一种油气两相流参数测定装置及方法
技术领域
本申请属于油气两相流流量技术领域,特别是涉及一种油气两相流参数测定装置及方法。
背景技术
在现代社会,石油工业已经成为世界经济的基础,如何有效地开采石油是一个紧迫的问题。其中,油气两相参数的准确测量是采油技术的瓶颈之一。在传统的油气两相流参数测量方法中,需要将多相混合物在油井中分离以测量单相流流量。这种方式虽提高了单相流的测量精度,但分离过程复杂、设备昂贵、测量效率低。因此,需要寻找一种准确高效的多相流在线测量技术。
关于油气两相流的流量测量,当前应用的技术有很多。其中常用的方法有高速摄像机测量法、线网传感器测量法、射线衰减测量法、光纤探头测量法等。这些方法在实验室环境中是可行的,但考虑到油田环境的复杂性,这些方法在实际工作环境中的应用可能会受到限制。例如,高速摄像机测量法中,摄像机拍摄所需的透明管段在实际应用中无法实现,线网传感器测量法中所需的wire-mesh传感器以及光线探头测量法中所需的与流体接触的探头在油田测量环境下遇到恶劣天气时难以修复。而ECT传感器具有测量速度快、应用成本低、产品开发成熟等特点,在油田流量检测中经常被使用。文丘里管具有计量准确、能耗低、性能稳定、维护方便等特点,在单相流和多相流的流量检测中具有广泛的应用。
在油气两相流的检测中,两相界面分布成不同的几何形状或结构形式,称为油气两相流流型。油气两相流流型的定义和分类十分复杂,目前常见的流型有气泡流、层状流、波状流、段塞流和环状流。但是现有的测量装置所得到的油气两相流含油量和含气量进行流量精度不高。
发明内容
1.要解决的技术问题
基于在油气两相流的检测中,两相界面分布成不同的几何形状或结构形式,称为油气两相流流型。油气两相流流型的定义和分类十分复杂,目前常见的流型有气泡流、层状流、波状流、段塞流和环状流。但是现有的测量装置所得到的油气两相流含油量和含气量进行流量精度不高的问题,本申请提供了一种油气两相流参数测定装置及方法。
2.技术方案
为了达到上述的目的,本申请提供了一种油气两相流参数测定装置,包括气相处理组件、气体流量计、油相处理组件、油相流量计和测量组件,所述气相处理组件与所述气体流量计连接,所述油相处理组件与所述油相流量计连接,所述气体流量计与所述测量组件连接,所述油相流量计与所述测量组件连接;
所述测量组件包括依次连接的油气混合器、第一电容层析成像传感器、文丘里管和第二电容层析成像传感器,所述气体流量计与所述油气混合器连接,所述油相计量计与所述油气混合器连接;
所述测量组件与分离罐连接,所述分离罐与所述油相处理组件连接。
本申请提供的另一种实施方式为:所述气相处理组件包括依次连接的空气压缩机、空气罐和第一阀门,所述第一阀门与所述气体流量计连接。
本申请提供的另一种实施方式为:所述油相处理组件包括依次连接的油罐、离心油泵和第二阀门,所述第二阀门与所述油相流量计连接。
本申请提供的另一种实施方式为:所述第一电容层析成像传感器由内到外依次包括不锈钢管道、金属电极和绝缘屏蔽层,所述金属电极设置于所述不锈钢管道上。
本申请提供的另一种实施方式为:所述文丘里管包括顺次连接的入口段、收缩段、喉道和扩散段。
本申请还提供一种油气两相流参数测定方法,所述测定方法包括如下步骤:
1)设计实验方案,设定不同的实验工况,使用电容层析成像传感器采集每种工况下固定时长的电容数据,并用油相流量计和气体流量计测量油气两相流的各相流量;
2)使用权利要求1~5中任一项所述的油气两相流参数测定装置采集每种工况下固定时长的电容数据,
3)对步骤1)和步骤2)中所述电容数据进行归一化处理;
4)对采集到的双电容层析成像电容数据进行后处理,然后进行图像重建;
