CN106593415A - 一种基于改进多相流算法的油井动液面计量方法 - Google Patents

Abstract

本发明涉及一种基于改进多相流算法的油井动液面计量方法，首先通过基于物元分析方法选取合适的多相流算法，然后根据选取的多相流算法计算油管、套管上的压力梯度分布，然后根据光杆示功图求得的泵功图载荷数据进行动液面计量。本发明由于基于物元分析的改进多相流方法的引进，替代了以往只根据单一多相流算法计算压力梯度的方法，从而根据油井的不同生产状况，使油管、套管上的压力梯度分布更精确，动液面的计算精度更高，另一方面，由于采用分析功图的方式，进行油井动液面的计量，这样避免了原来油田人工巡检，并且需要停井进行动液面测量的方式，从而节省了人力资源同时无须停井，间接提高了油井产油的效率。

Description

一种基于改进多相流算法的油井动液面计量方法

技术领域

本发明涉及油田动液面计量技术领域，具体地说是一种基于改进多相流算法的油井动液面计量方法。

背景技术

目前，“数字化油田”建设正在国内各个油田大力开展，而“数字化油田”的重要内容之一就是对油井生产参数的自动化采集和管理。目前在抽油机井开展的自动化监控技术，是通过对抽油机井的井口回压、抽油机载荷、冲程、冲次、电机运行时的电流以及电压等参数的实时监测，从而实现了示功图实时的测试，油井示功图法在线计量等功能。

但是，油井动液面在本技术出现之前，还没有实现实时采集。目前在采油厂普遍使用的利用回声仪测量动液面的方法来采集动液面数据，这个方法的特点是成本相对较低、数据相对准确，但是该方法毕竟是人工测量，无法实现动液面在线数据的实时监测，另外，一般情况下一口油井一个月只能得到一次或者几次的动液面数据，管理者对动液面的连续波动情况则无法及时了解。

在计算压力梯度分布时，各种多相流算法都需要通过管段的平均压力和温度来计算油、水、气的物性参数，传统的计算方法是从油田地质部门获取这些物性参数，但由于油田地质部门测量这些参数是以月、甚至年为单位测量的，因此不能保证参数的准确度。

发明内容

针对现有技术的不足，本发明提出一种基于物元分析的方法，建立了多相流算法的物元模型，对不同抽油井选择相应的多相流算法进行了定量的解释与定性的分析，从而提高了动液面的计算精度。

本发明为实现上述目的所采用的技术方案是：

一种基于改进多相流算法的油井动液面计量方法，获取光杆示功图并转换成泵功图，然后基于物元分析的方法选择合适的多相流算法进行动液面计量。

所述获取光杆示功图并转换成泵功图包括以下步骤：

步骤1：通过载荷传感器采集抽油机井抽油杆的载荷数据，获取载荷与时间曲线；通过位移传感器采集抽油机井抽油杆的位移数据，获取位移与时间曲线；

步骤2：将采集到的数据通过电缆线传至井口采集器，再通过井口采集器上传至井场主远程终端控制系统RTU，再通过井组天线，将采集数据以波的形式传至主站中心接收天线，从而获取光杆示功图；

步骤3：根据得到的光杆示功图，通过吉布斯波动方程求解得到泵功图。

所述动液面计量过程为：

计算油管一侧的沉没压力P_n，然后计算套管一侧的沉没压力P′_n，对计算出的两个沉没压力P_n和P′_n进行差值计算，如果差值|P′_n-P_n|＜0.01Mpa，则计算出动液面；否则重新计算。

所述计算油管一侧的沉没压力P_n包括以下步骤：

对柱塞进行受力分析，则有：

在上冲程固定阀打开后到关闭前记泵载为F_pu＝P_p(f_p-f_r)-p_nf_p+W_p+f

在下冲程游动阀打开后至关闭前记泵载为F_pd＝P_p(f_p-f_r)-p_pf_p+W_p-f

相减得：

其中，F_pu为泵功图上行程载荷；F_pd为泵功图下行程载荷；P_p为柱塞上部压力；P_n为沉没压力；f_p,f_r分别为柱塞和抽油杆截面积；W_p为抽油杆重量；f为泵筒与柱塞之间的摩擦阻力；

