CN109359692A - 一种原油含水率在线测量模型及其构建方法、应用 - Google Patents

一种原油含水率在线测量模型及其构建方法、应用 Download PDF

Info

Publication number
CN109359692A
CN109359692A CN201811238267.9A CN201811238267A CN109359692A CN 109359692 A CN109359692 A CN 109359692A CN 201811238267 A CN201811238267 A CN 201811238267A CN 109359692 A CN109359692 A CN 109359692A
Authority
CN
China
Prior art keywords
radiofrequency signal
line measurement
measurement model
crude oil
moisture content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811238267.9A
Other languages
English (en)
Inventor
檀朝东
张紫琴
吴浩达
檀庭庄
宋健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ANHUI FIRSTCON INSTRUMENT Co Ltd
China University of Petroleum Beijing
Original Assignee
ANHUI FIRSTCON INSTRUMENT Co Ltd
China University of Petroleum Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ANHUI FIRSTCON INSTRUMENT Co Ltd, China University of Petroleum Beijing filed Critical ANHUI FIRSTCON INSTRUMENT Co Ltd
Priority to CN201811238267.9A priority Critical patent/CN109359692A/zh
Publication of CN109359692A publication Critical patent/CN109359692A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于原油含水率测量技术领域，具体涉及一种原油含水率在线测量模型及其构建方法、应用；所述的构建方法包括以下步骤：(1)采用射频法测量油井原油含水率装置进行实验，建立训练样本；(2)针对射频信号采用经验模态方法进行预处理；(3)对上、下层射频信号数据进行特征提取；(4)对射频信号的四个特征量、温度、矿化度共六个特征量进行数据融合，采用遗传算法进行内部参数寻优，建立遗传算法优化支持向量机的油井含水在线测量模型；本发明运用多传感器数据融合考虑、重力和浮力对水平管道中油气水三相分布的影响即流态的影响，即运用管道内部上下层的射频信号数据更加全面、准确的反映管道中流体的含水率情况。

