一种基于非线性特征的低产气油井井口含水率预测方法与流程

本发明属于原油生产领域，涉及低产气油井产液的含水率测量，尤其是一种基于非线性特征的低产气油井井口含水率预测方法。

背景技术：

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。

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。

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：

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。

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。

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。

技术实现要素：

本发明的目的在于克服现有技术的不足之处，提供一种基于非线性特征的低产气油井井口含水率预测方法，通过本方法提供的深度学习模型可有监督式提取被测液的非线性特征信息，采用卷积神经网络结构深度挖掘测量信号递归图非线性特征，对油井产液特别是低产气高含水油井产液的含水率进行精确预测。

本发明实现目的的的技术方案为：

一种基于非线性特征的低产气油井井口含水率预测方法，其特征在于：包括以下步骤：

⑴将传感器安装于井口下降管道，通过法兰连接接入管之后，通过控制系统对传感器进行扫频操作以确定传感器的最佳工作频率；

⑵当传感器最佳工作频率确定之后，以该频率正弦激励信号对环状测量电极进行激励，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；

⑶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，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；

⑷将传感器采集到的含水率波动信号进行相空间重构，得到反映含水率特征的递归矩阵，该矩阵作为含水率预测网络的输入进行训练；对测量的含水率时间序列信息进行相空间重构操作，对于双环式电容传感器测量信号时间序列s(it),i＝1,2,....n，其中t为时间采样间隔，n为采样点总数，选取嵌入时间延迟为τ、嵌入维数为n，相空间中的点s(it),i＝1,2,....n由以下公式计算：

x(k)＝{s1(k),s2(k),…,sn(k)}＝{s(kt),s(kt+τ),…,s[kt+(n-1)τ]}

式中k＝1,2,…,m，m＝n-(n-1)*τ/t为重构相空间后吸引子上点的总数；

无阈值的递归图矩阵定义为：

rij＝d(xi-xj)

式中，rij为递归图距离矩阵，d(xi-xj)为相空间中的点xi与xj直接的距离，本发明中，此距离定义为相空间中两个点xi与xj之间的欧式距离；

⑸采用深度卷积神经网络结构对递归矩阵特征进行逐层提取，细化出高度抽象的含水率特征信息，该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；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，采用井口化验含水率作为训练标签值，softmax函数它能将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，softmax形式为：

其中，j＝1,…,k，i表示k中的某个分类，zj表示该分类的值。

而且，所述控制系统的控制结构为：高频正弦激励信号源产生激励信号，通过功分器送至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，提取测量信号的非线性递归图特征。

而且，所述的传感器为双环式电容传感器，用于来获取井口含水率信息，该传感器由不锈钢金属保护壳和内部传感器管道组成，不锈钢金属保护壳两端为左法兰、右法兰，其中右法兰与左法兰所在的金属保护壳为螺纹连接以便于安装内部传感器管道；金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有引线孔，用于传感器电极与外部测量计算仪表的连接线通道；不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道，用于井口油水混合液的传输；在内部传感器管道外壁上间隔安装有两个环状测量电极，用于油水混合液的含水率测量；同时，在环状测量电极外侧安装有电磁屏蔽层，以提高传感器测量效果；内部传感器管道通过两侧端面的o型圈与金属外壳压紧密封。

本发明的优点和积极效果为：

1、本发明系统所采用的双环式电容传感器，可快速、准确获得含水率序列波动信号；传感器采集的含水率波动信号属于非线性序列信号，已现有技术手段预测识别有较大困难，因递归域在处理非线性序列信号有较强能力，所以采用递归域分析处理信号，得到递归图，该方法可非线性特征展现在递归图中；深度卷积神经网络通过卷积与池化操作，可准确提取递归图中不同特征，同时深层网络结构可多次细化特征，通过卷积池化层提取的不同特征进行分类预测，准确率明显优于传统识别方法如深度置信网络、支持向量机等，同时计算速度可观。

2、本发明系统所采用的双环式电容传感器安装在井口下降管道，可直接对尽快够产液的含水率进行计量，所测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。该传感器可有效、精准测量低产气油井管道内部气液流动状况。

3、本发明方法提取传感器测量时序信号的非线性递归图特征，非线性特征rij以特征矩阵的形式存储，该特征矩阵蕴含了丰富的井口含水率波动信息，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。

