CN110630244B - 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 - Google Patents

Abstract

本发明涉及一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统及方法。通过高频双环式电容传感器测量井口产液三相流含水率信息，通过超声透射式传感器获取井口产液三相流含气率信息，通过深度长短时记忆网络融合电容传感器测量信号特征及超声传感器测量信号特征；将采集到的含水率波动时间序列及采集到的含气率波动时间序列分成多个时序变化的时间片段，提取每个时序片段的时频特征、非线性特征、时间不可逆特征组成特征向量，将两个传感器的测量信息融合构成井口含水率特征向量时间序列，以特征序列为输入，建立基于长短时记忆网络的高含气油井井口含水率预测模型，以井口产液含水率化验值作为标签进行训练，最终得到含水率的精确预测值。

Description

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

技术领域

本发明属于原油生产领域，涉及高产气油井产液的含水率测量，尤其是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。

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。因高产气油井含气量过大，高含气量对含水率预测产生了极大的影响。

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，提供一种基于多传感器测量及深度长短时记忆网络的高含气油井井口产液含水率预测系统及方法，该方法系统及可捕获含水率的时序变化信息，可实现高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。

本发明实现目的的技术方案如下：

一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，由传感器组件、含气率及含水率多元时序特征提取及融合模块、基于长短时记忆网络的井口含水率预测网络组成，所述传感器组件包括双环式电容传感器及超声波传感器，双环式电容传感器用于来获取井口含水率信息并经高频正弦激励信号处理获得含水率波动信息；所述超声波传感器用于获取井口含气率信息并经传感器测量电路获得含气率波动信息；所述含气率及含水率多元时序特征提取及融合模块用于提取含水率波动信息与含气率波动信息，并对其进行加权求和，得到融合后时序特征；通过WVD分布与递归域分析，得到含水率及含气率波动序列片段的时频联合分布和递归图矩阵，并对两矩阵进行定量分析，得到时频能量、时频熵、递归率、确定性、平均对角线长度、层次性和时间不可逆量七个特征参数，将每个序列片段的特征参数进行拼接得到含水率及含气率特征向量；所述基于深度长短时记忆网络的井口含水率预测网络对获得的含水率多元时序特征向量按照时间顺序进行拼接，作为深度长短时记忆神经网络的输入向量，深度长短时记忆神经网络内部有LSTM单元，单元内部又分别有三个函数的:输入门、遗忘门、输出门，深度长短时记忆神经网络单元共有6层，采用Softmax分类函数作为输出函数，输出预测值。

而且，所述传感器组件的安装结构是：传感器不锈钢保护壳两端为左法兰、右法兰，其中右法兰与不锈钢保护壳采用螺纹啮合方式连接；左法兰及右法兰与井口下降管道连接，不锈钢保护壳内部同轴安装有呢绒管道，在呢绒管道外壁上间隔安装有两个环状的传感器测量电极，在传感器测量电极外侧同轴安装有电磁屏蔽层，呢绒管道通过顶端的O型圈与不锈钢保护壳压紧密封，在呢绒管道外壁上还安装有透射式超声传感器，不锈钢保护壳侧壁开有引线孔，电磁屏蔽层与呢绒管道之间有机玻璃环支撑。

而且，所述传感器测量电路的结构是：高频正弦激励信号源产生激励信号，通过功分器送至环状传感器测量电极进行扫频，环状传感器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，得到含水率波动信息；超声激励信号激励超声波传感器的发射探头，测量超声波接收探头的信号，得到含气率波动信息；信号的窗函数采用窗口大小为 1000的不重叠窗，由此对含水率含气率信号进行多次分割，多次分割提取不同时间段的含水率、含气率多元特征序列，将含水率和含气率多元特征序列进行对应位置的加权求和，得到融合后的时序特征。

而且，将所述含水率及含气率波动序列的片段采用时频联合分布即得到时频域矩阵，采用递归图分析方法对该含水率及含气率波动序列片段进行处理，得到递归图矩阵；对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的含水率多元时序特征向量共计上述七个特征参数，将每个序列片段的特征参数进行拼接得到含水率及含气率特征向量。

