一种油井产液含水率智能计量装置及方法与流程

1.本发明属于原油生产技术领域，尤其是一种油井产液含水率智能计量装置及方法。


背景技术：

2.在原油开采过程中，原油产液的含水率参数的准确计量对生产过程的优化、控制和可靠运行具有重要意义，也是油矿开采过程中各种模式运行下的重要指导资料。当前，油井产液存在大量的伴生气，会导致现有的油井含水率计量方法失效。所以如何在高气量的情况下对油井产液含水率进行测量是目前存在的技术难题。另外，我国油井多处于中晚期开发阶段，油井产出液的含水率很高，现有的两相/多相流测量手段如超声法、光学法、射线法、成像法、电导法和电法等难以实现高含水率区间的含率测量。此外，油井产出液的受矿化度变化也会影响含水率测量的精度。
3.目前针对油井产液伴生气的测量方法，如专利号201910614196.6的技术方案是采用适用于油井口的特定结构的双环式高频电容传感器对井口含水率波动信息进行采集。随后将采集到的含水率波动信号进行时频变换，得到含水率波动信号的时频谱图。将变换得到的时频联合分布图作为卷积神经网络的输入，通过多层的卷积池化操作逐层提取被测信号的流动特征，最后所提取的特征输出到softmax中进行含水率的测量，含水率标签由井口化验得到。上述专利所采取的双环式高频电容传感器并不能良好的检测含水率波动信息。
4.软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有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。通过软测量手段可对传感器测量到的多元数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。因此，如何采用深度学习模型对将要产出的油井产液含水率进行有效预测是十分重要的。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提出一种油井产液含水率智能计量装置及方法，能够捕获油井产液含水率变化的基本特征与规律。
6.本发明解决其技术问题是采取以下技术方案实现的：
7.一种油井产液含水率智能计量装置，包括小型气液分离器、排气管、排液管、回流管、多电极高频电容传感器，所述小型气液分离器的出液端通过排液管连接多电极高频电容传感器的输入端，小型气液分离器的排气端通过排气管与多电极高频电容传感器的输出端相连接并输出至回流管的输入端。
8.而且，所述小型气液分离器安装在油井采出液输送管道的下降段，采用法兰安装，且小型气液分离器的进液端设有进液开关阀，回流管的出液端设有出液开关阀，油液输送下降管道位于小型气液分离器的进液端和回流管的出液端之间管道设有油液通路开关阀。
9.而且，所述小型气液分离装置包括分离罐体、罐体内挡板、螺旋支架和排气管，分离罐体上端设有进液端，该分离罐体下端设有出液端，上端设有出气端，分离罐体内部下端形成一个容置腔，该容置腔上方安装有所述的排气管，排气管的进气口和容置腔导通，该排气管的出气口与出气端导通，所述排气管的上端部套装有一挡板，该挡板倾斜设置将分离罐体的进液端和出气端隔离，所述排气管通过螺旋支架与分离罐体固定；所述多电极高频电容传感器包括八个金属测量电极和不导电外壁，八个金属测量电极分别安装在不导电外壁的四个不同的径向截面上，安装在相同径向截面的两个金属测量电极呈180
°
角，构成一对金属测量电极对，4对金属测量电极对的径向角度相差45
°
，并且一对金属测量电极对包括一个激励电极和一个信号采集电极。
10.一种油井产液含水率智能计量装置的计量方法，包括以下步骤：
11.步骤1、小型气液分离器将油井采出液中的伴生气分离；
12.步骤2、多电极高频电容传感器检测分离伴生气后油井采出液的液相多元含水率波动信号；
13.步骤3、构建深度lstm
‑