Description

一种原油含水率在线测量模型及其构建方法、应用
技术领域
本发明属于原油含水率测量技术领域，具体涉及一种原油含水率在线测量模型及其构建方法、应用。
背景技术
油井是油田开发最重要的基本生产单元。油井含水率的在线准确计量对于确定油井出水、出油层位、原油产量估计、油井的开发寿命预测、油井的产量质量控制、油井状态检测、数字化油田建设等具有重要意义。
目前，原油含水率检测有X射线、γ射线、α射线、超声波、微波、电容、射频等各种不同的测量原理和方法，但是由于现场环境复杂以及井口油气水多相流的复杂性，这些测量方法受流体温度、流态、原油物性、传感器特性等多种因素影响，能够运用到油井的原油含水率的测量方法还是不多；并且在性价比、全程测量、安全环保、稳定性、测量精度等方面存在着诸多问题。
发明内容
针对现有技术中的问题，本发明的目的之一在于提供一种原油含水率在线测量模型的构建方法；
本发明的目的之二在于提供一种通过上述构建方法获得的原油含水率在线测量模型；
本发明的目的之三在于提供一种上述在线测量模型的应用，即对管道中流体的含水率进行在线监测。
为了实现上述目的，本发明采用以下技术方案予以实现：
一种原油含水率在线测量模型的构建方法，包括以下步骤：
(1)采用射频法测量油井原油含水率装置进行实验，建立训练样本，被测油样含水率由人工配比制取标定，改变温度和矿化度得到不同工况条件下的射频传感器信号；
(2)针对每个工况条件下的射频信号采用经验模态方法进行预处理，各工况条件下的射频信号数据集为{xup i；xlow i，i＝1，2，…，N}；其中，xup为上层射频信号，xlow为下层射频信号；
(3)分别对上、下层射频信号数据进行特征提取，特征量选定为射频信号波动成分的均方值和平稳成分的均值，共四个特征量；
(4)采用支持向量机的方法对射频信号的四个特征量、温度、矿化度共六个特征量进行数据融合，其中采用遗传算法进行内部参数寻优，即建立遗传算法优化支持向量机的油井含水在线测量模型。
优选的，所述的射频法测量油井原油含水率装置包括：
一测试管，所述测试管的两端分别连接有第一、第二法兰；
一分隔板，所述分隔板设置在所述测试管中部，并沿所述测试管的轴向延伸布置；所述分隔板将所述测试管分隔为上半区和下半区，且在所述的上半区内设有上层射频传感器，所述的下半区内设有下层射频传感器。
优选的，所述的步骤(2)中，对所述射频信号数据集中的每一组数据进行经验模态分解，得到若干个固有模态函数，即
优选的，所述的步骤(4)中，建立遗传算法优化支持向量机的油井含水在线测量模型步骤包括：
(a)确定网络结构，
把射频信号的四个特征量、温度、矿化度，共六个特征量作为模型输入，输出为含水率；选择径向基核函数为SVM的核函数；
(b)初始种群的产生；
(c)编码方案，
采用实数编码，所述实数编码形式为：
其中，k为进化代数；kmax为终止代数，表示第k代中第i个；
表示染色体中第m个基因；每个染色体上的基因数，即串长n＝(4+2)*4+1＝25；
(d)适应度函数设计与计算，
选择系统实际标定值和学习输出的误差平方和的倒数作为适应度函数，同时作出如下转换：
将染色体上各个基因分配到支持向量机结构中，以训练样本正向运行支持向量机，如下计算个体适应度F：
其中，含水g(x)为支持向量机内部复杂计算函数，此处予以忽略；
σ为核参数和C为惩罚因子；
o为预测输出；
t为期望输出；
n为输出单元数；
n为样本数；
m是为保证适应度函数值不至于太小而引入的一个系数；
(e)遗传算子设计选择、交叉、变异是遗传算法
的三个基本算子；选择操作采用轮盘赌选择方式计算适应度Fi的权值个体对应的选择概率为：
交叉操作采用非一致交叉算子，以一定的交叉概率随机选择一对父代个体xi k和xj k，则按下式交叉运算后产生一对子代新个体为：
其中，α∈(0,1)为均匀分布随机变量；
变异操作采用非一致变异，其算子定义为：
其中，Ci'为Ci (k)个体的分量Ci变异后的结果，Umax'和Umin'分别为变异点的Ci左、右边界；函数Δ返回(0,Cmax)范围内的一个随机数,且随进化代数k增大而接近于0；
(f)存优策略，