所述柱塞上部压力P_p为：

其中，P_c为油管压力，Δp_i为通过多相流算法计算得到的油管侧压力梯度。

所述上行程载荷F_pu通过五点曲率法求出平均上行程载荷；所述下行程载荷F_pd通过五点曲率法求出平均下行程载荷：

F_pu＝(Fb+Fc)/2

F_pd＝(Fa+Fd)/2

其中，Fb和Fc为上行程的随机载荷、Fa和Fd为下行程的随机载荷。

所述计算套管一侧的沉没压力P′_n包括以下步骤：

在套管环空液面中，假设动液面为L，以动液面高度L为起点，从动液面处压力开始进行多相流计算，计算终点为泵挂深度，计算长度为H-L，泵挂深度为H，得到沉没压力P′_n

其中，P_t为套压；Δp_j为通过多相流算法计算得到的套管侧压力梯度。

多相流算法计算得到的压力梯度为：

Orkiszewski多相流计算压力梯度分布：

Beggs-Brill多相流计算压力梯度分布：

Hagedorn-Brown多相流计算压力梯度分布：

其中：Δp为管段的总压差；Δh为管段的位置高差；ρ_m为该管段内气液混合物的密度；g为重力加速度；τ_f为管段的摩擦压力梯度；G为混合物质量流量；Q_g为在该管段的平均压力和平均温度下气相的体积流量；A为管子的断面积；p_m为管段的平均压力；θ为油管与水平方向的夹角；f_m为多相混合物流动时的摩擦阻力系数；d为柱塞直径；V_m为多相混合物的流速。

所述压力梯度分布的选择包括以下过程：

步骤1：对每种多相流算法进行特征参数提取；

步骤2：根据提取的特征参数建立物元模型；

步骤3：计算待测量井与各多相流计算的物元模型的关联度；并对关联度进行归一化处理，得到待测量井对各多相流算法的发生程度；

步骤4：待测量井采用最大关联度对应的多相流算法计算压力梯度分布。

所述物元模型包括标准多相流算法的物元模型和待测量井的物元模型；

标准多相流算法的物元模型为：

其中，F＝{F₁,F₂,F₃}为标准多相流算法集，C＝{C₁,C₂,C₃,C₄,C₅}为标准特征集，i＝1,2,3表示第i种多相流算法；C_j(j＝1,2,3,4,5)表示第j个特征，v_ij＝[v_ija,v_ijb]表示第i种多相流算法的第j个特征区间值；

待测量井的物元模型为：

其中，C_j(j＝1,2,3,4,5)表示第j个特征，v_j表示第j个特征值。

所述待测量井对各多相流算法的发生程度包括以下计算过程：

其中，i＝1,2,3；j＝1,2,3,4,5；Re_ij(v_j)表示第j个特征值下待测量井与第i种多相流算法的关联函数；ρ(v_j,v_ij)表示其间距；|v_ij|表示区间之间的距离；

待测量井与第i种多相流算法的物元模型的关联度为：

其中，ω_ij＝(v_j/v_ijb)/Σ(v_j/v_ijb)为各特征值的权重，i＝1,2,3；j＝1,2,3,4,5；v_j表示第j个特征值；v_ijb表示第i种多相流算法的第j个特征区间的上界值；

其中，I'(F_i)为归一化的待测量井与第i种多相流算法的关联度。

本发明具有以下有益效果及优点：

1、本发明通过计算的物性参数，可以很好地保证参数的实时性和准确性。

2、本发明针对每种多相流算法解决不同生产状况的抽油井，提出一种基于物元分析的方法，建立了多相流算法的物元模型，对不同抽油井选择相应的多相流算法进行了定量的解释与定性的分析，从而提高了动液面的计算精度。

3、本发明由于采用分析功图的方式，进行油井动液面的计量，这样避免了原来油田人工巡检，以及需要停井进行测量的方式，从而节省了人力资源同时无需停井，间接提高了油井产油的效率。

附图说明

图1是本发明的方法流程图；

图2是本发明的五点曲率法示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

如图1所示为本发明的方法流程图，首先获取光杆示功图进行泵功图的转换，然后基于物元分析的方法选择合适的多相流算法进行动液面计量。

所述获取光杆示功图并转换成泵功图包括以下步骤：

步骤1：通过安装在井口悬绳器上的载荷传感器和抽油机游梁下方的位移传感器，对抽油机井抽油杆载荷和位移进行测量，采集并获取载荷与时间曲线，和位移与时间曲线。

步骤2：将采集数据通过电缆线传至井口采集器，再通过井口采集器上传至井场主远程终端控制系统RTU，再通过井组天线，将采集数据以波的形式传至主站中心接收天线，从而获取光杆示功图。

