CN113670384A - 一种多变量时序图卷积多相流虚拟计量方法及*** - Google Patents

Abstract

本发明公开了一种多变量时序图卷积多相流虚拟计量方法，首先获取n组相对应的压力、差压、温度，液流量、水流量、油流量、气流量，再计算其输入与输出间的两两关联程度，其次根据关联程度对对应的压力、差压、温度进行数据增强，训练并测试虚拟计量模型，得到流量计量模型。其对应的***包含数据探索性分析模块，算法模块和预测性分析输出值模块。采用本发明的显著效果是，通过图神经网络迭代算法改善了虚拟流量计在测量多相流体时的液量测量精度，比阻抗含水仪在含气工况下测量精度更高，调试方便，且可有效降低油田多相流量计采购和维护成本，实现多相流的连续实时计量，对于油田的生产动态监控，流动保障和油藏管理具有较高的数据参考价值。

Description

一种多变量时序图卷积多相流虚拟计量方法及***

技术领域

本发明涉及油气工程，具体涉及石油工程中的虚拟计量技术。

背景技术

随着人工智能技术和大数据算法的发展应用，并且受全球油价低迷及放射源安全管控的影响，国内外油田市场对于低成本非放型的多相流量计有迫切而旺盛的需求。当前的在线多相流量计(MPFM)测量大部分是基于总体流量使用放射性、电磁电子、超声波等技术结合相分率测量组合进行的。然而，这些相分率测量技术具有一定的局限性，一方面，虽然迄今为止放射性技术仍然是最准确可靠的多相流测量方法，但是全球范围内很多国家对放射源技术使用严格限制；另一方面，在技术层面，当介质中的气体含量达到一定限度后流量计的测量误差会急剧恶化，即使采用特殊设计的也不例外。因而可以采用特殊的低成本设计方案，使其能够满足流量计测量范围。

发明内容

有鉴于此，本发明提供了一种基于软件***的数学算法计量模型，该模型可以输入特征和预测值数据学习非线性关系从而求得计量结果。

其技术方案如下：

一种多变量时序图卷积多相流虚拟计量方法，其特征在于按以下步骤进行：

步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据；

步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X_i，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y_i，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r_X→Y；

其中：

n为每列数据的数据总量；

为对应列数据的算数平均值；

为对应列数据的算数平均值；

步骤三、根据相关系数r_X→Y的大小评价X_i中的每列数据对Y_i中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；

步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；

步骤五、以修订压力a*P、修订差压b*DP、修订温度c*T作为输入，以液流量L、水流量W、油流量O、气流量G作为输出，训练并测试虚拟计量模型，得到流量计量模型：L,W,O,G＝F(P,T,DP)。

同时，本发明提供一种多变量时序图卷积多相流虚拟计量***，其要点在于：包含依次设置的数据探索性分析模块，算法模块和预测性分析输出值模块；

所述数据探索性分析模块用于获取与流量相关的历史数据，所述算法模块用于计算相关系数r_X→Y，所述预测性分析输出值模块用于训练并测试虚拟计量模型。

附图说明

图1为本发明涉及到的原理图；

图2为本发明涉及到的流程图。

具体实施方式

以下结合实施例和附图对本发明作进一步说明。

一种多变量时序图卷积多相流虚拟计量方法，按以下步骤进行：

步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据，分别验算每列数据的连续性，然后再分别进行离散数据连续数据的序列化，最后将数据读取以直方图的形式初步定性，分析数据的类间距离和数量差异指标；

步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X_i，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y_i，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r_X→Y；

其中：

n为每列数据的数据总量；

为对应列数据的算数平均值；

为对应列数据的算数平均值；

步骤三、根据相关系数r_X→Y的大小评价X_i中的每列数据对Y_i中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；

步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；

步骤五、以修订压力a*P、修订差压b*DP、修订温度c*T作为输入，以液流量L、水流量W、油流量O、气流量G作为输出，训练并测试虚拟计量模型，得到流量计量模型：L,W,O,G＝F(P,T,DP)。

