CN110243885A - 一种基于时频特征的低产气油井井口含水率预测方法 - Google Patents
一种基于时频特征的低产气油井井口含水率预测方法 Download PDFInfo
- Publication number
- CN110243885A CN110243885A CN201910614196.6A CN201910614196A CN110243885A CN 110243885 A CN110243885 A CN 110243885A CN 201910614196 A CN201910614196 A CN 201910614196A CN 110243885 A CN110243885 A CN 110243885A
- Authority
- CN
- China
- Prior art keywords
- moisture content
- frequency
- time
- sensor
- layer
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
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。
Description
技术领域
本发明属于原油生产领域,涉及低产气油井产液的含水率测量,尤其是一种基于时频特征的低产气油井井口含水率预测方法。
背景技术
在原油生产过程中,及时掌握与控制油井产液的含水率参数不仅是可靠估算原油净产量的前提,而且是对油井出现问题做出正确诊断及维护的依据,油井产液的含率参数也是油藏开采模式调整的重要指导指标因此,油井产液含水率参数的检测具有重要意义。当前,油田产液的超高含水特性对油井产液的含水率测量提出了新的要求,但如何精确地获取高含水油井产液的含水率信息成为了一个亟待解决的问题。目前,油井产液含水率的检测通常由特殊设计的传感器实现,其测量方法包括超声法、光学法、射线法、成像法、电导法和电法等。然而,现有的传感器测量效果在油井产液高含水率工况下尚不能达到要求,表现为传感器响应非线性及含水分辨率较低,且测量结果受矿化度影响较大。另外,油田作业中传统的化验法又受采样条件及采样频率的影响较大,测量周期也较长,难于实现实时测量。
虽然通过神经网络或支持向量机等浅层网络对油水两相流的含水率进行软测量有着广泛的应用,然而浅层网络结构在应用过程中需要对特征进行精心的设计。一般情况下,浅层特征具有较强的主观性,模型对含水率的预测结果也会较大程度的受到所设计特征的影响。近年来,人工智能技术在工业领域得到了广泛的应用,尤其是深度学习方法的应用更是拓宽了人工智能技术的应用范围。深度学习技术是近年来兴起的新理论,其通过无监督方式逐层提取被测对象的特征,其特征客观性强,且能够精准、详实的反映被测对象的本质。
通过公开专利文献的检索,发现两篇与本专利申请的目的及技术方案相近的公开专利文献:
1、一种特低渗透砂岩油藏油井投产初期含水率预测方法(109447342A),该方法包括:收集整理选定特低渗透砂岩油藏计算参数;利用有效应力与含水饱和度之间的函数关系预测特低渗透砂岩油藏油井投产初期含水率。该特低渗透砂岩油藏油井投产初期含水率预测方法为解释揭示该类型油藏油井投产初期即含水及预测油井投产初期含水率提供了理论依据,实现了特低渗透砂岩油藏油井投产初期含水率动态预测之目的,因而具有一定的理论及实际意义。
2、一种基于时间序列的油井油液含水率多模型预测方法(105631554A),其特征在于,包括如下步骤:1)、利用历史数据建立油井油液含水率数据集为{xi,i=1,2,…,N};2)、采用小波分析方法对油井油液含水率数据集{xi,i=1,2,…,N}中的数据进行预处理;3)、由近邻传播聚类算法将{xi}Wave进行分类;4)、将每个聚类中的数据由如下时间序列形式进行表示:5)、根据极端学习机算法建立每个聚类的时间序列模型并利用该时间序列模型得到预测值。其解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题。
通过技术特征的对比,对比文件1中,采用的油藏计算参数及方式也与本发明申请有根本性的不同;而对比文件2,虽然采用了时间序列方式进行含水率的预测,但其含水率模型及方式与本发明申请有根本性的不同,因此不会对本发明申请产生实质性的创造性影响。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种基于时频特征的低产气油井井口含水率预测方法,该方法所提供的深度学习模型可无监督式提取被测液的特征信息,通过深度学习模型深度挖掘测量信号的时频特征,对油井产液特别是高含水油井产液的含水率进行精确预测。
本发明实现目的的技术方案是:
一种基于时频特征的高含水油井产液含水率测量方法,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:
而且,所述传感器为双环式电容传感器,用于来获取井口含水率信息,由不锈钢金属保护壳和内部传感器管道组成,不锈钢金属保护壳两端为左法兰、右法兰,其中右法兰与左法兰所在的金属保护壳为螺纹连接,以便于安装内部传感器管道;金属保护壳两端与井口管道连接,在不锈钢金属保护壳侧壁径向开有引线孔,用于传感器电极与外部测量计算仪表的连接线通道;不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道,用于井口油水混合液的传输;在内部传感器管道外壁上间隔安装有两个环状测量电极,用于油水混合液的含水率测量;在环状测量电极外侧安装有电磁屏蔽层,内部传感器管道通过两侧端面的O型圈与金属外壳压紧密封。
