井口积液AI预测    

在数字化气田管理模式下，生产现场几乎无人值守。在生产井站、集输管道发生异常关停/关断、泄漏、堵塞、安全阀异常动作等情况时，主要依靠人工巡检以及SCADA/DCS系统的单阀值报警(如压力/流量等下降一定预设范围)来提醒监控人员。SCADA/DCS系统存在以下不足

1.阀值报警门限设置固定，且完全依赖管理人员的经验，无法动态调整。

a.阀值门限设定过于敏感，误报多。

b.阀值门限设置过宽，导致报警滞后时间较长，贻误处置最佳时机。

2.无分析能力。系统无法综合考虑多种数据分析出具体异常种类和紧急程度；

3.无预警能力。系统无法根据过去异常出现周期和频率，综合实时数据对可能出现异常的井作出预判。让指挥中心的异常处理被限于被动。

➡️ 随着投产的生产井站和管道越来越多，现监控系统的误报过多、报警不及时导致处置滞后等问题可能导致生产安全事件。

➡️ 目前人工电子巡检1次/小时，工作量大，且巡检的质量和效果完全依赖于巡检人员责任心；如果采用声波、振动监测等硬件投资成本高，全面推广耗资巨大。

➡️ 综合技术可行性分析，经济效益可行性分析，有必要引进人工智能技术，搭建气田异常检测的智能化平台。

    解决方案和预期效果    

使用神经网络从SCADA历史数据中进行深度学习，搭建以异常检测，分类，预警的人工智能模型为核心的异常检测智能化平台。并达到以下预期：

1.“一井一测"

a.部署时，模型需根据每口井的历史数据进行调整，打造定制化模型。

2.动态检测

a.在制度调整，流程倒换，生命周期变化等情况时系统可自动调整参数。

3.智能化：

a.自我学习能力：在不需要指挥中心人为干预的情况下，模型可根据数据反馈自行升级。

b.异常分类/分级：模型可自动分析出不同的异常种类，并对不同异常紧急程度进行分级。

c.预警能力：模型可依据历史数据并综合实时数据对异常有一定预警能力。

        报警详情                                                                                                                 单井详情