cnn多通道融合网络模型，将液相多元含水率波动信号的特征融合并且测量油井采出液的含水率。
14.而且，所述步骤2的具体实现方法为：在一个采样周期t内，多电极高频电容传感器不导电外壁上的四对金属测量电极对顺序对液相进行采样，当完成一个周期的采样后，进行下一个周期采样，每一对金属测量电极对采集一路液相含水率波动时间序列信号，获取四路多电极高频电容传感器测量液相含水率波动信号。
15.而且，所述步骤3包括以下步骤：
16.步骤3.1、对多电极高频电容传感器测量的液相多元含水率信号进行预处理形成样本；
17.步骤3.2、随机将得到的样本划分数据集；
18.步骤3.3、根据划分数据集构建深度lstm
‑
cnn多通道网络模型。
19.而且，所述步骤3.1的具体实现方法为：对四路液相含水率波动信号分别采用无重叠加窗方式进行分割，其中窗口长度为h，长度为l的样本信号能够获取个样本，其中代表向下取整，以含水率离线化验值为数据标签，共得到n个带有含水率标签值的含率波动样本。
20.而且，所述步骤3.2中划分数据集的比例为：训练集∶验证集∶测试集＝6∶2∶2。
21.而且，所述步骤3.3包括以下步骤：
22.步骤3.3.1、对每对金属测量电极对采集到的液相含水率波动信号进行加窗截取处理后，将截取到的信号片段按时间顺序输入到2层lstm网络中进行的特征提取，其2层lstm网络的门控单元为：
23.input
t
＝σ(w
i
*[h
t
‑1,x
t
]+b
i
)
[0024]
forget
t
＝σ(w
f
*[h
t
‑1,x
t
]+b
f
)
[0025]
output
t
＝σ(w
o
*[h
t
‑1,x
t
]+b
o
)
[0026]
其中，input
t
为输入门，forget
t
为遗忘门，output为输出门，t为当前时刻，x
t
为输入，w为权值与偏置b，h
t
‑1为前一时间节点的隐含层输出，
[0027]
通过计算出的遗忘门forget
t
和输入门input
t
更新记忆单元m(t)：
[0028]
m(t)＝f(t)m(t
‑
1)+i(t)(w
c
*[h
t
‑1,x
t
]+b
c
)
[0029]
其中c为每个lstm单元结构中的一个tanh层，记忆单元m(t)和输出门output
t
通过计算将存储的内部状态的信息传递给隐含层状态输出h
t
，状态输出单元为：
[0030]
h(t)＝o(t)tanh(m(t))
[0031]
得到的隐含层状态输出h
t
与t+1时刻的输入结合，作为下一个隐含层输入，依次计算；将第一层lstm网络的输出时序输入到第二层lstm网络，得到第二层lstm网络的输出，即得到基于lstm网络的液相含水率信号特征，每个样本隐含层输出维度为m，得到所有隐含层输出的n
×
m维特征向量：
[0032][0033]
h(t)为状态输出单元，m(t)为记忆单元，i(t)为输入门，o(t)为输出门，f(t)为遗忘门，σ为sigmoid激活函数，w
i
为输入门对应的权重参数，w
f
为遗忘门对应的权重参数，w
o
为输出门对应的权重参数，b
i
为输入门对应偏置项，b
f
为遗忘门对应偏置项，b
o
为输出门对应偏置项，h
t
‑1为上一时刻的lstm单元内部状态；
[0034]
步骤3.3.2、对每对金属测量电极对采集到的液相含水率波动信号进行加窗截取处理后，将截取得到的信号片段输入到cnn神经网络中进行的特征提取；其中卷积神经网络模块包括3个顺序相接的一维卷积层conv1d，第一卷积层和第二卷积层之后分别连接有最大池化层maxpooling1d，
[0035]
输入数据经过三层卷积以及池化操作提取出高度细化的液相含水率特征，最后经过由平均池化层将数据压平，cnn网络的最后一层由n个神经元输出，得到1
×
n维特征向量：
[0036][0037]
对第一、第二和第三卷积层卷积后的特征通过批量归一化处理以加速收敛；