而且，所述基于长短时记忆网络的井口含水率预测网络，其深度长短时记忆神经网络内部有深度长短时记忆单元，单元内部又分别有三个函数的:输入门、遗忘门、输出门，深度长短时记忆单元共有6层。

一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测方法，包括如下步骤：

⑴获取井口三相流含水率信息及井口三相流含气率信息

将传感器不锈钢保护壳安装于井口下降管道，通过两侧法兰连接接入管道，采用高频双环式电容传感器来获取井口三相流含水率信息，对高频双环式电容传感器进行扫频操作，以确定最佳工作频率；设定传扫频段为0.8Ghz-10GHz，为微波波段；当传感器最佳工作频率确定之后，以该频率对传感器测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息，采用透射式超声传感器获取井口三相流含气率信息，超声波传感器有两个探头，其中一个作为发射探头，一个作为接受探头，对发射探头进行超声激励，通过测量接收探头的信号，得到测量数据为典型的反应含气率变化的时间序列；

⑵多传感器采集信号的预处理

首先对多传感器采集的信号分别进行加窗分割，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割提取不同时间段的含水率多元特征序列，将每个窗口分割信号中的数值按照时间方向取出得到含水率、含气率多元特征序列；对两个序列进行对应位置的加权求和，得到包含含水率信息和含气率信息的时序特征序列；特征提取模块将得到的含水率、含气率波动序列片段进行时频联合分布与递归图分析，得到时频图矩阵与递归图矩阵，通过计算得到每个片段的对应特征向量；该多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量；这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行Wigner-Ville分布；首先对信号进行希尔伯特变换，然后通过公式：

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，所得到不同时间片段下的时频图，之后，对时频图矩阵求时频能量与时频熵；其中：

时频能量：计算加窗时间片段的时频分布为P(t,f)，则时频能量E可通过如下方式计算：

时频熵：计算加窗时间片段的时频分布为P(t,f)，将时频平面的划分为N 块大小相等的矩形设每块的能量为P_i，整个时频平面的能量为E，则时频熵可以由以下方式计算：

随后对采集、处理后的信号进行递归域定量分析，递归定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量；其中：

递归率：计算加窗时间片段的递归矩阵RR，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，可由以下方式计算：

它表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵RR，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

式中，为长度为l的线段数，只有对角线方向线段的长度大于预先给定的下限lmin时才开始计数，lmin一般选择为不小于2的整数，DET将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来，递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵RR，确定性是对角线方向线段长度的加权平均值，可由以下方式计算：

平均对角线长度L表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内；L越大，表明系统的确定性就越强；

层次性：计算加窗时间片段的递归矩阵RR，层次性是构成垂直方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示如下：

y(i)＝Δu(i)＝x(i+1)-x(i)，1＜i≤N

则时间不可逆量可由以下方式计算：

其中，A表示非线性耗散系统的时间不可逆量，yi为原始时间序列的增量时间序列，N为信号的长度，H(*)为符号函数；

将上述特征进行拼接，得到该片段的含水率及含气率特征向量；

(3)特征向量的拼接及深度长短时记忆神经网络预测

①对不同信号片段的含水率及含气率特征向量按照时间方向进行拼接，组成了含水率、含气率多元时序特征向量；

②将含水率、含气率多元时序特征向量作为深度长短时记忆神经网络的训练数据，输入网络模型中进行训练；深度长短时记忆神经网络共采用6层LSTM单元，设置深度长短时记忆神经网络超参数，通过最大迭代次数10,000次结束训练，其中批尺寸为100，时间步为150，LSTM单元数量为128；每一个LSTM 单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到LSTM单元状态中来，遗忘门决定从LSTM状态中丢弃多少信息，输出门根据当前LSTM单元状态，确定需要输出什么值；其公式分别如下：

input_t＝σ(W_i*[h_t-1，x_t]+b_i)

forget_t＝σ(W_f*[h_t-1，x_t]+b_f)

output_t＝σ(W_O*[h_t-1，x_t]+b_o)

