Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа

Изобретение относится к способам мониторинга состояния телемеханизированных скважин, погружного оборудования на месторождении добычи нефти. Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи нефти. Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа, заключается в подготовке данных из архива в виде n-размерных векторов состояний скважин, формировании карты Кохонена, формировании выборки данных из архива базы в виде n-размерных векторов состояний скважин. Алгоритм нейросетевого анализа использует зависимый параметр, вычисляются прогнозные значения зависимого параметра, вычисляется разница между расчетным и замеренным значениями зависимого параметра. Результаты работы алгоритма представляются в виде совместного графика двух переменных: средней дистанции между векторами входных параметров и вектором модели для каждой скважины и разницы между значениями расчетного и замеренного значения зависимого параметра для каждой скважины. 3 ил.

 

Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа 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.

Основными отличиями предлагаемого способа контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа данных телеметрии являются:

1. использование зависимого параметра в нейросетевом анализе;

2. вычисление прогнозных (в соответствие с картой Кохонена) значений зависимого параметра;

3. вычисление разницы между расчетным и замеренным значениями зависимого параметра;

4. представление результатов работы алгоритма в виде совместного графика двух переменных: средней дистанции между векторами входных параметров и вектором модели для каждой скважины, и разницы между значениями расчетного и замеренного значения зависимого параметра для каждой скважины;

5. возможность выбора объектов на топографической карте.

В качестве независимого параметра модели используется параметр, величина которого влияет на какую-либо другую величину (значение зависимого параметра), представленную в модели.

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

Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа, состоящий в том, что автоматизированная система осуществляет подготовку данных из архива в виде n-размерных векторов состояний скважин в соответствии с определенными оператором скважинами и интервалом формирования выборки для обучения, в результате обучения формируются карты Кохонена, формируется выборка данных из архива базы в виде n-размерных векторов состояний скважин в соответствии с определенными оператором скважинами и интервалом формирования выборки для анализа, в соответствии с полученными данными производится нейросетевой анализ, заключающийся в сравнении векторов состояний с моделью, способ отличается тем, что оператор имеет возможность выбора объектов для анализа и для построения карт Кохонена на топографической карте, алгоритм нейросетевого анализа использует зависимый параметр, вычисляются прогнозные значения зависимого параметра, вычисляется разница между расчетным и замеренным значениями зависимого параметра, результаты работы алгоритма представляются в виде совместного графика двух переменных: средней дистанции между векторами входных параметров и вектором модели для каждой скважины, и разницы между значениями расчетного и замеренного значения зависимого параметра для каждой скважины.

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. Совместный анализ поступающих параметров существующими автоматизированными системами не производится.

Предложенный способ изложен на примере следующих параметров: температура на приеме насоса, давление на приеме насоса, мощность, расход жидкости и представлен на фиг. 1. Предложенный способ может использоваться для контроля любых значимых параметров функционирования телемеханизированных нефтепромысловых объектов, включающих в себя один независимый параметр и несколько зависимых. Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа содержит следующие этапы:

1. Сбор телеметрической информации в единую базу данных.

2. Настройка параметров для обучения. Осуществляется ручной ввод интервала формирования выборок данных для обучения, а так же выбор скважин для обучения из списка или на карте.

3. Настройка параметров для анализа позволяет вводить интервал формирования выборки данных для анализа, выбирать скважины из списка или на карте.

4. Обучение нейросетевых моделей осуществляет формирование обучающей выборки векторов состояний нефтепромысловых объектов (отдельный набор для каждой скважины, всего n скважин) Si=(Tpi, Ppi, Ni) и векторов Qi в отдельные моменты времени, где Si - вектор состояния, который содержит зависимые параметры: Tpi - температура на приеме насоса, Ppi - давление на приеме насоса, Ni - мощность; Qi - расход жидкости является независимым параметром; обучение нейронных сетей; запись в БД нейронных сетей и векторов Qi.

5. Формирование выборок векторов состояний нефтепромысловых объектов (отдельный набор для каждой скважины) в отдельные моменты времени S i ' = ( T p i ' ,   P p i ' ,   N i ' ) и векторов Q i ' для прогнозирования.

6. Расчет прогнозного вектора Q i * для каждой скважины по соответствующей данной скважине нейросетевой модели; расчет средней дистанции между векторами S i ' входных параметров и вектором модели Ci для каждой скважины; расчет разницы между значениями Q i * расчетного и Q i ' замеренного расхода для каждой скважины.

7. Вывод результатов: построение графиков Q i * расчетного и Q i ' замеренного расхода для каждой скважины; вывод результатов работы двух предыдущих пунктов, нормированных в интервале от 0 до 100 на совместном графике.

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 h c i = α ( t ) e x p ( r c r i 2 2 σ 2 ( t ) ) , где 0<α(t)<1 - обучающий сомножитель, монотонно убывающий с каждой итерацией, rc, ri - координаты узлов Mc(t), Mi(t) на карте, σ(t) - сомножитель, уменьшающий количество соседей с итерациями и монотонно убывающий.

Разница между расчетным и замеренным значениями расхода жидкости рассчитывается следующим образом: d ( Q i * , Q i ' ) = 1 n ( Q i * Q i ' ) 2 .

Дистанция между векторами S i ' входных параметров и векторам модели Ci рассчитывается следующим образом: d ( S i ' , C i ) = ( S i ' C i ) 2 .

Процесс обучения начинается с выборки данных, поступающих из Блока данных телеметрии 1 в БД телеметрии 2. Параметры выборки задаются в Модуле настройки для обучения 3. Полученные векторы передаются в самообучающуюся карту Кохонена (Обучающий модуль 5) с заданным количеством узлов, которые представлены в двумерном евклидовом пространстве в виде гексагональной решетки. В результате самообучения формируются и записываются в Базу данных нейросетевых моделей 6 узлы, содержащие в себе вектора модели.

