RU2754408C1

RU2754408C1 - Distributed system and method for measuring flow rates of multiphase and/or multicomponent fluids extracted from oil and gas wells

Info

Publication number: RU2754408C1
Application number: RU2020134881A
Authority: RU
Inventors: Иван Витальевич Врабие; Денис Евгеньевич Сыресин; Леонид Евгеньевич Довгилович; Жан-Филипп ХУССЕНЕ; Бертран Тевени; Виктор Викторович Корнеев; Ермек Талгатович КАИПОВ
Original assignee: Шлюмберже Текнолоджи Б.В.
Priority date: 2020-10-23
Filing date: 2020-10-23
Publication date: 2021-09-02

Abstract

FIELD: oil and gas industry.SUBSTANCE: group of inventions relates to the extraction of multiphase and/or multicomponent fluids from oil and gas wells and is intended for measuring the flow rates of phases and/or components of extracted fluids. A distributed flow rates measurement system for multiphase and/or multicomponent fluids extracted from oil and gas wells contains measuring devices, computing modules and a single data processing device located in at least two wells, designed to collect and process measurement results from all measuring devices and ensure the creation, updating and distribution of predictive models to measuring devices, as well as optimization of the entire system. In this case, each of the measuring devices is installed on the flow line of the fluid extracted from the well and is a set of sensors sensitive to at least one physical parameter of the flow extracted from the well of a multiphase and/or multicomponent fluid. Each of the computing modules is installed on the flow line of the extracted fluid, connected to a measuring device installed on this line at least for collecting, processing and transmitting measurement results. In accordance with the measurement method, continuous measurements of the parameters of the flow of the extracted fluid are carried out by means of measuring devices. For each well, the values of the flow rates of the phases and/or components of the extracted fluid are determined by predictive models based on the dependencies previously established between the parameters of the flow of the extracted fluid and the values of the flow rates of the phases and/or components of the extracted fluid. The measurement results of all measuring devices and the determination of the flow rates of the phases and/or components of the extracted fluid are transmitted to a single data processing device, and all the transmitted results are stored and processed through a single data processing device.EFFECT: invention makes it possible to ensure the possibility of using the results of flow rates measurements obtained by one or more measuring devices to create and update predictive models, as well as to optimize the operation of the entire system by scheduling training and monitoring the need for equipment maintenance.14 cl, 2 dwg

Description

Изобретение относится к добыче многофазных и/или многокомпонентных флюидов из нефтегазовых скважин и предназначено для измерения расходов фаз и/или компонент добываемых флюидов.The invention relates to the production of multiphase and / or multicomponent fluids from oil and gas wells and is intended to measure the flow rates of phases and / or components of the produced fluids.

Продукция скважины при добыче выходит на поверхность в виде потока многофазной и/или многокомпонентной смеси по трубопроводу. В устье скважины на поверхности требуется определять параметры этого потока для контроля добычи. Данные об объемах добычи каждой компоненты служат для анализа и прогнозирования эксплуатации скважин.Well production during production comes to the surface in the form of a flow of a multiphase and / or multicomponent mixture through a pipeline. At the surface of the wellhead, it is required to determine the parameters of this flow to control production. Production data for each component is used to analyze and predict well performance.

Из уровня техники известен способ контроля продуктивности скважин (патент РФ 2338873), предусматривающий использование расходомеров малой точности, размещенных на выходных трубопроводах контролируемых скважин, образующих куст, и расходомера высокой точности, выход которого подключен к магистральному трубопроводу. Такой подход позволяет переключать расходомер высокой точности между скважинами в случае изменения параметров потока на конкретной скважине и мониторить расходы с каждой скважины. За счет этого достигается существенное удешевление системы мониторинга продуктивности группы скважин. К недостаткам подхода относится невозможность проведения точных непрерывных измерений на каждой скважине в режиме реального времени из-за наличия расходомеров низкой точности и только одного расходомера высокой точности. Также предложенный способ может оказаться достаточно затратным в связи с необходимостью использования высокоточного многофазного расходомера.A method for monitoring well productivity (RF patent 2338873) is known from the prior art, which involves the use of low-precision flow meters located on the outlet pipelines of controlled wells forming a cluster, and a high-precision flowmeter, the output of which is connected to the main pipeline. This approach allows you to switch a high-precision flow meter between wells in the event of a change in flow parameters for a specific well and monitor flow rates from each well. Due to this, a significant reduction in the cost of the system for monitoring the productivity of a group of wells is achieved. The disadvantages of this approach include the impossibility of making accurate continuous measurements on each well in real time due to the presence of low-precision flow meters and only one high-precision flow meter. Also, the proposed method can be quite costly due to the need to use a high-precision multiphase flow meter.

В патенте РФ 2513812 описаны система и способ определения расходов в скважинах, снабженных электрическими погружными насосами, соединенными с двумя манометрами: один перед насосами и один после. Расходы могут быть рассчитаны в режиме реального времени при помощи математической модели, которая использует разницу давления на манометрах и значение мощности, потребляемой насосом. Недостатком данной системы является необходимость использования оборудования и систем датчиков (например, манометры насоса), расположенные на значительном удалении друг от друга и к тому же изначально непредназначенным для решения задач метрологии и определения расходов. Это может приводить к низкой точности измерения.RF patent 2513812 describes a system and method for determining flow rates in wells equipped with electric submersible pumps connected to two pressure gauges: one in front of the pumps and one after. Flow rates can be calculated in real time using a mathematical model that uses the pressure difference on the gauges and the power consumption of the pump. The disadvantage of this system is the need to use equipment and sensor systems (for example, pump manometers) located at a considerable distance from each other and, moreover, not originally intended for solving metrology problems and determining costs. This can lead to poor measurement accuracy.

Технический результат, достигаемый при реализации предлагаемого изобретения, заключается в обеспечении возможности использования результатов измерений расходов, полученных одним или несколькими измерительными устройствами, для создания и обновления предиктивных моделей, а также для оптимизации работы всей системы посредством составления расписания обучения и/или мониторинга необходимости технического обслуживания оборудования.The technical result achieved by the implementation of the proposed invention is to provide the possibility of using the results of flow measurements obtained by one or more measuring devices to create and update predictive models, as well as to optimize the operation of the entire system by scheduling training and / or monitoring the need for maintenance equipment.