其中W_i、W_f和W_O分别代表了输入门、遗忘门和输出门对应的权重参数，b_i、 b_f和b_O分别对应偏置项，h_t-1为上一时刻的LSTM单元内部状态，x_t为当前时刻的输入值；

含水率、含气率多元时序特征向量t1输入第一层LSTM单元后，都要经过上述三种门函数的计算，并确定该LSTM输出；计算完当前时刻的特征序列后， LSTM单元向下一时刻t2移动，重复上述过程并计算输出；计算完第一层LSTM 单元后，将第一层的输出向量作为第二层LSTM单元的输入向量，过程同上；每一层LSTM单元的输出为下一层的输入；

训练过程中，多维特征时序信号按照时间依次输入深度长短时记忆网络中的LSTM单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比；

③通过Softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数；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；

⑷训练好的模型可进行含水率预测

预测时，将多维特征时序信号输入深度长短时记忆网络后，Softmax函数输出值为当前信号的含水率。

而且，所述步骤⑴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。

本发明的优点和积极效果是：

1、本发明系统针对高产气油井中含气量过大、对含水率预测有着巨大影响的问题，采用双环式电容传感器可快速、准确获得含水率序列波动信号；采用的超声波传感器对气体足够敏感，可准确测量多相流中含气率信息；而且，通过对信号的加窗处理，可提取不同时间段的含水率多元特征序列，再对分割信号进行加权求和，可将含水率序列与含气率序列进行融合，这样既不丢失部分信息，又能得到总体序列特征；对融合后的时序特征进行时频域和递归域分析，得到多元特征值，可突出信号的多维特征；深度长短时记忆(LSTM)神经网络对多维特征序列的训练，可精确预测出井口含水率值，实现高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。

2、本发明系统所采用的多传感器安装在井口下降管道，可直接对管道内的含水率、含气率进行计量，所测量的计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，还可有效、精准测量低产气油井管道内部气液流动状况，通过两种传感器的测量，可同时获得含水率与含气率，为多相流测量及数据融合提供一种新思想。

3、本发明系统采用深度长短时记忆(LSTM)神经网络，非常适合用于处理与时间序列高度相关的问题，其相较于传统识别方式，如支持向量机(SVM)、递归神经网络(RNN)等，可有效避免梯度消失和梯度爆炸等问题；同时，内部的三个门函数可增强网络学习能力，可比上述网络模型预测准确率提高5％-10％左右。

4、本发明方法提取多传感器测量时序信号进行取值作为特征，并将每一个含水率波动序列片段的特征进行拼接，拼接后的特征即为该信号片段的特征向量，该特征向量蕴含了丰富的井口含水率信息，将该时序特征输入到深度长短时记忆网络，可捕获含水率变化的基本特征与规律，为含水率预测模型的建立提供了丰富的特征；相较于使用原始信号直接进行含水率预测，该特征提取方法能更好的得到信号在不同空间中的特征信息，可突出、强化信号的特征特点。

5、本发明方法从完成了信号采集传感器的设计到使用深度长短时记忆 (LSTM)神经网络进行井口含水率预测，该流程严谨、可行，得到含水率预测值准确，网络模型较小从而降低了计算资源；由于融合了含水率与含气率，其时序特征蕴含了丰富的流动特征，因此本发明所提出的模型可达到较高的含水率预测精度，预测准确率可达97％以上。相较于传统的含水率预测方法，本发明方法具有速度快、准确度高、计算资源消耗小、消除人为主观因素等优点。

附图说明

图1为本发明用于井口三相流含水率及含气率测量的双环式高频电容传感器结构剖视示意图；

图2为本发明多传感器井口含水率及含气率时序特征提取及融合模块示意图；

图2-1为图2的含水率波动信息的放大图；

图2-2为图2的含气率波动信息的放大图；

图3为本发明含水率及含气率时序特征提取模块示意图；

图4为本发明基于长短时记忆网络的高产气油井井口含水率预测网络流程图。

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。

本发明的工作机理是：基于长短时记忆网络模型，通过双环式高频电容传感器采集井口含水率信息，通过透射式超声传感器采集井口产液的含气率波动信息。通过对所采集到的含水率及含气率信息进行加窗分割、特征融合及时频域和递归域定量分析，将得到的特征进行拼接，从而获取井口含水率及含气率的时序变化特征，并进行时间上的融合。将融合的时序特征输入到深度长短时记忆网络中进行训练，采用有监督式的学习方式，得到井口含水率高精度预测模型。

