气液两相流动态流动过程的瞬时流量测量模型构建方法
技术领域
本申请属于流量测量技术领域,涉及一种气液两相流动态流动过程的瞬时流量测量模型构建方法。
背景技术
石油在开采过程中是以一种气液两相混合流体,同时由于地层压力、流量变化,以及气液比例的不同,导致油井开采中气体和液体的混合物的流量是以一种动态波动变化的形式存在。气液两相流量的在线测量是石油开采过程中的一项关键技术,而气液混合流动过程中的瞬时气体流量和液体流量的实时变化测量,更是石油开采过程十分关注的一个问题。气液两相流混合流动过程中,由于流动过程复杂,数学描述困难,至今难以实现对各相流量的准确测量。对于瞬时流量测量模型的构建,更是存在巨大的挑战,尤其在只有长时间累计或者平均流量样本标签的条件下,如何构建瞬时流量识别模型,是目前急需解决的技术难题。
所提及的目前流动过程中的流量测量,都是采用一段时间的平流量,如几分钟或者几个小时的气体和液体的平均流量。其原因为:气液混合过程是一个气体和液体流量时刻在发生变化的过程,在实验室环境下,测试管路存在***误差,因此导致瞬时流量样本标签的误差较大,使得模型训练误差较大,如果想要得到瞬时流量标签,这就需要更高的成本购买更为先进的设备或者修改工艺,但是在实际的工程过程测量过程中,是无法实现的,目前比较常用的方法还是进行平均/累计流量标签的获取。因为获取一段时间累计流量样本标签可以保证样本的准确度。但是这就导致了无法实现瞬时流量测量准确标签的获取,也无法用常规方法构建瞬时流量测量模型。在油田实际计量样本获取工作中,主要采用体积较大的罐车测液位的方式来获取真实样本标签,为了消除罐车液位波动的影响更是需要花费几个小时的时间来取得一个准确的累计/平均流量,但是一个累计/平均的流量标签是无法描述在这个计量过程中瞬时的流量流动变化。
目前在实验室阶段:气液两项流测量模型样本建模过程,通常将气体和液体按照一定的流量比例混合到测试管道,当管道中的流体稳定后读取稳定流体的流量标签;对于气体和液体比例时刻发生变化的混合流体,通常采用读取一段时间内的气体和液体的累计流量或者平均流量作为样本标签进行测量模型的建模工作。
对于实际的油井生产过程,通常采用体积较大的计量分离罐计量,由于产量持续动态变化,计量罐体积较大,气液产量一直是变化的,对于通过测液位的方式来获取真实样本标签的方法,为了消除罐车液位波动的影响,更是需要会花费几个小时的时间来取得一个准确的累计流量。
采用现有稳定流量标签或者累计/瞬时流量标签进行气液两相流的流量模型建模都存在以下问题:
(1)将管道中气液流量调整为稳定的流量后读取流量标签这种方式,可以得到准确的瞬时流量标签进行建模,但是这种方法存在的问题是效率低,只能在实验室才可以实现。在实验室测量过程中,每次调整一个稳定的流量需要花费10几分钟以上的时间,等待流体在管道达到稳定流量的状态,这种需要花费大量的时间进行样本标签数据的获取方式,带来的更大的是实验成本的增加。而对于目前需要采用大量的样本数据还能发挥深度学习计算建模的优势的情况下,这种方式是不可取的。
(2)将管道中气液流量调整为稳定的流量后读取流量标签这种方式,只能用于实验室流量人为可控条件下的样本获取和建模,对于真实的油田井口的数据样本获取是无法实现的。因为油井生产过程中,油井产出物中气体和液体的比例是时刻发生变化的,因此也就无法得到一个稳定的流量样本进行数据采集,因此也无法采用油田真实生产数据进行瞬时流量测量模型的建立。
(3)目前报道中的对于采用累积流量和平均流量样本数据建模,同样存在一个问题是,样本能够得到一段时间内准确的累计或者平均流量,但是公开报道的建模过程只能构建一个测量一段时间的累计或平均流量的模型,如何通过对一段时间的累计流量样本通过建模,能够获得这段时间内气液两相流波动过程中瞬时流量,目前已有的报道是无法实现的。
(4)现有报道还没有对于油田实际生产过程的流体动态流动的瞬时模型构建的方法。
发明内容
