[发明专利]一种基于时频特征的低产气油井井口含水率预测方法

权利要求书

1.一种基于时频特征的高含水油井产液含水率测量方法，其特征在于：包括如下步骤：

⑴将传感器安装于井口下降管道之后，对传感器进行扫频操作，以确定传感器的最佳工作频率；

⑵当传感器最佳工作频率确定之后，以该频率对传感器内的环状测量电极进行激励，所测量的微波信号经过传感器后的幅值衰减和相位衰减作为含水率测量信息；

⑶将测得的含水率测量信息的时频特征作为含水率智能预测模型输入特征，通过对测量含水率时间信息进行时频变换，得到时间序列的时频联合分布谱图，作为含水率智能预测模型的训练特征；

定义传感器测量的含水率时间序列为x(t)，通过希尔伯特变换对x(t)进行处理得到其解析形式Z(t)和共轭解析形式Z^*(t)，随后计算含水率时序波动信号的WVD分布：

其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式；

为了消除WVD时频分布平面中交叉项，通过滤波函数对WVD进行滤波处理，消除时频分布中的交叉项，得到含水率波动信息的时频分布为：

P(t,f)＝∫∫φ(t,υ)·WVD(t-τ,f-υ)dτdυ

其中P(t,f)为计算得到的含水率时序信息的时频联合分布特征，τ为时间延迟，υ为频偏，φ(t,υ)＝exp(-4π²υ²τ²/σ)为滤波核函数；

⑷采用深度卷积神经网络结构对时频分布矩阵特征进行逐层提取，细化出高度抽象的含水率特征信息，深度卷积神经网络提取的特征输入到两层全连接网络，全连接网络每一层节点数为1024个，最终含水率高度抽象特征输入到Softmax分类器中对含水率进行预测，采用井口化验含水率作为训练标签值；Softmax函数它能将一个含任意实数的K维向量Z压缩到另一个K维实向量(Z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，Softmax形式为：

其中，j＝1,…,K，i表示K中的某个分类，zj表示该分类的值。

2.根据权利要求1或2所述的基于时频特征的低产气油井井口含水率预测方法，其特征在于：所述传感器为双环式电容传感器，用于来获取井口含水率信息，由不锈钢金属保护壳和内部传感器管道组成，不锈钢金属保护壳两端为左法兰、右法兰，其中右法兰与左法兰所在的金属保护壳为螺纹连接，以便于安装内部传感器管道；金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有引线孔，用于传感器电极与外部测量计算仪表的连接线通道；不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道，用于井口油水混合液的传输；在内部传感器管道外壁上间隔安装有两个环状测量电极，用于油水混合液的含水率测量；在环状测量电极外侧安装有电磁屏蔽层，内部传感器管道通过两侧端面的O型圈与金属外壳压紧密封。

3.根据权利要求1所述的基于时频特征的低产气油井井口含水率预测方法，其特征在于：所述步骤⑵中，传感器对井口含率的测量采用连续式测量方式，采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列，传感器测量时序值通过无线传输方式上传到服务器进行存储与分析操作。

4.根据权利要求1所述的基于时频特征的低产气油井井口含水率预测方法，其特征在于：所述步骤⑷中，所述深度卷积神经网络含有5个卷积层，其中第一层、第二层、第五层卷积层均实施了池化的操作来防止过拟合现象的发生；第一层卷积操作采用48个大小为11*11的卷积核，设置步长为4，随后进行池化操作，池化卷积核大小为3*3，步长为2；第二层卷积采用128个大小为5*5的卷积核，设置步长为1，池化卷积核大小为3*3，步长为2；之后第三层和第四层为卷积层，不进行池化操作，卷积核大小全部设置为3*3，个数全部设置为192；第五层为卷积层，设置128个大小为3*3的卷积核，步长为1，池化卷积核大小为3*3，步长为2。