Указанный технический результат достигается тем, что предлагаемая распределенная система измерения расходов многофазных и/или многокомпонентных флюидов, добываемых из нефтегазовых скважин, содержит размещенные по меньшей мере на двух скважинах измерительные устройства, каждое из которых установлено на линии потока добываемого из скважины флюида и представляет собой набор датчиков, чувствительных к по меньшей мере одному физическому параметру потока, добываемого из скважины многофазного и/или многокомпонентного флюида. Система также содержит вычислительные модули, каждый из которых установлен на линии потока добываемого флюида и соединен с установленным на этой линии измерительным устройством по меньшей мере для сбора, обработки и передачи результатов измерений. Распределенная система содержит также единое устройство обработки данных, предназначенное для сбора и обработки результатов измерений со всех измерительных устройств и обеспечивающее создание, обновление и распределение предиктивных моделей измерительным устройствам, а также оптимизацию работы всей системы.The specified technical result is achieved in that the proposed distributed system for measuring the flow rate of multiphase and / or multicomponent fluids produced from oil and gas wells contains measuring devices located on at least two wells, each of which is installed on the flow line of the fluid produced from the well and is a set sensors sensitive to at least one physical parameter of the multiphase and / or multicomponent fluid produced from the well. The system also contains computing modules, each of which is installed on the flow line of the produced fluid and is connected to the measuring device installed on this line at least for collecting, processing and transmitting the measurement results. The distributed system also contains a single data processing device designed for collecting and processing measurement results from all measuring devices and providing the creation, updating and distribution of predictive models to measuring devices, as well as optimizing the operation of the entire system.

Распределенная система может содержать по меньшей мере на одной скважине эталонный многофазный расходомер, установленный на линии потока добываемого флюида и предназначенный для измерения значений расходов фаз и/или компонент добываемого из этой скважины многофазного и/или многокомпонентного флюида. При этом система может дополнительно содержать обучающую систему для изменения параметров потока добываемого флюида, установленную по меньшей мере на одной линии потока добываемого флюида.The distributed system may contain at least one well a reference multiphase flow meter installed in the flow line of the produced fluid and designed to measure the values of the flow rates of phases and / or a component of the multiphase and / or multicomponent fluid produced from this well. In this case, the system may further comprise a training system for changing the parameters of the flow of the produced fluid, installed on at least one line of the flow of the produced fluid.

Измерительное устройство может быть установлено на подсоединенной к скважине внешней проливной линии для пропускания потока добываемого флюида, непосредственно в скважине; часть датчиков измерительного устройства может быть установлена на подсоединенной к скважине внешней проливной линии для пропускания потока добываемого флюида, а другая часть датчикова измерительного устройства - в скважине.The measuring device can be installed on an external flow line connected to the well to pass the flow of the produced fluid directly into the well; some of the sensors of the measuring device can be installed on the external flow line connected to the well to pass the flow of the produced fluid, and the other part of the sensor of the measuring device - in the well.

В соответствии с предлагаемым способом измерения измерения расходов многофазных и/или многокомпонентных флюидов, добываемых из нефтегазовых скважин, осуществляют непрерывные измерения параметров потока добываемого флюида посредством измерительных устройств, размещенных по меньшей мере на двух скважинах и образующих распределенную систему измерения расходов, каждое из которых установлено на линии потока добываемого флюида и на представляет собой набор датчиков, чувствительных к по меньшей мере одному параметру потока добываемого флюида. Затем для каждой скважины определяют значения расходов фаз и/или компонент добываемого флюида посредством предиктивных моделей, построенных на основе зависимостей, предварительно установленных между параметрами потока добываемого флюида и значениями расходов фаз и/или компонент добываемого флюида. Результаты измерений всех измерительных устройств и определения расходов передают на единое устройство обработки данных, посредством которого осуществляют хранение и обработку переданных данных, на основе которых осуществляют создание, обновление и распределение предиктивных моделей измерительным устройствам, а также оптимизацию работы распределенной системы.In accordance with the proposed method for measuring the flow rate of multiphase and / or multicomponent fluids produced from oil and gas wells, continuous measurements of the parameters of the flow of the produced fluid are carried out by means of measuring devices located at at least two wells and forming a distributed flow measurement system, each of which is installed on production fluid flow line and is a set of sensors that are sensitive to at least one parameter of the produced fluid flow. Then, for each well, the values of the phase flow rates and / or the component of the produced fluid are determined by means of predictive models built on the basis of the dependencies previously established between the parameters of the flow of the produced fluid and the values of the rates of the phases and / or the component of the produced fluid. The results of measurements of all measuring devices and determination of costs are transmitted to a single data processing device, through which the transmitted data are stored and processed, on the basis of which predictive models are created, updated and distributed to measuring devices, as well as the optimization of the distributed system operation.

Значения расходов фаз и/или компонент добываемого флюида для построения предиктивных моделей измеряют посредством многофазного эталонного расходомера, установленного на линии потока добываемого флюида по меньшей мере на одной скважине.The values of the phase flow rates and / or the component of the produced fluid for building predictive models are measured by means of a multiphase reference flow meter installed in the flow line of the produced fluid in at least one well.

Зависимости между параметрами потока добываемого флюида и значениями расходов фаз и/или компонент добываемого флюида устанавливают посредством вычислительных модулей или посредством устройства обработки данных.The relationships between the parameters of the flow of the produced fluid and the values of the flow rates of the phases and / or the component of the produced fluid are established by means of computing modules or by means of a data processing device.

В соответствии с одним из вариантов осуществления изобретения для установления зависимости между измеренными параметрами потока и значениями расходов фаз и/или компонент добываемого флюида дополнительно осуществляют изменения параметров потока добываемого флюида посредством обучающей системы.In accordance with one embodiment of the invention, in order to establish the relationship between the measured flow parameters and the values of the flow rates of the phases and / or the component of the produced fluid, the parameters of the flow of the produced fluid are additionally changed by means of the training system.

Оптимизация работы системы представляет собой разработку и обновление расписания работы многофазного эталонного расходомера и обучающей системы и/или мониторинг необходимости технического обслуживания устройств распределенной системы измерений.System optimization is the development and updating of a multiphase reference flow meter and training system schedule and / or monitoring the need for maintenance of distributed metering system devices.