本申请的目的是提供一种气液两相流动态流动过程的瞬时流量测量模型构建方法,解决现有技术中采用累计流量/平均流量标签无法构建瞬时流量测量模型的问题。
本申请所采用的技术方案是,气液两相流动态流动过程的瞬时流量测量模型构建方法,具体包括如下步骤:
步骤1,选取模型构建样本过程中气液两相流测量信号的采集设备;
具体为,采用双差压文丘里管测量装置,双差压文丘里测量设备内集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器四组测量信号,该四组测量信号分别定义为P、DP1、DP2、T;
步骤2,获取模型构建样本过程中气液两相流的累计或平均流量样本标签,其中,累计流量需换算为平均流量;
步骤3,构建样本数据,样本输入维度为dP1、dP2、P、T四组信号,数据时间长度为M;
步骤4,将管道压力和气体温度通过气体方程换算成气体的密度ρ,重新确定样本输入维度为dP1、dP2、ρ;
步骤5,采用基于一维卷积的神经网络构建瞬时模型model_s,瞬时模型的时间长度为s;
步骤6,构建平均流量约束模型model_ave;
步骤7,基于步骤6构建的约束模型model_ave,采用半监督的学习方法对步骤5构建的模型model_s进行训练。
优选地,步骤2的具体过程为:采用油田用测试分离罐装置,液体混合物在分离罐中通过分离后,气体采用涡轮流量,液体采用涡轮流量计、计液位计或者称重法来获得时间T内的准确的气体和液体流量标签。
步骤3中M≥5分钟。
步骤5的具体过程为:
步骤5.1,输入数据input(s,3);
s为瞬时模型的时间长度,3为数据样本特征维度dP1、dP2、ρ;
步骤5.2,卷积Conv1D(k0,j0,relu),
Conv1D表示一维卷积,k0为卷积核的数量,j0为卷积核的大小,采用“relu”作为激活函数;
步骤5.3,池化;
Maxpooling1D(2)表示在池化层,计算相邻两个区域中的最大值作为该区域池化后的值;
步骤5.4,卷积Conv1D(k1,j1,relu);
Conv1D表示一维卷积,k1大于k0;
步骤5.5,平滑过程Flatten;
Flatten用于将池化层输出的多维数据转化成一维数据给入到全连接层;
步骤5.6,正则化Dropout(m),0<m<100%;
步骤5.7,全连接层Dense(x0,relu),x表示在全连接层中输出x0个神经元,relu为激活函数;
步骤5.8,全连接层Dense(x1,relu),x表示在全连接层中输出x1个神经元,x1<x0,relu为激活函数;
步骤5.9,全连接层Dense(2,relu),x表示在全连接层中输出2个神经元,其中一个神经元对应气相流量结果,另一个神经元对应液相流量结果,relu为激活函数。
步骤6的具体过程为:
步骤6.1,输入层input_ave(M,3);
M为样本的总的时间长度,M≥5分钟,3为代表样本的纬度特征dP1、dP2、ρ;
步骤6.2,张量切片层Lambd(1:s),Lambd(s+1:2s),…,Lambd(M-s:M);对时间长度为M的张量数据进行按照时间为s的长度进行张量切片,切片数量共计:M/s;
步骤6.3,权重共享层Model(model_s);将步骤6.2切片后的张量Lambd(1:s),Lambd(s:2s),…,Lambd(M-s:M)作为输入数据,依次调用瞬时流量模型model_s,输出当前切片下的流量;
步骤6.4,均值输出层Average,将步骤6.3输出的瞬时流量取得均值后输出output_ave(2)。
步骤7的具体过程为:
步骤7.1,定义训练模型结构:
约束模型:Model_ave=Model(inputs=input_ave(M,3),outputs=output_ave(2));
瞬时模型:Model_s=Model(inputs=input_s(s,3),outputs=output_s(2));
步骤7.2,模型训练;
