[发明专利]一种基于非线性特征的低产气油井井口含水率预测方法

权利要求书

1.一种基于非线性特征的低产气油井井口含水率预测方法，其特征在于：包括以下步骤：

⑴将传感器安装于井口下降管道，通过法兰连接接入管之后，通过控制系统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，以该频率正弦激励信号对环状测量电极进行激励，测量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原始测量信息；

⑶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，传感器测量时序值可通过无线传输方式上传到服务器进行存储与分析操作；

⑷将传感器采集到的含水率波动信号进行相空间重构，得到反映含水率特征的递归矩阵，该矩阵作为含水率预测网络的输入进行训练；对测量的含水率时间序列信息进行相空间重构操作，对于双环式电容传感器测量信号时间序列s(it),i＝1,2,....n，其中t为时间采样间隔，n为采样点总数，选取嵌入时间延迟为τ、嵌入维数为N，相空间中的点s(it),i＝1,2,....n由以下公式计算：

X(k)＝{s₁(k),s₂(k),…,s_N(k)}＝{s(kt),s(kt+τ),…,s[kt+(N-1)τ]}

式中k＝1,2,…,M，M＝n-(N-1)*τ/t为重构相空间后吸引子上点的总数；

无阈值的递归图矩阵定义为：

R_ij＝d(X_i-X_j)

式中，R_ij为递归图距离矩阵，d(X_i-X_j)为相空间中的点X_i与X_j直接的距离，本发明中，此距离定义为相空间中两个点X_i与X_j之间的欧式距离；

⑸采用深度卷积神经网络结构对递归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，该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；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σ(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，z_j表示该分类的值。

2.根据权利要求1所述的基于非线性特征的低产气油井井口含水率预测方法，其特征在于：所述控制系统的控制结构为：高频正弦激励信号源产生激励信号，通过功分器送至传感器的环状测量电极进行扫频，环状测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后，提取测量信号的非线性递归图特征。

3.根据权利要求1或2所述的基于非线性特征的低产气油井井口含水率预测方法，其特征在于：所述的传感器为双环式电容传感器，用于来获取井口含水率信息，该传感器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；同时，在环状测量电极外侧安装有电磁屏蔽层，以提高传感器测量效果；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。