计算当前群体的适应度，并保留最优个体，再按照交叉概率和变异概率，选择不同的个体对其进行不同的交叉和变异操作，产生下一代个体，并对新生个体进行评价，直到达到终止代数100次结束，否则转到步骤(d)；将全局最优结果映射为SVM的参数；
(g)用训练样本训练模型，获得相应的支持向量，从而确定该回归模型的结构。
与现有技术相比，本发明具有以下技术效果：
1、本发明提供的模型在计算时，运用多传感器数据融合考虑、重力和浮力对水平管道中油气水三相分布的影响即流态的影响，即运用管道内部上下层的射频信号数据更加全面、准确的反映管道中流体的含水率情况；
2、本发明考虑了温度和矿化度对射频法测量含水率的影响，提高了精度；
3、本发明采用支持向量机建立回归模型，从理论上解决神经网络方法无法避免的局部最优问题，将低维非线性的输入映射到高维线性的输出，模型简单。模型采用遗传算法对SVM的参数进行优化，降低射频信号非平稳性对精度的影响。
本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。
附图说明
图1为本发明中射频法测量油井原油含水率装置的示意图；
图中标号说明：10-测试管，11-第一法兰，12-第二法兰，13-上半区，14-下半区，20-分隔板，30-上层射频传感器，40-下层射频传感器。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体，进一步阐明本发明。
对于本领域技术人员来说，井口油气水多相流属于一个复杂的非线性耗散动力系统，其含水率的动态检测过程是一个受温度、矿化度等多种因素影响且相互作用的非线性问题。目前大部分的模型都是基于神经网络算法提出，而神经网络易陷入局部极小、学习时间长的缺陷，但对于较复杂的非线性问题，LM算法神经网络并不能从根本上解决陷入局部最优问题。
鉴于现有技术中的各种测量方法存在的各种问题，同时提高仪表测量的准确性、稳定性，本案发明人以现有检测手段为支撑,将各种数据融合方法引入到原油含水率在线测量的研究中，为了把含水率检测的各种影响因素考虑进去，形成基于多传感器数据融合模型和检测方法。
本发明提供了一种原油含水率在线测量模型的构建方法，包括以下步骤：
(1)采用射频法测量油井原油含水率装置进行实验，建立训练样本，被测油样含水率由人工配比制取标定，改变温度和矿化度得到不同工况条件下的射频传感器信号；
(2)针对每个工况条件下的射频信号采用经验模态方法进行预处理，各工况条件下的射频信号数据集为{xup i；xlow i，i＝1，2，…，N}；其中，xup为上层射频信号，xlow为下层射频信号；
(3)分别对上、下层射频信号数据进行特征提取，特征量选定为射频信号波动成分的均方值和平稳成分的均值，共四个特征量；
(4)采用支持向量机的方法对射频信号的四个特征量、温度、矿化度共六个特征量进行数据融合，其中采用遗传算法进行内部参数寻优，即建立遗传算法优化支持向量机的油井含水在线测量模型。
本发明中，结合水平管道中不同位置的含水率数据，考虑了矿化度以及温度对射频法测量含水率的影响，通过数据融合来提高参数的测量精度。
请参阅图1，本发明提供的射频法测量油井原油含水率装置包括一测试管10，所述测试管10的两端分别连接有第一、第二法兰11、12；还包括一分隔板20，所述分隔板20设置在所述测试管10的中部，并沿所述测试管10的轴向延伸布置；所述分隔板20将所述测试管10分隔为上半区13和下半区14，且在所述的上半区13内设有上层射频传感器30，所述的下半区14内设有下层射频传感器40。
本发明所述的步骤(2)中，对所述射频信号数据集中的每一组数据进行经验模态分解，得到若干个固有模态函数，即
具体步骤如下：
(a)、先找出某层一段时间含水率信号x(t)的全部的极值点，并用三次样条函数插值，拟合成原始含水率数据序列的上下包络线，极大值点对应上包络线，极小值点对应下包络线；
(b)、求取上下包络线的平均值，作为原始含水率信号的平均包络线m1(t)，定义新数据序列h1(t)＝x(t)--m1(t)；由于h1(t)一般不满足作为IMF分量的条件，一般需要经过重复不走一来找到符合条件的h1(t)，本发明根据不同位置含水量数据的噪声特征分析和EMD伪成分分析，上层含水率数据序列采用h2(t)作为下面计算要用的第一个IMF分量C1(t)，下层含水率数据序列采用h1(t)为C1(t)；
