一种基于电导探针的垂直井流型辨识方法

摘要

本发明涉及一种基于电导探针的垂直井流型辨识方法，可用于对油水两相产出井的垂直井段进行流型辨识。该方法的特征在于包括以下步骤：通过动态实验装置获取训练样本和测试样本，对电导探针的输出信号进行多角度特征提取，利用所提取的多个标量特征构建特征向量；采用主成分分析方法对特征向量进行压缩降维，消除各特征参数之间的线性相关性；针对垂直井中的多种流型，采用支持向量机分类方法建立多类流型分类器；选择支持向量机的核函数，利用测试样本对惩罚因子与核函数参数进行优化。本发明的有益效果是该方法可以对油水两相垂直井的流型进行在线辨识，具有较高的流型辨识准确度，可满足井下测量需求。

说明书

技术领域

本发明涉及一种基于电导探针的垂直井流型辨识方法，可用于对油水两相产出井的 垂直井段进行流型辨识。

背景技术

生产测井通常是指油气井投产以后所进行的测井作业，包括完井后的注入井和产出 井测井技术。近年来，生产测井的任务已经从钻井初期的各个阶段扩展至油井的整个开 采历程，主要目的是评价油气井自身的状况和监测油藏的动态变化，为油田管理提供依 据。根据测量对象和测量目的不同，生产测井大致可划分为三个重要组成部分：工程技 术测井、产层评价测井和生产动态测井。其中，产出剖面测井属于生产动态测井的范畴， 贯穿于油气井从投产到报废的全过程。主要任务是对产出井的流动剖面进行动态监测， 了解每个产层的产出情况。产出剖面的测井解释是精细化油藏描述的基础资料，在油气 田开发领域起着举足轻重的作用。在井下，气相主要溶解在油里，而在水中的溶解量很 小。对于产气量较少的油井，当流体从地层流入测试井段时，如果井压高于油相泡点压 力，气体则不会从油相中析出，这样井筒内的混合流体便可以被认为是油水两相流。在 国内陆上油田的开发中，这类油井占有一定比例，因此对油水两相流产出剖面测井技术 的研究有着非常重要的意义。

发明内容

流型是两相流的重要参数，表征流体在流动过程中各相介质的分布情况。流型对油 井生产特性以及生产动态监测的影响一直是生产测井领域的热点关注问题。流型不同， 不仅影响井内两相流体的流动特性和传热传质性能，也影响着其它两相流参数的准确测 量。通常情况下，如果能在测井之前预知井内的流型，就可以选择更适合的测量仪器， 获得更好的测量效果。因此，研究垂直井流型辨识方法对工程应用具有十分重要的意义， 要想实现垂直井流量和含水率的准确测量，首先需要确定井内的流型。为了实现流量和 含水率的准确测量，本专利发明了一种基于电导探针的垂直井流型辨识方法，其特征在 于包括下列步骤：

(1)通过动态实验装置获取训练样本和测试样本，对电导探针的输出信号进行多角 度特征提取，利用所提取的多个标量特征构建特征向量；电导探针的输出信号为单路时 间序列信号，可采用的特征提取方法有：统计分析、符号化时间序列分析、混沌时间序 列分析、小波变换、Hilbert-Huang变换、分形理论和密度波理论；

对于垂直井参数检测，无论是流型辨识还是流量和含水率的测量，都不能直接利用 电压信号进行建模，而应在建模之前首先对信号进行特征提取。电压信号的特征提取实 质上是对其波动特性的分析和定量描述，而特征提取的好坏又会直接影响参数测量模型 的有效性和测量精度。影响信号波动特性的因素很多，当管道参数和探针尺寸结构确定 时，这些因素基本来自于两个方面：一方面是流体本身，另一方面来自于两相介质与电 导探针的相互作用，其中既有确定性因素又包含了一些随机因素。因此，特征提取方法 应该兼顾这两方面的信息。

(2)采用主成分分析方法对特征向量进行压缩降维，消除各特征参数之间的线性相 关性；主成分Y₁，Y₂，…，Y_p表示为原始特征参数的线性组合，记为以下代数形式：

$\left(\begin{array}{cc}{Y}_1=u_{11}{X}_1+u_{12}{X}_2+...+u_{1p}{X}_p& \\ Y_2=u_{21}{X}_1+u_{22}{X}_2+...u_{2p}{X}_p& \\ ...& ...\\ Y_p=u_{p1}{X}_1+u_{p2}{X}_2+...+u_{\mathrm{pp}}{X}_p& \end{array}\right)$

