[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

摘要

本发明涉及一种基于非线性特征的低产气油井井口含水率预测方法，由双环式高频电容传感器、含水率非线性特征提取模块及基于深度卷积神经网络的含率预测模型组成。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非线性变换，待到无阈值的递归矩阵作为含水率特征。最后将无阈值的递归矩阵作为特征输入到深度卷积网络中进行处理，深度卷积神经网络通过多层的卷积‑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。

主权项

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。