[发明专利]气液两相流动态流动过程的瞬时流量测量模型构建方法

说明书

本申请公开了气液两相流动态流动过程的瞬时流量测量模型构建方法，步骤1，选取模型构建样本过程中气液两相流测量信号的采集设备；步骤2，获取模型构建样本过程中气液两相流的累计或平均流量样本标签；步骤3，构建样本数据；步骤4，将管道压力和气体温度通过气体方程换算成气体的密度ρ，重新确定样本输入维度为dP1、dP2、ρ；步骤5，采用基于一维卷积的神经网络构建气液流量瞬时模型(model_s)，瞬时模型的时间长度为s；步骤6，构建平均流量约束模型；步骤7，基于步骤6构建的约束模型(model_ave)，采用半监督的学习方法对步骤5构建的瞬时模型进行训练。解决了现有技术中采用累计流量/平均流量数据标签无法构建瞬时流量测量模型的问题。

技术领域

本申请属于流量测量技术领域，涉及一种气液两相流动态流动过程的瞬时流量测量模型构建方法。

背景技术

石油在开采过程中是以一种气液两相混合流体，同时由于地层压力、流量变化，以及气液比例的不同，导致油井开采中气体和液体的混合物的流量是以一种动态波动变化的形式存在。气液两相流量的在线测量是石油开采过程中的一项关键技术，而气液混合流动过程中的瞬时气体流量和液体流量的实时变化测量，更是石油开采过程十分关注的一个问题。气液两相流混合流动过程中，由于流动过程复杂，数学描述困难，至今难以实现对各相流量的准确测量。对于瞬时流量测量模型的构建，更是存在巨大的挑战，尤其在只有长时间累计或者平均流量样本标签的条件下，如何构建瞬时流量识别模型，是目前急需解决的技术难题。

所提及的目前流动过程中的流量测量，都是采用一段时间的平流量，如几分钟或者几个小时的气体和液体的平均流量。其原因为：气液混合过程是一个气体和液体流量时刻在发生变化的过程，在实验室环境下，测试管路存在系统误差，因此导致瞬时流量样本标签的误差较大，使得模型训练误差较大，如果想要得到瞬时流量标签，这就需要更高的成本购买更为先进的设备或者修改工艺，但是在实际的工程过程测量过程中，是无法实现的，目前比较常用的方法还是进行平均/累计流量标签的获取。因为获取一段时间累计流量样本标签可以保证样本的准确度。但是这就导致了无法实现瞬时流量测量准确标签的获取，也无法用常规方法构建瞬时流量测量模型。在油田实际计量样本获取工作中，主要采用体积较大的罐车测液位的方式来获取真实样本标签，为了消除罐车液位波动的影响更是需要花费几个小时的时间来取得一个准确的累计/平均流量，但是一个累计/平均的流量标签是无法描述在这个计量过程中瞬时的流量流动变化。

目前在实验室阶段：气液两项流测量模型样本建模过程，通常将气体和液体按照一定的流量比例混合到测试管道，当管道中的流体稳定后读取稳定流体的流量标签；对于气体和液体比例时刻发生变化的混合流体，通常采用读取一段时间内的气体和液体的累计流量或者平均流量作为样本标签进行测量模型的建模工作。

对于实际的油井生产过程，通常采用体积较大的计量分离罐计量，由于产量持续动态变化，计量罐体积较大，气液产量一直是变化的，对于通过测液位的方式来获取真实样本标签的方法，为了消除罐车液位波动的影响，更是需要会花费几个小时的时间来取得一个准确的累计流量。

采用现有稳定流量标签或者累计/瞬时流量标签进行气液两相流的流量模型建模都存在以下问题：

(1)将管道中气液流量调整为稳定的流量后读取流量标签这种方式，可以得到准确的瞬时流量标签进行建模，但是这种方法存在的问题是效率低，只能在实验室才可以实现。在实验室测量过程中，每次调整一个稳定的流量需要花费10几分钟以上的时间，等待流体在管道达到稳定流量的状态，这种需要花费大量的时间进行样本标签数据的获取方式，带来的更大的是实验成本的增加。而对于目前需要采用大量的样本数据还能发挥深度学习计算建模的优势的情况下，这种方式是不可取的。

(2)将管道中气液流量调整为稳定的流量后读取流量标签这种方式，只能用于实验室流量人为可控条件下的样本获取和建模，对于真实的油田井口的数据样本获取是无法实现的。因为油井生产过程中，油井产出物中气体和液体的比例是时刻发生变化的，因此也就无法得到一个稳定的流量样本进行数据采集，因此也无法采用油田真实生产数据进行瞬时流量测量模型的建立。