Sensorless Downhole Fluid Submergence Estimation for Progressive Cavity Pumps Using an Extended Kalman Filter

想象一下，你正试图用软管往一个巨大的、深邃的浴缸里注水，但你看不见浴缸内部。你只有软管外面的一个压力表，它能告诉你水的推力有多大。如果浴缸是满的，水会对软管产生强烈的反作用力；如果浴缸是空的，软管就没有阻力，会自由旋转。这就是工程师在处理油井时面临的基本难题。他们需要知道就在泵的正上方有多少油（这被称为“淹没深度”），以保持机器平稳运行。如果泵抽干了，它会过热并损坏，维修成本高达数百万美元。通常，为了查看油位，他们必须向井下投放一种特殊的麦克风来监听液体的声音，或者安装昂贵的传感器，但这些传感器在恶劣、高温、多沙的环境中经常损坏。

这篇论文通过提出这样一个问题来解决这个问题：“我们能否仅通过监听地表处的泵电机来推测油位？”研究人员使用了一种被称为“扩展卡尔曼滤波”（Extended Kalman Filter）的聪明数学技巧。你可以把这个滤波器想象成一个超级聪明的侦探，它通过观察电机发出的线索——比如它消耗了多少电量以及它感受到了多少扭矩（转动力矩）——来推测地下正在发生的情况。这就像是在看不见背包的情况下，仅通过观察一个人的步速和出汗程度，来猜出他背着的背包有多重。其目标是用存在于计算机中的“虚拟传感器”取代昂贵且易碎的物理传感器，从而节省资金并保持石油持续产出。

隐形油位的故事

在地下深处，油井就像是延伸进地底数英里的巨大垂直管道。为了取出这种粘稠的重油（通常称为“重油”），公司使用一种叫做进度腔泵（Progressive Cavity Pump, PCP）的机器。想象一下一个巨大的螺旋在橡胶管内旋转。随着螺杆旋转，它舀起石油并将其向上推进。但问题在于：如果泵在没有足够的油的情况下旋转，橡胶管就会在没有润滑的情况下与金属螺杆摩擦。这被称为“干转”。这就像在没有机油的情况下运行汽车发动机；零件会变热、熔化，导致机器报废。当这种情况发生时，公司必须派遣大型钻机前往油井进行维修，这不仅耗资巨大，还会导致生产中断数周。

长期以来，了解油位是否过低的唯一方法是派技术人员带着特殊的声学设备前往油井。这种设备向管内发送声波并监听回声，以此测量距离。但这既缓慢又昂贵，而且只能提供瞬时的快照。这就像你每个月才检查一次汽车油表一样；你可能会在两次检查之间就把油用光了。其他尝试使用地面流量计的方法，在面对重油时，这些流量计会发生堵塞且变得不可靠。

侦探的新招式

这篇论文介绍了一种无需窥视管道内部即可解决谜题的新方法。研究人员利用名为“扩展卡尔曼滤波”（EKF）的计算机算法构建了一个“虚拟传感器”。该系统不需要在井下安装物理传感器，而是通过观察从地面驱动泵的电机来工作。它观察两个主要指标：电机的转速以及电机正在对抗的“扭矩”（转动力矩）。

其逻辑简单而强大：如果泵正在提升大量的重油，电机就必须努力工作，扭矩就会很高。如果油位下降，泵开始提升较少的流体（或仅仅是空气），电机的负担就会减轻，扭矩也会随之下降。EKF 就像一个超级精明的计算器，根据这些变化不断更新它对油位的猜测。这就像是一个电子游戏角色，即使看不见敌人，也能根据脚步声来预测敌人的位置。

他们的发现

团队在位于特立尼达近海的一口名为“X 井”的真实油井上测试了这个想法。他们将新的计算机系统连接到现有设备上，并在泵运转时运行。为了验证这个“虚拟传感器”所言是否属实，他们将计算出的结果与传统的声学测量值（即技术人员使用麦克风测得的数据）进行了对比。

结果令人印象深刻。虚拟传感器的平均误差仅为 54.3 米（178.16 英尺）。考虑到该井深达 1,420.4 米（4,660 英尺），其精度约为 3.82%。论文指出，这是此类“无传感器”推测技术的一个新基准。它的精度足以告诉操作员油位是否变得危险过低，从而让他们有时间在泵干涸之前减慢泵速。

安全网

该系统还内置了一个“紧急按钮”。研究人员意识到，如果泵完全干转，由于规则发生了变化，数学模型可能会产生混乱。因此，他们增加了一条安全规则：如果电机的扭矩降至极低水平（意味着它只是在空气中空转），计算机将立即停止猜测并发出“泵空（PUMP-OFF）！”的警报。它会将油位设为零并提醒操作员。这可以防止计算机在机器出现故障时编造虚假数据。他们利用一次真实的泵故障历史数据测试了这一安全功能，结果运行完美，在机器受损前捕捉到了问题。

节省金钱与时间

为什么这很重要？论文计算了这项技术能为公司节省多少钱。他们观察了一个拥有 24 口井 的机群。通过使用这种新系统代替旧的、昂贵的专用设备，他们可以节省硬件成本和每月的订阅费用。

• 收入增长： 通过了解准确的油位，他们可以以最完美的转速运行泵，在不损坏设备的前提下获取更多石油。他们估计这可以增加约 5% 的产量，对于整个机群而言，每年可带来约 7,726,320.00 美元 的额外收入。
• 避免灾难： 如果他们能阻止仅仅一口泵因为干转而损坏，就能节省一次“修井”（major repair job）的费用。单次挽救的维修费用约为每口井 3,000,000.00 美元。
• 人工节省： 他们不再需要每月派技术人员进行声学测量，每年可节省约 1,920 个工时。

不足之处与未来

论文非常诚实地说明了他们尚未做到的事情。他们还没有让计算机在实时油井中自动改变泵的速度。为什么？因为如果计算机犯错并过快提升泵速，可能会导致井内的金属杆串断裂，引发灾难。因此，目前该系统充当的是“监视器”的角色。它会告诉人类操作员：“嘿，油位变低了，你应该减慢速度，”但最终按下按钮的必须是人。

他们还注意到，系统每 五分钟 更新一次。虽然这对于稳定的石油流动来说很好，但如果油流发生剧烈变化，可能就显得太慢了。此外，由于数学模型使用了一些固定参数（如油的粘度），如果油变得更粘稠或者井的情况随时间发生变化，系统可能需要由人工进行“重新校准”。

总结

这篇论文证明了，你不需要在泥浆深处安装一个容易损坏的传感器，也能知道油井内部发生了什么。通过使用聪明的数学侦探（EKF）并倾听电机的努力程度，你可以以惊人的准确度推测出油位。这是一种更便宜、更安全、更智能的方式，可以让石油持续产出，并有望节省数百万美元并防止灾难性的故障。虽然它目前尚未实现完全自动化，但这是迈向让油井变得“智能化”且具备自我感知能力的一大步。