一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

摘要

本发明涉及一种基于Res‑TCN神经网络的油井产液伴生气智能预测方法，其技术特点是：本发明通过四扇区多电极电导传感器采集含气率波动信号并作为样本数据；然后预处理样本数据，构建数据集；根据数据集构建Res‑TCN神经网络模型；对构建的Res‑TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。本发明采用的深度神经网络在预测伴生气中具有客观性，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，并且对该类数据有较强的预测性能于客观性。

说明书

技术领域

本发明属于原油生产技术领域，尤其是一种基于Res-TCN神经网络的油井产液伴生气智能预测方法。

背景技术

在原油开采过程中，由于压力的降低，原油中的伴生气会逐渐析出，这导致油井产出液中存在大量、非均匀的气相，而气相的介入会导致现有的油井含水率计量方法失效。因此，准确的对油井产出液中含气率进行测量及预测是准确估算原油产量及油井测量仪器设计的前提条件。然而，由于油井压力及开采条件的不一致性，导致原油产出液中的气相分布及其不规律，呈现出间歇性、不确定性及非线性等特点，导致油井产出液含气率预测困难。

目前针对油井产液伴生气的测量方法，如专利号201410436242.5的技术方案是通过将被测油井套管伴生气排空，然后憋压Δt时间；憋压结束后对油井套管内伴生气进行检测，获取气体的第一压力值p1、第一温度值T1；排放至少部分套管伴生气，并在排气结束后对套管内伴生气进行第二次检测，获取气体的第二压力值p2、第二温度值T2，并记录和计算得到第一次测量和第二次测量之间的套管气排放量ΔVsta；根据前述步骤获得的各个参数，通过理想气体状态方程导出的计算公式对伴生气日产量值Q进行计算。上述专利只能对于当日的油井产液伴生气进行测量，无法对将要产出的油井产液伴生气进行有效预测。

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伴生气进行有效预测是十分重要的。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，能够捕获油井产液含水率变化的基本特征与规律。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，包括以下步骤：

步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；

步骤2、预处理样本数据，构建数据集；

步骤3、根据数据集构建Res-TCN神经网络模型；

步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。

而且，所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。

而且，所述步骤2包括以下步骤：

步骤2.1、预处理样本数据；

步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本；

步骤2.3、随机将样本按比例划分数据集。

而且，所述步骤2.1的具体实现方法为：

标准化样本数据：

归一化样本数据：

其中，

而且，所述步骤2.2的具体实现方法为：设滑动窗口的长度为H，则在长度为L的流体信号中得到

而且，所述步骤2.3的比例为：训练集∶验证集∶测试集＝6∶2∶2。

而且，所述步骤3的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。

而且，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元，第一时间卷积层和顺序连接的T层Res-TCN单元依次顺序连接；

所述Res-TCN模块的具体计算方法为：

其中，X

而且，所述输出模块包括特征融合层和全局平均池化层，其中特征融合层将4路包含不同特征信息的向量进行顺序拼接，并进行特征融合，其融合方式为：

X＝Concat(X

其中,X

而且，所述步骤4包括以下步骤：

步骤4.1、设置基于多元信息融合的Res-TCN网络模型中超参数，使用adaptivemoment 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；

步骤4.2、构建基于多元信息融合的Res-TCN网络模型预测值和预测标签间的损失函数；所述使用平均误差损失函数MSE计算预测值和预测标签间差的平方的均值为：

其中，y

明的优点和积极效果是：

本发明通过四扇区多电极电导传感器采集含气率波动信号并作为样本数据；然后预处理样本数据，构建数据集；根据数据集构建Res-TCN神经网络模型；对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。本发明采用的深度神经网络在预测伴生气中具有客观性，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，并且对该类数据有较强的预测性能于客观性。

附图说明

图1是本发明预测方法的流程图；

图2是四扇区电导传感器结构示意图；

图3是本发明单个Res-TCN网络结构图；

图4是本发明基于多元特征融合的Res-TCN网络模型结构图。

具体实施方式

以下结合附图对本发明做进一步详述。

一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，如图1所示，包括以下步骤：

步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签。

本步骤的实现方法为：

四扇区多电极电导传感器的四对电极采用循环采样的方式对含气率进行测量，其测量策略为：在一个采样周期内，4个电极对同时进行采样，当完成一个周期的采样后，进行下一个周期采样。每一个电极对可采集一路含气率波动时间序列信号，共可获取4路传感器测量含气率波动信号。将采集到的4路含气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油井产出液的含气率。