式中Y_i＝u_i′X为原始特征参数的第i个主成分，u_i＝(u_i1，u_i2，…，u_ip)′为系数向量，该 线性组合受限于下列约束原则：

a.u_i′u_i＝1；

b.当i≠j时，Y_i与Y_j相互正交；

c.Y₁是X₁，X₂，…，X_p的一切线性组合中的方差最大者，Y₂是在Y₁方差为最大的前提 下，为X₁，X₂，…，X_p的一切线性组合中的方差最大者，依此类推，Y_p是在Y_p-1方差为最大 的前提下，为X₁，X₂，…，X_p的一切线性组合中的方差最大者；

为了尽可能完整、全面地反映信号中的有用信息，在步骤(1)中使用多种方法对电 压波动信号进行了特征提取来构造特征向量。但是，所提取的特征参数没有经过仔细筛 选，在特征向量中不仅包含了反映流体流动规律的有用信息，也包含了由特征之间相关 性产生的冗余信息以及噪声。如果直接将特征向量用于流型分类器的构建，将严重影响 支持向量机的分类精度和泛化能力。对于这种情况，一般的解决思路是将这些具有相关 关系的特征参数用少数几个综合指标来代替。主成分分析是一种多元统计和处理方法， 其基本思想是把原始空间中具有一定相关性的多元变量转换为新空间中少数几个互不相 关的主成分，对原始数据进行压缩降维的同时，保正较少的信息损失。

(3)针对垂直井中的多种流型，采用支持向量机分类方法建立多类流型分类器；垂 直井内的流型包括：油包水流型、水包油流型、过渡流型、分散油泡流和分散水泡流； 可采用的多分类策略有一对一、一对多、有向无环图和直接构造一个多分类的目标函数； 利用训练样本对支持向量机的数学模型进行训练，支持向量机模型的训练是一个带有约 束条件的优化问题，可描述为如下形式：

$\left(\begin{array}{cc}\underset{w,b,\xi }{\min }& \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\Sigma }}{\xi }_i\end{array}\right)$

ξ_i≥0i＝1,2,…,l

式中，C为惩罚因子，为映射函数，ξ_i为松弛变量；求解该优化问题需要将其转化 为如下对偶形式：

$\left(\begin{array}{cc}\underset{\alpha }{\max }& \underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i-\frac{1}{2}\underset{i=1}{\overset{l}{\Sigma }}\underset{j=1}{\overset{l}{\Sigma }}{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(x_i·x_j)\end{array}\right)$

$\left(\begin{array}{cc}s.t.& \underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i{y}_i=0\end{array}\right)$

0≤α_i≤C

式中，K(x_i，x_j)为满足Mercer条件的核函数，α_i为拉格朗日乘子，最终确定支持向量机 的数学模型为：

流型分类器的决策函数为：

$y\left(x\right)=\mathrm{sgn}\left[f\left(x\right)\right]=\mathrm{sgn}[\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i{y}_{i}K(x_i·x)+b]$

油水两相流体与电导探针的相互作用过程十分复杂和难以预测，要想通过建立完备 的理论模型进行流型辨识基本上是行不通的。在这种情况下，一个比较理想的解决思路 是尝试采用软测量技术。支持向量机是一种新兴的人工智能技术，在处理分类和回归问 题上显示了巨大的潜力与优势。支持向量机以结构风险最小化为指导原则，利用有限的 样本信息在模型训练精度和泛化性能之间寻求最佳折衷，在解决小样本、非线性及高维 数问题时表现出了独特的优势，是目前为止最有效的机器学习方法。

(4)选择支持向量机的核函数，利用测试样本对惩罚因子C与核函数参数σ进行优 化；可选择的核函数有：线性核函数、多相式核函数、径向基核函数和神经网络核函数； 所采用的优化方法为遗传算法；遗传算法同时借鉴了达尔文的进化论和孟德尔的遗传学 说，是一种通过模拟生物界自然进化机制发展起来的全局随机搜索及优化方法。遗传算 法对目标函数没有可导或连续性的限制而直接进行求解；不需要设定具体的搜索规则和 搜索方向，在全局并行搜索满足条件的最优解。遗传算法是智能分析与计算领域的关键 技术，已被人们广泛地应用于机器学习、信号处理、智能控制和人工生命等领域。基于 遗传算法的优化步骤如下：