一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，由传感器组件、含气率及含水率多元时序特征提取及融合模块、基于长短时记忆网络的井口含水率预测网络组成。其中：

1、所述传感器组件包括双环式高频电容传感器及透射式超声传感器，双环式电容传感器和超声波传感器用于来获取井口含水率与含气率信息，传感器组件的结构剖视如图1所示。传感器不锈钢保护壳3两端为公称直径DN50的左法兰 1、右法兰11，其中右法兰与不锈钢保护壳采用螺纹10啮合方式连接，以方便不锈钢保护壳内部部件的安装。左法兰及右法兰与井口下降管道连接。不锈钢保护壳内部同轴安装有内径为50mm的呢绒材质的呢绒管道8，用于井口油水混合液的传输。在呢绒管道外壁上间隔安装有两个环状的传感器测量电极5，用于油气水三相混合液的含水率信息获取。在测量电极外侧同轴安装有电磁屏蔽层4，以提高传感器测量效果。呢绒管道通过顶端的O型圈2与不锈钢保护壳压紧密封，用以防止井口产液的泄露。另外在呢绒管道外壁上还安装有透射式超声波传感器9，用于油气水三相混合液的含气率信息获取。不锈钢保护壳侧壁开有内径为18mm的引线孔6，用于传感器测量电极与外部测量计算仪表的连接线通道。本实施例中，传感器不锈钢金属保护壳法兰间距为330mm，传感器保护壳内的呢绒管道长度为310mm，管道通径为50mm，呢绒管道壁厚80mm，环状的传感器测量电极内径80mm，外径85mm，两个电极间距20mm，屏蔽层为厚度为1mm 的金属铜板，卷焊为圆柱筒，长度为40mm，内径为90mm，与呢绒管道之间有机玻璃环7支撑。

2、所述含水率多元时序特征提取模块，其结构如图2所示。图2左侧为传感器测量电路的示意图，高频正弦激励信号源产生激励信号，通过功分器送至环状传感器测量电极进行扫频，环状传感器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，得到含水率波动信息；超声激励信号激励透射式超声波传感器的发射探头，测量超声波接收探头的信号，得到含气率波动信息；本实施例中，信号的窗函数采用窗口大小为1000的不重叠窗，由此可对含水率含气率信号进行多次分割，多次分割可以提取不同时间段的含水率、含气率多元特征序列，见图2右侧所示，将含水率和含气率多元特征序列进行对应位置的加权求和，得到融合后的时序特征。

3、所述多元特征融合模块，如图3所示。将含水率及含气率波动序列片段采用WVD分布(时频联合分布)即得到时频域矩阵，采用递归图分析方法对该含水率及含气率波动序列片段进行处理，得到递归图矩阵；对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的含水率多元时序特征向量共计上述七个特征参数，将每个序列片段的特征参数进行拼接得到含水率及含气率特征向量。

提取时频域矩阵与递归图矩阵进行定量分析，具有较强先进性，可将信号在不同维度进行分析，对不同维度的特征进行提取，这相较于直接把信号作为数据源，不仅增加了其维度，而且突出和增强了信号的特征。

4、所述基于长短时记忆网络的井口含水率预测网络，对融合后多元时序特征向量按照时间顺序进行拼接(t1，t2……tn)，作为深度长短时记忆(即LSTM) 神经网络的输入向量，其结构如图4所示。深度长短时记忆(LSTM)神经网络内部有LSTM单元，单元内部又分别有三个函数的:输入门、遗忘门、输出门。 LSTM单元共有6层。采用Softmax分类函数作为输出函数，输出预测值。预测真值为井口含水率化验值，通过Softmax判别井口含水率化验值与预测值，用于反向修正深度长短时记忆(LSTM)网络内部参数，达到预测目的，得到含水率预测值。