Model_ave.compile(optimizer='adam',loss='mean_squared_error',BATCH_SIZE=b_m,learning rate=Lr,EPOCHS=e)
其中,'adam'作为模型训练过程中的优化算法,采用'mean_squared_error'作为模型全局损失函数;每次采用b_m组样本数据进行模型训练,学习速率为lr,迭代次数为e。
本申请的有益效果如下:
(1)可利用实验室气液两相比例瞬变动态流动过程的累计或者平均流量样本标签进行瞬时流量测量模型的建模,不要需要等待测试环路***流动过程稳定,缩短样本获取的时间。
(2)可利用油井井口气液产量时刻变化的累计流量样本标签进行瞬时流动过程的测量模型构建,实现真实应用场景下的瞬时流量测量模型的构建,构建的测量模型对实际油田开采更为准确。
(3)解决了目前文件报道中采用累计流量模型无法构建瞬时流量测量模型的问题。
附图说明
图1是本申请气液两相流动态流动过程的瞬时流量测量模型构建方法中瞬时流量模型model_s的构建流程图;
图2是本申请气液两相流动态流动过程的瞬时流量测量模型构建方法中约束模型model_ave的构建流程图;
图3是本申请气液两相流动态流动过程的瞬时流量测量模型构建方法中液相流量波动过程瞬时液相流量技术结果示意图;
图4是本申请气液两相流动态流动过程的瞬时流量测量模型构建方法中气相流量波动过程瞬时气相流量技术结果示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。
本申请气液两相流动态流动过程的瞬时流量测量模型构建方法,具体包括如下步骤:
步骤1,选取模型构建样本过程中气液两相流测量信号的采集设备;
具体为,采用双差压文丘里管测量装置,双差压文丘里测量设备内集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器四组测量信号,该四组测量信号分别定义为P、DP1、DP2、T;
步骤2,获取模型构建样本过程中气液两相流的累计或平均流量样本标签;
可采用油田用测试分离罐装置,液体混合物在分离罐中通过分离后,气体采用涡轮流量,液体采用涡轮流量计、计液位计或者称重法来获得一段时间的准确的流量标签(可设定为5分钟获取一个累计流量标签),将累计流量换算为平均流量。
步骤3,构建样本数据,样本输入维度为dP1、dP2、P、T四组信号,数据时间长度为M;其中M≥5分钟,其原因为大于5分钟时间长度可以消除测试管道中,波动流动的流体从文丘里测量装置到标准分离罐这段流程中的流体在管道中形成的***误差。
步骤4,为了减少模型的计算数据量,同时也可以更好的提高气体流量建模的准确度,对管道压力和气体温度通过气体方程换算成气体的密度(ρ),从而样本输入维度采用dP1,dP2,ρ三个输入参数。
步骤5,采用基于一维卷积的神经网络构建瞬时模型model_s,瞬时模型的时间长度为s;如我们需要获取1秒钟的瞬时测量模型,可令s=1秒。模型定义为model_s,模型model_s的构建流程如图1所示;
步骤5的具体过程为:
步骤5.1,输入数据input(s,3);
s为瞬时模型的时间长度,3为数据样本特征维度dP1、dP2、ρ;
步骤5.2,卷积Conv1D(k0,j0,relu),
Conv1D表示一维卷积,k0为卷积核的数量,j0为卷积核的大小,采用“relu”作为激活函数;
步骤5.3,池化;
Maxpooling1D(2)表示在池化层,计算相邻两个区域中的最大值作为该区域池化后的值;
步骤5.4,卷积Conv1D(k1,j1,relu);
Conv1D表示一维卷积,k1大于k0;
步骤5.5,平滑过程Flatten;
Flatten用于将池化层输出的多维数据转化成一维数据给入到全连接层;
步骤5.6,正则化Dropout(m),Dropout正则化法则,来为解决深度神经网络的过拟合和梯度消失问题,0<m<100%。
步骤5.7,全连接层Dense(x0,relu),x表示在全连接层中输出x0个神经元,relu为激活函数;
