Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов

Изобретение относится к нефтедобывающей отрасли, а именно к способам мониторинга состояния телемеханизированных добывающих и паронагнетательных скважин, погружного оборудования на месторождении добычи сверхвязкой нефти (СВН). Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи СВН. Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов, состоящий в том, что осуществляется подготовка данных из архива единой базы, содержащей данные телеметрии, в виде n-размерных векторов состояний скважин, которые поступают на обучение самоорганизующихся карт Кохонена, по которым каждый новый вектор состояния для каждой скважины проверяется на принадлежность к определенному узлу с помощью нейросетевого анализа, вводятся дополнительные «критические» n-размерные вектора состояний, полные наборы m из «архивных» и «критических» векторов поступают на обучение самоорганизующихся карт Кохонена, узлы построенной карты Кохонена разбиваются на три экспертные группы, на основе полученных групп строится статистика состояний скважины. 5 ил.

 

Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов предназначен для мониторинга состояния телемеханизированных добывающих и паронагнетательных скважин, погружного оборудования на месторождении добычи нефти.

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно к информационным системам автоматизации управления нефтедобывающего предприятия.

Близким по способу применения нейросетевого алгоритма самоорганизующихся карт Кохонена (СКК) к анализу цифровых данных является способ нейросетевого анализа сердца [2]. Изобретение [2] относится к медицине, в частности к кардиологии, и может быть использовано для оценки состояния по данным электрокардиографического обследования пациента при скрининге или в условиях скорой и неотложной помощи. Техническим результатом является усовершенствование алгоритма нейросетевого анализа электрокардиосигнала. Способ содержит этапы, на которых осуществляют формирование обучающей выборки в виде множества (k-1)*m n-размерных векторов справочной информации, построение решающих правил и обучение k*L (L - количество отведений) нейронных сетей для анализа каждого из k состояний сердца в каждом отведении. Затем производят регистрацию электрокардиосигнала пациента, его предварительную обработку и представление в виде n-размерного вектора. Нейросетевой анализ осуществляют путем сравнения n-размерного вектора с множеством (k-1)*m n-размерных векторов справочной информации. По результатам нейросетевого анализа осуществляют выбор k-го состояния сердца, у которого выявлено максимальное количество признаков.

Основным отличием предлагаемого способа анализа данных телеметрии является:

а) наличие в обучающей выборке заранее определенных оператором векторов критических состояний;

б) процесс интерпретации узлов обученной сети и их классификация;

в) расчет суммарной статистики попадания новых векторов замеров в конкретную группу (кластер) узлов;

г) расчет суммы длин векторов переходов от узла к узлу на самоорганизующейся карте (расчет траектории функционирования системы).

Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи СВН.

Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов, состоящий в том, что данные телеметрии регистрируются и хранятся в единой базе данных телеметрии, осуществляется подготовка данных из архива единой базы в виде n-размерных векторов состояний скважин (вектора из замеров параметров в моменты времени для каждой из k скважин), набор векторов для каждой из k скважин поступает на обучение самоорганизующихся карт Кохонена, в результате для каждой скважины получают карту с L (определяется оператором) узлами, каждый новый вектор состояния для каждой скважины проверяется на принадлежность к определенному узлу с помощью нейросетевого анализа, строится статистика о попадании векторов состояний в конкретную группу, отличающийся тем, что вводятся дополнительные «критические» n-размерные вектора состояний, полные наборы m из «архивных» и «критических» векторов для каждой из k скважин поступают на обучение самоорганизующихся карт Кохонена, узлы построенной карты Кохонена разбиваются на три экспертные группы, на основе полученных групп строится статистика состояний скважины, производится расчет траектории функционирования системы, т.е. суммарной длины векторов переходов состояний от узла к узлу на карте.

Нефтепромысловые объекты на месторождениях нефти оборудованы погружными и наземными системами телеметрии. Количество параметров, поступающих с одной скважины, достигает семи десятков. Наземные и погружные системы телеметрии имеют свои АРМ (автоматизированные рабочие места), позволяющие производить мониторинг состояния скважин и погружного оборудования на основе анализа графиков замеров параметров. Изменения режима работы насосов на добывающих скважинах происходит на основе срабатывания АСУТП по технологическим уставкам (например, при превышении заданного значения температуры на приеме насоса производится его отключение). Совместный анализ поступающих параметров существующими автоматизированными системами не производится.