Выборка векторов для анализа производится из архива Базы данных телеметрии 2, по параметрам, заданным в Модуле настройки для анализа 4. Далее в Блоке 7 производится формирование выборки Si′ и Qi′ по скважинам. При размещении на карте вектора вновь пришедшего состояния, в Аналитическом модуле 8 определяется вектор-победитель. Вычисляется прогнозное значение зависимого параметра для каждого состояния. График замеренных и прогнозных значений зависимого параметра отображен на Фиг. 2. Так же вычисляется дистанция между вектором данных и вектором модели, и разница между расчетным и замеренным значением зависимого параметра. Данные значения рассчитываются для всех векторов состояний, поступивших на вход, затем рассчитывается среднее значение. Фиг. 3 показывает способ построения графика средних значений дистанции и разницы между расчетным и замеренным значением. На графике значения каждого из двух критериев располагаются на одной из осей координат. Вывод результатов 9 содержит график замеренных и прогнозных значений зависимого параметра и график дистанции и разницы между расчетным и замеренным значением.

Средние значения дистанций и разницы между расчетным и замеренным значениями зависимого параметра характеризуют состояние объекта на рассматриваемом промежутке времени. Нормирование вычисленных коэффициентов позволяет произвести сравнительный анализ состояний различных скважин.

Большое значение одного из вычисленных критериев может характеризовать сбой в работе телеметрии или смену режима работы объекта. Величина вычисленного критерия анализируется относительно критериев вычисленных для других скважин. В случае, если один или оба критерия на одной из скважин значительно превышает значения критериев вычисленных для других скважин, требуется анализ данных экспертом, и в случае определения данного участка работы скважины как нормального, требуется переобучение карты Кохонена с включением в обучающую выборку нового участка. Данная ситуация характеризуется тем, что данные, на которых производилось обучение модели, не включали подобных состояний объекта.

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 контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа, состоящий в том, что автоматизированная система осуществляет подготовку данных из архива в виде n-размерных векторов состояний скважин в соответствии с определенными оператором скважинами и интервалом формирования выборки для обучения, в результате обучения формируются карты Кохонена, формируется выборка данных из архива базы в виде n-размерных векторов состояний скважин в соответствии с определенными оператором скважинами и интервалом формирования выборки для анализа, в соответствии с полученными данными производится нейросетевой анализ, заключающийся в сравнении векторов состояний с моделью, способ отличается тем, что оператор имеет возможность выбора объектов для анализа и для построения карт Кохонена на топографической карте, алгоритм нейросетевого анализа использует зависимый параметр, вычисляются прогнозные значения зависимого параметра, вычисляется разница между расчетным и замеренным значениями зависимого параметра, результаты работы алгоритма представляются в виде совместного графика двух переменных: средней дистанции между векторами входных параметров и вектором модели для каждой скважины, и разницы между значениями расчетного и замеренного значения зависимого параметра для каждой скважины.



 

Похожие патенты:

Группа изобретений относится к нейронным сетям и может быть использована для нейронного временного кодирования, обучения и распознавания. Техническим результатом является уменьшение сложности кодирования.

Изобретение относится к способам прочностных испытаний самолета. Для оценки нагружения конструкции самолета при летных прочностных испытаниях измеряют значения силовых факторов реакции конструкции датчиками деформаций, размещенными на конструкции самолета, передают измеренные значения и значения параметров полета из памяти бортовых регистраторов в память компьютеров, строят, обучают и тестируют четыре искусственные нейронные сети.

Группа изобретений относится к нейронным системам и может быть использована для локального правила состязательного обучения, которое дает в результате разреженную связность среди блоков обработки сети.

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

Изобретение относится к области сетей и телекоммуникаций и может быть использовано в иерархических протоколах беспроводной сенсорной сети (БСС). Техническим результатом является автоматическое построение и поддержание работоспособности структуры сети.

Изобретение относится к области автоматизированного управления технологическими процессами и может применяться для экстренных вычислений при контроле чрезвычайных ситуаций на основе динамической модели для широкого класса предметно-ориентированных приложений в сложной программно-аппаратной среде.

Изобретение относится к искусственным нейронным сетям и может быть использовано для обучения нейронной сети при моделировании физических явлений технологических процессов.

Изобретение относится к области автоматики и вычислительной техники и может быть использовано для контроля и технической диагностики сложного технологического оборудования, в том числе - станочного оборудования и гибких производственных систем.

Изобретение относится к области проведения электрофизиологических манипуляций с живой тканью и может быть использовано для обучения нейронной сети in vitro. Техническим результатом является создание протокола обучения, включающего алгоритм определения оптимальных для индивидуальной биологической нейронной сети параметров, используемых в протоколе обучения.

Изобретение относится к искусственным нейронным сетям (ИНС) и может быть использовано для обучения ИНС. Техническим результатом является осуществление обучения ИНС при отсутствии статистически достаточного ряда наблюдений исследуемых объектов.

Изобретение относится к области вычислительной техники и может быть использовано для обработки и прогнозирования значений временных рядов данных или непрерывных функциональных зависимостей.

Изобретение относится к нефтедобывающей отрасли, а именно к способам мониторинга состояния телемеханизированных добывающих и паронагнетательных скважин, погружного оборудования на месторождении добычи сверхвязкой нефти (СВН).

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 системе и способу для оптимизации извлечения и закачки, ограниченных обрабатывающим комплексом, в интегрированном пласте-коллекторе и собирающей сети.
Наверх