口产液含水率预测方法
技术领域
背景技术
[0002] 在
原油生产过程中，及时掌握与控制油井产液的含水率参数不仅是可靠估算原油净产量的前提，而且是对油井出现问题做出正确诊断及维护的依据，油井产液的含率参数也是油藏开采模式调整的重要指导指标因此，油井产液含水率参数的检测具有重要意义。当前，油田产液的超高含水特性对油井产液的含水率测量提出了新的要求，但如何精确地获取高含水油井产液的含水率信息成为了一个亟待解决的问题。目前，油井产液含水率的检测通常由特殊设计的传感器实现，其测量方法包括超声法、光学法、射线法、成像法、电导法和电法等。然而，现有的传感器测量效果在油井产液高含水率工况下尚不能达到要求，表现为传感器响应非线性及含水
分辨率较低，且测量结果受矿化度影响较大。另外，油田作业中传统的化验法又受
采样条件及采样
频率的影响较大，测量周期也较长，难于实现实时测量。因高产气油井含气量过大，高含气量对含水率预测产生了极大的影响。
[0003] 虽然通过神经网络或
支持向量机等浅层网络对油水两相流的含水率进行软测量有着广泛的应用，然而浅层网络结构在应用过程中需要对特征进行精心的设计。一般情况下，浅层特征具有较强的主观性，模型对含水率的预测结果也会较大程度的受到所设计特征的影响。近年来，
人工智能技术在工业领域得到了广泛的应用，尤其是
深度学习方法的应用更是拓宽了人工智能技术的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。
[0004] 通过公开
专利文献的检索，发现两篇与本专利
申请的目的及技术方案相近的公开专利文献：
[0005] 1、一种特低渗透
砂岩油藏油井投产初期含水率预测方法(109447342A)，该方法包括：收集
整理选定特低渗透砂岩油藏计算参数；利用有效应
力与含水
饱和度之间的函数关系预测特低渗透砂岩油藏油井投产初期含水率。该特低渗透砂岩油藏油井投产初期含水率预测方法为解释揭示该类型油藏油井投产初期即含水及预测油井投产初期含水率提供了理论依据，实现了特低渗透砂岩油藏油井投产初期含水率动态预测之目的，因而具有一定的理论及实际意义。
[0006] 2、一种基于时间序列的油井油液含水率多模型预测方法(105631554A)，其特征在于，包括如下步骤：1)、利用历史数据建立油井油液含水率数据集为{xi, i＝1,2,…,N}；2)、采用小波分析方法对油井油液含水率数据集{xi,i＝1,2,…,N} 中的数据进行预处理；
3)、由近邻传播聚类
算法将{xi}Wave进行分类；4)、将每个聚类中的数据由如下时间序列形式进行表示：5)、根据极端学习机算法建立每个聚类的时间序列模型并利用该时间序列模型得到预测值。其解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题。
[0007] 通过技术特征的对比，对比文件1中，采用的油藏计算参数及方式也与本发明申请有根本性的不同；而对比文件2，虽然采用了时间序列方式进行含水率的预测，但其含水率模型及方式与本发明申请有根本性的不同，因此不会对本发明申请产生实质性的创造性影响。
发明内容
[0008] 本发明所要解决的技术问题是提供一种基于多传感器测量及深度卷积神经网络的高产气油井井口产液含水率预测方法，通过含水率
预测模型融合井口三相流的含气率
波动及含水率波动，可实现对油井产液特别是高含气油井产液的含水率的精确预测。
[0009] 本发明实现目的的技术方案如下：
[0010] 一种基于多传感器测量及深度卷积神经网络的高产气油井井口产液含水率预测方法，其特征在于：包括如下步骤：
[0011] (1)获取井口三相流含水率信息及井口三相流含气率信息
[0012] 传感器组件包括双环式电容传感器和