5)建立卷积神经网络模型,分别将文丘里管前流型图、文丘里管后流型图和文丘里管前后合并流型图作为卷积神经网络的输入,预测该流型图对应状态下的含油量、含气量和截面含气率;
6)将实验中真实测量得到的含油量、含气量和截面含气率与述卷积神经网络模型预测得到的含油量、含气量和截面含气率做对比,评价模型预测的准确度。
本申请提供的另一种实施方式为:所述步骤2)中采用线性投影算法进行图像重建。
本申请提供的另一种实施方式为:所述步骤3)中所述卷积神经网络模型为inception-v3模型,模型的输入为流型图,输出为模型预测得到的含油量、含气量和截面含气率。
本申请提供的另一种实施方式为:所述步骤3)中所述卷积神经网络模型中采用Elastic Net回归作为损失函数。
本申请提供的另一种实施方式为:还包括使用基于电容层析成像图像的截面含气率测量算法和支持向量机算法预测流型对应状态下的含油量、含气量和截面含气率,与卷积神经网络预测模型的测量效果进行对比。
3.有益效果
与现有技术相比,本申请提供的油气两相流参数测定装置及方法的有益效果在于:
本申请提供的油气两相流参数测定装置,提出了一种卷积神经网络(CNN)模型用来实现油气两相流参数和流型图之间的非线性映射,使用双电学层析成像(ECT)与文丘里管相结合的测量装置,通过文丘里管前后流型变化预测油气两相流参数。
本申请提供的油气两相流参数测定装置,当油气两相流流经文丘里管时,两相流流型会发生改变,流型的变化与总流量和油气比有关。通过这一现象,本申请提出双ECT传感器与文丘里管相结合的实验方案,分别采集油气两相流经过文丘里管前后的流型图。
本申请提供的油气两相流参数测定装置,首次建立双电容层析成像(ECT)传感器与文丘里管相结合的油气两相流流量测量设备。
本申请提供的油气两相流参数测定方法,通过探究油气两相流经过文丘里管前后的流型变化与总流量、油气比之间的关系,对油气两相流含油量和含气量进行流量测量。
本申请提供的油气两相流参数测定方法,建立卷积神经网络(CNN)模型,通过油气两相流流型图预测当前状态下的含油量和含气量,解决了传统算法无法实现的高维图像数据与低维流量数据之间的非线性映射。
本申请提供的油气两相流参数测定方法,采用Elastic Net回归作为损失函数,有效避免了可能出现的过拟合问题。
附图说明
图1是本申请的油气两相流参数测定装置结构示意图;
图2是本申请的现电容层析成像传感器示意图;
图3是本申请的文丘里管结构示意图;
图4是本申请的典型GVF下文丘里管前后油气两相流流型示意图;
图5是本申请的文丘里管前后油气两相流流型图随GVF的变化图;
图6是本申请的基于电容层析成像图像的截面含气率测量算法的GVF测量相对误差散点示意图;
图7是本申请的基于SVM算法的GVF测量相对误差散点示意图;
图8是本申请的基于CNN算法的GVF测量相对误差散点示意图;
图中:101-空气压缩机,102-空气罐,103-第一阀门,104-气体流量计,105-油罐,106-离心油泵,107-第二阀门,108-油相流量计,109-油气混合器,110-第一电容层析成像传感器,111-文丘里管,112-第二电容层析成像传感器,113-分离罐,201-金属电极,202-不锈钢管道,203-绝缘屏蔽层,301-入口段,302-收缩段,303-喉道,304-扩散段。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
SVM学***面。分离超平面,对于线性可分的数据集来说,这样的超平面有无穷多个(即感知机),但是几何间隔最大的分离超平面却是唯一的。
ElasticNet又叫弹性网络回归。
