阅读说明：本技术 基于深度学习的含水率测量方法及其在油井开采中的应用 (Water content measuring method based on deep learning and application of water content measuring method in oil well exploitation ) 是由 高忠科 侯林华 曲志勇 马文庆 于 2020-05-31 设计创作，主要内容包括：一种基于深度学习的含水率测量方法及其在油井开采中的应用,包括：利用四扇区电导传感器采集井口油气管道中不同工况的流体数据,获取标签,并上传至上位机保存；构建数据集,具体是对流体数据进行预处理后,使用有重叠的滑动窗口从流体数据中获取样本,为样本添加相应的标签,再将80％样本作为训练集,10％样本作为验证集,剩余的10％样本作为测试集；构建卷积神经网络模型,用于完成对流体样本的特征提取和含水率值预测；对卷积神经网络模型进行优化、训练以及参数调整,得到当前架构下的最优的卷积神经网络模型,并完成参数测量。本发明可以实时精确测量井口环境下油水两相流的含水率数值并保存,提升含水率测量的准确率。(A water content measuring method based on deep learning and application thereof in oil well exploitation comprise: collecting fluid data of different working conditions in a wellhead oil and gas pipeline by using a four-sector conductivity sensor, acquiring a label, and uploading the label to an upper computer for storage; constructing a data set, specifically, after preprocessing fluid data, obtaining a sample from the fluid data by using a sliding window with overlap, adding a corresponding label to the sample, taking 80% of the sample as a training set, 10% of the sample as a verification set, and taking the remaining 10% of the sample as a test set; constructing a convolutional neural network model for completing the feature extraction and the water content value prediction of the fluid sample; and optimizing, training and adjusting parameters of the convolutional neural network model to obtain the optimal convolutional neural network model under the current architecture, and completing parameter measurement. The invention can accurately measure and store the water content value of the oil-water two-phase flow under the wellhead environment in real time, and improves the accuracy of water content measurement.)

基于深度学习的含水率测量方法及其在油井开采中的应用

技术领域

本发明涉及一种含水率测量方法。特别是涉及一种基于深度学习的含水率测量方法及其在油井开采中的应用。

背景技术

油水两相流广泛存在于油气的开采、运输、加工等工业领域中。在油水两相流系统下，两相介质由于密度、粘度等性质的差异，它们在管道中的分布存在空间和时间两方面的变化，形成了特定的流动形态，即流型。在油气开采过程中，随着两相流系统中流型的变化，整体流动信息也随之不断改变，导致其关键的流动参数(相流速、相含率等)也处于剧烈变化中，为油气的井***率测量带来了困难，使得进一步的运输、存储等过程受到影响。当前，井***水率确定的主流方法是通过对开采样品进行人工化验，从而获取当前样品的含水率。但这种方法误差大，精度低，且存在较大的时间延迟。构建井口管道内流体信号和流动参数的模型，即可利用该模型对不同流体信号的流动参数进行测量，并从流体信号获取和模型优化两个角度对模型不断优化，提升模型的性能。传统的环形电导传感器和双螺旋电容传感器等，仅包含单通道的流体信息，且无法精确反应流动结构。而分布式的电导传感器设计则可以获取更加丰富的空间信息，通过多通道信号更加精准地反应流动状态，为流动参数的精确测量提供了技术支持。

深度学习方法是当前科技背景下，实现人工智能的一条重要技术路线。通过对人脑处理机制的模拟，深度学习方法利用人工神经元的集成来完成大规模的非线性计算。近年来，随着相应优化问题的解决，深度学习方法在众多领域上取得了接近甚至超越人脑识别的准确率，有力地推动了人工智能的发展。卷积神经网络作为其中应用广泛的分支，凭借其局部感知、参数共享、多核处理的优点，在图像分割、自然语言处理、信号分析等领域都有优异的表现。同时，随着对卷积神经网络的不断改进，其处理性能也在不断提升。相较于传统的分析方法，卷积神经网络通过对大量数据的分析，可以获取其中具有代表性的特征，有利于对新数据的分析。由于网络具有多个特征提取过程，通过非线性函数的作用，可以充分发掘信号中的非线性特征，在复杂信号的处理中有独到的优点。

