[發(fā)明專利]基于深度學習的含水率測量方法及其在油井開采中的應用

有效

• 申請?zhí)枺?/td>: 202010481478.6
• 申請日: 2020-05-31
• 公開（公告）號: CN111638249B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設計）人: 高忠科;侯林華;曲志勇;馬文慶
• 申請（專利權）人: 天津大學;天津富瑞隆金屬制品有限公司
• 主分類號: G01N27/06
• 分類號: G01N27/06;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

一種基于深度學習的含水率測量方法及其在油井開采中的應用，包括：利用四扇區(qū)電導傳感器采集井口油氣管道中不同工況的流體數(shù)據(jù)，獲取標簽，并上傳至上位機保存；構建數(shù)據(jù)集，具體是對流體數(shù)據(jù)進行預處理后，使用有重疊的滑動窗口從流體數(shù)據(jù)中獲取樣本，為樣本添加相應的標簽，再將80％樣本作為訓練集，10％樣本作為驗證集，剩余的10％樣本作為測試集；構建卷積神經(jīng)網(wǎng)絡模型，用于完成對流體樣本的特征提取和含水率值預測；對卷積神經(jīng)網(wǎng)絡模型進行優(yōu)化、訓練以及參數(shù)調(diào)整，得到當前架構下的最優(yōu)的卷積神經(jīng)網(wǎng)絡模型，并完成參數(shù)測量。本發(fā)明可以實時精確測量井口環(huán)境下油水兩相流的含水率數(shù)值并保存，提升含水率測量的準確率。

技術領域

本發(fā)明涉及一種含水率測量方法。特別是涉及一種基于深度學習的含水率測量方法及其在油井開采中的應用。

背景技術

油水兩相流廣泛存在于油氣的開采、運輸、加工等工業(yè)領域中。在油水兩相流系統(tǒng)下，兩相介質由于密度、粘度等性質的差異，它們在管道中的分布存在空間和時間兩方面的變化，形成了特定的流動形態(tài)，即流型。在油氣開采過程中，隨著兩相流系統(tǒng)中流型的變化，整體流動信息也隨之不斷改變，導致其關鍵的流動參數(shù)(相流速、相含率等)也處于劇烈變化中，為油氣的井口含率測量帶來了困難，使得進一步的運輸、存儲等過程受到影響。當前，井口含水率確定的主流方法是通過對開采樣品進行人工化驗，從而獲取當前樣品的含水率。但這種方法誤差大，精度低，且存在較大的時間延遲。構建井口管道內(nèi)流體信號和流動參數(shù)的模型，即可利用該模型對不同流體信號的流動參數(shù)進行測量，并從流體信號獲取和模型優(yōu)化兩個角度對模型不斷優(yōu)化，提升模型的性能。傳統(tǒng)的環(huán)形電導傳感器和雙螺旋電容傳感器等，僅包含單通道的流體信息，且無法精確反應流動結構。而分布式的電導傳感器設計則可以獲取更加豐富的空間信息，通過多通道信號更加精準地反應流動狀態(tài)，為流動參數(shù)的精確測量提供了技術支持。

深度學習方法是當前科技背景下，實現(xiàn)人工智能的一條重要技術路線。通過對人腦處理機制的模擬，深度學習方法利用人工神經(jīng)元的集成來完成大規(guī)模的非線性計算。近年來，隨著相應優(yōu)化問題的解決，深度學習方法在眾多領域上取得了接近甚至超越人腦識別的準確率，有力地推動了人工智能的發(fā)展。卷積神經(jīng)網(wǎng)絡作為其中應用廣泛的分支，憑借其局部感知、參數(shù)共享、多核處理的優(yōu)點，在圖像分割、自然語言處理、信號分析等領域都有優(yōu)異的表現(xiàn)。同時，隨著對卷積神經(jīng)網(wǎng)絡的不斷改進，其處理性能也在不斷提升。相較于傳統(tǒng)的分析方法，卷積神經(jīng)網(wǎng)絡通過對大量數(shù)據(jù)的分析，可以獲取其中具有代表性的特征，有利于對新數(shù)據(jù)的分析。由于網(wǎng)絡具有多個特征提取過程，通過非線性函數(shù)的作用，可以充分發(fā)掘信號中的非線性特征，在復雜信號的處理中有獨到的優(yōu)點。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題是，提供一種能夠解決油水兩相流的含水率測量問題的基于深度學習的含水率測量方法及其在油井開采中的應用

本發(fā)明所采用的技術方案是：一種基于深度學習的含水率測量方法，包括如下步驟：

1)利用四扇區(qū)電導傳感器采集井口油氣管道中不同工況的流體數(shù)據(jù)，獲取標簽，并上傳至上位機保存；

2)構建數(shù)據(jù)集，具體是對流體數(shù)據(jù)進行預處理后，使用有重疊的滑動窗口從流體數(shù)據(jù)中獲取樣本，為樣本添加相應的標簽，再將80％樣本作為訓練集，10％樣本作為驗證集，剩余的10％樣本作為測試集；

3)構建卷積神經(jīng)網(wǎng)絡模型，用于完成對流體樣本的特征提取和含水率值預測；

4)對卷積神經(jīng)網(wǎng)絡模型進行優(yōu)化、訓練以及參數(shù)調(diào)整，得到當前架構下的最優(yōu)的卷積神經(jīng)網(wǎng)絡模型，并完成參數(shù)測量。

一種基于深度學習的含水率測量方法在油井開采中的應用，包括如下步驟：

(1)開啟四扇區(qū)電導傳感器，測量井口油氣管道中油水兩相流的流體數(shù)據(jù)，上傳至上位機，根據(jù)所述的基于深度學習的含水率測量方法獲取當前時刻樣本；

(2)將當前時刻樣本作為卷積神經(jīng)網(wǎng)絡模型的輸入，通過卷積神經(jīng)網(wǎng)絡模型的計算分析得到當前樣本的含水率輸出；