Предложенный способ (Фиг. 1) изложен на примере следующих параметров: температура на приеме насоса, температура обмотки двигателя, давление на приеме насоса, буферное давление в линии, мощность, ток, расход жидкости. Предложенный способ может использоваться для контроля любых значимых параметров функционирования телемеханизированных нефтепромысловых объектов. Способ нейросетевого анализа состояний телемеханизированных нефтепромысловых объектов содержит следующие этапы:

- сбор телеметрической информации со всех типов АСУТП в единую базу данных;

- формирование векторов состояний нефтепромысловых объектов (отдельный набор для каждой скважины) в отдельные моменты времени Si=(Qi, Tpi, Toi, Ppi, Pbi, Ni, Ii, …), всего n-параметров, где Si - вектор состояния, Qi - расход, Tpi - температура на приеме насоса, Toi - температура обмотки двигателя, Ppi - давление на приеме насоса, Pbi - буферное давление в линии, Ni - мощность, Ii - ток и т.д.;

- ручное формирование (ввод оператором) векторов «критических» состояний Ki=(Qi, Tpi, Toi, Ppi, Pbi, Ni, Ii, …) для каждой скважины. Позиция и количество параметров соответствует Si;

- передача m векторов состояний в программный блок, основу которого составляет нейросетевой алгоритм самоорганизующихся карт Кохонена [1];

- самообучение карт Кохонена для каждой скважины в отдельности на векторах и получение соответствующих узлов сети согласно заранее заданному количеству (определяется оператором) кластеров состояний L;

- разбиение полученных узлов оператором на неудовлетворительные («критические»), удовлетворительные (функционирование объекта в рамках допустимых технологических показателей), хорошие (функционирование объекта с высокими положительными технологическими показателями, например, высокий дебит скважины при низкой мощности и невысокой температуре обмотки двигателя);

- подача на вход обученных самоорганизующихся карт Кохонена каждого нового приходящего вектора состояния Ci=(Qi, Tpi, Toi, Ppi, Pbi, Ni, Ii, …) (для каждой скважины в свою карту), определение узла, к которому принадлежит пришедшее состояние, формирование статистики о нахождении системы в кластерах состояний (количество попаданий векторов состояний в узлы карты);

- формирование для каждой скважины траектории функционирования системы (расчет суммарной длинны векторов перехода от узла к узлу на карте). Чем больше длина траектории функционирования системы для скважины из группы на одном промежутке времени, тем менее стабильно функционировал нефтепромысловый объект, что в конечном счете сказывается на времени наработки оборудования на отказ;

- формирование и отправка сообщений (e-mail, sms) о нахождении нефтепромыслового объекта в критическом состоянии (попадание вектора состояния в узел карты, который был помечен как «критический»).

Производится создание обучающей выборки из m n-размерных векторов состояний объекта. В указанные m векторов входят как вектора, построенные на результатах замеров телеметрии, так и «критические» вектора, введенные оператором. Информация поступает на вход нейросетевого алгоритма самоорганизующейся карты Кохонена. Производится обучение, после чего, в отличие от указанного способа [2], производится классификация-разбиение оператором узлов карты на критические, удовлетворительные и хорошие. Далее, каждый вновь поступивший замер передается как n-мерный вектор для сравнения на принадлежность конкретному узлу карты (в соответствии с алгоритмом СКК [1]).

По результатам нейросетевого анализа:

- формируется статистика о количестве попаданий векторов состояний в группу узлов (критическую, удовлетворительную, хорошую);

- вычисляется траектория функционирования системы - суммарная длина векторов переходов от узла к узлу на карте;

- в случае попадания вектора состояния в узел, помеченный как «критический», происходит автоматическая отправка сообщения (e-mail, sms) ответственному лицу;

- при обращении к статистике работы системы скважины сортируются в порядке убывания траектории функционирования системы (чем больше траектория, тем больше внимания требует нефтепромысловый объект), выводятся гистограммы попаданий векторов состояний по каждой скважине в конкретные группы узлов карты (согласно алгоритму СКК).

По аналогии с рис. 2 «Способа нейросетевого анализа состояния сердца» [2] для выявления k-состояний сердца представим схему разработанного способа нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов на месторождении добычи сверхвязкой нефти (Фиг. 1).

Необходимо отметить, что в нейросетевом алгоритме самоорганизующихся карт Кохонена [1] используются следующие параметры:

- при инициализации карты вектору веса присваивается значение случайного наблюдения из входных данных;

- в качестве функции соседства используется гауссовская функция:

где 0<α(t)<1 - обучающий сомножитель, монотонно убывающий с каждой итерацией, rc, ri - координаты узлов Мс(t), Mi(t) на карте, σ(t) - сомножитель, уменьшающий количество соседей с итерациями и монотонно убывающий.