Результаты измерений посредством многофазных расходомеров с нескольких скважин могут быть использованы для увеличения точности измерений одного измерительного устройства при обучении предиктивной модели, а результаты измерений посредством многофазного расходомера на одной скважине могут быть использованы для увеличения точности измерений нескольких измерительных устройств при обучении предиктивных моделей.Multiphase meter measurements from multiple wells can be used to improve the accuracy of one meter when training a predictive model, and multiphase meter measurements from one well can be used to increase the accuracy of multiple meters when training predictive models.

Изобретение поясняется чертежами, где на фиг. 1 приведен пример предлагаемой распределенной системы измерения расходов многофазных и многокомпонентных флюидов; на фиг.2 приведена блок-схема работы предлагаемой системы.The invention is illustrated by drawings, where Fig. 1 shows an example of the proposed distributed system for measuring the flow rates of multiphase and multicomponent fluids; figure 2 shows a block diagram of the proposed system.

Схема возможной реализации распределенной системы измерения расходов многофазных и многокомпонентных флюидов показана на Фиг. 1. Под многофазным потоком понимается поток флюидов с двумя различными термодинамическими фазами - жидкость и газ. Под многокомпонентым потоком понимается поток флюидов с двумя или более химическими компонентами, например, нефть, вода, метан. Измерения осуществляют на устье скважин на поверхности посредством датчиков, установленных на подсоединенной к скважине внешней проливной линии для пропускания потока добываемого флюида, либо с помощью датчиков, расположенных внутри скважины, таких, как, например, датчики забойного давления, датчики давления на штуцерах и погружных насосах; возможно совместное использование и тех, и других датчиков. Как показано в примере на фиг.1, на подключенных к скважинам 1, 2 и 3 линиям 4 потока флюидов установлены измерительные устройства 5, представляющие собой наборы датчиков, чувствительных к определенным параметрам потока (например, температура в линии, давление в линии, общий массовый расход, объемные доли, плотность смеси, вязкость и т.д.). Наборы датчиков для измерительных устройств 5 подбирают в зависимости от ожидаемых свойств многофазного и/или многокомпонентного потока и количества входящих в него компонент. Измерительные устройства 5 обеспечивают непрерывную запись разных параметров потока, которые будут использоваться для расчета расхода каждой из компонент. Кроме того, в скважине 3 присутствуют датчики 6, также чувствительные к определенным параметрам потока (например, температура, давление, массовый расход, объемные доли, плотность смеси, вязкость и т.д.). Данные датчики могут быть как самостоятельными измерительными инструментами, например датчик забойного давления, так и являться составной частью скважинной аппаратуры, например, погружного насоса или штуцера.A diagram of a possible implementation of a distributed system for measuring the flow rates of multiphase and multicomponent fluids is shown in Fig. 1. Multiphase flow is understood as a flow of fluids with two different thermodynamic phases - liquid and gas. A multicomponent flow is understood as a fluid flow with two or more chemical components, for example, oil, water, methane. Measurements are carried out at the wellhead on the surface by means of sensors installed on an external flow line connected to the well to pass the flow of the produced fluid, or by means of sensors located inside the well, such as, for example, bottomhole pressure sensors, pressure sensors on chokes and submersible pumps ; it is possible to use both those and other sensors. As shown in the example in Fig. 1, on the fluid flow lines 4 connected to wells 1, 2 and 3, measuring devices 5 are installed, which are sets of sensors sensitive to certain flow parameters (for example, line temperature, line pressure, total mass flow rate, volume fraction, mixture density, viscosity, etc.). Sets of sensors for measuring devices 5 are selected depending on the expected properties of the multiphase and / or multicomponent flow and the number of components included in it. Measuring devices 5 provide a continuous recording of different flow parameters that will be used to calculate the flow rate of each of the components. In addition, well 3 contains sensors 6, which are also sensitive to certain flow parameters (for example, temperature, pressure, mass flow rate, volume fractions, mixture density, viscosity, etc.). These sensors can be either independent measuring instruments, for example, a bottomhole pressure sensor, or be an integral part of downhole equipment, for example, a submersible pump or a choke.

На двух линиях 4 потока флюидов, идущих от скважин 1 и 3, установлены эталонные многофазные расходомеры 7, обладающие высокой точностью измерения. Эталонные расходомеры 7 измеряют значения объемного или массового расхода в единицу времени каждой из фаз/ компонент многофазного и/или многокомпонентного потока, например, объемного расхода (м3/день) для нефти, воды и газа. Помимо параметров расхода, эталонный расходомер может вычислять дополнительные параметры потока, такие как плотность каждой из компонент, плотность потока флюидов, объемные и массовые доли каждой из фаз и/или, давление и температуру на линии потока. Он используется как эталон при обучении и позволяет установить связь (корреляцию) между показаниями датчиков измерительного устройства 5 или датчиков 6 и расходами. Концептуально расходомер 7 играет роль «учителя» для всей системы и в методах машинного обучения с учителем в частности. В качестве эталонного расходомера может быть использован любой расходомер (например, Schlumberger Vx meter - описание доступно по адресу www.slb.com/reservoir-characterization/reservoir-testing/surface-testing/surface-multiphase-flowmetering/vx-spectra-surface-multiphase-flowmeter), который способен на непрерывные и точные измерения расходов многокомпонентных и/или многофазных потоков флюидов. На линии 4, идущей от скважины 2, эталонный раходомер не установлен, поскольку измерительное устройство 5 работает с достаточной точностью и не нуждается в эталонном расходомере.On two lines 4 of the flow of fluids coming from wells 1 and 3, there are standard multiphase flow meters 7 with high measurement accuracy. Reference flow meters 7 measure the values of volumetric or mass flow rate per unit time of each of the phases / components of a multiphase and / or multicomponent flow, for example, volumetric flow rate (m3 / day) for oil, water and gas. In addition to flow parameters, the reference flow meter can calculate additional flow parameters, such as the density of each of the components, the fluids flow density, volume and mass fractions of each of the phases and / or, pressure and temperature in the flow line. It is used as a reference in training and allows you to establish a relationship (correlation) between the readings of the sensors of the measuring device 5 or sensors 6 and the flow rates. Conceptually, the flowmeter 7 plays the role of a “teacher” for the entire system and in supervised machine learning methods in particular. Any flow meter can be used as a reference flow meter (for example, Schlumberger Vx meter - the description is available at www.slb.com/reservoir-characterization/reservoir-testing/surface-testing/surface-multiphase-flowmetering/vx-spectra-surface- multiphase-flowmeter), which is capable of continuous and accurate flow measurement of multicomponent and / or multiphase fluid flows. On line 4 from well 2, the reference flow meter is not installed, since the measuring device 5 operates with sufficient accuracy and does not need a reference flow meter.