(c)、从原始含水率信号x(t)分解出第一个IMF后，r1(t)＝x(t)-C1(t)；
(d)、把滤除高频组分的差值信号r1(t)作为原始信号数据重复循环步骤1至3，求出r1、r2、r3、…，rn，直到rn成为一个单调函数(或rn很小)时结束循环；
(e)、通过上述过程，原始某层含水率信号x(t)被分解成若干个IMF和一个余项rn，即：
本发明的步骤(3)在于定义射频信号的四个特征量，分别对上、下层射频信号数据进行特征提取，特征量选定为射频信号波动成分的均方值和平稳成分的均值，共四个特征量：
其中：xf表示射频信号的波动成分，即各个本证模态IMF的和，r(j)表示射频信号的残差，cx-j(j)表示所有虚假模态分量的和，二者代表射频信号的平稳成分；m为数据点数。特征量D，波动成分均方根的值；特征量R，平稳成分的均值。上下层射频信号各有自己的两个特征量。即Dup，Dlow，Rup，Rlow。
进一步的，根据本发明，所述的步骤(4)中，建立遗传算法优化支持向量机的油井含水在线测量模型步骤包括：
(a)确定网络结构，
把射频信号的四个特征量、温度、矿化度，共六个特征量作为模型输入，输出为含水率；选择径向基核函数为SVM的核函数；
(b)初始种群的产生，群体规模N一般根据所求问题的非线性程度选取，非线性程度越大，N越大。初始种群由随机产生的N个染色体串构成，每个染色体由n个基因(即核参数σ和惩罚因子C)组成。
(c)编码方案，
传统二进制编码不便于遗传运算算子操作，影响学习精度。本发明采用实数编码，不存在编码和解码过程，可以提高解的精度和运算速度，所述实数编码形式为：
其中，k为进化代数；kmax为终止代数，表示第k代中第i个；
表示染色体中第m个基因；每个染色体上的基因数，即串长n＝(4+2)*4+1＝25；
(d)适应度函数设计与计算，
本发明选择系统实际标定值和学习输出的误差平方和的倒数作为适应度函数。但是遗传算法是对适应度函数的最大化寻优，而支持向量机模型参数选择是最小化优化问题，因此作如下转换：
将染色体上各个基因分配到支持向量机结构中，以训练样本正向运行支持向量机，如下计算个体适应度F：
其中，含水g(x)为支持向量机内部复杂计算函数，此处予以忽略；
σ为核参数和C为惩罚因子；
o为预测输出；
t为期望输出；
n为输出单元数；
n为样本数；
m是为保证适应度函数值不至于太小而引入的一个系数；
(e)遗传算子设计选择、交叉、变异是遗传算法的三个基本算子；选择操作采用轮盘赌选择方式计算适应度Fi的权值个体对应的选择概率为：
交叉操作采用非一致交叉算子，以一定的交叉概率随机选择一对父代个体xi k和xj k，则按下式交叉运算后产生一对子代新个体为：
其中，α∈(0,1)为均匀分布随机变量；
变异操作采用非一致变异，其算子定义为：
其中，Ci'为Ci (k)个体的分量Ci变异后的结果，Umax'和Umin'分别为变异点的Ci左、右边界；函数Δ返回(0,Cmax)范围内的一个随机数,且随进化代数k增大而接近于0；
(f)存优策略，
计算当前群体的适应度，并保留最优个体，再按照交叉概率和变异概率，选择不同的个体对其进行不同的交叉和变异操作，产生下一代个体，并对新生个体进行评价，直到达到终止代数100次结束，否则转到步骤(d)；将全局最优结果映射为SVM的参数；
(g)用训练样本训练模型，获得相应的支持向量，从而确定该回归模型的结构。
本发明提供的模型将管道中不同部位的射频含水率数据，使得不同部位的不同的流动特征，实现信息互补，并且考虑了矿化度以及温度对射频法测量含水率的影响，大大提高预测精度。通过本发明提供的模型可以精准的在线测量管道中流体的含水率。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种原油含水率在线测量模型的构建方法，其特征在于，包括以下步骤：
(1)采用射频法测量油井原油含水率装置进行实验，建立训练样本，被测油样含水率由人工配比制取标定，改变温度和矿化度得到不同工况条件下的射频传感器信号；
