近日，张凯团队在智能井筒研究领域取得新进展，相关研究成果在期刊Petroleum Science上发表，论文题为《The Real-Time Dynamic Liquid Level Calculation Method of the Sucker Rod Well Based on Multi-View Features Fusion》（基于多视角特征融合的抽油机井动液面实时计算方法）。

创新性：提出采用多分支神经网络进行多视角融合从而实时监测油井动液面。方法的核心思想是：通过二项分布采样的方式，设计了一种特殊的特征融合层。它不仅能够挖掘影响油井动液面深度的不同视角之间的关联性，而且可以避免不同视角的过度交互，作为一种更高级的正则化操作，进一步防止了模型过拟合。此外，由于这种采样方式的特殊性，当油田传感器故障或记录不全导致某一视角数据缺失时，缺失视角的数据不会参与动液面计算，同时也不会影响其他完整视角的数据继续参与动液面计算。因此，该方法不仅能够提升动液面实时监测精度，同时能够提高油田数据利用率，降低了数据缺失时，动液面实时监测功能无法启动的风险。

中文摘要：动液面是抽油机井生产过程中的重要参数，它影响着举升过程的生产效率并对安全生产具有重要意义。动液面变化受多源数据影响，因此，联合多源数据对动液面进行实时计算至关重要。本文将多源数据看作影响动液面变化的不同视角，包括：载荷、示功图图像、生产动态，并采用带有融合层多分支神经网络实现动液面计算。该方法首先可考虑不同视角之间的模态及物理意义差异，对不同视角分别进行特征提取。之后通过多项式采样在不同视角间进行特征选择，并将选择结果作为融合层的输入。在融合过程中，通过标记样本在不同视角下的可用性，决定该视角是否参与特征融合。该方法不仅能够挖掘不同视角之间的相关性，而且能够有效处理缺失数据。结果表明，载荷和生产特征的融合效果最佳，平均绝对误差为39.63m，其次是它们的特征拼接，平均绝对误差为42.47m。两种计算方式的效果均优于单一视角，但融合的平均绝对误差更低，且在验证集上的泛化性更强。相反地，图像特征作为单一视角计算动液面时的平均绝对误差最高，且与其他视角融合后并未显著提升它们的精度。当存在数据缺失时（以生产特征视角为例），与特征拼接相比，多视角特征融合方法不会因某一视角的缺失，导致大量样本不可用。当缺失比例为10%，30%，50%，80%时，本文提出的方法可分别将平均绝对误差降低5.8m，7m，9.3m，20.3m。研究结果表明，多视角特征融合技术能够有效提升计算精度并自动处理缺失数据，为油田现场的动液面实时监测提供技术支持。

《Petroleum Science》发表国内外石油科学领域高水平原创性研究论文和综述性论文。2023年的影响因子为5.6，2023年JCR分区为Q1区, 2023年中科院工程技术大类1区。

文章链接：

https://doi.org/10.1016/j.petsci.2024.05.005

引用格式：

Chengzhe Yin, Kai Zhang*, Jiayuan Liu, Xinyan Wang, Min Li, Liming Zhang, Wensheng Zhou. The Real-Time Dynamic Liquid Level Calculation Method of the Sucker Rod Well Based on Multi-View Features Fusion[J]. Petroleum Science, 2024, 21(5): 3575-3586. https://doi.org/10.1016/j.petsci.2024.05.005