如图2所示，采用四扇区多电极电导传感器测量垂直下降管道内油井产出液含气率的波动信息。四扇区多电极电导传感器包括安装在不导电管道外壁上的8个金属测量电极构成，管道材质为不导电、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。8个电极分别安装在2个不同的径向截面上，每个径向截面上对称安装4个位置均匀分布的环状电极，2个不同径向截面的测量电极上下对称为一对测量电极，共分为4组，分别敏感于不同径向扇区的含气率值。每对电极对壁安装，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四扇区多电极电导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气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导传感器测量信号。每组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气率波动信息进行测量。

步骤2、预处理样本数据，构建数据集。

步骤2.1、预处理样本数据。

本步骤的具体实现方法为：

标准化样本数据：

归一化样本数据：

其中，

步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本，单个样本的标签为与原流体数据相同的化验的含气率值。

本步骤中设滑动窗口的长度为H，在长度为L的流体信号中得到

步骤2.3、随机将样本按训练集∶验证集∶测试集＝6∶2∶2的比例划分数据集。

步骤3、根据数据集构建Res-TCN神经网络模型。

如图4所示，本步骤中构建的Res-TCN神经网络模型包括：第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块、第四Res-TCN模块和输出模块，所述第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块并行连接输出模块。

第一Res-TCN模块、第二Res-TCN模块、第三Res-TCN模块和第四Res-TCN模块结构相同，并且均包括第一时间卷积层和顺序连接的T层Res-TCN单元。

第一时间卷积层为每一路信号都需要经过的一个1D时间卷积层，设定第一时间卷积层有N个卷积核,且卷积核长度为d,则第一时间卷积层所包含的权重为

X

X

如图3所示，每个Res-TCN单元由堆叠的TCN时间卷积层和ResNet残差网络层构成。TCN时间卷积层结构包括2层1D卷积层、批归一化层以及非线性激活函数层。其中1D卷积是在时间维度上进行特征提取。原则上同第一时间卷积层计算类似，给定前一层输出X

X

其中β为ReLU非线性激活函数，整个网络通过反向传播算法进行训练。

ResNet残差网络结构包括一层大小为[1*1]的1D卷积层、批归一化层和ReLU激活函数层，计算过程如第一时间卷积层类似，通过[1*1]大小的卷积层进行维度整合，使模块输入和输出在同一维度，通过批归一化将上一层的输入特征和参数进行批量归一化，加速模型的收敛以及提高稳定性，ReLU激活函数将模块的输入进行非线性映射，在参数反向传播迭代时得到更好的学习效率。

所述Res-TCN模块的具体计算方法为：

其中，X

输出模块包括特征融合层和全局平均池化层，其中特征融合层将4路包含不同特征信息的向量进行顺序拼接，以进行特征融合，融合后的特征向量包含4个扇区采集到的样本信息，融合方式为：

X＝Concat(X

其中,X

步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。

步骤4.1、设置基于多元信息融合的Res-TCN网络模型中超参数，使用adaptivemoment 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；

步骤4.2、构建基于多元信息融合的Res-TCN网络模型预测值和1标签值间的损失函数；

步骤4.3、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，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：

其中，y

本实施例中，测量过程采样频率为1000Hz，每个工况采集时间为1min，工况设计为油水流量在2方/天、5方/天、10方/天、15方/天、20方/天、30方/天、40方/天、50方/天、60方/天、70方/天、80方/天，每个工况采集32组不同含气率下的信号数据，构成数据集一共352组。

得到的样本为352组工况，按照(6：2：2)的比例划分数据集，其中，训练集为212组，共计42400个样本数据，验证集为70组，共计14000个样本数据，测试集为70组，共计14000个样本数据。

构建的Res-TCN神经网络模型包含36个Res-TCN单元，四个Res-TCN模块分别由一个1D卷积层和9个Res-TCN单元。所有的卷积层的卷积核尺寸为16，数量64k，k初始为，每3个Res-TCN增加1。

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。