而且,所述步骤⑵中,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,传感器测量时序值通过无线传输方式上传到服务器进行存储与分析操作。
而且,所述步骤⑷中,所述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;第一层卷积操作采用48个大小为11*11的卷积核,设置步长为4,随后进行池化操作,池化卷积核大小为3*3,步长为2;第二层卷积采用128个大小为5*5的卷积核,设置步长为1,池化卷积核大小为3*3,步长为2;之后第三层和第四层为卷积层,不进行池化操作,卷积核大小全部设置为3*3,个数全部设置为192;第五层为卷积层,设置128个大小为3*3的卷积核,步长为1,池化卷积核大小为3*3,步长为2。
本发明的优点和积极效果是:
1、本发明系统所采用的双环式电容传感器,可快速、准确获得含水率序列波动信号;传感器采集的含水率波动信号属于非线性序列信号,已现有技术手段预测识别有较大困难,但时频分析可以将一维信号转换到二维空间中,突出了信号的时频特征,通过时频特征反映了含水率的变化;深度卷积神经网络通过卷积与池化操作,可准确提取时频分布中不同特征,同时深层网络结构可多次细化特征,通过卷积池化层提取的不同特征进行分类预测,准确率明显优于传统识别方法如深度置信网络、支持向量机等,同时计算速度可观。
2、本发明系统所采用的双环式电容传感器安装在井口下降管道,可直接对尽快够产液的含水率进行计量,所测量值能够较为真实的反应被测量油井的产液情况,对指导油田优化管理具有重要意义。相较于现有传感器具有更强的稳定性,屏蔽层可有效屏蔽微波的散射与外界电磁波干扰,将信号锁定在有范围内。该传感器可有效、精准测量低产气油井管道内部气液流动状况。
3、本发明通过上述方法提取传感器测量时序信号的时频联合分布特征,该特征以特征矩阵的形式存储,其蕴含了丰富的井口含水率波动信息;通过对该特征的深度学习,可捕获含水率变化的基本特征与规律,为基于人工智能的井口含水率预测模型提供了数据基础。
4、本发明为实现低产气油井的井口产液含水率的精确测量,同时减小井口产气对测量的影响,在测量上,通过高频电容式传感器获取混合液的含率波动信号,建立基于深度卷积神经网络的含水率预测模型。提取测量信号的时频特征图作为深度卷积神经网络的输入特征,将井口产液含水率化验值作为含水率标签进行训练,最终得到含水率预测值。该方法可有效的消除井口少量含气对测量的影响,进一步提高井口产液含水率的测量精度。
5、本发明采用的深度神经网络在预测含水率中具有客观性,排除了化验中存在的不确定性和人为操作的主观性,深度卷积神经网络经过大量数据与迭代次数的训练后,可对该类数据有较强的预测性能且客观。同时,深度卷积神经网络相较于传统算法,如支持向量机有更好的预测准确率,预测准确率可达到98%以上。
附图说明
图1为本发明用于井口产液含率测量的双环式高频电容传感器的结构剖视示意图;
图2为本发明双环高频电容传感器测量电路及时频特征提取方法的结构示意图;
图3为本发明的建立深度卷积神经网络模型与预测图。
具体实施方式
下面结合实施例对本发明进一步说明:下述实施例是说明性的,不是限定性的,不能以下述实施例来限定本发明的保护范围。
本发明是通过双环式高频电容传感器(以下简称传感器)采集井口含水率信息,提取测量信号的时频特征作为深度卷积神经网络的输入,该网络对输入的时频联合分布特征进行抽象提取及综合,采用有监督式的学习方式,得到井口含率智能预测模型。
本发明所涉及的双环式电容传感器用于来获取井口含水率信息,其结构如图1所示,由不锈钢金属保护壳和内部传感器管道3组成,不锈钢金属保护壳两端为公称直径DN50的左法兰1、右法兰9,其中右法兰与左法兰所在的金属保护壳为螺纹8连接,以便于安装内部传感器管道。金属保护壳两端与井口管道连接,在不锈钢金属保护壳侧壁径向开有内径为18mm的引线孔5,用于传感器电极与外部测量计算仪表的连接线通道;不锈钢金属保护壳内部同轴镶装有一内径为50mm的呢绒材质的内部传感器管道,用于井口油水混合液的传输;在内部传感器管道外壁上间隔安装有两个环状测量电极6,用于油水混合液的含水率测量。同时,在环状测量电极外侧安装有电磁屏蔽层4,以提高传感器测量效果。内部传感器管道通过两侧端面的O型圈2与金属外壳压紧密封,用以防止井口产液的泄露。
本实施例中,不锈钢金属保护壳法兰间距为330mm,传感器内的呢绒管道长度为310mm,传感器管道通径为50mm,呢绒管道壁厚80mm,环状测量电极内径80mm,外径85mm,两个环状测量电极间距50mm,电磁屏蔽层为厚度为1mm的金属铜板,卷焊为圆柱筒,长度为90mm,内径为90mm,与呢绒管道之间有有机玻璃环7支撑。
本发明所涉及的测量电路如图2左侧所示,高频正弦激励信号源产生激励信号,通过功分器送至传感器的环状测量电极进行扫频,环状测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频,混频后的信号经加法器及电压偏置后,得到含水率时频特征。