步骤3：根据获取的所述光杆示功图通过吉布斯波动方程求解得到泵功图。

所述基于改进多相流算法进行油井动液面计量包括以下过程：

步骤1：计算油管一侧的沉没压力。

对柱塞进行受力分析，则有：

在上冲程固定阀打开后到关闭前记泵载为F_pu：

F_pu＝P_p(f_p-f_r)-p_nf_p+W_p+f

在下冲程游动阀打开后至关闭前记泵载为F_pd：

F_pd＝P_p(f_p-f_r)-p_pf_p+W_p-f

相减得：

其中，F_pu为泵功图上行程载荷；F_pd为泵功图下行程载荷；P_p为柱塞上部压力；P_n为沉没压力；f_p,f_r为柱塞，抽油杆截面积；W_p为抽油杆重量；f为泵筒与柱塞之间的摩擦阻力；

其中，柱塞上部受到的压力P_p

其中，P_c为油管压力，Δp_i为通过多相流算法计算得到的油管侧压力梯度。

步骤2：计算套管一侧的沉没压力

在套管环空液面中，假设动液面为L。以动液面高度L为起点，从动液面处压力开始进行多相流计算，计算终点为泵挂深度，计算长度为H-L，H为泵挂深度，得到沉没压力P′_n。

其中，P_t为套压；Δp_j为通过多相流算法计算得到的套管侧压力梯度。

步骤3：对计算出的两个沉没压力P_n和P′_n进行差值计算，如果|P′_n-P_n|＜0.01Mpa，则计算出动液面，反之，则重新计算。

所述上行程与下行程载荷求解包括以下过程：

如图2所示为本发明的五点曲率法示意图。计算示功图的上下行程载荷一般采用的是求上行程最大载荷与下行程的最小载荷，基于五点曲率法求示功图的四个拐点如下：

F_pu＝(Fb+Fc)/2

F_pd＝(Fa+Fd)/2

其中，F_pu为上行程载荷；F_pd为下行程载荷，Fb和Fc为上行程的随机载荷、Fa和Fd为下行程的随机载荷。

所述多相流算法包括以下过程：

Orkiszewski多相流计算压力梯度分布。

Beggs-Brill多相流计算压力梯度分布。

Hagedorn-Brown多相流计算压力梯度分布。

其中：Δp为管段的总压差，Pa；Δh为管段的位置高差，m；ρ_m为该管段内，气液混合物的密度，kg/m³；g为重力加速度，m/s²；τ_f为管段的摩擦压力梯度，Pa/m；G为混合物质量流量，kg/s；Q_g为在该管段的平均压力和平均温度下，气相的体积流量，m³/s；A为管子的断面积，m²；p_m为管段的平均压力，Pa；θ为油管与水平方向的夹角；f_m为多相混合物流动时的摩擦阻力系数；d为柱塞直径，m；V_m为多相混合物的流速，m/s。

所述基于物元分析选择合适的多相流算法进行油井动液面计量方法包括以下过程：

步骤1：提取反映不同多相流算法的特征参数。

所计算的压力梯度分布是否精确取决于多相流的算法选择是否准确，因此，需要提取能够反映不同多相流算法特征的特征参数，比如，Hagedorn-Brown多相流算法适用于低气液比的高产排液井；Orkiszewski多相流算法适用于高气油比的中低产井；Beggs-Brill多相流算法适用于各种角度的管线、井中油管和环空管，斜井建议使用。可见，不同条件的生产数据反映了井的不同工作状态，采用的多相流算法也不一样。

本发明提取多相流计算中主要判断的几个特征参数：1、直井还是斜井；2、产液量；3、生产气油比；4、泵深；5、抽油井工况是否出现油稠。

步骤2：物元模型的建立。

对每种多相流算法进行特征参数的提取，由其最大最小值构造特征区间，利用关联函数计算待诊断样本点的各个特征参数与训练样本特征区间的距离，从而判断待诊断样本点相对于各种多相流算法的发生程度。

标准多相流算法集为F＝{F₁,F₂,F₃}，标准特征集为C＝{C₁,C₂,C₃,C₄,C₅}，标准多相流算法的物元模型可以表示为：

其中，i＝1,2,3表示第i种多相流算法；C_j(j＝1,2,3,4,5)表示第j个特征，v_ij＝[v_ija,v_ijb]表示第i种多相流算法的第j个特征区间值。

待测量井的物元模型可以表示为：

其中，C_j(j＝1,2,3,4,5)表示第j个特征，v_j表示第j个特征值。

步骤3：待测量井与各多相流计算模型的关联度。

其中，i＝1,2,3；j＝1,2,3,4,5；Re_ij(v_j)表示第j个特诊值下待测量井与第i种多相流算法的关联函数；ρ(v_j,v_ij)表示其间距；|v_ij|表示区间之间的距离。

