[发明专利]一种基于总流量与电导探针阵列信号的水平井流型识别方法

摘要

一种基于总流量与电导探针阵列信号的水平井流型识别方法，属于多相流检测领域。首先，分别测量总流量和电导探针阵列每个探针的电压响应信号；其次，通过统计分析和小波分析两种技术从每个探针电压响应信号提取特征量；再次，对所提取的特征量进行Z‑score归一化，再采用主成分分析(PCA)技术提取主成分，成为PCA特征量；然后，进行基于支持向量分类(SVC)的特征级信息融合，即利用SVC方法建立从总流量和探针阵列电压响应信号的PCA特征量到油水两相流流型的分类模型；最后，采用粒子群优化算法优化SVC模型参数。本发明解决了中心采样器件无法识别水平井流型的难题，大幅降低了输入变量的维数，总流量的加入大幅提高了水平井流型识别率。

主权项

一种基于总流量与电导探针阵列信号的水平井流型识别方法，其特征在于，包含以下步骤：步骤一，在水平井中油水两相流不同总流量和含水率组合下，通过电机(24)打开集流伞(25)，通过涡轮流量计(26)测量油水两相流总流量；步骤二，在水平井中油水两相流不同总流量和含水率组合下，通过电机(24)打开电导探针阵列(22)的支撑臂(222)，通过电导测量电路(23)测量电导探针阵列(22)各个探针(221)的电压响应信号，测量方法如下，将幅值为U_i的双极性正弦波激励信号(31)施加在阻值为R_f的取样电阻(32)上，开关(34)依次选通电导探针阵列每个探针(35)，取样电阻R_f与选通的电导探针的针芯(353)的尖端所处位置油水两相流(36)的对地电阻R_x构成分压电路，在激励信号波峰时刻测得电导探针的电压响应信号(33)的幅值为U_o，则有$U_o=\frac{R_x}{R_x+R_f}{U}_i---\left(1\right)$该探针电压响应信号以时间序列形式记录，由存储及遥测通信电路(27)存储测得数据，并编译成曼码，通过电缆接口(28)连接测井电缆上传至地面；步骤三，在统计分析中，分别从每个探针电压响应信号提取4个特征量，即均值、标准差、偏度系数、峰度系数；在小波分析中，分别将每个探针响应时间序列进行两层小波包分解，提取8个特征量，即第二层小波分解得到的四个次频带小波系数的能量比例及其信息熵；通过小波分析提取特征量的方法如下：重构第二层小波分解得到的四个次频带小波系数，得到相应次频带的重构序列S_2,j，j＝0,1,2,3；在第二层小波分解得到的四个次频带小波系数的能量为$E_{2,j}=\underset{k=1}{\overset{N_1}{\Σ}}{\left(S_{2,j}\right(k\left)\right)}^2---\left(2\right)$式中，S_2,j(k)表示重构序列S_2,j的第k个元素，N₁表示S_2,j的长度；第二层小波分解得到的四个次频带小波系数的能量比例由下式计算得到$F_{2,j}=\frac{E_{2,j}}{\underset{j=0}{\overset{3}{\Σ}}{E}_{2,j}}---\left(3\right)$在第二层小波分解得到的四个次频带小波系数的信息熵定义为$H_{2,j}=-\underset{k=1}{\overset{N_2}{\Σ}}{\mathrm{\ϵ}}_{2,j}\left(k\right){\mathrm{ln\ϵ}}_{2,j}\left(k\right)---\left(4\right)$式中，${\mathrm{\ϵ}}_{2,j}\left(k\right)=\frac{S_{F(2,j)}\left(k\right)}{\underset{k=1}{\overset{N_2}{\Σ}}{S}_{F\left(2,j\right)}\left(k\right)}---\left(5\right)$式中，S_F(2,j)(k)表示S_2,j傅里叶变换序列的第k个元素，N₂表示S_F(2,j)的长度。步骤四，分别对电导探针阵列每个探针电压响应信号的特征量进行Z‑score归一化，再采用主成分分析(PCA)技术对所有探针的归一化特征量的集合提取主成分，降低特征量之间的数据冗余，所得到的主成分称之为电导探针阵列电压响应信号的PCA特征量；步骤五，对电导探针阵列电压响应信号进行基于支持向量分类(SVC)的特征级信息融合，即利用SVC方法建立从总流量和电导探针阵列电压响应信号的PCA特征量到水平井油水两相流流型的识别模型，称之为SVC模型，训练集的一个样本被记作$(x_i,y_i),x_i\∈R^{n+1},y_i\∈\[1,5\]---\left(6\right)$式中，x_i表示SVC模型的n+1维输入向量，其中n维输入向量为电导探针阵列的PCA特征量，n≤12×N，N表示探针的数目，另1维输入向量为涡轮流量计测得的总流量；y_i表示SVC模型的1维输出向量，为125mm内径水平井油水两相流流型，取1代表光滑的分层流，取2代表界面有混合物的分层流，取3代表连续分散油滴层和连续水层的三层流，取4代表油单相，取5代表水单相，i＝1,2,…,l,l表示训练集的长度，测试集的数据格式和训练集一致；利用训练集样本对SVC模型进行训练，采用高斯径向基函数，利用测试集样本测试SVC模型的水平井流型识别率；步骤六，采用粒子群优化(PSO)算法来优化SVC模型的惩罚因子C和高斯径向基函数核半径σ，以提高SVC的识别率和泛化能力，所述优化的步骤如下：(a)设定惩罚因子C、核函数参数σ的搜索范围，设定粒子数、粒子的长度、粒子的范围、粒子的最大速度、学习因子、迭代终止条件，迭代终止条件包括最大迭代次数和SVC模型交叉验证下的流型识别率要求，随机初始化粒子群体的位置和速度；(b)计算每个粒子的适应度R_cv(C，σ)，即SVC模型交叉验证下的水平井流型识别率；(c)在每一次迭代中，粒子通过跟踪个体适应度极值和全局适应度极值来更新自己的速度和位置，其中个体适应度极值指粒子本身到目前为止搜索到的适应度最优值，全局适应度极值指整个粒子群到目前为止找到的适应度最优值；(d)如果达到迭代终止条件中的任何一条即可终止迭代，否则返回步骤(b)。