超声波传感器，所述双环式电容传感器用于来获取井口含水率信息，通过含水率多元时序特征提取模
块的传感器测量
电路得到电容传感器测量
信号；所述
超声波传感器用于获取井口含气率信息，超声
激励信号激励
超声波传感器的发射
探头，测量超声波接收探头的信号，得到超声传感器测量信号；
[0013] (2)多传感器采集信号的预处理
[0014] 将两个传感器采集得到的测量信号进行希尔伯特变换，随后分别计算WVD 分布并滤波，得到电容信号时频特征图与超声信号时频特征图，作为高产气井含水率智能预测模型的训练特征；
[0015] 定义传感器测量的含水率时间序列为x(t)，通过希尔伯特变换对x(t)进行处理得到其解析形式Z(t)和共轭解析形式Z*(t)，随后计算含水率时序波动信号的 WVD分布：
[0016]
[0017] 其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式；
[0018] 为了消除WVD时频分布平面中交叉项，通过滤波函数对WVD进行滤波处理，消除时频分布中的交叉项。得到含水率波动信息的时频分布为：
[0019] P(t,f)＝∫∫φ(t,υ)·WVD(t-τ,f-υ)dτdυ
[0020] 其中P(t,f)为计算得到的含水率时序信息的时频联合分布特征，τ为时间延迟，υ为频偏，φ(t,υ)＝exp(-4π2υ2τ2/σ)为滤波核函数；
[0021] (3)通过深度卷积神经网络学习含水率、含气率信号的时频特征对高产气油井井口含水率进行预测
[0022] 将双环式高频电容传感器与透射式超声传感器采集到信号的时频联合分布图进行重叠融合，得到融合后的时频联合分布图，作为网络的输入进行训练；采取深度卷积神经网络结构对原始时频联合特征进行逐层提取，细化出高度抽象的含水率特征信息。
[0023] 而且，所述步骤(1)中，双环式电容传感器对井口含率的测量采用连续式测量方式，
采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列。
[0024] 而且，所述步骤(1)中，电容传感器测量信号的取得方式是：传感器测量电路的结构是：高频正弦激励信号源产生激励信号，通过功分器送至双环式电容传感器的环状测量
电极进行扫频，环状
测量电极将扫频测得的含水率数据经激励后进入
混频器进行信号混频，混频后的信号经加法器及
电压偏置后得到电容传感器测量信号。
[0025] 而且，所述步骤(3)中，深度卷积神经网络含有5个卷积层，其中第一层、第二层、第五层卷积层均实施了
池化的操作来防止过拟合现象的发生。第一层卷积操作采用48个大小为11*11的卷积核，设置步长为4，随后进行池化操作，池化卷积核大小为3*3，步长为2；第二层卷积采用128个大小为5*5的卷积核，设置步长为1，池化卷积核大小为3*3，步长为2；之后第三层和第四层为卷积层，不进行池化操作，卷积核大小全部设置为3*3，个数全部设置为192；第五层为卷积层，设置128个大小为3*3的卷积核，步长为1，池化卷积核大小为3*3，步长为2；深度卷积神经网络提取的特征输入到两层全连接网络，全连接网络每一层
节点数为
1024个，最终含水率高度抽象特征输入到softmax分类器中对含水率进行预测。
[0026] 而且，传感器不锈
钢保护壳两端为左
法兰、右法兰，其中右法兰与
不锈钢保护壳采用
螺纹啮合方式连接；左法兰及右法兰与井口
下降管道连接，不锈钢保护壳内部同轴安装有呢绒管道，在呢绒管道外壁上间隔安装有两个环状的传感器测量电极，在传感器测量电极外侧同轴安装有
电磁屏蔽层，呢绒管道通过顶端的O 型圈与不锈钢保护壳压紧密封，在呢绒管道外壁上还安装有透射式超声传感器，不锈钢保护壳
侧壁开有引线孔，电磁屏蔽层与呢绒管道之间有机玻璃环
支撑。
[0027] 本发明的优点和积极效果是：