(2)针对每个工况条件下的射频信号采用经验模态方法进行预处理，各工况条件下的射频信号数据集为{xup i；xlow i，i＝1，2，…，N}；其中，xup为上层射频信号，xlow为下层射频信号；
(3)分别对上、下层射频信号数据进行特征提取，特征量选定为射频信号波动成分的均方值和平稳成分的均值，共四个特征量；
(4)采用支持向量机的方法对射频信号的四个特征量、温度、矿化度共六个特征量进行数据融合，其中采用遗传算法进行内部参数寻优，即建立遗传算法优化支持向量机的油井含水在线测量模型。
2.根据权利要求1所述的原油含水率在线测量模型的构建方法，其特征在于，所述的射频法测量油井原油含水率装置包括：
一测试管，所述测试管的两端分别连接有第一、第二法兰；
一分隔板，所述分隔板设置在所述测试管中部，并沿所述测试管的轴向延伸布置；所述分隔板将所述测试管分隔为上半区和下半区，且在所述的上半区内设有上层射频传感器，所述的下半区内设有下层射频传感器。
3.根据权利要求1所述的原油含水率在线测量模型的构建方法，其特征在于，所述的步骤(2)中，对所述射频信号数据集中的每一组数据进行经验模态分解，得到若干个固有模态函数，即
4.根据权利要求1所述的原油含水率在线测量模型的构建方法，其特征在于，所述的步骤(4)中，建立遗传算法优化支持向量机的油井含水在线测量模型步骤包括：
(a)确定网络结构，
把射频信号的四个特征量、温度、矿化度，共六个特征量作为模型输入，输出为含水率；选择径向基核函数为SVM的核函数；
(b)初始种群的产生；
(c)编码方案，
采用实数编码，所述实数编码形式为：
其中，k为进化代数；kmax为终止代数，表示第k代中第i个；
表示染色体中第m个基因；每个染色体上的基因数，即串长n＝(4+2)*4+1＝25；
(d)适应度函数设计与计算，
选择系统实际标定值和学习输出的误差平方和的倒数作为适应度函数，同时作出如下转换：
将染色体上各个基因分配到支持向量机结构中，以训练样本正向运行支持向量机，如下计算个体适应度F：
其中，含水g(x)为支持向量机内部复杂计算函数，此处予以忽略；
σ为核参数和C为惩罚因子；
o为预测输出；
t为期望输出；
n为输出单元数；
n为样本数；
m是为保证适应度函数值不至于太小而引入的一个系数；
(e)遗传算子设计选择、交叉、变异是遗传算法的三个基本算子；选择操作采用轮盘赌选择方式计算适应度Fi的权值个体对应的选择概率为：
交叉操作采用非一致交叉算子，以一定的交叉概率随机选择一对父代个体xi k和xj k，则按下式交叉运算后产生一对子代新个体为：
其中，α∈(0,1)为均匀分布随机变量；
变异操作采用非一致变异，其算子定义为：
其中，Ci'为Ci (k)个体的分量Ci变异后的结果，Umax'和Umin'分别为变异点的Ci左、右边界；函数Δ返回(0,Cmax)范围内的一个随机数,且随进化代数k增大而接近于0；
(f)存优策略，
计算当前群体的适应度，并保留最优个体，再按照交叉概率和变异概率，选择不同的个体对其进行不同的交叉和变异操作，产生下一代个体，并对新生个体进行评价，直到达到终止代数100次结束，否则转到步骤(d)；将全局最优结果映射为SVM的参数；
(g)用训练样本训练模型，获得相应的支持向量，从而确定该回归模型的结构。
5.一种如权利要求1～4任意一项所述的构建方法获得的原油含水率在线测量模型。
6.一种如权利要求5提供的在线测量模型的应用，其特征在于：利用该在线测量模型对管道中流体的含水率进行在线监测。
CN201811238267.9A 2018-10-23 2018-10-23 一种原油含水率在线测量模型及其构建方法、应用 Pending CN109359692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811238267.9A CN109359692A (zh) 2018-10-23 2018-10-23 一种原油含水率在线测量模型及其构建方法、应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811238267.9A CN109359692A (zh) 2018-10-23 2018-10-23 一种原油含水率在线测量模型及其构建方法、应用