[0038]
其中第一和第二卷积层均设置了最大池化，第三卷积层设置平均池化；
[0039]
步骤3.3.3、由lstm网络和cnn网络提取出的特征属于不同维度的特征向量，将lstm特征向量及cnn特征向量以顺序拼接的方式生成一个新的n
×
(m+1)维多元融合特征向量，融合后的特征为[h
c
,c
r
]：
[0040][0041]
将融合后的特征向量输入到两层全连接网络中，每个全连接层的神经元为i个，以井口的化验的含水率值作为标签，最后一层全连接层作为输出层使用relu函数作为激活函数，最终输出预测的含水率y
p
；
[0042]
步骤3.3.4、设置深度lstm
‑
cnn多通道融合网络模型中超参数，使用adaptive moment estimation优化算法基于训练数据通过梯度反向更新神经网络权重；
[0043]
步骤3.3.5、构建深度lstm
‑
cnn多通道融合网络模型预测值和标签值间的损失函数，计算神经网络每次迭代的前向计算结果与真实值的差距，以最小化差距为准则，指导网络训练与优化向正确的方向进行，
[0044]
使用平均误差损失函数mse计算预测值和标签值间差的平方的均值：
[0045][0046]
其中，y
i
、是深度lstm
‑
cnn多通道网络的标签和预测值，n为样本数目。
[0047]
而且，所述构建的深度lstm
‑
cnn多通道网络结构包括四路特征提取网络，分别为多电极高频电容传感器测量得到的四路传感器测量液相含水率波动信号的深度特征，每一路特征提取网络通过2层长短时记忆网络模块提取含水率波动信号的时序演化特征；通过三层卷积神经网络模块提取含水率波动信号的空间波动特征；通过合并层merge融合时序演化特征和空间波动特征；通过两层全连接层将融合后的特征信息进行学习训练，最终得到含水率的预测值。
[0048]
本发明的优点和积极效果是：
[0049]
1、本发明使用的小型气液分离器包括分离罐体、罐体内挡板、螺旋支架和排气管，螺旋支架固定在分离罐体，分离罐体上部设有排气管，罐体内挡板倾斜设置隔离气相与液相，其结构简单、体积小，适用于油井井口等小型位置的作业环境，且稳定可控，分离效率较高，便于计量，使后续含水率的测量准确性也大大提高。
[0050]
2、本发明使用的多电极高频电容传感器，包括八个金属测量电极和不导电外壁，八个金属测量电极分别安装在不导电外壁的四个不同的径向截面上对液相多元含水率波动信号进行检测，多电极高频电容传感器的时间常数小，反应速度快，可进行实时监测与动态处理，可快速、准确获得含水率序列波动信号；通过多电极组间对称分布在管壁上，以不同角度、不同位置测量出管道不同截面位置的产液波动信息，能准确反映出产液在流动过程中相位、幅值衰减变化。
[0051]
2、本发明通过多电极高频电容传感器将四组不同位置以不同角度测量出的液相波动信号进行多元特征融合，将融合后的特征作为输入信息被神经网络模型学习，可捕获含水率变化的基本特征与规律。并且本发明所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，深度卷积神经网络和长短期记忆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。
附图说明
[0052]
图1是本发明的计量装置结构图；
[0053]
图2是本发明的小型气液分离器结构图；
[0054]
图3是本发明的多电极高频电容传感器结构图；
[0055]
图4是本发明的深度lstm
‑
cnn多通道融合网络模型结构图。
[0056]1‑
下降管道，2
‑
油液通路开关阀，3
‑
进液开关阀，4
‑
出液开关阀，5
‑
小型气液分离器，6
‑
排气管，7
‑
螺旋支架，8
‑
挡板，9
‑
挡板，10
‑
多电极高频电容传感器，11
‑