本发明所涉及的含水率预测方法,其时频特征分析如图2右侧所示,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。通过以上计算,得到传感器含水率信息时频联合分布特征谱图。
本发明所涉及的含水率预测方法,其深度卷积神经网络结构如图3所示,时频分布图作为深度卷积神经网络的输入数据,传入卷积层池化层。本发明共采用5层卷积Conv,其中一、二、五层使用池化操作Pooling,其余三、四层无池化操作;卷积层能将时频分布图中的特征升维、细化,将卷积层输出传入全连接层,全连接共有2层,每一层包含1024个神经元,得到含水率深度特征;神经元将输出传入Softmax分类函数进行预测,深度卷积神经网络为有监督学习,所以采用井口含水率化验值作为含水率标签值,通过Softmax分类函数对预测值与标签值的判别,进行网络参数的反向修正,直至达到最大迭代次数10,000步即为训练完成;训练完成后的网络可对含水率时频分布图进行准确预测,通过Softmax输出含水率预测值。
一种基于时频特征的高含水油井产液含水率测量方法,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。本实施例中,设定传感器的扫频段为0.8Ghz-10GHz,为微波波段。
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。本实施例中,双环式高频电容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。
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。
本发明通过上述方法提取传感器测量时序信号的时频联合分布特征,该特征以特征矩阵的形式存储,其蕴含了丰富的井口含水率波动信息;通过对该特征的深度学习,可捕获含水率变化的基本特征与规律,为基于人工智能的井口含水率预测模型提供了数据基础。
⑷基于人工智能的含水率模型的建立
通过深度卷积神经网络学习含水率信号的时频特征对低产气油井井口含水率进行预测。将双环式高频电容传感器采集到信号的时频联合分布作为网络的输入进行训练,采取深度卷积神经网络结构对原始时频联合特征进行逐层提取,细化出高度抽象的含水率特征信息;本实施例中,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。第一层卷积操作采用48个大小为11*11的卷积核,设置步长为4,随后进行池化操作,池化卷积核大小为3*3,步长为2;第二层卷积采用128个大小为5*5的卷积核,设置步长为1,池化卷积核大小为3*3,步长为2;之后第三层和第四层为卷积层,不进行池化操作,卷积核大小全部设置为3*3,个数全部设置为192;第五层为卷积层,设置128个大小为3*3的卷积核,步长为1,池化卷积核大小为3*3,步长为2;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,本实施例中的含水率预测模型的建立属于有监督式学习方式,其含水率的标签值来源于油井井口产液含水率化验值。预测值与标签值通过softmax函数进行正误判别,判别参数反向传入深度卷积神经网络进行参数修正,直至网络训练完毕。设置训练迭代次数为10,000步,设批尺寸大小为100。训练完成后的网络可精确预测含水率波动曲线的时频分布图,从而达到对含水率波动曲线的预测。
Claims (4)
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。
2.根据权利要求1或2所述的基于时频特征的低产气油井井口含水率预测方法,其特征在于:所述传感器为双环式电容传感器,用于来获取井口含水率信息,由不锈钢金属保护壳和内部传感器管道组成,不锈钢金属保护壳两端为左法兰、右法兰,其中右法兰与左法兰所在的金属保护壳为螺纹连接,以便于安装内部传感器管道;金属保护壳两端与井口管道连接,在不锈钢金属保护壳侧壁径向开有引线孔,用于传感器电极与外部测量计算仪表的连接线通道;不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道,用于井口油水混合液的传输;在内部传感器管道外壁上间隔安装有两个环状测量电极,用于油水混合液的含水率测量;在环状测量电极外侧安装有电磁屏蔽层,内部传感器管道通过两侧端面的O型圈与金属外壳压紧密封。
3.根据权利要求1所述的基于时频特征的低产气油井井口含水率预测方法,其特征在于:所述步骤⑵中,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,传感器测量时序值通过无线传输方式上传到服务器进行存储与分析操作。
