项目背景

某石油企业采油厂一共有730余口井，每年的掺稀量400余万吨。稠油的黏度高，流动的阻力大，导致稠油流动的速度慢，稠油开采的主要难点体现在两方面：

→由于稠油在油层中不流动或流动性差，原油流入井筒困难；

→原油可流入井筒，但仅靠油藏的压力和温度原油难以流出地面；

传统的稠油掺稀方法是通过专家经验，针对不同区块井的特征向井中注入稀油，使其产油，但稀油量有限，想实现产油量最大的情况下，掺稀量最低。目前随着油井特征的复杂化，很难使用经验准确的预测出，使用较小的掺稀量，增大产油量，因此迫切需要大数据技术来解决该问题。

解决方案

以掺稀相关的生产数据为基础，运用大数据、机器学习技术，针对抽稠泵、电潜泵及油管自喷三种生产方式，各自构建一个分析模型，旨在以数据化得方式指导掺稀业务，提升稀油的利用效率，在满足生产要求的基础上降低稀油使用量。 

1.构建判定依据

通过分析模型构建，使得稠油掺稀业务具有了科学的判定依据，生产人员在进行作业时，不在仅基于个人的经验，而是可依据模型所推荐的结果进行指令的下发。

2.形成应用标准

构建形成稠油掺稀模型的应用规范、应用流程及应用标准，通过建立的规范标准可进一步对掺稀业务的进行提供相应的指导依据。

3.有效降低成本

通过建立稠油掺稀模型，帮助工程师在满足产量要求的情况下进一步降低稀油的使用量，降低稠油的开采成本。

建设成果

通过稠油掺稀模型分析，用户在同一工况下输入相应检测参数变化，将自动输出掺稀量推荐值；而在不同工况下输入相应的工况参数和检测参数，也将自动输出掺稀量推荐值。

►经过实际数据验证，稠油掺稀预测模型准确率达到88%，在满足生产要求的基础上降低稀油使用量

►构建抽稠泵、电潜泵及油管自喷3种生产方式的预测模型，满足实际生产需要