4、本发明可实现低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，在测量手段上采用高频双环式电容传感器获取井口混合液的含水率波动信息，提取低产气井井口波动信号的非线性特征作为模型特征，建立基于深度卷积神经网络及非线性特征的的含水率预测模型，将井口产液含水率化验值作为含水率标签进行训练，最终得到含水率的预测值，由于含水率波动的非线性特征是井口产液的特性的精确描述，因此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。

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

图1为本发明双环高频电容传感器的结构剖视示意图；

图2为本发明双环高频电容传感器测量信息的非线性递归特征提取示意图；

图3为本发明建立深度卷积神经网络模型与预测图。

具体实施方式

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。

本发明所涉及的含水率预测方法，是通过双环式高频电容传感器采集井口含水率信息，提取测量信号的非线性递归图特征作为深度卷积神经网络的输入，该深度卷积神经网络对所输入的非线性递归图特征进行抽象提取及综合，采用有监督式的学习方式，对井口含水率进行预测。

本发明所涉及的含水率预测方法，所涉及的双环式电容传感器用于来获取井口含水率信息，其结构如图1所示，由不锈钢金属保护壳和内部传感器管道3组成，不锈钢金属保护壳两端为公称直径dn50的左法兰1、右法兰9，其中右法兰与左法兰所在的金属保护壳为螺纹8连接，以便于安装内部传感器管道。金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有内径为18mm的引线孔5，用于传感器电极与外部测量计算仪表的连接线通道；不锈钢金属保护壳内部同轴镶装有一内径为50mm的呢绒材质的内部传感器管道，用于井口油水混合液的传输；在内部传感器管道外壁上间隔安装有两个环状测量电极6，用于油水混合液的含水率测量。同时，在环状测量电极外侧安装有电磁屏蔽层4，以提高传感器测量效果。内部传感器管道通过两侧端面的o型圈2与金属外壳压紧密封，用以防止井口产液的泄露。

本发明中，不锈钢金属保护壳法兰间距为330mm，传感器内的呢绒管道长度为310mm，传感器管道通径为50mm，呢绒管道壁厚80mm，环状测量电极内径80mm，外径85mm，两个环状测量电极间距50mm，电磁屏蔽层为厚度为1mm的金属铜板，卷焊为圆柱筒，长度为90mm，内径为90mm，与呢绒管道之间有有机玻璃环7支撑。

本发明所涉及的含水率预测方法，其控制系统如图2左侧所示，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，提取测量信号的非线性递归图特征。

一种基于深度学习与非线性特征的低产气油井井口含水率预测方法，包括以下步骤：

⑴将传感器安装于井口下降管道，通过dn50法兰连接接入管之后，对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；

⑵当传感器最佳工作频率确定之后，以该频率对环状测量电极进行激励，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；

⑶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，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；

⑷对测量的含水率时间序列信息进行相空间重构操作，对于双环式电容传感器测量信号时间序列s(it),i＝1,2,....n(t为时间采样间隔，n为采样点总数)，选取嵌入时间延迟为τ、嵌入维数为n，相空间中的点s(it),i＝1,2,....n由以下方式计算：

x(k)＝{s1(k),s2(k),…,sn(k)}＝{s(kt),s(kt+τ),…,s[kt+(n-1)τ]}

式中k＝1,2,…,m，m＝n-(n-1)*τ/t为重构相空间后吸引子上点的总数。

无阈值的递归图描述了n维相空间中的轨线x(k)随时间变化的动力学行为及其规律，代表了相空间轨线递归到某一定状态的情形，反映了确定性动力学系统的基本特性。无阈值的递归图矩阵则反映了相空间中点的连接情况，是含水率波动信息的本质非线性特征，从另一方面也反映了含水率的大小。

本发明中无阈值的递归图矩阵定义为：

rij＝d(xi-xj)

式中，rij为递归图距离矩阵，d(xi-xj)为相空间中的点xi与xj直接的距离，本发明中，此距离定义为相空间中两个点xi与xj之间的欧式距离。

⑸通过深度卷积神经网络学习含水率信号的非线性递归特征对低产气油井井口含水率进行预测。图3为本发明建立深度卷积神经网络模型与预测图，即采用深度卷积神经网络结构，对递归矩阵特征进行逐层提取，细化出高度抽象的含水率特征信息。本发明中的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，本发明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递归图，从而达到对含水率波动曲线的预测。