Система может дополнительно содержать обучающие системы 8 (в данном примере такая обучающая система 8 установлена на линии 4, идущей от скважины 1), предназначенные для изменения параметров потока многофазного и/или многокомпонентного флюида и представляющие собой набор устройств и компонент для искусственного изменения параметров потока (не показаны), роль которых заключается в том, чтобы искусственным способом варьировать параметры исследуемого потока, такие как обводненность, газовый фактор, расходы газа, нефти и воды. Например, такой набор может состоять из дополнительного набора труб, резервуаров, насосов, сепараторов, расходомеров, которые могут закачивать или выкачивать определенный объем жидкости и газа в поток до того, как он измеряется.The system may additionally contain training systems 8 (in this example, such a training system 8 is installed on line 4 coming from well 1), designed to change the flow parameters of a multiphase and / or multicomponent fluid and are a set of devices and a component for artificially changing flow parameters ( not shown), the role of which is to artificially vary the parameters of the investigated flow, such as water cut, gas factor, gas, oil and water flow rates. For example, such a set can consist of an additional set of pipes, tanks, pumps, separators, flow meters that can pump or pump a certain volume of liquid and gas into the stream before it is measured.

Вместе с измерительными устройствами 5 и датчиками 6 на линиях 4 установлены вычислительные модули 9, в каждый из которых поступают полученные в процессе измерений данные для их сбора, обработки и осуществления связи и передачи данных между устройствами 5, 6 и 10.Along with measuring devices 5 and sensors 6, computing modules 9 are installed on lines 4, each of which receives data obtained during the measurement process for collecting, processing and communicating and transferring data between devices 5, 6 and 10.

Система также содержит устройство 10 обработки данных (например, облачный сервис или локальный сервер), предназначенное для хранения, сбора и предобработки данных всех измерительных устройств 5 и 6 (как минимум, на этапе обучения при помощи обучающей системы) и многофазных эталонных расходомеров 7 со всех линий потока. Эти данные используют для построения предиктивных моделей (математические модели, модели машинного обучения, статистические модели) для каждой скважины, которые в дальнейшем распределяют по соответствующим измерительным устройствам 5, 6 через вычислительные модули 9. Предиктивная модель может находиться как на самом вычислительном модуле 9, так и на устройстве 10 обработке данных. Реализация зависит от политики компании клиента, объема поступающих на вычислительный модуль 9 данных и вычислительной мощности самого модуля. Устройство 10 обработки данных позволяет оптимизировать операционные процессы всей распределенной системы (то есть устройств, установленных на скважинах 1,2 и 3), включая: обновление предиктивных моделей, составление расписания обучения, мониторинг необходимости технического обслуживания оборудования.The system also contains a data processing device 10 (for example, a cloud service or a local server), designed to store, collect and preprocess data from all measuring devices 5 and 6 (at least at the stage of training using the training system) and multiphase reference flow meters 7 from all flow lines. This data is used to build predictive models (mathematical models, machine learning models, statistical models) for each well, which are then distributed to the corresponding measuring devices 5, 6 through computational modules 9. The predictive model can be located both on the computational module 9 itself, as well as and on the data processing device 10. The implementation depends on the policy of the client's company, the amount of data entering the computing module 9 and the computing power of the module itself. The data processing device 10 allows to optimize the operational processes of the entire distributed system (that is, devices installed on wells 1, 2 and 3), including: updating predictive models, scheduling training, monitoring the need for equipment maintenance.

Устройство 10 обработки данных играет роль «мозга» всей распределенной системы. Данные со всех измерительных устройств и многофазных расходомеров передаются (возможно непрерывно, если это облачное решение) устройству 10 обработки данных. На этом устройстве данные предобрабатываются, фильтруются и хранятся. Устройство 10 обработки данных также способно выявлять измерительные устройства 5 и датчики 6, которым необходимо обновить предиктивные модели (например, модели машинного обучения), подбирать для них оптимальные тренировочные данные (возможно, даже с разных скважин), и составлять необходимое расписание обучения при помощи эталонного расходомера и обучающей системы, обеспечивающей изменения параметров потока. Данное устройство также способно следить за качеством получаемых данных, тем самым может обладать функцией health-monitoring как всей распределенной измерительной системы, так и каждого датчика измерительного устройства в частности.The data processing device 10 plays the role of the "brain" of the entire distributed system. Data from all measuring devices and multiphase flowmeters are transmitted (possibly continuously if it is a cloud solution) to the data processing device 10. On this device, data is preprocessed, filtered and stored. The data processing device 10 is also capable of identifying measuring devices 5 and sensors 6 that need to update predictive models (for example, machine learning models), select optimal training data for them (possibly even from different wells), and draw up the necessary training schedule using the reference flow meter and a training system that provides changes in flow parameters. This device is also able to monitor the quality of the received data, thus it can have the health-monitoring function of both the entire distributed measuring system and each sensor of the measuring device in particular.

Как показано на блок-схеме на фиг. 2, измерения расходов многофазных и/или многокомпонентных флюидов, добываемых из нефтегазовых скважин, посредством распределенной системы, показанной на фиг.1, осуществляют следующим образом.As shown in the block diagram of FIG. 2, measuring the flow rates of multiphase and / or multicomponent fluids produced from oil and gas wells by means of the distributed system shown in FIG. 1 is carried out as follows.