所述虚拟计量模型可选择多种现有模型，本案中以图卷积神经网络模型为例：首先根据修订压力a*P、修订差压b*DP、修订温度c*T、液流量L、水流量W、油流量O、气流量G读入邻接矩阵，再通过图卷积神经网络向下计算以实现图网络间数据传播，最后通过全连接回归的方式输出相关系数，从而训练得到流量计量模型：L,W,O,G＝F(P,T,DP)。

实施例2：

一种基于实施例1的多变量时序图卷积多相流虚拟计量***，包含依次设置的数据探索性分析模块，算法模块和预测性分析输出值模块；

所述数据探索性分析模块用于获取与流量相关的历史数据，所述算法模块用于计算相关系数r_X→Y，所述预测性分析输出值模块用于训练并测试虚拟计量模型。

实施例3：

图卷积神经网络模型总共分为三个模块：空间关联图学习模块、时间关联图多步Transformer模块，损失函数和全连接模块，其核心思想是通过邻接矩阵和系数矩阵的非线性映射加权实现边随机游走找到最佳预测点构建有效图然后通过全连接方式输出预测值。图学习模块通常是为了学习到一个邻接矩阵从而实现时序数据中自适应获取变量之间时间和空间的变化关系。

由于图卷积网络是基于邻接矩阵描述边和顶点之间的关系，该计算核心为如下频率响应矩阵。

X＝σ(v·diag[θ_N]v^Tx)

在上面式子中v表示点，diag表示对角矩阵，X表示输出层特征图，x表示输入层特征图，[θ_N]表示边特征输入，v^T表示点转置矩阵。

图学习的数学原理是首选我们将读取的数据经过转换为m行n列的矩阵，经过图学习模块卷积核h计算如下：

多步Transformer将获得的图卷积特征通过图卷积模块计算

经过拉普拉斯变换

上面式子中

为拉普拉斯变换矩阵特征值，y为需要输出的预测值，H输出层归一化矩阵。

采用人工智能算法中神经网络的设计深度回归树，针对深度学***方和及最小残差平方和控制树的输出和生长过程。随机森林之间存在的弱链接，同时该方法可以避免树生长过程中贪婪算法带来误差。首选我们定义损失函数为L，其中y为预测值，使用虚拟计量分析模型同时使用MSE(均方误差)来评估损失误差。

令导数为0，最小化均方误差。

综上述计算可以通过全连接层得到预测y是均方误差最小最佳。

为余弦损失值。

时间序列预测任务可以按照不同的方法执行。最经典的是基于统计和自回归的方法。更准确的是基于增强和集成的算法，我们必须使用滚动周期生成大量有用的手工特性。另一方面，我们可以使用在开发过程中提供更多自由的神经网络模型，提供对顺序建模的可定制的特性。

循环和卷积结构在时间序列预测中取得了巨大的成功。该领域中有趣的方法是通过采用最初在序列数据中本地的Transformers和Attention架构。

结构的使用似乎不常见，在图结构中，我们有一个由不同节点组成的网络，这些节点之间通过某种链接相互关联。我们尝试做的是使用时间序列的图形表示来产生未来的预测。

我们利用图卷积神经网络探索数据的嵌套结构。采用了图形神经网络在不常见的情况下，如时间序列预测。在我们的深度学习模型中，图依赖与递归部分相结合，试图提供更准确的预测。这种方法很适合我们的问题，因为我们可以强调数据中的基本层次结构，并用相关矩阵对其进行编码。

图学***滑可能存在的过拟合从而降低计算量实现稳定的图学习模块，该模块主要完成了从数据输入经过隐含层映射特征图层。

在图卷积模块中首选我们图学习模块分析到输入特征关系，然后将输入特征通过编码器分配到网络中的结构学习特征权重并且映射到低维空间这个过程通过一个特征嵌入式矩阵实现，这个学习过程通过优化编码器的参数保证节点的学习效率和实现图卷积模块，该模块主要是将特征图层的特征经过图卷积分析游走边的权重。

实施例4：

本发明使用是一种时序图卷积神经网络算法，通过该算法我们设计如下解决问题的***方法。该***可以为我们更好的处理压力Pressure、差压Dp、温度Temp或其他高能、低能甚至多个输入自变量特征并且分析特征之间的关系和自变量与因变量之间非线性映射从而预测出液量、油量、气量。