参见图1~8,本申请提供一种油气两相流参数测定装置,包括气相处理组件、气体流量计104、油相处理组件、油相流量计108和测量组件,所述气相处理组件与所述气体流量计104连接,所述油相处理组件与所述油相流量计108连接,所述气体流量计104与所述测量组件连接,所述油相流量计108与所述测量组件连接;
所述测量组件包括依次连接的油气混合器109、第一电容层析成像(ECT)传感器110、文丘里管111和第二电容层析成像传感器112,所述气体流量计104与所述油气混合器109连接,所述油相计量计108与所述油气混合器109连接;
所述测量组件与分离罐113连接,所述分离罐113与所述油相处理组件连接。
进一步地,所述气相处理组件包括依次连接的空气压缩机101、空气罐102和第一阀门103,所述第一阀门103与所述气体流量计104连接。
进一步地,所述油相处理组件包括依次连接的油罐105、离心油泵106和第二阀门107,所述第二阀门107与所述油相流量计108连接。
进一步地,所述第一电容层析成像传感器110由内到外依次包括不锈钢管道202、金属电极201和绝缘屏蔽层203,所述金属电极设201置于所述不锈钢管道202上。
进一步地,所述文丘里管111包括顺次连接的入口段301、收缩段302、喉道303和扩散段304。
本申请还提供一种油气两相流参数测定方法,所述测定方法包括如下步骤:
1)设计实验方案,设定不同的实验工况,使用电容层析成像传感器采集每种工况下固定时长的电容数据,并用油相流量计和气体流量计测量油气两相流的各相流量;
2)使用权利要求1~5中任一项所述的油气两相流参数测定装置采集每种工况下固定时长的电容数据,
3)对步骤1)和步骤2)中所述电容数据进行归一化处理;
4)对采集到的双电容层析成像电容数据进行后处理,然后进行图像重建;
5)建立卷积神经网络模型,分别将文丘里管前流型图、文丘里管后流型图和文丘里管前后合并流型图作为卷积神经网络的输入,预测该流型图对应状态下的含油量、含气量和截面含气率;
6)将实验中真实测量得到的含油量、含气量和截面含气率(GVF)与述卷积神经网络模型预测得到的含油量、含气量和截面含气率做对比,评价模型预测的准确度。
这里的不同工况指的是不同总流量和油气比下的工况。实验的工作压力为0.6MPa,工作温度为33℃。每种工况下的实验数据采集时间为10min。
步骤3)中,按照下式进行归一化处理:
上式中,Cn为归一化的电容值,Cm为实际测量得到的电容值,Cg为管道中充满气相时的静态电容值,Co为管道中充满油相时的静态电容值。
进一步地,所述步骤2)中采用线性投影算法(LBP)进行图像重建。
进一步地,所述步骤3)中所述卷积神经网络模型为inception-v3模型,模型的输入为流型图,输出为模型预测得到的含油量、含气量和截面含气率。
进一步地,所述步骤3)中所述卷积神经网络模型中采用Elastic Net回归作为损失函数。采用Elastic Net回归作为损失函数,与最小二乘回归相比,该损失函数有效避免了可能出现的过拟合问题,其目标函数表达式为:
上式中,e表示真实值与预测值之间的误差,hω(x(i))表示预测的含油量与含气量,y(i)表示实际的含油量与含气量,n表示数据集的个数,λ1和λ2为正则化参数,ω表示一个包含单个神经元之间权重和偏差的向量。
进一步地,还包括使用基于电容层析成像图像的截面含气率测量算法和支持向量机(SVM)算法预测流型对应状态下的含油量、含气量和截面含气率,与卷积神经网络预测模型的测量效果进行对比。
通过基于电容层析成像图像的截面含气率测量算法计算GVF,首先用线性投影算法(LBP)得到文丘里管前后的流型图,并设置阈值来处理流型图。高于阈值的(油相)像素点设为1,低于阈值的(气相)像素点设为0,通过以下式子计算截面含气率:
上式中,M为截面像素的总个数,fj为第j个像素的灰度值,Aj为第j个像素的面积,A为管道截面的总面积。
使用SVM算法,输入的自变量x为使用LBP算法得到的流型图,输出的因变量y为与流型图相对应的含油量、含气量和GVF,最后得到图像高维数据与特征向量之间的最优回归函数。
在实验中,除了记录下两个ECT传感器测得的不同时刻下的电容值之外,还记录下气体流量计104和油相流量计108测得油气两相各自的流量,具体检测方法如下。
步骤一:通过设计实验方案测量不同工况下的实验数据,不同工况指的是不同的总流量和油气比。实验过程中,先固定油相流量,改变气体流量,分别记录每一种工况下在某段特定时间内的油气两相流中的含油量和含气量。其中根据油气两相各自的流量计得到每种工况下的含气率。
式中:GVF表示含气率,Ggas为气相流量,Goil为油相流量。
本申请中含油量的测量范围为1-10m3/h,含气量的测量范围为20-150m3/h,GVF的测量范围为0.25-0.95。
步骤二:采用双ECT传感器与文丘里管相结合的实验装置进行油气两相流流相测量。分别使用文丘里管前端和后端的ECT传感器测量油气两相流经过文丘里管前后的电容值。ECT传感器的结构示意图如图2所示,由8块电极板组成,每一帧电容值的数目为28个。对于一个由M个电极组成的传感器,当只有一个电极通电,而所有其他电极都保持零电位时,独立电容的数量为M(M-1)/2。
实验中的工作压力为0.6MPa,工作温度为33℃。每种工况下的实验数据采集时间为10min。为保证每一种工况下流量的稳定性,实验过程中,直到单相流量稳定,油气两相流混合完成后,才开始ECT传感器数据的收集。通过实验采集电容层析成像(ECT)传感器电容数据,在对电容数据进行图像重建前,考虑到气体的存在,油气两相流流型的不稳定性,将每100帧的ECT电容数据进行平均处理,得到较为稳定的电容数据。使用平均处理过的电容数据进行图像重建。
步骤三:对每一种工况下的电容值进行归一化处理。
上式中,Cn为归一化的电容值,Cm为实际测量得到的电容值,Cg为管道中充满气相时的静态电容值,Co为管道中充满油相时的静态电容值。图3和图4中所有流型图均是在归一化电容值的基础上通过LBP图像重建算法得到的。
步骤四:本申请使用线性投影算法(LBP)对文丘里管前后的流型图进行图像重建。ECT图像重建是ECT的逆问题,即根据电极对间的电容测量值来确定管道内介电常数的分布。测量的电容值和介电常数之间存在非线性关系,可简化为:
λ=Sg(3)
其中λ是归一化的电容向量,S为归一化的敏感场矩阵,g为介质的内部分布矩阵。电容值的归一化方法如步骤三中所示。
对于二维场域,其敏感场矩阵S可通过如下公式求解:
其中S
i,j(k)是电极对i-j第k个单元格的灵敏度,
表示对电极i加电压激励V
i,其他电极接地条件下的电场强度分布,
同理,τ是网格k的面积。在成像中,通常需要对敏感场矩阵按如下公式进行归一化:
在获得敏感场矩阵S后,可得到计算介质分布矩阵的公式:
g=S-1λ(6)
在大多数情况下,敏感场矩阵S是不可逆的,即S-1是不存在的,因此有很多近似求取S-1的方法,这种方法叫图像重建算法。线性投影算法(LBP)被常用到图像重建中,该算法是使用敏感场矩阵S的转置矩阵ST代替敏感场矩阵的逆矩阵S-1计算介质分布矩阵g,即:
g=STλ(7)
该算法原理简单,成像速度快,被广泛应用于ECT成像中,本申请运用LBP算法获取油气两相流在不同流量、油气比下的流型图。图3和图4中的所有流型图均是通过LBP图像重建算法得到的。