a.设置初始种群规模，最大进化代数T，惩罚因子C、核函数参数σ的搜索范围，交叉 和变异概率；

b.对参数C、σ进行染色体编码，随机产生初始种群，初始化进化代数t＝0；

c.计算种群中个体的适应度R_cv(C，σ)；

d.根据个体适应度，采用轮盘赌的方式从当前种群选出个体进入下一代；

e.对种群中的个体进行交叉操作，产生新个体进入下一代；

f.对种群中的个体执行变异操作，随机改变个体中某些基因产生新个体；

若不满足终止条件且t≤T，则跳转至步骤b。

本发明的有益效果是该方法可以对油水两相垂直井的流型进行在线辨识，具有较高 的流型辨识准确度，可满足井下测量需求。

附图说明

图1为具体实施方式中流型分类器的建立过程；

图2为具体实施方式中所采用的电导探针的结构图，图中：金属外壳(201)，绝缘 层(202)，电极(203)；

图3为具体实施方式中垂直井的流型辨识过程。

具体实施方式

图1为具体实施方式中流型分类器的建立过程；垂直井中的流型以分散流(油泡流、 水泡流和过渡流)为主，因此在探针结构设计上主要考虑了电导探针对离散相的探测能 力，以及套管和仪器臂对探针输出的影响。图2为具体实施方式中所采用的电导探针的 结构图，图中：金属外壳(201)，绝缘层(202)，电极(203)。电导探针整体外径3 mm，探针电极裸露3mm，实际测量时，可以用来检测直径大于3mm的油泡或水泡且 不受连续相的影响。图3为具体实施方式中垂直井的流型辨识过程，现结合附图说明本 发明的具体实施方式。

(1)通过动态实验装置获取训练样本和测试样本，对电导探针的输出信号进行多角 度特征提取，利用所提取的多个标量特征构建特征向量；电导探针的输出信号为单路时 间序列信号，可采用的特征提取方法有：统计分析、符号化时间序列分析、混沌时间序 列分析、小波变换、Hilbert-Huang变换、分形理论和密度波理论；

训练样本和测试样本的采集在多相流模拟装置上完成。实验用油为柴油，密度825 kg/m³、粘度3×10^-3Pa·s、表面张力28.62×10^-3N/m；水为普通民用水，密度1000kg/m³、 粘度0.890×10^-3Pa·s、表面张力71.25×10^-3N/m。油水总(体积)流量Q_t的调节范围 为10～200m³/d(立方米每天)，调节间隔为10m³/d；含水率C_w的调节范围为0.1～0.9， 调节间隔为0.1。针对每种不同的流量和含水率配比，采集一组实验数据，每组数据的采 集时间为15min，采样频率为100Hz，总计得到180组不同参数配比条件下的数据。在全 部的180组实验数据中，其中水包油流型为89组，过渡流型为57组，油包水流型为34 组。三种流型中训练样本和测试样本的分配比例分别为：油包水流型19：15，过渡流型 33：24，水包油流型48：41，总训练数据与总测试数据的比例为100：80。

由于电导探针的输出为电压波动信号，不能直接用于参数测量模型的构建。为了得 到电压信号的定量描述，对电压波动信号进行了多角度特征提取：基于统计分析方法， 提取了均值、方差、偏斜系数和峰度系数；基于符号化分析方法，提取了序列的长度、 局部持水率、均值和方差；基于小波包分解算法，提取了各频带信号的能量和信息熵； 采用混沌时间序列分析方法，提取了关联维数、kolmogorov熵和lyapunov指数。各特征 参数均是有效的，且随流量和含水率呈规律性变化。但是，部分特征参数之间具有明显 的相关性，个别特征提取结果在展示一定规律性的同时，也显示了测量噪声的存在。

(2)采用主成分分析方法对特征向量进行压缩降维，消除各特征参数之间的线性相 关性；主成分Y₁，Y₂，…，Y_p表示为原始特征参数的线性组合，记为以下代数形式：

$\left(\begin{array}{cc}{Y}_1=u_{11}{X}_1+u_{12}{X}_2+...+u_{1p}{X}_p& \\ Y_2=u_{21}{X}_1+u_{22}{X}_2+...u_{2p}{X}_p& \\ ...& ...\\ Y_p=u_{p1}{X}_1+u_{p2}{X}_2+...+u_{\mathrm{pp}}{X}_p& \end{array}\right)$

式中Y_i＝u_i′X为原始特征参数的第i个主成分，u_i＝(u_i1，u_i2，…，u_ip)′为系数向量，该 线性组合受限于下列约束原则：

a.u_i′u_i＝1；

b.当i≠j时，Y_i与Y_j相互正交；

c.Y₁是X₁，X₂，…，X_p的一切线性组合中的方差最大者，Y₂是在Y₁方差为最大的前提 下，为X₁，X₂，…，X_p的一切线性组合中的方差最大者，依此类推，Y_p是在Y_p-1方差为最大 的前提下，为X₁，X₂，…，X_p的一切线性组合中的方差最大者；