(1)第一步：使用read__sql_query读取真实含液量、含油量、含水量、含气量、压力、压差、温度作为训练集输经过切片取出需要分析的季度、月、日数据然后将离散的数据存在确实的使用随机数填充后进行序列化后读取到数据EDA分析模块中。

(2)第二步：使用前保留六位小数点方法放缩误差，然后将压力、差压、温度分别进行分布可视乎分析可以得到趋势变化的定性问题和去除噪声点数据的范围，然后分析自变量之间的皮尔森相关系数。

(3)第三步：通过自变量压力、压差、温度与因变量之间的皮尔森相关系数使用pyheatmap可视化热力图分析，经过以上分析通过热力图直接定性分析自变量和因变量之间的数据关系类型和相关性强度。

(4)第四步：经过前三步我们获取了完善的序列化数据，将数据划分为训练集、测试集、验证集，将训练集、测试集的数据经过图卷积神经网络模型后获取训练权重文件。

(5)第五步：将训练好的权重文件通过模型加载部分进行在验证集数据上测试优化模型后通过在线部署***部署然后通过每个不同的井读取的自变量特征通过输出值模块输出预测值含液量、含水量、含气量、含油量。

实施例5：

一种虚拟计量模型的学***台。

第二步：将第一步获得的数据经过数据预处理的清洗转为序列数据，该序列数据被分为离散型和连续型。

第三步：将第二步获得的数据进行数据探索性分析，获得最佳预测因子和变化影响的主成分因子。

第四步：将特征因子和预测值进行模型训练和迁移学习获得模型的权重文件，然后将模型获得的权重文件进行部署为在线算法***。

第五步：通过第四步预测计算得到的数据进行分析验证优化更新模型。

经在油田项目的实施验证，统计计算得到由本发明得到的虚拟计量误差很小，均方误差(MSE)小于0.05。

有益效果：采用本发明的技术方案通过图神经网络迭代算法改善了虚拟流量计在测量多相流体时的液量测量精度，比阻抗含水仪在含气工况下测量精度更高，调试方便，且可有效降低油田多相流量计采购和维护成本，实现多相流的连续实时计量，对于油田的生产动态监控，流动保障和油藏管理具有较高的数据参考价值。

最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (4)

1.一种多变量时序图卷积多相流虚拟计量方法，其特征在于按以下步骤进行：

步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据；

步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X_i，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y_i，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r_X→Y；

其中：

n为每列数据的数据总量；

为对应列数据的算数平均值；

为对应列数据的算数平均值；

步骤三、根据相关系数r_X→Y的大小评价X_i中的每列数据对Y_i中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；

步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；

步骤五、以修订压力a*P、修订差压b*DP、修订温度c*T作为输入，以液流量L、水流量W、油流量O、气流量G作为输出，训练并测试虚拟计量模型，得到流量计量模型：L,W,O,G＝F(P,T,DP)。

2.根据权利要求1所述的一种多变量时序图卷积多相流虚拟计量方法，其特征在于：所述步骤一中，获取与流量相关的历史数据后，分别验算每列数据的连续性，然后再分别进行离散数据连续数据的序列化，最后将数据读取以直方图的形式初步定性，分析数据的类间距离和数量差异指标；再进行步骤二。

3.根据权利要求1所述的一种多变量时序图卷积多相流虚拟计量方法，其特征在于：所述步骤五中，首先根据修订压力a*P、修订差压b*DP、修订温度c*T、液流量L、水流量W、油流量O、气流量G读入邻接矩阵，再通过图卷积神经网络向下计算以实现图网络间数据传播，最后通过全连接回归的方式输出相关系数，从而训练得到流量计量模型：L,W,O,G＝F(P,T,DP)。

4.一种基于权利要求1所述的多变量时序图卷积多相流虚拟计量方法的***，其特征在于：包含依次设置的数据探索性分析模块，算法模块和预测性分析输出值模块；

所述数据探索性分析模块用于获取与流量相关的历史数据，所述算法模块用于计算相关系数r_X→Y，所述预测性分析输出值模块用于训练并测试虚拟计量模型。

Images