待测量井与第i种多相流算法的关联度为：

其中，ω_ij为各特征值的权重，其公式为：

ω_ij＝(v_j/v_ijb)/Σ(v_j/v_ijb)

其中，i＝1,2,3；j＝1,2,3,4,5；v_j表示第j个特征值；v_ijb表示第i种多相流算法的第j个特征区间的上界值。

由下式对计算的关联度进行归一化处理，得到待测量井对各种多相流算法的发生程度。

其中，i＝1,2,3。

采用最大值原则，待测量井采用最大关联度对应的多相流算法计算压力梯度分布。

Claims (10)

1.一种基于改进多相流算法的油井动液面计量方法，其特征在于：获取光杆示功图并转换成泵功图，然后基于物元分析的方法选择合适的多相流算法进行动液面计量。

2.根据权利要求1所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述获取光杆示功图并转换成泵功图包括以下步骤：

步骤1：通过载荷传感器采集抽油机井抽油杆的载荷数据，获取载荷与时间曲线；通过位移传感器采集抽油机井抽油杆的位移数据，获取位移与时间曲线；

步骤2：将采集到的数据通过电缆线传至井口采集器，再通过井口采集器上传至井场主远程终端控制系统RTU，再通过井组天线，将采集数据以波的形式传至主站中心接收天线，从而获取光杆示功图；

步骤3：根据得到的光杆示功图，通过吉布斯波动方程求解得到泵功图。

3.根据权利要求1所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述动液面计量过程为：

计算油管一侧的沉没压力P_n，然后计算套管一侧的沉没压力P′_n，对计算出的两个沉没压力P_n和P′_n进行差值计算，如果差值|P′_n-P_n|＜0.01Mpa，则计算出动液面；否则重新计算。

4.根据权利要求3所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述计算油管一侧的沉没压力P_n包括以下步骤：

对柱塞进行受力分析，则有：

在上冲程固定阀打开后到关闭前记泵载为F_pu＝P_p(f_p-f_r)-p_nf_p+W_p+f

在下冲程游动阀打开后至关闭前记泵载为F_pd＝P_p(f_p-f_r)-p_pf_p+W_p-f

相减得：

$P_n=P_p-\frac{F_{pu}-F_{pd}}{f_p}+\frac{2f}{f_p}$

其中，F_pu为泵功图上行程载荷；F_pd为泵功图下行程载荷；P_p为柱塞上部压力；P_n为沉没压力；f_p,f_r分别为柱塞和抽油杆截面积；W_p为抽油杆重量；f为泵筒与柱塞之间的摩擦阻力；

所述柱塞上部压力P_p为：

$P_p=P_c+\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\Δp}}_i$

其中，P_c为油管压力，Δp_i为通过多相流算法计算得到的油管侧压力梯度。

5.根据权利要求4所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述上行程载荷F_pu通过五点曲率法求出平均上行程载荷；所述下行程载荷F_pd通过五点曲率法求出平均下行程载荷：

F_pu＝(Fb+Fc)/2

F_pd＝(Fa+Fd)/2

其中，Fb和Fc为上行程的随机载荷，Fa和Fd为下行程的随机载荷。

6.根据权利要求3所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述计算套管一侧的沉没压力P′_n包括以下步骤：

在套管环空液面中，假设动液面为L，以动液面高度L为起点，从动液面处压力开始进行多相流计算，计算终点为泵挂深度，计算长度为H-L，泵挂深度为H，得到沉没压力P′_n

$P_n^{\′}=P_t+\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\Δp}}_j$

其中，P_t为套压；Δp_j为通过多相流算法计算得到的套管侧压力梯度。

7.根据权利要求4所述的基于改进多相流算法的油井动液面计量方法，其特征在于：多相流算法计算得到的压力梯度为：

Orkiszewski多相流计算压力梯度分布：

$\frac{\mathrm{\Δ}P}{\mathrm{\Δ}h}=\frac{{\mathrm{\ρ}}_{m}g+{\mathrm{\τ}}_f}{1-\frac{{\mathrm{GQ}}_g}{A^2{p}_m}}$

Beggs-Brill多相流计算压力梯度分布：

$\frac{\mathrm{\Δ}p}{\mathrm{\Δ}h}=\frac{{\mathrm{g\ρ}}_{m}sin\mathrm{\θ}+f_m{\mathrm{GV}}_m/2d}{1-{\mathrm{\ρ}}_m{V}_m^2/p_m}$