Для простоты восприятия взяты 5 параметров телеметрии по одной скважине, приходящие с периодом в 10 минут, на промежутке времени 3-е суток: расход массовый, давление на приеме насоса, загрузка, мощность, температура на приеме насоса.

Векторы из архива единой базы данных (m=500) переданы в самообучающуюся карту Кохонена с заданным количеством узлов L=9. В результате самообучения получены 9 узлов, содержащие в себе вектора справочной информации, которые представлены в виде лепестковых диаграмм (5 параметров, чем больше значение параметра, тем больше лепесток его характеризующий). Узлы экспертно разделены на три группы: «критическую», «удовлетворительную», «хорошую». Ручной ввод «критических» состояний не производился, т.к. исходное архивное множество замеров содержало в себе и «критические» вектора, что прямым образом сказалось на образовании соответствующих «критического» узлов на карте.

На Фиг. 2 в верхней части отображены 9 узлов обученной на данных телеметрии самоорганизующейся карты Кохонена.

В результате экспертного деления на 3 группы:

- узлы 1, 3 отмечены как «критические», т.к. 1 узел соответствует состоянию малого расхода и высокой температуре на приеме насоса, а узел 3 соответствует полной остановке работы насоса по уставке;

- узлы 2, 4, 5, 6, 7 отмечены как «удовлетворительные», т.к. соответствуют штатному функционированию скважины;

- узлы 8, 9 отмечены как «хорошие», т.к. характеризуются высоким значением массового расхода, т.е. дебита скважины.

Ниже располагаются 5 графиков замеров параметров на наблюдаемых 3-х сутках (подпись названия параметра находится под соответствующим нормированным графиком). Ниже всех отображена цветовая полоса состояния скважины, цвет полосы соответствует нахождению вектора состояния в одной из 3-х групп в конкретный момент времени (графики раскрашены аналогично). Над всеми графиками располагаются номера узлов, в которые переходил вектор состояния в каждый момент времени.

Необходимо отметить, что представление графиков с цветовой полосой состояния позволяет для большого количества параметров (может доходить до 7-ми десятков по скважинам добычи СВН) выделить промежутки времени, где скважина функционировала нештатно.

Согласно схеме предложенного способа (Фиг. 1) производится автоматический подсчет статистики попадания вектора состояний в группы узлов состояний. В нашем примере статистика будет выглядеть следующим образом, Фиг. 3.

Статистика по всем скважинам за определенный промежуток времени позволяет оператору выделить скважины, требующие наибольшего внимания, а суммарная статистика дает информацию о влиянии изменения состояний скважины на время наработки оборудования на отказ.

Далее, согласно схеме способа происходит вычисление траектории функционирования системы, т.е. суммы длины векторов перехода от узла к узлу на карте Кохонена для каждой скважины, заведенной в систему мониторинга. Отметим, что количество узлов L карты задается оператором, поэтому для наглядности примем L=49.

Узлы карты Кохонена представляются в двумерном евклидовом пространстве. Расстояние между центрами соседних узлов по вертикали и горизонтали равняется единице. На Фиг. 4 представлены две обученные на архивных данных сети Кохонена для двух скважин. Для указанного промежутка времени построен первый вектор перехода из состояния в состояние (для последовательно пришедших замеров телеметрии). У первой скважины длина перехода составила 5 единиц, второй - 2,24 единицы. Отметим, что количество определяемых оператором групп может быть любым (от 1 до количества узлов карты Кохонена. В нашем примере карта Кохонена поделена на 5 групп: «критическую», «неудовлетворительную», «удовлетворительную», «хорошую», «наилучшую».

На Фиг. 5 представлена траектории (последние 10 векторов переходов) и их длины для двух скважин через 1,5 суток от начала наблюдения за скважинами. Для первой скважины длинна траектории составила 351,36 единиц, для второй - 269,15 единиц. Т.к. сам алгоритм карт Кохонена подразумевает, что схожие узлы будут находиться группами рядом друг с другом, то вполне логично, что для менее стабильно функционирующей скважины на одном промежутке времени длина траектории будет больше.

Т.е., чем дальше находятся узлы карты Кохонена, в которые попадают предыдущий и следующий вектора состояний (составленные из замеренных параметров системы, последовательно во времени, приходящие с систем телеметрии), тем более резкий скачок технологических параметров на скважине мы наблюдаем, что говорит о нестационарности процессов протекающих на скважине, а это в свою очередь сказывается отрицательно на времени наработки оборудования на отказ и служит сигналом к корректировке режимов работы скважин, например уменьшению закачки пара в паронагнетательную скважину.