Publications (1)

Publication Number Publication Date
CN109359692A true CN109359692A (zh) 2019-02-19

Family

ID=65346274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811238267.9A Pending CN109359692A (zh) 2018-10-23 2018-10-23 一种原油含水率在线测量模型及其构建方法、应用

Country Status (1)

Country Link
CN (1) CN109359692A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110411521A (zh) * 2019-06-28 2019-11-05 中国石油大学(北京) 一种基于双喷嘴的油井多相流分相含率在线计量方法
CN110837687A (zh) * 2019-09-20 2020-02-25 大港油田集团有限责任公司 基于数据融合的油井含水率在线测量装置及提高精度方法
CN112394163A (zh) * 2020-12-14 2021-02-23 昆仑数智科技有限责任公司 一种原油含水量分析方法及装置
CN114413969A (zh) * 2021-11-12 2022-04-29 西安中科博为科技有限公司 一种智能多相流体度量装置
CN115078479A (zh) * 2022-06-24 2022-09-20 西南石油大学 一种油基泥浆介电常数测量方法
CN115902170B (zh) * 2022-10-31 2023-08-18 江苏麦赫物联网科技有限公司 多相流流态工况分析方法和设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103967478A (zh) * 2014-05-21 2014-08-06 北京航空航天大学 一种基于电导探针的垂直井流型辨识方法
US20140291883A1 (en) * 2013-03-26 2014-10-02 Acelon Chemicals and Fiber Corporation Processing method of non-woven intrinsically with enhanced deodorant feature from bamboo
CN104458521A (zh) * 2014-11-21 2015-03-25 西安交通大学 一种在线监测油液的装置及方法
CN105404747A (zh) * 2015-12-02 2016-03-16 北京航空航天大学 一种融合总流量与电导探针阵列信号的水平井持水率测量方法
WO2016105395A1 (en) * 2014-12-23 2016-06-30 Sandia Corporation Method for enhancing hydrocarbon recovery from tight formations
CN106226392A (zh) * 2016-07-05 2016-12-14 天津大学 基于超声衰减机理模型的油水两相流相含率测量方法
CN107491723A (zh) * 2017-06-27 2017-12-19 中国地质大学（武汉） 一种缝洞型油藏生产数据的预测方法及系统
CN107894619A (zh) * 2017-10-23 2018-04-10 中国石油化工股份有限公司华北油气分公司勘探开发研究院 基于高斯分布及流体替换的三维地震识别流体界面的方法
CN108279045A (zh) * 2018-04-12 2018-07-13 中国石油集团川庆钻探工程有限公司工程技术研究院 一种原油储罐升降机自动计量装置及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140291883A1 (en) * 2013-03-26 2014-10-02 Acelon Chemicals and Fiber Corporation Processing method of non-woven intrinsically with enhanced deodorant feature from bamboo
CN103967478A (zh) * 2014-05-21 2014-08-06 北京航空航天大学 一种基于电导探针的垂直井流型辨识方法
CN104458521A (zh) * 2014-11-21 2015-03-25 西安交通大学 一种在线监测油液的装置及方法
WO2016105395A1 (en) * 2014-12-23 2016-06-30 Sandia Corporation Method for enhancing hydrocarbon recovery from tight formations
CN105404747A (zh) * 2015-12-02 2016-03-16 北京航空航天大学 一种融合总流量与电导探针阵列信号的水平井持水率测量方法
CN106226392A (zh) * 2016-07-05 2016-12-14 天津大学 基于超声衰减机理模型的油水两相流相含率测量方法
CN107491723A (zh) * 2017-06-27 2017-12-19 中国地质大学（武汉） 一种缝洞型油藏生产数据的预测方法及系统
CN107894619A (zh) * 2017-10-23 2018-04-10 中国石油化工股份有限公司华北油气分公司勘探开发研究院 基于高斯分布及流体替换的三维地震识别流体界面的方法
CN108279045A (zh) * 2018-04-12 2018-07-13 中国石油集团川庆钻探工程有限公司工程技术研究院 一种原油储罐升降机自动计量装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINGWEN TIAN等: "Modeling of Oil and Water Migration Based on Support Vector Machine", 《2008 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY》 *
TAN CHAODONG等: "Research on flexible variable-speed control model and optimization method of rod pumping well based on genetic algorithm", 《2017 INTERNATIONAL CONFERENCE ON APPLIED SYSTEM INNOVATION (ICASI)》 *
张冬至等: "基于遗传神经网络的多传感器信息融合及应用", 《传感器与微系统》 *
李乃珊: "水平井油水两相流测量方法与模型研究", 《万方学位论文》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110411521A (zh) * 2019-06-28 2019-11-05 中国石油大学(北京) 一种基于双喷嘴的油井多相流分相含率在线计量方法
CN110837687A (zh) * 2019-09-20 2020-02-25 大港油田集团有限责任公司 基于数据融合的油井含水率在线测量装置及提高精度方法
CN112394163A (zh) * 2020-12-14 2021-02-23 昆仑数智科技有限责任公司 一种原油含水量分析方法及装置
CN114413969A (zh) * 2021-11-12 2022-04-29 西安中科博为科技有限公司 一种智能多相流体度量装置
CN115078479A (zh) * 2022-06-24 2022-09-20 西南石油大学 一种油基泥浆介电常数测量方法
CN115078479B (zh) * 2022-06-24 2023-12-12 西南石油大学 一种油基泥浆介电常数测量方法
CN115902170B (zh) * 2022-10-31 2023-08-18 江苏麦赫物联网科技有限公司 多相流流态工况分析方法和设备