在建立流型分类器之前，首先需要对样本数据进行特征提取来构造特征向量。然而， 未经筛选的特征参数之间存在一定程度的相关性，直接用于分类器模型的构建将严重影 响其分类精度和泛化性能。为此，需要使用少数几个相互正交的主成分代替这些特征参 数进行建模。对特征向量进行主成分分析，前面几个主成分就很好体现了包含了原始特 征参数的大部分信息，为了能在压缩数据的同时尽可能多地保留原特征向量的信息，选 择前4个主成分代替特征向量。

(3)针对垂直井中的多种流型，采用支持向量机分类方法建立多类流型分类器；垂 直井内的流型包括：油包水流型、水包油流型、过渡流型、分散油泡流和分散水泡流； 可采用的多分类策略有：一对一、一对多、有向无环图和直接构造一个多分类的目标函 数；利用训练样本对支持向量机的数学模型进行训练，支持向量机模型的训练是一个带 有约束条件的优化问题，可描述为如下形式：

$\left(\begin{array}{cc}\underset{w,b,\xi }{\min }& \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\Sigma }}{\xi }_i\end{array}\right)$

ξ_i≥0i＝1,2,…,l

式中，C为惩罚因子，为映射函数，ξ_i为松弛变量；求解该优化问题需要将其转化 为如下对偶形式：

$\left(\begin{array}{cc}\underset{\alpha }{\max }& \underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i-\frac{1}{2}\underset{i=1}{\overset{l}{\Sigma }}\underset{j=1}{\overset{l}{\Sigma }}{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(x_i·x_j)\end{array}\right)$

$\left(\begin{array}{cc}s.t.& \underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i{y}_i=0\end{array}\right)$

0≤α_i≤C

式中，K(x_i，x_j)为满足Mercer条件的核函数，α_i为拉格朗日乘子，最终确定支持向量机 的数学模型为：

流型分类器的决策函数为：

$y\left(x\right)=\mathrm{sgn}\left[f\left(x\right)\right]=\mathrm{sgn}[\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i{y}_{i}K(x_i·x)+b]$

采用一对一多分类策略建立流型分类器，一对一策略针对n分类问题中的任意两类 样本分别建立子分类器，共需建立n(n–1)/2个子分类器。最终的分类结果由子分类器共 同“投票”决定，如图1所示。一对一方法的特点是分类器的数目随着类别数急剧增加， 训练效率低。将垂直井中的流型粗分为：水包油、过渡流以及水包油流型，则采用一对 一方法共需建立3个子分类器，分别为水包油—过渡流子分类器、过渡流—油包水子分 类器以及水包油—油包水子分类器。

(4)选择支持向量机的核函数，利用测试样本对惩罚因子C与核函数参数σ进行优 化；可选择的核函数有：线性核函数、多相式核函数、径向基核函数和神经网络核函数； 所采用的优化方法为遗传算法，遗传算法的优化步骤如下：

a.设置初始种群规模，最大进化代数T，惩罚因子C、核函数参数σ的搜索范围，交叉 和变异概率；

b.对参数C、σ进行染色体编码，随机产生初始种群，初始化进化代数t＝0；

c.计算种群中个体的适应度R_cv(C，σ)；

d.根据个体适应度，采用轮盘赌的方式从当前种群选出个体进入下一代；

e.对种群中的个体进行交叉操作，产生新个体进入下一代；

f.对种群中的个体执行变异操作，随机改变个体中某些基因产生新个体；

若不满足终止条件且t≤T，则跳转至步骤b。

以十折交叉验证下的分类准确率作为目标函数对每个子分类器进行参数优化，如果 其它条件均相同，而只是对电压信号采用不同的预处理方式，就会得到不同的流型分类 器。对各种流型分类器进行测试，总体的分类准确率均达到90％以上，说明特征参数敏 感于流型变化，而且基于支持向量机的流型辨识方法是可行的。当使用全部特征参数建 立流型分类器时，分类器的泛化性能稍差；而当使用特征参数的主成分构建流型分类器 时，分类器的性能又与主成分的数量有关，但是在总体上差别并不明显。当主成分的数 量较少时，就可以得到较高的分类精度；使用前4个主成分建立模型时，分类准确率即 达到最大值95.00％。综上所述，本专利提出的一种基于电导探针的垂直井流型辨识方法 可以有效解决垂直井油水两相流的流型辨识问题。

以上对本发明及其实施方式的描述，并不局限于此，附图中所示仅是本发明的实施 方式之一。在不脱离本发明创造宗旨的情况下，不经创造地设计出与该技术方案类似的 结构或实施例，均属本发明保护范围。