步骤五:本申请运用CNN算法中的Inception-V3模型求解油气两相流参数(含油量、含气量和GVF)随流型变化的非线性映射。CNN模型的输入是文丘里管前后的流型图,输出是流型对应状态下的含油量、含气量和GVF。传统的回归算法无法解决高维数据(流型图像像素)与低维数据(油气两相流参数)之间的关系。与全连接神经网络相比,CNN网络实现了局部连通、权值共享和下采样。对于输入的图像像素信息,该算法尽可能保留重要的参数,去除大量不重要的参数,从而达到更好的学习效果。
卷积神经网络中的正向传播算法可以表示为:
上式中,其中
是第h
th层神经网络中第m
th个神经元的输出值,k
n h-1是第(h-1)
th层神经网络中第n
th个神经元的输出,w
mn h是第(h-1)
th层的第n
th个神经元到第h
th层的第m
th个神经元的权重,q
m h是第h
th层神经网络中第m
th个神经元的偏差项。本文使用Relu函数作为激活函数。
f(x)=max(x,0)(9)
步骤六:本申请中卷积神经网络的损失函数采用ElasticNet回归,它是Ridge和Lasso回归技术的混合。与最小二乘回归相比,Elastic Net回归有效地避免了可能出现的过拟合问题。其目标函数如式(10)所示。
上式中,e为真实值与预测值之间的误差,hω(x(i))为预测得到的含油量与含气量,y(i)为实验测量得到的含油量和含气量,n为数据集的个数,λ1和λ2为正则化参数。ω是一个包含单个神经元之间权重和偏差的向量。
步骤七:本申请分别对比了同一工况下文丘里管前流型图、文丘里管后流型图、文丘里管前端和后端横向合并的流型图的测量结果。通过测量结果表明,油气两相流经过文丘里管前后的流型变化与当前状态下的总流量和油气比有关,使用文丘里管前端和后端横向合并的流型图对油气两相流参数的预测效果更好。
步骤八:本申请将通过CNN算法预测的含油量、含气量和GVF与实验真实测量得到的含油量、含气量与GVF进行对比,求出每种工况下的预测相对误差,对比不同流型输入和不同预测方法下的预测准确度。图8所示为基于CNN算法的GVF测量相对误差散点图,代表了CNN算法对油气两相流参数的预测准确度。
步骤九:本申请使用基于ECT图像的GVF测量算法和SVM算法对油气两相流参数进行预测,与CNN算法的预测结果进行对比。对于基于电容层析成像图像的截面含气率测量算法,首先用线性投影算法(LBP)得到文丘里管前后的流型图,并设置阈值来处理流型图。高于阈值的(油相)像素点设为1,低于阈值的(气相)像素点设为0,通过以下式子计算截面含气率:
上式中,M为截面像素的总个数,fj为第j个像素的灰度值,Aj为第j个像素的面积,A为管道截面的总面积。
对于SVM算法,模型输入的自变量x为使用LBP算法得到的流型图,输出的因变量y为与流型图相对应的含油量、含气量和GVF,最后得到图像高维数据与特征向量之间的最优回归函数。图6和图7所示为使用基于电容层析成像图像的截面含气率测量算法和SVM算法的GVF测量相对误差散点图,代表了基于ECT图像的GVF测量算法和SVM算法的测量准确度。
本申请提出一种卷积神经网络模型通过流型图预测当前状态下的含油量与含气量。相比传统算法,卷积神经网络模型实现了高维图像数据与低维流量数据之间的非线性映射,采用Elastic Net回归作为损失函数,有效避免了可能出现的过拟合问题。
本申请建立了文丘里管前后流型变化与总流量和油气比之间的关系,预测油气两相流的含油量、含气量和含气率,通过与传统的基于电容层析成像图像的截面含气率测量算法和SVM算法进行对比,本文所提到的卷积神经网络算法测量精度大大提高。
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或范围所包含的全部修改。