发明内容

本发明所要解决的技术问题是，提供一种能够解决油水两相流的含水率测量问题的基于深度学习的含水率测量方法及其在油井开采中的应用

本发明所采用的技术方案是：一种基于深度学习的含水率测量方法，包括如下步骤：

1)利用四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；

2)构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，再将80％样本作为训练集，10％样本作为验证集，剩余的10％样本作为测试集；

3)构建卷积神经网络模型，用于完成对流体样本的特征提取和含水率值预测；

4)对卷积神经网络模型进行优化、训练以及参数调整，得到当前架构下的最优的卷积神经网络模型，并完成参数测量。

一种基于深度学习的含水率测量方法在油井开采中的应用，包括如下步骤：

(1)开启四扇区电导传感器，测量井口油气管道中油水两相流的流体数据，上传至上位机，根据所述的基于深度学习的含水率测量方法获取当前时刻样本；

(2)将当前时刻样本作为卷积神经网络模型的输入，通过卷积神经网络模型的计算分析得到当前样本的含水率输出；

(3)把含水率输出与对应的样本进行关联，作为当前的处理信息存储到上位机中；

(4)重复步骤(2)～(3)，不断地实时获取流体样本对应的含水率值，作为当前井口油气管道的状态信息存储，直到关闭四扇区电导传感器，分析历史数据得到测量时间内总体的含水率。

本发明的基于深度学习的含水率测量方法及其在油井开采中的应用，将油水两相流含水率测量模型与四扇区电导传感器结合，并同存储、显示模块共同构建了含水率测量系统，可以实时精确测量井口环境下油水两相流的含水率数值并保存，提升含水率测量的准确率，为解决油水两相流的含水率测量问题提供了有益的思路。

附图说明

图1是本发明基于深度学习的含水率测量方法的流程图；

图2是本发明的获取多通道流体信号的四扇区电导传感器示意图；

图中，1～4：激励电极；5～8：信号采集电极；

图3是本发明的测量含水率的卷积神经网络模型构建的流程图；

图4是本发明的一种基于四扇区流体信号的卷积神经网络架构。

具体实施方式

下面结合实施例和附图对本发明的基于深度学习的含水率测量系统及其在油井开采中的应用做出详细说明。

本发明的基于深度学习的含水率测量方法，使用卷积神经网络的深度学习方法，在垂直油水两相流的四扇区实验数据上进行训练，得到了可以实时精确测量含水率的模型，部署在含水率测量系统中，一定程度上解决了流体信号变化复杂、预测困难的问题，并可将测量系统应用于实际的井口环境中进行实地测量。

如图1所示，本发明的基于深度学习的含水率测量方法，包括如下步骤：

1)利用如图2所示的四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；包括：

(1)通过法兰，将安装在透明管段的四扇区电导传感器与井口油气采集管道完成连接，采集井口油气管道中不同工况的油水两相流的流体数据，在本发明实施例中的测量时间为20min，传感器采样频率为2000Hz，上传至上位机保存；

(2)收集四扇区电导传感器工作时间内，流经透明管段的油水样品，得到油水样品的含水率标签，根据油井特性确定含水率的整体范围，在整体范围中以3％含水率为阶梯点，选取流体数据用于后续模型训练。

2)构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，再将80％样本作为训练集，10％样本作为验证集，剩余的10％样本作为测试集；包括：

(1)对流体数据进行预处理，公式如下：

其中，为第j扇区的第i个流体数据，

和分别为第j扇区流体数据的平均值和标准差，为预处理后的第j扇区的第i个流体数据；

(2)通过有重叠的滑动窗口来截取每一工况的流体数据作为单个样本，样本的标签是指含水率标签，每组含水率标签视为一类，得到样本的类别标签，设滑动窗口的长度为M，重叠率为P_o，则单个样本为M×4的二维矩阵，在长度为L的流体数据中得到个样本，其中，代表向下取整，共得到所有工况下流体数据的N个样本；

在本发明实施例中，采用的滑动窗口长度为3000，重叠率为35％，则单个样本为3000×4的二维矩阵，在长度为L的信号中可截取1230个样本，11个工况总计获取13530个数据样本。