步骤5.8,全连接层Dense(x1,relu),x表示在全连接层中输出x1个神经元,x1<x0,relu为激活函数;
步骤5.9,全连接层Dense(2,relu),x表示在全连接层中输出2个神经元,其中一个神经元对应气相流量结果,另一个神经元对应液相流量结果,relu为激活函数。
根据步骤5.1~5.9,将时间长度为s的气液瞬时流量模型model_s构建完成。但是没有s秒的瞬时流量标签,因此该模型无法直接进行模型的训练。然而由于本申请中拥有M时间的累计流量/平均流量,因此需要构建一个平均流量模型model_ave采用半监督的学***均流量;
步骤6,构建平均流量模型model_ave;模型model_ave的构建过程如图2所示;
步骤6.1,输入层input_ave(M,3);
M为样本的总的时间长度,M≥5分钟,3为代表样本的纬度特征dP1、dP2、ρ;
步骤6.2,张量切片层Lambd(1:s),Lambd(s+1:2s),…,Lambd(M-s:M);对时间长度为M的张量数据进行按照时间为s的长度进行张量切片,切片数量共计:M/s;
步骤6.3,权重共享层Model(model_s);将步骤6.2切片后的张量Lambd(1:s),Lambd(s:2s),…,Lambd(M-s:M)作为输入数据,依次调用瞬时流量模型model_s,输出当前切片下的流量;本过程中确定model_s对每一个张量切片Lambd的权值都是共享的。
步骤6.4,均值输出层Average,将步骤6.3输出的瞬时流量取得均值后输出output_ave(2)。
步骤7,基于步骤6构建的约束模型model_ave,采用半监督的学习方法对步骤5构建的瞬时模型model_s进行训练。
步骤7的具体过程为:
步骤7.1,定义训练模型结构:
约束模型:Model_ave=Model(inputs=input_ave(M,3),outputs=output_ave(2));
瞬时模型:Model_s=Model(inputs=input_s(s,3),outputs=output_s(2));
步骤7.2,模型训练;
Model_ave.compile(optimizer='adam',loss='mean_squared_error',BATCH_SIZE=b_m,learning rate=Lr,EPOCHS=e,)
其中,'adam'作为模型训练过程中的优化算法,采用'mean_squared_error'作为模型全局损失函数;每次采用b_m组样本数据进行模型训练,学习速率为lr;迭代次数为e。
根据步骤7.1~7.2,完成了整个气液两相波动流动过程中,基于长时间流量标签的瞬时流量智能测量模型的建立。训练得到的Model_s则为时间分辨率为s秒的瞬时模型。
采用本申请提出的计算气液两相波动流动过程的液相流量波动过程瞬时液相流量技术结果如图3所示。从图中可以看出采用1s的测量分辨率还可以很好的看到液相流量的瞬时波动情况。
采用本申请提出的计算气液两相波动流动过程的气相流量波动过程瞬时气相流量技术结果如图4所示。从图中可以看出采用1s的测量分辨率还可以很好的看到气相流量的瞬时波动情况。
本申请气液两相流动态流动过程的瞬时流量测量模型构建方法的特点如下:
(1)采用基于一维卷积神经网络的建模方式可以解决只有长时平均流量标签的瞬时流量测量模型的建模问题;
(2)对于实验室数据建立瞬时流量模型,本方法不需要每次等到测试环路流动状态稳定后获取样本标签,大大减少了实验样本获取时间,降低了实验成本。
(3)本方法可以实现采用油井生产中气液波动流动过程中长时间的累计流量/平均流量标签数据进行建模。这使得构建的模型与油田真实生产环境更匹配;
(4)瞬时流量模型的建立更让使用者更好的流量气液波动流动过程中的每个瞬时流量,这对工业过程的精细化管理拥有重要的价值。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。