Потоки флюидов, добываемых из скважин 1, 2 и 3, поступают в линии 4 потока (см. фиг. 1). Измерительные устройства 5 и датчики 6 осуществляют непрерывные измерения параметров потоков добываемых флюидов (блок 11 на фиг. 2). Вычисляют значения расходов фаз и/или компонент добываемых флюидов (блок 12) посредством предиктивной модели (модель машинного обучения, математическая модель, статистическая модель), построенной на основе зависимости, предварительно установленной между параметрами потока добываемого флюида и значениями расходов фаз и/или компонент добываемого флюида, которые могут быть измерены посредством эталонных расходомеров 7, установленных на линиях 4 потока добываемого флюида для скважин 1 и 3). Для скважины 2 измерительное устройство 5 работает с достаточной точностью, поэтому не нуждается в эталонном расходомере. Однако стоить заметить, что ранее эталонный расходомер мог быть подключен к этой линии для установления необходимых зависимостей, а после был отключен от системы. Предварительное установление зависимости между измеренными параметрами потока добываемого многофазного и/или многокомпонентного флюида и значениями расходов фаз и/или компонент добываемого флюида, измеренными посредством эталонного многофазного расходомера, и соответственно построение предиктивной модели, то есть обучение системы измерения расходов, осуществляют посредством вычислительных модулей 9 или посредством устройства 10 обработки данных. Стоит обратить внимание, что обучение предиктивной модели и ее использование может осуществляться исключительно на вычислительном модуле 9, исключительно на устройстве 10 обработки данных, или при комбинации обеих компонент (т.е. возможен случай, когда предиктивная модель обучается на устройстве 10 обработки данных, передается измерительному устройству и работает внутри вычислительного модуля 9).Fluid streams produced from wells 1, 2, and 3 enter flow lines 4 (see FIG. 1). Measuring devices 5 and sensors 6 continuously measure the parameters of the flows of produced fluids (block 11 in Fig. 2). The values of the flow rates of the phases and / or the component of the produced fluids (block 12) are calculated by means of a predictive model (machine learning model, mathematical model, statistical model), built on the basis of the relationship previously established between the parameters of the flow of the produced fluid and the values of the flow rates of the phases and / or the component of the produced fluid, which can be measured by the reference flow meters 7 installed on the lines 4 of the flow of the produced fluid for wells 1 and 3). For well 2, the measuring device 5 operates with sufficient accuracy, therefore, it does not need a reference flow meter. However, it should be noted that earlier the reference flow meter could be connected to this line to establish the necessary dependencies, and then it was disconnected from the system. The preliminary establishment of the relationship between the measured parameters of the flow of the produced multiphase and / or multicomponent fluid and the values of the flow rates of the phases and / or the components of the produced fluid, measured by means of a reference multiphase flow meter, and, accordingly, the construction of a predictive model, that is, training of the flow measurement system, is carried out by means of computing modules 9 or through the data processing device 10. It should be noted that the training of the predictive model and its use can be carried out exclusively on the computing module 9, exclusively on the data processing device 10, or with a combination of both components (i.e., the case is possible when the predictive model is trained on the data processing device 10, is transmitted measuring device and works inside the computing module 9).

При необходимости осуществляют дополнительное обучение путем изменения параметров потока добываемого флюида в процессе дополнительных измерений параметров потока (блок 20). Для изменения параметров потока (расходов, обводненности (WC), газового фактора (GVF) и т.д.) используют обучающие системы 8, содержащие набор устройств и компонент для искусственного изменения параметров потока. Дополнительные измерения эталонным расходомером 7 и измерительными устройствами 5 и датчиками 6 проводят до тех пор, пока математическая модель или модель машинного обучения не обучится до необходимого уровня точности измерения расходов компонент и фаз, или пока этап обучения не превысит заданный временной интервал (к примеру, 2 дня). Например, необходимый уровень точности может задаваться в терминах относительной ошибки (например, 5 процентов) мгновенных или кумулятивных расходов по нефти, жидкости и газу, вычисленной между расходами, полученными с помощью эталонного расходомера и измерительными устройствами на калибровочных данных.If necessary, additional training is carried out by changing the parameters of the flow of the produced fluid in the process of additional measurements of the flow parameters (block 20). To change the flow parameters (flow rates, water cut (WC), gas factor (GVF), etc.), training systems 8 are used, containing a set of devices and components for artificially changing the flow parameters. Additional measurements with reference flow meter 7 and measuring devices 5 and sensors 6 are carried out until the mathematical model or machine learning model is trained to the required level of accuracy in measuring the flow rates of components and phases, or until the training stage exceeds a specified time interval (for example, 2 days). For example, the required level of accuracy can be specified in terms of a relative error (eg, 5 percent) of the instantaneous or cumulative oil, liquid, and gas flow rates calculated between the flow rates obtained with the reference flow meter and the gauges on the calibration data.

Данные, полученные при измерении параметров потока и вычислении расходов, отправляют на устройство 10 обработки данных (блок 24). Такая передача данных может осуществляться удаленно (4G модем, Wi-Fi, и т.д.), если в качестве устройства 10 обработки данных используют облачный сервис. Если используют локальный сервер как устройство 10 обработки данных, то передача может осуществляться физически и при помощи электронного накопителя (жесткий диск, USB-флеш-накопитель, и т.д.).The data obtained by measuring the flow parameters and calculating the flow rates are sent to the data processing device 10 (block 24). Such data transmission can be carried out remotely (4G modem, Wi-Fi, etc.) if a cloud service is used as the data processing device 10. If a local server is used as the data processing device 10, then the transfer can be carried out physically and using an electronic storage device (hard disk, USB flash drive, etc.).

Устройство 10 обработки данных предобрабатывает, синхронизирует и сохраняет полученные данные (блок 14).The data processing device 10 preprocesses, synchronizes and stores the received data (block 14).