4.根据权利要求1所述的基于时频特征的低产气油井井口含水率预测方法,其特征在于:所述步骤⑷中,所述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;第一层卷积操作采用48个大小为11*11的卷积核,设置步长为4,随后进行池化操作,池化卷积核大小为3*3,步长为2;第二层卷积采用128个大小为5*5的卷积核,设置步长为1,池化卷积核大小为3*3,步长为2;之后第三层和第四层为卷积层,不进行池化操作,卷积核大小全部设置为3*3,个数全部设置为192;第五层为卷积层,设置128个大小为3*3的卷积核,步长为1,池化卷积核大小为3*3,步长为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614196.6A CN110243885A (zh) | 2019-07-09 | 2019-07-09 | 一种基于时频特征的低产气油井井口含水率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614196.6A CN110243885A (zh) | 2019-07-09 | 2019-07-09 | 一种基于时频特征的低产气油井井口含水率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110243885A true CN110243885A (zh) | 2019-09-17 |
Family
ID=67891558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614196.6A Pending CN110243885A (zh) | 2019-07-09 | 2019-07-09 | 一种基于时频特征的低产气油井井口含水率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243885A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310900A (zh) * | 2020-02-24 | 2020-06-19 | 姜景元 | 一种多相流检测方法、装置、设备、介质 |
CN113125515A (zh) * | 2021-04-14 | 2021-07-16 | 东北石油大学 | 一种不受矿化度影响的油水两相流持水率电导测量法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3743102A (en) * | 1971-03-17 | 1973-07-03 | United Aircraft Corp | Vortex separator using core plates |
CN1601265A (zh) * | 2004-10-26 | 2005-03-30 | 大庆油田有限责任公司 | 地面电导含水分析仪 |
CN106650929A (zh) * | 2016-10-11 | 2017-05-10 | 天津大学 | 基于递归图的深度学习模型及在油水相含率测量中的应用 |
CN108229659A (zh) * | 2017-12-29 | 2018-06-29 | 陕西科技大学 | 基于深度学习的钢琴单键音识别方法 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
-
2019
- 2019-07-09 CN CN201910614196.6A patent/CN110243885A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3743102A (en) * | 1971-03-17 | 1973-07-03 | United Aircraft Corp | Vortex separator using core plates |
CN1601265A (zh) * | 2004-10-26 | 2005-03-30 | 大庆油田有限责任公司 | 地面电导含水分析仪 |
CN106650929A (zh) * | 2016-10-11 | 2017-05-10 | 天津大学 | 基于递归图的深度学习模型及在油水相含率测量中的应用 |
CN108229659A (zh) * | 2017-12-29 | 2018-06-29 | 陕西科技大学 | 基于深度学习的钢琴单键音识别方法 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
Non-Patent Citations (4)
Title |
---|
HLAWATSCH F 等: "Smoothed pseudo-wigner distribution,choi-williams distribution and cone-kernel representation:ambiguity-domain analysis and experimental comparison", 《SIGNAL PROCESSING》 * |
张宁: "自适应时频分析及其时频属性提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
汪源源: "《现代信号处理理论和方法》", 31 August 2003 * |
王丽娜 等: "基于CPN网络井口计量原油含水率预测模型", 《大庆石油学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310900A (zh) * | 2020-02-24 | 2020-06-19 | 姜景元 | 一种多相流检测方法、装置、设备、介质 |
