油井动液面深度计算是油田行业关注的重要课题,展开其研究不仅对实时获取井下油量储存信息、生产制度的制定具有重要作用,而且对及时了解油井作业状况,加大安全生产管理力度均具有重要的现实意义。为此,针对油井动液面深度检测与预测问题,围绕动液面位置确定、动液面深度计算、多层感知器与线性回归预测模型的比较性研究,以及基于遗传算法的梯度提升决策树模型优化等展开算法研究,并借助声波法的测井数据,开展算法的实验性比较研究。已开展的主要工作和取得的成果如下:1、声波法因井下环境干扰严重,液面位置处的声波信号较弱,导致液面位置难以确定。为此,通过建立改进型短时能量过零函数,提取声波信号中隐含的液面候选位置;通过设计改进型三电削波函数模型,提取声波信号的平均声速。进而,借助液面候选位置及平均声速,获得动液面深度计算算法。随后,将液面候选位置和平均速度作为LSTM神经网络的输入,初步获得基于LSTM的动液面深度预测模型。比较性的实验表明,所获算法能有效检测动液面位置及计算液面深度,同时所获模型初步能执行短期动液面深度预测。2、将多层感知器和线性回归模型作为动液面深度预测模型的表现形式,借助改进型梯度学习算法、最小二乘法及最速下降法,获得预测单、多口油井动液面深度的四种模型。借助多口油井的实际动液面深度数据展开实验,实验分析表明,用于单口井的动液面深度预测时,多层感知器和线性回归模型均能得到不同程度的预测效果,且多层感知器的预测效果较好。但是,当预测模型用于多口井的动液面深度预测时,线性回归模型的预测能力弱,有较大改进空间。3、当声波传感器向油井不间断地发送声波时,则可获得油井动液面深度值的时间序列。借助于此时间序列构建数据集,并以梯度提升决策树模型作为预测模型的表现形式,利用改进型遗传算法优化模型的参数,获得适用于多口油井动液面深度预测的决策树预测模型。比较性的实验分析表明,基于改进型遗传算法的梯度提升决策树模型能有效地对动液面深度进行预测。