Similar Documents

Publication Publication Date Title
CN109359692A (zh) 一种原油含水率在线测量模型及其构建方法、应用
CN106779151B (zh) 一种高速铁路沿线风速多点多层耦合预测方法
Jahanandish et al. Predicting bottomhole pressure in vertical multiphase flowing wells using artificial neural networks
CN106779148B (zh) 一种多模型多特征融合的高速铁路沿线风速预测方法
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN105486358B (zh) 基于文丘里管双差压的气液两相流参数测量方法
CN105444923A (zh) 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法
CN110542819A (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
CN109724657A (zh) 基于改进的Elman神经网络的水表流量计量方法和系统
CN110346005B (zh) 基于深度学习的科里奥利质量流量计数字信号处理方法
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN113551744A (zh) 一种超声流量计性能在线监测方法及系统
CN103675011B (zh) 最优支持向量机的工业熔融指数软测量仪表和方法
CN104200282A (zh) 一种设施农业环境因子快速预测方法
CN109376926A (zh) 电能计量器具的误差预测方法、装置、设备及存储介质
CN105064993B (zh) 一种基于电导探针阵列信息融合的垂直井含水率测量方法
CN109508498A (zh) 基于bp人工神经网络的橡胶减振器配方设计系统及方法
CN103823430B (zh) 智能加权丙烯聚合生产过程最优软测量系统和方法
CN111506868A (zh) 一种基于hht权值优化的超短期风速预测方法
CN114239397A (zh) 基于动态特征提取与局部加权深度学习的软测量建模方法
Zhang et al. Oil holdup prediction of oil–water two phase flow using thermal method based on multiwavelet transform and least squares support vector machine
Wang et al. Gas-liquid two-phase flow measurement using coriolis flowmeters incorporating neural networks
CN103675012B (zh) Bp粒子群优化的工业熔融指数软测量仪表和方法
Shravani et al. Cloud-based water leakage detection and localization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190219

RJ01 Rejection of invention patent application after publication