Hagedorn-Brown多相流计算压力梯度分布：

$\frac{\mathrm{\Δ}p}{\mathrm{\Δ}h}=\frac{1}{144}({\mathrm{\ρ}}_{m}sin\mathrm{\θ}+f_m{W}^2/2.9652\×{10}^{11}{d}^5{\mathrm{\ρ}}_m+{\mathrm{\ρ}}_m\frac{\mathrm{\Δ}\left(\frac{v_m^2}{2g}\right)}{\mathrm{\Δ}h})$

其中：Δp为管段的总压差；Δh为管段的位置高差；ρ_m为该管段内气液混合物的密度；g为重力加速度；τ_f为管段的摩擦压力梯度；G为混合物质量流量；Q_g为在该管段的平均压力和平均温度下气相的体积流量；A为管子的断面积；p_m为管段的平均压力；θ为油管与水平方向的夹角；f_m为多相混合物流动时的摩擦阻力系数；d为柱塞直径；V_m为多相混合物的流速。

8.根据权利要求7所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述压力梯度分布的选择包括以下过程：

步骤1：对每种多相流算法进行特征参数提取；

步骤2：根据提取的特征参数建立物元模型；

步骤3：计算待测量井与各多相流计算的物元模型的关联度；并对关联度进行归一化处理，得到待测量井对各多相流算法的发生程度；

步骤4：待测量井采用最大关联度对应的多相流算法计算压力梯度分布。

9.根据权利要求8所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述物元模型包括标准多相流算法的物元模型和待测量井的物元模型；

标准多相流算法的物元模型为：

$R_i=\left[\begin{array}{ccc}{F}_i& C_1& \[v_{i1a},v_{i1b}\]\\ & C_2& \[v_{i2a},v_{i2b}\]\\ & C_3& \[v_{i3a},v_{i3b}\]\\ & C_4& \[v_{i4a},v_{i4b}\]\\ & C_5& \[v_{i5a},v_{i5b}\]\end{array}\right]$

其中，F＝{F₁,F₂,F₃}为标准多相流算法集，C＝{C₁,C₂,C₃,C₄,C₅}为标准特征集，i＝1,2,3表示第i种多相流算法；C_j(j＝1,2,3,4,5)表示第j个特征，v_ij＝[v_ija,v_ijb]表示第i种多相流算法的第j个特征区间值；

待测量井的物元模型为：

$R=\left[\begin{array}{ccc}F& C_1& v_1\\ & C_2& v_2\\ & C_3& v_3\\ & C_4& v_4\\ & C_5& v_5\end{array}\right]$

其中，C_j(j＝1,2,3,4,5)表示第j个特征，v_j表示第j个特征值。

10.根据权利要求8所述的基于改进多相流算法的油井动液面计量方法，其特征在于：所述待测量井对各多相流算法的发生程度包括以下计算过程：

${\mathrm{Re}}_{ij}\left(v_j\right)=\left\{\begin{array}{cc}\frac{\mathrm{\ρ}(v_j,v_{ij})}{\mathrm{\ρ}(v_j,X)-\mathrm{\ρ}(v_j,v_{ij})},& v_j\∉v_{ij}\\ -\frac{\mathrm{\ρ}(v_j,v_{ij})}{\left|v_{ij}\right|},& v_j\∈v_{ij}\end{array}\right.$

$\mathrm{\ρ}(v_j,v_{ij})=|v_j-\frac{v_{ija}+v_{ijb}}{2}|-\frac{v_{ijb}-v_{ija}}{2}$

其中，i＝1,2,3；j＝1,2,3,4,5；Re_ij(v_j)表示第j个特征值下待测量井与第i种多相流算法的关联函数；ρ(v_j,v_ij)表示其间距；|v_ij|表示区间之间的距离；

待测量井与第i种多相流算法的物元模型的关联度为：

$I\left(F_i\right)=\underset{j=1}{\overset{28}{\Σ}}{\mathrm{\ω}}_{ij}{\mathrm{Re}}_{ij}$

其中，ω_ij＝(v_j/v_ijb)/Σ(v_j/v_ijb)为各特征值的权重，i＝1,2,3；j＝1,2,3,4,5；v_j表示第j个特征值；v_ijb表示第i种多相流算法的第j个特征区间的上界值；

$I^{\′}\left(F_i\right)=\frac{2I\left(F_i\right)-\max \left(I\right(F_i\left)\right)-\min \left(I\right(F_i\left)\right)}{\max \left(I\right(F_i\left)\right)-\min \left(I\right(F_i\left)\right)}$

其中，I′(F_i)为归一化的待测量井与第i种多相流算法的关联度。