回流管。
具体实施方式
[0057]
以下结合附图对本发明做进一步详述。
[0058]
一种油井产液含水率智能计量装置，如图1所示，该计量装置并联连接在油液输送的下降管道1上，该计量装置包括小型气液分离器5、排气管6、排液管9、回流管11和多电极高频电容传感器10，所述小型气液分离器的进液端连接油液输送的下降管道，小型气液分
离器的出液端通过排液管连接多电极高频电容传感器的输入端，小型气液分离器的排气端通过排气管与多电极高频电容传感器的输出端相连接并输出至回流管的输入端，回流管的出液端连接油液输送的下降管道。
[0059]
并且小型气液分离器安装在油井采出液输送管道的下降段，采用法兰安装。
[0060]
小型气液分离器的进液端设有进液开关阀3，回流管的出液端设有出液开关阀4，油液输送下降管道位于该计量装置进液端和出液端之间的管道设有油液通路开关阀2。
[0061]
其工作流程为：该计量装置安装于井口或汇流排下降管道，产出液在下降管道流动时，关闭油液通路开关阀，打开进液开关阀和出液开关阀，油井产出液流进小型分离装置进行气液分离，分离后的气相经由分离器出气端流出；分离后的液相经由分离器的出液端流入多电极高频电容传感器进行测量，液相流出传感器后与气相混合，通过回流管输出至下降管道。该装置在工作过程中，全封闭，无气相的泄露。
[0062]
如图2所示，小型气液分离器包括分离罐体、罐体内挡板8、螺旋支架7和排气管6，分离罐体上端设有进液端，该分离罐体下端设有出液端，上端设有出气端。所述分离罐体内部下端形成一个容置腔，该容置腔上方安装有所述的排气管，排气管的进气口和容置腔导通，该排气管的出气口与出气端导通，所述排气管的上端部套装有一挡板，该挡板倾斜设置将分离罐体的进液端和出气端隔离，所述排气管通过螺旋支架与分离罐体固定。
[0063]
其工作流程为：油井采出液经由分离器的进液孔进入分离罐，经过罐内挡板阻挡向下沿螺旋支架向下流动，经过重力与离心力作用，混合液到达分离罐底部时，实现气液分离。气相沿引气管向上流出分离罐，液相经排液管流出分离罐。分离罐体为小型柱状圆桶，内径尺寸为130mm，外径尺寸为140mm，高度为900mm，进液孔上方正对位置放置为挡板，产液进入分离罐内由于挡板作用沿罐内的螺旋支架以螺旋方向向下流动，流动过程中由于重力和离心力作用，实现气液分离。到达底部后，气相经上方垂直竖于罐内的引气管排出，引气管内径尺寸为30mm，外径尺寸为35mm，高度为50，液相沿分离罐下部排液管流出，排液管内径尺寸为50mm，外径尺寸为60mm。分离后的液相经过安装在垂直上升管道上的多电极高频电容传感器进行含水率波动信息测量后，气相与液相经由混合管道回流至采出液输送管道。如图2所示当油井产出液流进小型气液分离器后，由于上方挡板作用，混合液沿螺旋支架向下流动，由离心作用使得气相和液相分离，到达分离装置底部后，气相沿排气管道向上流出，液相沿排液管道流出，并垂直向上经过多电极高频电容传感器测得相关流动信息。其中挡板长度为135mm，与分离罐内壁成60
°
角。
[0064]
油井采出液分离出气相之后，由安装在垂直管道上的多电极高频电容传感器进行含水率波动信号的采集。如图3所示，多电极高频电容传感器包括八个金属测量电极和不导电外壁，不导电外壁材质为不导电、耐温、耐压的聚醚醚酮(peek)材质。电极安装管道内径为50mm，外径为80mm，高度为300mm，金属电极为抛物柱面结构，内径尺寸为50mm，外径尺寸为51mm。所述八个金属测量电极分别安装在不导电外壁的四个不同的径向截面上，安装在相同径向截面的两个金属测量电极呈180
°
角，其中金属电极12和金属电极13、金属电极14和金属电极15、金属电极16、金属电极17、金属电极18和金属电极19分别构成四对金属测量电极对，一对金属测量电极包括一个激励电极和一个信号采集电极，四对不同径向截面上的金属测量电极对轴向间距相同，为30mm。4对金属测量电极对的径向角度相差45