Устройство 10 обработки данных проверяет качество полученных физических измерений и вычисляемых расходов (блок 15). Также на этом этапе система способна генерировать дополнительные результаты, основанные как на новых данных, так и на исторических данных (блок 16), например: разного рода статистики (по скважинам, по клиентам, по месторождениям, по конкретным условиям), сообщения о неисправности каких-либо датчиков, сообщения о неисправности предиктивной модели и т.д. По качеству полученных данных устройство 10 обработки данных может предсказать, когда то или иное измерительное устройство 5 потребует обновления предиктивной модели и нужно ли будет использовать для этого эталонный расходомер 7 и системы изменения потоков 8. Если такая необходимость использования возникнет, то устройство 10 обработки данных может составить расписание обучения, то есть расписание использования эталонного расходомера 7 и системы изменения потоков 8, чтобы оптимально обучить наибольшее количество измерительных устройств 5 и избежать ситуации, когда нескольким измерительным устройствам 5 потребуется присутствие эталанного расходомера в одно и то же время. Также устройство 10 обработки данных проверяет качество каждого поступающего сигнала с измерительных устройств 5 и определяет, насколько это качество соответствует ожидаемую. Если полученные данные выходят за ожидаемые пределы, это может свидетельствовать о возможной неисправности как всей системы в целом, так и индивидуального датчика внутри измерительного устройства 5 в частности: потеря сигнала между датчиком и вычислительным модулем 9, отключение датчика от блока питания, плохое соединение датчика внутри измерительного устройства 5, поломка самого датчика (или его отдельной компоненты), плохое качество передачи данных, и т.д.The data processing device 10 checks the quality of the obtained physical measurements and the calculated costs (block 15). Also, at this stage, the system is able to generate additional results based on both new data and historical data (block 16), for example: various kinds of statistics (by wells, by clients, by fields, by specific conditions), which malfunction messages -or sensors, predictive model malfunction messages, etc. By the quality of the data obtained, the data processing device 10 can predict when one or another measuring device 5 will require updating the predictive model and whether it will be necessary to use the reference flow meter 7 and flow change systems 8. If such a need arises, the data processing device 10 can draw up a training schedule, that is, a schedule for using the reference flow meter 7 and the flow change system 8 in order to optimally train the largest number of measuring devices 5 and avoid the situation when several measuring devices 5 need the presence of the reference flow meter at the same time. Also, the data processing device 10 checks the quality of each incoming signal from the measuring devices 5 and determines how this quality corresponds to the expected one. If the received data are outside the expected limits, this may indicate a possible malfunction of both the entire system as a whole, and the individual sensor inside the measuring device 5 in particular: loss of signal between the sensor and the computing module 9, disconnection of the sensor from the power supply, poor sensor connection inside measuring device 5, breakdown of the sensor itself (or its separate component), poor quality of data transmission, etc.

Устройство 10 обработки данных проверяет необходимость технического обслуживания или необходимость обновления программного обеспечения (блок 17). Такая необходимость может возникнуть по разным причинам: неисправность датчика, низкая точность расчета значений расходов, резкое изменение параметров потока, продолжительное время использования одной и той же модели (к примеру, модель не обновлялась 6 месяцев) и т.д. Также со временем может возникнуть необходимость обновления самого программного обеспечения: операционной системы, утилит и библиотек, для обеспечения более быстрой и безопасной работы всей системы. На данном этапе сама система способна ответить на вопрос «требуется ли какое-то вмешательство в систему или она работает исправно». Необходимость такого вмешательства может зависеть от самой системы, потока, требований клиента т.д. Если все работает исправно, то измерительное устройство продолжает фиксировать параметры потока (ветка «НЕТ» в блоке 17).The data processing device 10 checks the need for maintenance or the need for a software update (block 17). Such a need may arise for various reasons: sensor malfunction, low accuracy in calculating flow rates, abrupt changes in flow parameters, prolonged use of the same model (for example, the model has not been updated for 6 months), etc. Also, over time, it may become necessary to update the software itself: the operating system, utilities and libraries, to ensure faster and safer operation of the entire system. At this stage, the system itself is able to answer the question "does it require any intervention in the system or does it work properly." The need for such intervention may depend on the system itself, the flow, the client's requirements, etc. If everything is working properly, the measuring device continues to record the flow parameters (the “NO” branch in block 17).

Если появляется необходимость обновления программного обеспечения (к примеру, обновление предиктивной модели), то система подбирает необходимые тренировочные данные из имеющегося многоскважинного набора (блок 18). Если данных оказывается недостаточно для точного вычисления расхода на скважине, то требуется обогатить выборку новыми данными (ветка «ДА» в блоке 19). Для этого может быть проведена дополнительная сессия обучения (блок 20) с помощью эталонного расходомера 7 с возможным использованием дополнительного обучающей системы 8 на этой или даже более подходящей скважине (блок 22).If there is a need to update the software (for example, to update the predictive model), then the system selects the necessary training data from the existing multi-well set (block 18). If the data turns out to be insufficient to accurately calculate the flow rate at the well, then it is required to enrich the sample with new data (branch "YES" in block 19). For this, an additional training session (block 20) can be conducted using the reference flow meter 7 with the possible use of an additional training system 8 on this or even more suitable well (block 22).

Далее устройство 10 обработки данных выбирает набор измерительных устройств, которым требуется обновление (блок 26). Может так получиться, что при помощи новых данных с одной скважины появляется возможность обновить программное обеспечение измерительного устройства, установленного не только на этой скважине, но и на других скважинах. Например, после использования данных, полученных на скважинах 1 и 3, также может быть определена необходимость обновлений и устройств, установленных на других скважинах (например, на скважине 2).Next, the data processing device 10 selects a set of measuring devices that require an update (block 26). It may so happen that with the help of new data from one well, it becomes possible to update the software of the measuring device installed not only on this well, but also on other wells. For example, after using data from wells 1 and 3, the need for updates and devices installed in other wells (for example, well 2) can also be determined.

Устройство 10 обработки данных генерирует обновленное программное обеспечение (блок 27) и распределяет его каждому соответствующему измерительному устройству (блок 28).The data processing device 10 generates updated software (block 27) and distributes it to each corresponding measuring device (block 28).

Каждое измерительное устройство из выбранного набора обновляет свое программное обеспечение (блок 29) и продолжает измерять физические параметры потока (блок 30) и рассчитывать расходы (блок 31).Each measuring device from the selected set updates its software (block 29) and continues to measure the physical parameters of the flow (block 30) and calculate the flow rates (block 31).

Рассмотрим пример системы, в которой измерительное устройство 5 содержит датчик давления, датчик температуры и датчик дифференциального давления. Устройство 10 обработки данных реализовано в виде облака. Система содержит также эталонный расходомер 7 высокой точности Vx Spectra и систему искусственного изменения параметров потока.Consider an example of a system in which the measuring device 5 contains a pressure sensor, a temperature sensor and a differential pressure sensor. The data processing device 10 is implemented in the form of a cloud. The system also contains a high-precision Vx Spectra reference flowmeter 7 and an artificial flow control system.