(3)随机将N个样本中的80％作为训练集，10％作为验证集，剩余的10％作为测试集。

3)构建卷积神经网络模型，用于完成对流体样本的特征提取和含水率值预测；

所述的卷积神经网络模型，如图3所示，是用于对两相流数据中的空间信息和时域特征进行提取，并通过多任务输出模块对含水率进行测量；所述的卷积神经网络模型如图4所示具有19层，包括4个卷积模块和1个多任务输出模块；其中，第1～4层为第一卷积模块，第5～8层为第二卷积模块，第9～12层为第三卷积模块，第13～15层为第四卷积模块，第16～19层为多任务输出模块。其中，

A)所述的第一卷积模块、第二卷积模块和第三卷积模块结构相同，均包括有依次连接的：时间卷积层、空间卷积层、平均池化层和丢弃层；所述的第四卷积模块包括有依次连接的：时间卷积层、空间卷积层和丢弃层；其中，

(1)所述的时间卷积层，用于沿着时间维度对四通道的样本进行滤波，提取时域特征；所述的时间卷积层使用

个卷积核，其中k＝1,2,3,4，分别对应第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，每个卷积核与输入样本进行卷积操作后得到不同的特征图，获得个特征图；该层卷积的公式如下：

其中，

为时间卷积层的输入，为时间卷积层输出的特征图，f^T为时间卷积层的激活函数，k^T为时间卷积层的卷积核中点的索引，G^T为时间卷积层输入的特征维度，g^T为时间卷积层输入的特征索引，和

分别为时间卷积层中第p^T个卷积核和偏置，为时间卷积层卷积核的大小，其中k＝1,2,3,4，分别对应第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，St^T为时间卷积层卷积核的步长，sub^T是时间卷积层输入的下标简写，m^T,n^T为时间卷积层提取的特征的位置索引；

通过补0的方式对边界值进行扩充，则每个特征图大小为I^T/St^T×S^T，其中I^T,S^T是时间卷积层输入的尺寸维度；对卷积后的特征通过批量归一化处理以加速收敛；

在本发明实施例中，时间卷积层采用的卷积核步长为1，激活函数为Relu。其中，第一卷积模块中时间卷积层使用20个卷积核，大小为30，第二卷积模块中时间卷积层使用20个卷积核，大小为30，第三卷积模块中时间卷积层使用20个卷积核，大小为10，第四卷积模块中时间卷积层使用20个卷积核，大小为10。

(2)所述的空间卷积层，用于沿着空间维度对四通道的样本进行整合，得到空间信息；所述的空间卷积层使用

个卷积核，其中k＝1,2,3,4，分别对应第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，个卷积核对输入的特征图进行整合，共计获得

个特征图，公式如下：

其中，为空间卷积层的输入，

为空间卷积层输出的特征图，f^C为空间卷积层的激活函数，k^C为空间卷积层的卷积核中点的索引，G^C为空间卷积层输入的特征维度，g^C为空间卷积层输入的特征索引，

和分别为空间卷积层中第p^C个卷积核和偏置，Le^C和St^C分别为空间卷积层卷积核的大小和步长，sub^C是空间卷积层输入的下标简写，m^C,n^C为空间卷积层提取的特征的位置索引；

通过补0的方式对输入的边界值进行扩充，则每个特征图大小为I^C/St^C×S^C，其中I^C,S^C是空间卷积层输入的尺寸维度，对卷积后的特征图进行批量归一化处理以加速收敛；

在本发明实施例中，空间卷积层采用的卷积核大小为4，步长为1，激活函数为Relu。其中，第一卷积模块中空间卷积层使用20个卷积核，第二卷积模块中空间卷积层使用20个卷积核，第三卷积模块中空间卷积层使用20个卷积核，第四卷积模块中空间卷积层使用20个卷积核。

(3)所述的平均池化层，用于选择池化区域内的代表数值来降低特征维度，去除冗余信息，简化后续计算，公式描述如下：

其中，为平均池化层输出的特征，为平均池化层的输入，

为平均池化层池化核的大小，其中k＝1,2,3，分别对应第一卷积模块、第二卷积模块和第三卷积模块，g^A,m^A,n^A为平均池化层特征的索引，k^A为平均池化核中点的索引；