°
，分别测量于不同径向截面的含水率值。每对金属测量电极对壁安装，工作方式为：由350mhz正弦激
励信号源产生激励信号，通过功分器一路送至多电极高频电容传感器的每对环状测量电极进行激励，环状测量电极将测得的管道内不同含水率工况下的波动信号，一路送至相位检测模块，两路信号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。每组测量金属测量电极对分别采用独立的电路实现对管道内混合液截面含水率波动信息进行测量。
[0065]
一种油井产液含水率智能计量装置的计量方法，包括以下步骤：
[0066]
步骤1、小型气液分离器将油井采出液中的伴生气分离。
[0067]
步骤2、多电极高频电容传感器检测分离伴生气后油井采出液的液相多元含水率波动信号。
[0068]
本步骤的具体实现方法为：在一个采样周期内，多电极高频电容传感器不导电外壁上的四对金属测量电极对顺序进行采样，当完成一个周期的采样后，进行下一个周期采样。每一个金属测量电极对可采集一路液相含水率波动时间序列信号，共可获取4路传感器测量液相含水率波动信号。将采集到的4路含水率波动信号作为深度学习模型的输入，通过模型计算可得到所测气液分离后油井产出液的含水率。测量过程中，采样周期设置为0.001秒。
[0069]
步骤3、构建深度lstm
‑
cnn多通道融合网络模型，将液相多元含水率波动信号的特征融合并且测量油井采出液的含水率。
[0070]
步骤3.1、对多电极高频电容传感器测量的液相多元含水率信号进行预处理形成样本。
[0071]
本步骤的具体实现方法为：对四路液相含水率波动信号分别采用无重叠加窗方式进行分割，窗口长度为h，长度为l的样本信号能够获取个样本，其中代表向下取整，对传感器采集到四路信号分别加窗截取，以含水率离线化验值为数据标签，共得到n个带有含水率标签值的含率波动样本。
[0072]
步骤3.2、随机将得到的样本划分数据集。
[0073]
本步骤中划分数据集的比例为：训练集∶验证集∶测试集＝6∶2∶2。
[0074]
步骤3.3、根据划分数据集构建深度lstm
‑
cnn多通道网络模型。
[0075]
步骤3.3.1、对每对金属测量电极对采集到的液相含水率波动信号进行加窗截取处理后，将截取到的信号片段按时间顺序输入到2层lstm网络中进行的特征提取，其2层lstm网络的门控单元为：
[0076]
input
t
＝σ(w
i
*[h
t
‑1,x
t
]+b
i
)
[0077]
forget
t
＝σ(w
f
*[h
t
‑1,x
t
]+b
f
)
[0078]
output
t
＝σ(w
o
*[h
t
‑1,x
t
]+b
o
)
[0079]
其中，input
t
为输入门，forget
t
为遗忘门，output为输出门，t为当前时刻，x
t
为输入，w为权值与偏置b，h
t
‑1为前一时间节点的隐含层输出，
[0080]
通过计算出的遗忘门forget
t
和输入门input
t
更新记忆单元m(t)：
[0081]
m(t)＝f(t)m(t
‑
1)+i(t)(w
c
*[h
t
‑1,x
t
]+b
c
)
[0082]
其中c为每个lstm单元结构中的一个tanh层，记忆单元m(t)和输出门output
t
通过计算将存储的内部状态的信息传递给隐含层状态输出h
t
，状态输出单元为：
[0083]
h(t)＝o(t)tanh(m(t))
[0084]
得到的隐含层状态输出h
t
与t+1时刻的输入结合，作为下一个隐含层输入，依次计算；将第一层lstm网络的输出时序输入到第二层lstm网络，得到第二层lstm网络的输出，即得到基于lstm网络的液相含水率信号特征，每个样本隐含层输出维度为m，因此得到所有隐含层输出的n