Измерительное устройство 5, состоящее из датчика давления, датчика температуры и датчика дифференциального давления, подключают к линии 4 потока. Начинается процесс измерения параметров потока (давление, температура, дифференциальное давление). Используя предварительно созданную предиктивную модель (например, модель машинного обучения), вычисляют расход каждой из компонент многофазного течения (газ, вода, нефть). Данные параметров потока и расходов непрерывно отправляют при помощи 4G-модема на устройство 10 обработки данных, которое реализовано как облачное решение. Устройство 10 обработки данных синхронизирует данные параметров потока и вычисляемые расходы каждой из компонент течения. Эти данные сохраняют в общей базе данных (многоскважинный набор данных). Устройство 10 обработки данных проводит анализ качества данных: проверяет наличие пропущенных значений, качество сигнала каждого датчика (давления, температуры, дифференциального давления), проверяет наличие выбросов (значения, которые сильно отличаются от всех остальных значений). После такой проверки, устройство 10 обработки данных определяет, что все датчики внутри измерительного устройства 5 работают исправно и не требуется никакого человеческого вмешательства или технического обслуживания. А также устройство 10 обработки данных оценивает точность расчета расходов каждой из компонент потока. В данном примере качество оказалось неудовлетворительным, а значит, возникает необходимость обновления модели машинного обучения на измерительном устройстве. Устройство 10 обработки данных выбирает подходящие (которые похожи на те условия, в которых работает текущее измерительное устройство) тренировочные данные из многоскважинного набора. На этих тренировочных данных обучается новая модель машинного обучения. Пусть для примера, качество новой модели не превосходит качество текущей модели (качество которой нас не устраивает). Это свидетельствует об отсутствии подходящих для обучения данных. Так как данных недостаточно, принимают решение о расширении диапазона наблюдаемых величин при помощи изменения параметров потока. Чтобы получить необходимые данные для обучения новой модели, к измерительному устройству 5 (соответственно к линии потока 4) необходимо подключить эталонный многофазный расходомер 7 и обучающую систему 8, которая изменяет параметры потока: повышает давление и добавляет в систему больше воды, тем самым повышая обводненность. Точный многофазный расходомер Vx Spectra фиксирует параметры потока (давление, температуру и дифференциальное давление) и значения расходов (газ, вода, нефть). Расходомер и обучающая система работают несколько часов (к примеру, 4 часа) и генерируют новый поток данных. Эти данные должны быть похожи на те, что можно ожидать в ближайшем будущем (6 месяцев - год) на соответствующем измерительном устройстве. Цель такого обучения - это «показать» измерительному устройство, какие условия его могут ждать в будущем и какие значения расходов стоит ожидать в этих условиях. Полученные данные при помощи 4С-модема отправляют на облако в устройство обработки данных. После окончания изменения параметров потока и генерации новых данных расходомер и обучающую систему отключают от измерительного устройства, а, соответственно, и от линии потока. Полученные данные синхронизируются и сохраняются на устройстве 10 обработки данных, тем самым пополняя многоскважинный набор данных. Устройство 10 обработки данных вновь выбирает тренировочные данные для обучения новой модели машинного обучения. Эти тренировочные данные будут полностью содержать те, что были получены выше, но не должны ими ограничиваться. Так как была проведена процедура обогащения данных, то тренировочных данных стало достаточно для построения новой модели машинного обучения, которая будет удовлетворять требуемым критериям (например, требованиям GOST-a). Так как многоскважинный набор данных теперь содержит новые данные от измерительного устройства и новые данные от расходомера, может возникнуть ситуация, когда появляется возможность обновить модель машинного обучения не только на текущем измерительном устройстве, но и на некоторых других измерительных устройствах. Устройство обработки данных выбирает измерительные устройства, которые работают в схожих условиях (в терминах давления, температуры, дифференциального давления) с текущим измерительным устройством. Для всех таких измерительных устройств, устройство обработки данных обновляет модели машинного обучения (подобрав для каждой модели свои тренировочные данные). Пусть, к примеру, оказалось, что для трех дополнительных измерительных устройств обновленные модели машинного обучения обладают более высокой точностью, чем те, что действуют на текущий момент. Таким образом, устройство обработки данных сформировало набор из четырех измерительных устройств (одно текущее и три дополнительных), для которых удалось построить новые, более точные, модели машинного обучения. Данные модели распределяют соответствующим измерительным устройствам так же при помощи 40-модема. Каждое измерительное устройство получает свою новую модель машинного обучения, тем самым отказываясь от старой версии. Обновленные (в терминах модели машинного обучения) измерительные устройства продолжают процесс измерения параметров потока (давления, температуры и дифференциального давления) и расчета расходов каждой из компонент многофазного потока (газ, вода, нефть).The measuring device 5, consisting of a pressure sensor, a temperature sensor and a differential pressure sensor, is connected to the flow line 4. The process of measuring the flow parameters (pressure, temperature, differential pressure) begins. Using a previously created predictive model (for example, a machine learning model), the flow rate of each of the components of the multiphase flow (gas, water, oil) is calculated. The flow and flow rate data is continuously sent via a 4G modem to a data processing device 10, which is implemented as a cloud solution. The data processing device 10 synchronizes the data of the flow parameters and the calculated flow rates of each of the flow components. This data is stored in a common database (multi-well dataset). The data processing device 10 analyzes the data quality: checks for missing values, the signal quality of each sensor (pressure, temperature, differential pressure), checks for outliers (values that are very different from all other values). After such verification, the data processing device 10 determines that all the sensors within the measuring device 5 are working properly and no human intervention or maintenance is required. And also the data processing device 10 evaluates the accuracy of calculating the flow rates of each of the flow components. In this example, the quality turned out to be unsatisfactory, which means that it becomes necessary to update the machine learning model on the measuring device. The data processor 10 selects suitable (which is similar to the conditions in which the current measuring device operates) training data from the multi-well set. This training data is used to train a new machine learning model. For example, suppose the quality of the new model does not exceed the quality of the current model (the quality of which does not suit us). This indicates a lack of data suitable for training. Since there is not enough data, a decision is made to expand the range of observed values by changing the flow parameters. To obtain the necessary data for training a new model, it is necessary to connect a reference multiphase flow meter 7 and a training system 8 to the measuring device 5 (respectively, to the flow line 4), which changes the flow parameters: increases the pressure and adds more water to the system, thereby increasing the water cut. The Vx Spectra is a precision multiphase flowmeter that records flow parameters (pressure, temperature and differential pressure) and flow rates (gas, water, oil). The flow meter and training system run for several hours (eg 4 hours) and generate a new data stream. This data should be similar to what can be expected in the near future (6 months - year) on the corresponding measuring device. The purpose of such training is to "show" the measuring device what conditions may await it in the future and what values of costs can be expected under these conditions. The received data using a 4C modem is sent to the cloud to a data processing device. After the end of the change in the flow parameters and the generation of new data, the flow meter and the training system are disconnected from the measuring device, and, accordingly, from the flow line. The received data is synchronized and stored on the data processing device 10, thereby enriching the multi-well dataset. The data processor 10 re-selects the training data to train a new machine learning model. This training data will fully contain, but should not be limited to, those obtained above. Since the data enrichment procedure was carried out, the training data became sufficient to build a new machine learning model that would satisfy the required criteria (for example, the GOST-a requirements). Since the multi-well dataset now contains new data from the measurement device and new data from the flow meter, it may be possible to update the machine learning model not only on the current measurement device, but also on some other measurement devices. The data processor selects measuring devices that operate under similar conditions (in terms of pressure, temperature, differential pressure) to the current measuring device. For all such measuring devices, the data processor updates the machine learning models (matching training data for each model). For example, suppose that for three additional measuring devices, the updated machine learning models are more accurate than those currently in force. Thus, the data processing device formed a set of four measuring devices (one current and three additional), for which it was possible to build new, more accurate, machine learning models. These models are also distributed to the corresponding measuring devices using a 40-modem. Each measuring device receives its own new machine learning model, thereby ditching the old version. The updated (in terms of the machine learning model) measuring devices continue the process of measuring flow parameters (pressure, temperature and differential pressure) and calculating the flow rates of each of the multiphase flow components (gas, water, oil).