一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测方法，包括如下步骤：

(1)获取井口三相流含水率信息及井口三相流含气率信息

传感器安装于井口下降管道，通过DN50法兰连接接入管道。本发明采用双环式电容传感器来获取井口三相流含水率信息，对双环式电容传感器进行扫频操作，以确定传感器的最佳工作频率。设定传感器的扫频段为0.8Ghz-10GHz，为微波波段。当传感器最佳工作频率确定之后，以该频率对双环传感器测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息。双环式电容传感器对井口含水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；采用透射式超声传感器获取井口三相流含气率信息，透射式超声波传感器有两个探头，其中一个作为发射探头，一个作为接受探头，对发射探头进行超声激励，通过测量接收探头的信号，得到测量数据为典型的反应含气率变化的时间序列；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。

⑵多传感器采集信号的预处理

首先对多传感器采集的信号分别进行加窗分割，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割可提取不同时间段的含水率多元特征序列，将每个窗口分割信号中的数值按照时间方向取出得到含水率、含气率多元特征序列；对两个序列进行对应位置的加权求和，这样可以得到包含含水率信息和含气率信息的时序特征序列；特征提取模块将得到的含水率、含气率波动序列片段进行时频联合分布与递归图分析，得到时频图矩阵与递归图矩阵，通过计算得到每个片段的对应特征向量；该多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量；这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行Wigner-Ville分布；首先对信号进行希尔伯特变换，然后通过公式：

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，所得到不同时间片段下的时频图，之后，对时频图矩阵求时频能量与时频熵；其中：

时频能量：计算加窗时间片段的时频分布为P(t,f)，则时频能量E可通过如下方式计算：

时频熵：计算加窗时间片段的时频分布为P(t,f)，将时频平面的划分为N 块大小相等的矩形设每块的能量为P_i,整个时频平面的能量为E，则时频熵可以由以下方式计算：

随后对采集、处理后的信号进行递归域定量分析，递归定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量；其中：

递归率：计算加窗时间片段的递归矩阵RR，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，可由以下方式计算：

它表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵RR，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

式中，为长度为l的线段数，只有对角线方向线段的长度大于预先给定的下限lmin时才开始计数，lmin一般选择为不小于2的整数，DET将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来，递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵RR，确定性是对角线方向线段长度的加权平均值，可由以下方式计算：

平均对角线长度L表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内。L越大，表明系统的确定性就越强；

层次性：计算加窗时间片段的递归矩阵RR，层次性是构成垂直方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示如下：

y(i)＝Δu(i)＝x(i+1)-x(i)，1＜i≤N

则时间不可逆量可由以下方式计算：

其中，A表示非线性耗散系统的时间不可逆量，yi为原始时间序列的增量时间序列，N为信号的长度，H(*)为符号函数。

将上述特征进行拼接，得到该片段的含水率及含气率特征向量。

(3)特征向量的拼接及深度长短时记忆神经网络预测

对不同信号片段的含水率及含气率特征向量按照时间方向进行拼接，组成了含水率、含气率多元时序特征向量；

将含水率、含气率多元时序特征向量作为深度长短时记忆神经网络的训练数据，输入网络模型中进行训练；深度长短时记忆神经网络共采用6层LSTM单元，设置深度长短时记忆神经网络超参数，通过最大迭代次数10,000次结束训练，其中批尺寸为100，时间步为150，LSTM单元数量为128；每一个LSTM 单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到LSTM单元状态中来，遗忘门决定从LSTM状态中丢弃多少信息，输出门根据当前LSTM单元状态，确定需要输出什么值；其公式分别如下：

input_t＝σ(W_i*[h_t-1，x_t]+b_i)

forget_t＝σ(W_f*[h_t-1，x_t]+b_f)

output_t＝σ(W_O*[h_t-1，x_t]+b_o)

其中W_i、W_f和W_O分别代表了输入门、遗忘门和输出门对应的权重参数，b_i、 b_f和b_o分别对应偏置项，h_t-1为上一时刻的LSTM单元内部状态，x_t为当前时刻的输入值；

