[发明专利]一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法

说明书

本发明涉及一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统及方法。通过高频双环式电容传感器测量井口产液三相流含水率信息，通过超声透射式传感器获取井口产液三相流含气率信息，通过深度长短时记忆网络融合电容传感器测量信号特征及超声传感器测量信号特征；将采集到的含水率波动时间序列及采集到的含气率波动时间序列分成多个时序变化的时间片段，提取每个时序片段的时频特征、非线性特征、时间不可逆特征组成特征向量，将两个传感器的测量信息融合构成井口含水率特征向量时间序列，以特征序列为输入，建立基于长短时记忆网络的高含气油井井口含水率预测模型，以井口产液含水率化验值作为标签进行训练，最终得到含水率的精确预测值。

技术领域

本发明属于原油生产领域，涉及高产气油井产液的含水率测量，尤其是一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法。

背景技术

在原油生产过程中，及时掌握与控制油井产液的含水率参数不仅是可靠估算原油净产量的前提，而且是对油井出现问题做出正确诊断及维护的依据，油井产液的含率参数也是油藏开采模式调整的重要指导指标因此，油井产液含水率参数的检测具有重要意义。当前，油田产液的超高含水特性对油井产液的含水率测量提出了新的要求，但如何精确地获取高含水油井产液的含水率信息成为了一个亟待解决的问题。目前，油井产液含水率的检测通常由特殊设计的传感器实现，其测量方法包括超声法、光学法、射线法、成像法、电导法和电法等。然而，现有的传感器测量效果在油井产液高含水率工况下尚不能达到要求，表现为传感器响应非线性及含水分辨率较低，且测量结果受矿化度影响较大。另外，油田作业中传统的化验法又受采样条件及采样频率的影响较大，测量周期也较长，难于实现实时测量。因高产气油井含气量过大，高含气量对含水率预测产生了极大的影响。

虽然通过神经网络或支持向量机等浅层网络对油水两相流的含水率进行软测量有着广泛的应用，然而浅层网络结构在应用过程中需要对特征进行精心的设计。一般情况下，浅层特征具有较强的主观性，模型对含水率的预测结果也会较大程度的受到所设计特征的影响。近年来，人工智能技术在工业领域得到了广泛的应用，尤其是深度学习方法的应用更是拓宽了人工智能技术的应用范围。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。

通过公开专利文献的检索，发现两篇与本专利申请的目的及技术方案相近的公开专利文献：

1、一种特低渗透砂岩油藏油井投产初期含水率预测方法(109447342A)，该方法包括：收集整理选定特低渗透砂岩油藏计算参数；利用有效应力与含水饱和度之间的函数关系预测特低渗透砂岩油藏油井投产初期含水率。该特低渗透砂岩油藏油井投产初期含水率预测方法为解释揭示该类型油藏油井投产初期即含水及预测油井投产初期含水率提供了理论依据，实现了特低渗透砂岩油藏油井投产初期含水率动态预测之目的，因而具有一定的理论及实际意义。

2、一种基于时间序列的油井油液含水率多模型预测方法(105631554A)，其特征在于，包括如下步骤：1)、利用历史数据建立油井油液含水率数据集为{xi, i＝1,2,…,N}；2)、采用小波分析方法对油井油液含水率数据集{xi,i＝1,2,…,N} 中的数据进行预处理；3)、由近邻传播聚类算法将{xi}Wave进行分类；4)、将每个聚类中的数据由如下时间序列形式进行表示：5)、根据极端学习机算法建立每个聚类的时间序列模型并利用该时间序列模型得到预测值。其解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题。

通过技术特征的对比，对比文件1中，采用的油藏计算参数及方式也与本发明申请有根本性的不同；而对比文件2，虽然采用了时间序列方式进行含水率的预测，但其含水率模型及方式与本发明申请有根本性的不同，因此不会对本发明申请产生实质性的创造性影响。

发明内容