[0028] 1、本发明针对高产气油井中含气量过大、对含水率预测有着巨大影响的问题，采用双环式电容传感器可快速、准确获得含水率序列波动信号；采用的超声波传感器对气体足够敏感，可准确测量
多相流中含气率信息；而且，通过对信号的
加窗处理，可提取不同时间段的含水率多元特征序列，再对分割信号进行加权求和，可将含水率序列与含气率序列进行融合，这样既不丢失部分信息，又能得到总体序列特征；对融合后的时序特征进行时频域和递归域分析，得到多元特征值，可突出信号的多维特征；深度长短时记忆(LSTM)神经网络对多维特征序列的训练，可精确预测出井口含水率值，实现高产气油井的井口产液含水率的精确测量，同时减小井口产气对测量的影响。
[0029] 2、本发明所采用的多传感器安装在井口下降管道，可直接对管道内的含水率、含气率进行计量，所测量的计量值能够较为真实的反应被测量油井的产液情况，对指导油田优化管理具有重要意义；相较于现有传感器具有更强的
稳定性，屏蔽层可有效屏蔽
微波的散射与外界
电磁波干扰，将信号
锁定在有范围内，还可有效、精准测量低产气油井管道内部气液流动状况，通过两种传感器的测量，可同时获得含水率与含气率，为多相流测量及数据融合提供一种新思想。
[0030] 3、本发明通过上述方法提取传感器测量时序信号的时频联合分布特征，该特征以特征矩阵的形式存储，其蕴含了丰富的井口含水率和含气率波动信息；通过对该特征的深度学习，可捕获含水率变化的基本特征与规律，为基于人工智能的井口含水率预测模型提供了数据
基础。
[0031] 4、本发明为实现高产气油井的井口产液含水率的精确测量，同时减小井口产气对测量的影响，在测量上，通过高频电容式传感器获取
混合液的含率波动信号，通过透射式超声传感器获取多相流中的含气率波动信号，提取测量信号的时频特征图作为深度卷积神经网络的输入特征，建立基于深度卷积神经网络的含水率预测模型，将井口产液含水率化验值作为含水率标签进行训练，最终得到含水率预测值。该方法可有效的消除井口少量含气对测量的影响，进一步提高井口产液含水率的测量
精度。
[0032] 5、本发明采用的
深度神经网络在预测含水率中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，深度卷积神经网络经过大量数据与
迭代次数的训练后，可对该类数据有较强的预测性能且客观；同时，深度卷积神经网络相较于传统算法，如支持向量机有更好的预测准确率，预测准确率可达到98％以上。
附图说明
[0033] 图1为本发明用于井口三相流含水率及含气率测量的双环式高频电容传感器结构剖视图；
[0034] 图2为本发明井口含水率及含气率时频特征提取模块结构示意图；图2-1为图2的电容传感器测量信号放大图；
图2-2为图2的超声传感器测量信号放大图；
[0035] 图3为本发明基于深度卷积神经网络的高产气油井井口含水率预测方法
流程图。
具体实施方式
[0036] 下面结合
实施例对本发明进一步说明：下述实施例是说明性的，不是限定性的，不能以下述实施例来限定本发明的保护范围。
[0037] 本发明是通过传感器组件的双环式电容传感器与透射式超声传感器采集井口含水率、含气率信息，含水率多元时序特征提取模块提取测量信号的时频特征作为深度卷积神经网络的输入，该网络对输入的时频联合分布特征进行抽象提取及综合，采用有监督式的学习方式，得到井口含水率预测模型。下面分别叙述各组成部分的结构：