×
m维特征向量：
[0085][0086]
其中，h(t)表示状态输出单元，m(t)表示记忆单元，i(t)为输入门，o(t)为输出门，f(t)为遗忘门，σ为sigmoid激活函数，w
i
为输入门对应的权重参数，w
f
为遗忘门对应的权重参数，w
o
为输出门对应的权重参数，b
i
为输入门对应偏置项，b
f
为遗忘门对应偏置项，b
o
为输出门对应偏置项，h
t
‑1为上一时刻的lstm单元内部状态。
[0087]
在实施例中，设置lstm神经网络超参数，通过最大迭代次数20,000次结束训练，其中批尺寸batch_size为100，时间步长为150，lstm隐含层数量m为256。
[0088]
步骤3.3.2、对每对金属测量电极对采集到的液相含水率波动信号进行加窗截取处理后，将截取得到的信号片段输入到cnn神经网络中进行的特征提取；其中卷积神经网络模块包括3个顺序相接的一维卷积层conv1d，第一卷积层和第二卷积层之后分别连接有最大池化层maxpooling1d，
[0089]
输入数据经过三层卷积以及池化操作提取出高度细化的液相含水率特征，最后经过由平均池化层将数据“压平”，cnn网络的最后一层由n个神经元输出，得到1
×
n维特征向量：
[0090][0091]
在实施例中，第一层卷积操作采用48个大小为1*5的卷积核，设置步长为2，随后进行池化操作，池化窗口大小为2；第二层卷积采用128个大小为1*3的卷积核，设置步长为1，池化窗口大小为2，步长为2；第三卷积层设置128个大小为1*3的卷积核，步长为1。
[0092]
对第一、第二、第三卷积层卷积后的特征通过批量归一化处理以加速收敛；
[0093]
其中第一、第二卷积层均实施了池化的操作来防止过拟合现象的发生，池化方式为最大池化，第三卷积层设置平均池化来降低输出维度；设置训练迭代次数为10,000步，设批尺寸大小为150。
[0094]
步骤3.3.3、由lstm网络和cnn网络提取出的特征属于不同维度的特征向量，将lstm特征向量及cnn特征向量以顺序拼接的方式生成一个新的n
×
(m+1)维多元融合特征向量，融合后的特征为[h
c
,c
r
]：
[0095][0096]
将融合后的特征向量输入到两层全连接网络中，每个全连接层的神经元为i个，以井口的化验的含水率值作为标签，最后一层全连接层作为输出层使用relu函数作为激活函数，最终输出预测的含水率y
p
。
[0097]
步骤3.3.4、设置深度lstm
‑
cnn多通道融合网络模型中超参数，使用adaptive moment estimation优化算法基于训练数据通过梯度反向更新神经网络权重，学习率设定
为l
r
＝0.005；
[0098]
步骤3.3.5、构建深度lstm
‑
cnn多通道融合网络模型预测值和标签值间的损失函数，计算神经网络每次迭代的前向计算结果与真实值的差距，以最小化差距为准则，指导网络训练与优化向正确的方向进行，
[0099]
使用平均误差损失函数mse计算预测值和标签值间差的平方的均值：
[0100][0101]
其中，y
i
、是深度lstm
‑
cnn多通道网络的标签和预测值，n为样本数目。
[0102]
如图4所示，构建的深度lstm
‑
cnn多通道网络结构包括四路特征提取网络，分别为多电极高频电容传感器测量得到的四路传感器测量液相含水率波动信号的深度特征，每一路特征提取网络通过2层长短时记忆网络模块提取含水率波动信号的时序演化特征；通过三层卷积神经网络模块提取含水率波动信号的空间波动特征；通过合并层merge融合时序演化特征和空间波动特征；通过两层全连接层将融合后的特征信息进行学习训练，最终得到含水率的预测值。
[0103]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。