CN113125515A (zh) * | 2021-04-14 | 2021-07-16 | 东北石油大学 | 一种不受矿化度影响的油水两相流持水率电导测量法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107727592B (zh) | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 | |
CN110630256B (zh) | 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法 | |
CN104807589B (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
CN109975273A (zh) | 一种基于激光诱导击穿光谱的岩石分类方法 | |
CN110243885A (zh) | 一种基于时频特征的低产气油井井口含水率预测方法 | |
CN111325485B (zh) | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 | |
CN107844870A (zh) | 基于Elman神经网络模型的土壤重金属含量预测方法 | |
CN110632132A (zh) | 一种基于多传感器测量及深度卷积神经网络的高产气油井井口产液含水率预测方法 | |
CN110243886A (zh) | 一种基于非线性特征的低产气油井井口含水率预测方法 | |
CN1410774A (zh) | 基于主成分分析和神经元网络的两相流相浓度测量方法 | |
CN110630244B (zh) | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 | |
CN107807222A (zh) | 一种确定生排烃实验热成熟和生烃进程的方法和装置 | |
Chen et al. | Water cut measurement of oil–water flow in vertical well by combining total flow rate and the response of a conductance probe | |
CN102043169A (zh) | 一种对地球物理重力数字信号进行分解提取的方法 | |
Liu et al. | Application of convolutional neural network to GIS and physics | |
CN115586406A (zh) | 一种基于特高频信号的gis局部放电故障诊断方法及系统 | |
CN109469112B (zh) | 基于支持向量机的桩身缺陷严重程度自动识别方法 | |
Yan et al. | Research on identifying drainage pipeline blockage based on multi-feature fusion | |
Mudunuru et al. | Scalable time-series feature engineering framework to understand multiphase flow using acoustic signals | |
Feng et al. | Automatic deep vector learning model applied for oil-well-testing feature mining, purification and classification | |
Bao et al. | A deep neural network based feature learning method for well log interpretation | |
Xu et al. | Low-cost sensor outlier detection framework for on-line monitoring of particle pollutants in multiple scenarios | |
Gong et al. | Wireless sensor-based soil composition detection and high-efficiency water-saving irrigation in agricultural water conservancy applications. | |
CN117605469A (zh) | 一种井口含率智能计量装置及方法 | |
Yang | Data acquisition and transmission of laboratory local area network based on fuzzy DEMATEL algorithm |
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: 20190917 |
|
RJ01 | Rejection of invention patent application after publication |