[0038] 1、所述传感器组件包括双环式电容传感器和超声波传感器，两个传感器用于来获取井口含水率与含气率信息。传感器组件的结构剖视如图1所示。传感器不锈钢保护壳3两端为公称直径DN50的左法兰1、右法兰11，其中右法兰与不锈钢保护壳采用螺纹10啮合方式连接，以方便不锈钢保护壳内部部件的安装。左法兰及右法兰与井口下降管道连接。不锈钢保护壳内部同轴安装有内径为 50mm的呢绒材质的呢绒管道8，用于井口油水混合液的传输。在呢绒管道外壁上间隔安装有两个环状的传感器测量电极5，用于油气水三相混合液的含水率信息获取。在测量电极外侧同轴安装有电磁屏蔽层4，以提高传感器测量效果。呢绒管道通过顶端的O型圈2与不锈钢保护壳压紧密封，用以防止井口产液的泄露。另外在呢绒管道外壁上还安装有透射式超声波传感器9，用于油气水三相混合液的含气率信息获取。不锈钢保护壳侧壁开有内径为18mm的引线孔6，用于传感器测量电极与外部测量计算仪表的
连接线通道。本实施例中，传感器不锈钢金属保护壳法兰间距为330mm，传感器保护壳内的呢绒管道长度为310mm，管道通径为50mm，呢绒管道壁厚80mm，环状的传感器测量电极内径80mm，外径85mm，两个电极间距20mm，屏蔽层为厚度为1mm的金属
铜板，卷焊为圆柱筒，长度为40mm，内径为90mm，与呢绒管道之间有机玻璃环7支撑。
[0039] 2、含水率多元时序特征提取模块，其结构如图2所示。其中，图2左侧为传感器测量电路的示意图，高频正弦激励信号源产生激励信号，通过功分器送至环状传感器测量电极进行扫频，环状传感器测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后，得到电容传感器测量信号；超声激励信号激励超声波传感器的发射探头，测量超声波接收探头的信号，得到超声传感器测量信号。图2右侧所示为时频特征分析示意图，设定电容传感器测量信号和超声传感器测量信号时间序列为x(t)，通过希尔伯特变换对x(t)进行处理得到其解析形式Z(t)和共轭解析形式Z*(t)，随后计算含水率、含气率时序波动信号的WVD分布：
[0040]
[0041] 其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式。
[0042] 为了消除WVD时频分布平面中交叉项，通过滤波函数对WVD进行滤波处理，消除时频分布中的交叉项。得到含水率波动信息的时频分布为：
[0043] P(t,f)＝∫∫φ(t,υ)·WVD(t-τ,f-υ)dτdυ
[0044] 其中P(t,f)为计算得到的含水率、含气率时序信息的时频联合分布特征，τ为时间延迟，υ为频偏，φ(t,υ)＝exp(-4π2υ2τ2/σ)为滤波核函数。通过以上计算，得到电容信号时频特征图与超声信号时频特征图。
[0045] 3、深度卷积神经网络，其结构如图3所示。将电容信号时频特征图与超声信号时频特征图以重叠的方法进行融合，得到融合后的传感器测量时频分布图，将此时频分布图作为深度卷积神经网络的输入数据，传入卷积层池化层。本发明共采用5层卷积Conv，其中一、二、五层使用池化操作Pooling，其余三、四层无池化操作；卷积层能将时频分布图中的特征升维、细化，将卷积层输出传入全连接层，全连接共有2层，每一层包含1024个神经元，得到含水率深度特征；神经元将输出传入Softmax分类函数进行预测，深度卷积神经网络为有
监督学习，所以采用井口含水率化验值作为含水率标签值，通过Softmax分类函数对预测值与标签值的判别，进行网络参数的反向修正，直至达到最大迭代次数10,000步即为训练完成；训练完成后的网络可对含水率时频分布图进行准确预测，通过 Softmax输出含水率预测值。
[0046] 一种基于多传感器测量及深度卷积神经网络的高产气油井井口产液含水率预测方法，包括如下步骤：
[0047] (1)获取井口三相流含水率信息及井口三相流含气率信息