本发明实施例，第一卷积模块的池化核大小为5，第二卷积模块的池化核大小为5，第三卷积模块的池化核大小为3。

(4)丢弃层，按照丢弃率随机丢弃一部分神经元及其连接，迫使密集神经网络模型去学习更加全局性的特征。在本发明实施例中，丢弃率设定为0.4。

B)所述的多任务输出模块，包括有依次连接的展平层、丢弃层和全连接层，所述的全连接层的输出分别连接数值全连接层和辅助全连接层；其中：

(1)所述的展平层，用于把输入的多维特征整合为一维的综合信息，方便后续处理中获取对含水率测量有重要影响的特征；该层输出维度为I^F×S^F×N^F，其中I^F,S^F是展平层输入的尺寸维度，N^F是展平层输入的数量维度；

(2)所述的丢弃层，按照丢弃率随机丢弃一部分神经元及其连接，输出维度为N₁ ^D，有N₁ ^D＝I^F×S^F×N^F；

(3)所述的全连接层，通过对输入特征加权重组，得到全新的输出特征；该输出特征中，有效的特征得到加强，公式如下：

其中，

为全连接层输出的特征，为全连接层的输入，f^D为全连接层的激活函数，

为全连接层输入的神经元数量，分别为全连接层的权值和偏置，k^D为全连接层输入索引，g^D为全连接层输出索引，为输出神经元数量；

在本发明实施例中，全连接层的激活函数Relu，为全连接层输出神经元数量为50。

(4)数值全连接层具有1个神经元，该层激活函数为Sigmoid；辅助全连接层具有Nu₁₉个神经元，该层激活函数为Softmax。

在本发明实施例中，辅助全连接层神经元数量设定为11。

4)对卷积神经网络模型进行优化、训练以及参数调整，得到当前架构下的最优的卷积神经网络模型，并完成参数测量；包括：

(1)构建卷积神经网络模型的标签和输出之间的损失函数，利用损失函数描述标签和输出之间的差异，并以最小化该差异为原则，指导卷积神经网络模型的优化；所述的卷积神经网络模型的损失L_total包括两个部分，分别是：a)数值全连接层的损失L_pred，选择平均绝对误差(MAE)作为损失函数；b)辅助全连接层的损失L_cla，选择了交叉熵损失函数；损失L_total表达式如下：

L_cla＝-∑p(x)×log q(x)

L_total＝α×L_pred+β×L_cla

其中，y_i,分别是卷积神经网络模型含水率的标签和输出，n为样本数目；p(x),q(x)分别是类别标签和类别输出的概率分布；α,β是两部分损失函数的权重；

在本发明实施例中，α设定为10，β设定为0.8。

(2)设置卷积神经网络模型中各层的参数，采用基于Adam(Adaptive MomentEstimation)的梯度下降法对该参数组合下卷积神经网络模型的权值进行迭代训练，通过梯度反向传播的方法更新网络的权值；在训练过程中，学习率设定为L_r，运行步数设定为n_epoch；

在本发明实施例中，学习率设定为0.005，运行步数设定为200。

(3)根据不同参数组合下卷积神经网络模型在验证集上的表现，对卷积神经网络模型的参数设置进行优化，使卷积神经网络模型在验证集上的性能不断提升，得到最优的卷积神经网络模型权值，并完成含水率参数测量。

本发明所述的基于深度学习的含水率测量方法在油井开采中的应用，包括如下步骤：

(1)开启四扇区电导传感器，测量井口油气管道中油水两相流的流体数据，上传至上位机，根据所述的基于深度学习的含水率测量方法获取当前时刻样本；

(2)将当前时刻样本作为卷积神经网络模型的输入，通过卷积神经网络模型的计算分析得到当前样本的含水率输出；

(3)把含水率输出与对应的样本进行关联，作为当前的处理信息存储到上位机中；

(4)重复步骤(2)～(3)，不断地实时获取流体样本对应的含水率值，作为当前井口油气管道的状态信息存储，直到关闭四扇区电导传感器，分析历史数据得到测量时间内总体的含水率。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述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，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。