ИСТОЧНИКИ ИНФОРМЦИИ:

1. Kohonen, Т., Self-Organizing Maps, Second Edition, Berlin: Springer - Verlag, 1997.

2. Патент РФ №2461877. Способ нейросетевого анализа состояния сердца /Бодин О.Н., Волкова Н.А., Логинов Д.С., Рябчиков Р.В., Фунтиков В.А./.

Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов, состоящий в том, что данные телеметрии регистрируются и хранятся в единой базе данных телеметрии, осуществляется подготовка данных из архива единой базы в виде n-размерных векторов состояний скважин (вектора из замеров параметров в моменты времени для каждой из k скважин), набор векторов для каждой из k скважин поступает на обучение самоорганизующихся карт Кохонена, в результате для каждой скважины получают карту с L (определяется оператором) узлами, каждый новый вектор состояния для каждой скважины проверяется на принадлежность к определенному узлу с помощью нейросетевого анализа, строится статистика о попадании векторов состояний в конкретную группу, отличающийся тем, что вводятся дополнительные «критические» n-размерные вектора состояний, полные наборы m из «архивных» и «критических» векторов для каждой из k скважин поступают на обучение самоорганизующихся карт Кохонена, узлы построенной карты Кохонена разбиваются на три экспертные группы, на основе полученных групп строится статистика состояний скважины, производится расчет траектории функционирования системы, т.е. суммарной длины векторов переходов состояний от узла к узлу на карте.



 

Похожие патенты:

Изобретение относится к области радиотехники. Техническим результатом изобретения является существенное сокращение количества контролируемых системой контроля параметров.

Изобретение относится к компьютерным системам, использующим модели, основанные на знаниях, а именно к системам, синтезирующим интеллектуальные решения в виде выбора нужного знания из заданной области знания.

Изобретение относится к медицине, а именно к персонифицированной медицине с использованием молекулярно-биологических и клинических данных в онкологии, и может быть использовано для предсказания риска прогрессирования и смерти больных раком молочной железы.

Предлагаемое техническое решение относится к области моделирования систем связи. Техническим результатом является адаптивное повышение степени адекватности модели системы связи.

Изобретение относится к методам и средствам прицеливания и наводки, используемым в зенитных самоходных установках (ЗСУ) сухопутных войск. Способ применим в случае выхода из строя системы измерения дальности собственной радиолокационной системы, в т.ч.

Изобретение относится к системам анализа речи и может быть использовано для определения эмоционального состояния человека по голосу, применительно к задачам криминалистики, медицины, системам контроля и управления доступом и др.

Изобретение относится к области адаптивного дистанционного обслуживания подвижных составов с помощью машинного обучения правилам. Техническим результатом является обеспечение автоматического обновления правил, применяемых для группировки диагностической информации, для более точной группировки диагностической информации.

Изобретение относится к медицинской вычислительной технике. Технический результат - повышение эффективности оценки действий обучаемого трансфеморальной аортографии.

Изобретение относится к области моделирования. .

Изобретение относится к системам управления знаниями для разрешения ситуаций (СУЗ PC) и предназначено для поддержки разрешения проблемных ситуаций, связанных с неудовлетворительным качеством конкретных объектов.

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно, к информационным системам автоматизации управления нефтедобывающего предприятия.

Изобретение относится к вычислительной технике. Технический результат заключается в снижении затрат памяти и вычислительных затрат для сжатия данных.

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта.

Изобретение может быть использовано для непрерывного контроля, оценки и прогнозирования состояния неопределенности взаимодействия судна с внешней средой. Техническим результатом является повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций.

Изобретение относится к судостроению, а именно к способам прогнозирования качки судна, позволяющим обеспечить надежную посадку летательных аппаратов на суда и плавучие технические средства освоения Мирового океана, в том числе научно-исследовательские суда, буровые платформы и др.

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс.

Изобретение относится к области радиотехники и может быть использовано для интеллектуального анализа оценки устойчивости инфокоммуникационной системы. Техническим результатом является повышение устойчивости функционирования системы связи при воздействии деструктивных электромагнитных излучений на ее структурные элементы за счет оперативной реконфигурации и обработки характера деструктивных воздействий.

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно, к информационным системам автоматизации управления нефтедобывающего предприятия.
Наверх