[0048] 传感器组件安装于井口下降管道，通过DN50法兰连接接入管道。本发明采用传感器组件的双环式电容传感器来获取井口三相流含水率信息，对双环式电容传感器进行扫频操作，以确定传感器的最佳工作频率。设定传感器的扫频段为 0.8Ghz-10GHz，为微波波段。当传感器最佳工作频率确定之后，以该频率对传感器测量电极进行激励，测量微波信号经过传感器后的幅值衰减和
相位衰减作为含水率原始测量信息。双环式高频电容传感器对井口含率的测量采用连续式测量方式，采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列；采用透射式超声传感器获取井口三相流含气率信息，超声波传感器有两个探头，其中一个作为发射探头，一个作为接受探头，对发射探头进行超声激励，通过测量接收探头的信号，得到测量数据为典型的反应含气率变化的时间序列，传感器测量时序值可通过无线传输方式上传到
服务器进行存储与分析操作。
[0049] (2)多传感器采集信号的预处理
[0050] 将传感器采集得到的测量信号进行希尔伯特变换，随后分别计算器WVD分布并滤波，得到电容信号时频特征图与超声信号时频特征图。
[0051] 定义传感器测量的含水率时间序列为x(t)，通过希尔伯特变换对x(t)进行处理得到其解析形式Z(t)和共轭解析形式Z*(t)。随后计算含水率时序波动信号的 WVD分布：
[0052]
[0053] 其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式；
[0054] 为了消除WVD时频分布平面中交叉项，通过滤波函数对WVD进行滤波处理，消除时频分布中的交叉项。得到含水率波动信息的时频分布为：
[0055] P(t,f)＝∫∫φ(t,υ)·WVD(t-τ,f-υ)dτdυ
[0056] 其中P(t,f)为计算得到的含水率时序信息的时频联合分布特征，τ为时间延迟，υ为频偏，φ(t,υ)＝exp(-4π2υ2τ2/σ)为滤波核函数。
[0057] 本发明通过上述方法提取传感器测量时序信号的时频联合分布特征，该特征以特征矩阵的形式存储，其蕴含了丰富的井口含水率、含气率波动信息；通过对该特征的深度学习，可捕获含水率变化的基本特征与规律，为基于人工智能的井口含水率预测模型提供了数据基础。
[0058] (3)基于人工智能的含水率模型的建立
[0059] 通过深度卷积神经网络学习含水率、含气率信号的时频特征对高产气油井井口含水率进行预测。将双环式高频电容传感器与透射式超声传感器采集到信号的时频联合分布图进行重叠融合，得到融合后的时频联合分布图，作为网络的输入进行训练，采取深度卷积神经网络结构对原始时频联合特征进行逐层提取，细化出高度抽象的含水率特征信息；本实施例中，深度卷积神经网络含有5个卷积层，其中第一层、第二层、第五层卷积层均实施了池化的操作来防止过拟合现象的发生。第一层卷积操作采用48个大小为11*11的卷积核，设置步长为4，随后进行池化操作，池化卷积核大小为3*3，步长为2；第二层卷积采用128个大小为 5*5的卷积核，设置步长为1，池化卷积核大小为3*3，步长为2；之后第三层和第四层为卷积层，不进行池化操作，卷积核大小全部设置为3*3，个数全部设置为192；第五层为卷积层，设置128个大小为3*3的卷积核，步长为1，池化卷积核大小为3*3，步长为2；深度卷积神经网络提取的特征输入到两层全连接网络，全连接网络每一层节点数为1024个，最终含水率高度抽象特征输入到softmax 分类器中对含水率进行预测，本实施例中的含水率预测模型的建立属于有监督式学习方式，其含水率的标签值来源于油井井口产液含水率化验值。预测值与标签值通过softmax函数进行正误判别，判别参数反向传入深度卷积神经网络进行参数修正，直至网络训练完毕。设置训练迭代次数为10,000步，设批尺寸大小为 100。训练完成后的网络可精确预测含水率波动曲线的时频分布图，从而达到对含水率波动曲线的预测。
