[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

摘要

本发明涉及一种基于时频特征的高含水油井产液含水率测量方法，由双环式高频电容传感器、含水率波动信号时频变换模块及基于人工智能的井口含水率预测网络组成。首先采用适用于油井口的特定结构的双环式高频电容传感器对井口含水率波动信息进行采集。随后将采集到的含水率波动信号进行时频变换，得到含水率波动信号的时频谱图。将变换得到的时频联合分布图作为卷积神经网络的输入，通过多层的卷积‑池化操作逐层提取被测信号的流动特征，最后所提取的特征输出到softmax中进行含水率的测量，含水率标签由井口化验得到。

主权项

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。