大于或远小于当前训练资料的剂量值。针对此种状况，可在未来的生产过程中更加丰富样本的卷标即加注量，如上文所说及时丰富并记录数据，同时更新模型；

（2）数据传输具有延迟性。受限于实地场站的传输速度，瞬时数据采集具有一定的延迟，导致整体数据的获取具有一定的延迟性，可能会造成系统对实时的判断出现延迟。针对此种情况，只能从场站的硬设备进行调整，尽量减小延迟，从而减小延迟对准确性和实效性的影响；

（3）历史台账数据的有效性。天然气井本身存在变化性，即随着采气时间的增加，气井本身的状态会发生变化，常见情况为采气的产出逐渐减少，因此会出现过久的台账记录对当前判断提供负作用的情况。针对此种情况，只能根据上文提出的解决办法，逐步更新资料，但是实效性的时间范围仍未能确定，需要长时间观察后才能确定数据失效的时间间隔。

[1]刘永辉，吴朋勃，罗程程，等. 泡沫排水采气适用界限的实验研究[J]. 深圳大学学报（理工版），2020（5）：54-60.

[2]蒋泽银，李伟，罗鑫，等. 页岩气平台井泡沫排水采气技术[J]. 天然气工业，2020（4）：91-96.