Claims

1. A distributed system for measuring the flow rate of a multiphase and / or multicomponent fluid produced from oil and gas wells, containing:

- measuring devices placed on at least two wells, each of which is installed on the flow line of the fluid produced from the well and is a set of sensors sensitive to at least one physical parameter of the flow produced from the well of a multiphase and / or multicomponent fluid,

- computing modules, each of which is installed on the flow line of the produced fluid, is connected to the measuring device installed on this line at least for collecting, processing and transmitting the measurement results, and

a single data processing unit designed to collect and process measurement results from all measuring devices and provide the creation, updating and distribution of predictive models to measuring devices, as well as optimizing the operation of the entire system.

2. A distributed system for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 1, containing at least one well a reference multiphase flow meter installed on the flow line of the produced fluid and designed to measure the values of the flow rates of phases and / or a component of the multiphase produced from this well. and / or a multicomponent fluid.

3. A distributed system for measuring the flow rate of a multiphase and / or multicomponent fluid according to claim 2, further comprising a training system for changing the parameters of the flow of the produced fluid, installed on at least one line of the flow of the produced fluid.

4. The distributed system for measuring the flow rate of a multiphase and / or multicomponent fluid according to claim 1, in which the measuring device is installed on an external flow line connected to the well to pass the flow of the produced fluid.

5. The distributed system of multiphase and / or multicomponent fluid flow rates according to claim 1, in which the measuring device is installed in the well.

6. A distributed multiphase and / or multicomponent fluid flow measurement system according to claim 1, in which a part of the measuring device sensors is installed on an external flow line connected to the well to pass the flow of the produced fluid, and the other part of the measuring device sensors is installed in the well.

7. A method for measuring flow rates of a multiphase and / or multicomponent fluid produced from oil and gas wells, according to which:

- carry out continuous measurements of the parameters of the flow of the produced fluid by means of measuring devices located at at least two wells and forming a distributed system for measuring the flow rates, each of which is installed on the flow line of the produced fluid and is not a set of sensors sensitive to at least one flow parameter produced fluid,

- for each well, the values of the flow rates of the phases and / or the component of the produced fluid are determined by means of predictive models built on the basis of the dependencies previously established between the parameters of the flow of the produced fluid and the values of the rates of the phases and / or the component of the produced fluid,

- the results of measurements of all measuring devices and the results of determining the flow rates of phases and / or a component of the produced fluid are transmitted to a single data processing device, and

- through a single data processing device, they store and process all transmitted results, on the basis of which they create, update and distribute predictive models to measuring devices, as well as optimize the operation of a distributed system.

8. The method for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 7, in accordance with which the values of the flow rates of the phases and / or the component of the produced fluid are measured by means of a multiphase reference flow meter installed in the flow line of the produced fluid in at least one well.

9. The method for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 8, in accordance with which the relationship between the parameters of the flow of the produced fluid and the values of the flow rates of the phases and / or the component of the produced fluid are established by means of computational modules.

10. The method for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 8, in accordance with which the relationship between the parameters of the flow of the produced fluid and the values of the flow rates of the phases and / or the component of the produced fluid are established by means of a data processing device.

11. A method for measuring the flow rates of a multiphase and / or multicomponent fluid produced from an oil and gas well, according to claim 8, according to which, to establish a relationship between the measured flow parameters and the values of the flow rates of the phases and / or the component of the produced fluid, the parameters of the flow of the produced fluid are additionally changed through the training system.

12. The method for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 11, in accordance with which the optimization of the system operation is the development and updating of the schedule of the operation of the multiphase reference flow meter and the training system.

13. The method for measuring the flow rates of a multiphase and / or multicomponent fluid according to claim 7, in accordance with which the optimization of the system operation is monitoring the need for maintenance of the devices of the distributed measurement system.

14. A method for measuring flow rates of a multiphase and / or multicomponent fluid according to claim 8, in accordance with which the results of measurements by means of multiphase flowmeters from several wells are used to increase the accuracy of measurements of one measuring device when training a predictive model.

15. A method for measuring flow rates of a multiphase and / or multicomponent fluid produced from an oil and gas well according to claim 8, in accordance with which the results of measurements by a multiphase flow meter in one well are used to increase the accuracy of measurements of several measuring devices when training predictive models.