含水率、含气率多元时序特征向量t1输入第一层LSTM单元后，都要经过上述三种门函数的计算，并确定该LSTM输出；计算完当前时刻的特征序列后， LSTM单元向下一时刻t2移动，重复上述过程并计算输出；计算完第一层LSTM 单元后，将第一层的输出向量作为第二层LSTM单元的输入向量，过程同上；每一层LSTM单元的输出为下一层的输入；

训练过程中，多维特征时序信号按照时间依次输入深度长短时记忆网络中的LSTM单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比；

通过Softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数；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。

(4)训练好的模型可进行含水率预测

预测时，将多维特征时序信号输入深度长短时记忆网络后，Softmax函数输出值为当前信号的含水率。

Claims (7)

1.一种基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，其特征在于：由传感器组件、含气率及含水率多元时序特征提取及融合模块、基于长短时记忆网络的井口含水率预测网络组成，所述传感器组件包括双环式电容传感器及超声波传感器，双环式电容传感器用于来获取井口含水率信息并经高频正弦激励信号处理获得含水率波动信息；所述超声波传感器用于获取井口含气率信息并经传感器测量电路获得含气率波动信息；所述含气率及含水率多元时序特征提取及融合模块用于提取含水率波动信息与含气率波动信息，并对其进行加权求和，得到融合后时序特征；通过WVD分布与递归域分析，得到含水率及含气率波动序列片段的时频域矩阵和递归图矩阵，并对两矩阵进行定量分析，得到时频能量、时频熵、递归率、确定性、平均对角线长度、层次性和时间不可逆量七个特征参数，将每个序列片段的特征参数进行拼接得到含水率及含气率特征向量；所述基于长短时记忆网络的井口含水率预测网络对获得的含水率多元时序特征向量按照时间顺序进行拼接，作为长短时记忆网络的输入向量，长短时记忆网络内部有LSTM单元，单元内部又分别有函数输入门、函数遗忘门、函数输出门，长短时记忆网络单元共有6层，采用Softmax分类函数作为输出函数，输出预测值。

2.根据权利要求1所述的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，其特征在于：所述传感器组件的安装结构是：传感器不锈钢保护壳两端为左法兰、右法兰，其中右法兰与不锈钢保护壳采用螺纹啮合方式连接；左法兰及右法兰与井口下降管道连接，不锈钢保护壳内部同轴安装有呢绒管道，在呢绒管道外壁上间隔安装有两个环状的传感器测量电极，在传感器测量电极外侧同轴安装有电磁屏蔽层，呢绒管道通过顶端的O型圈与不锈钢保护壳压紧密封，在呢绒管道外壁上还安装有透射式超声传感器，不锈钢保护壳侧壁开有引线孔，电磁屏蔽层与呢绒管道之间由有机玻璃环支撑。

3.根据权利要求1所述的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，其特征在于：所述传感器测量电路的结构是：高频正弦激励信号源产生激励信号，通过功分器送至环状传感器测量电极进行扫频，环状传感器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，得到含水率波动信息；超声激励信号激励超声波传感器的发射探头，测量超声波接收探头的信号，得到含气率波动信息；信号的窗函数采用窗口大小为1000的不重叠窗，由此对含水率含气率信号进行多次分割，多次分割提取不同时间段的含水率、含气率多元特征序列，将含水率和含气率多元特征序列进行对应位置的加权求和，得到融合后的时序特征。

4.根据权利要求3所述的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，其特征在于：将所述含水率及含气率波动序列的片段采用时频联合分布即得到时频域矩阵，采用递归图分析方法对该含水率及含气率波动序列片段进行处理，得到递归图矩阵；对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的含水率多元时序特征向量共计上述七个特征参数，将每个序列片段的特征参数进行拼接得到含水率及含气率特征向量。

5.根据权利要求1所述的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测系统，其特征在于：所述基于长短时记忆网络的井口含水率预测网络，其深度长短时记忆神经网络内部有深度长短时记忆单元，单元内部又分别有函数输入门、函数遗忘门、函数输出门，深度长短时记忆单元共有6层。

6.一种采用如权利要求1所述的系统的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测方法，其特征在于：包括如下步骤：

⑴获取井口三相流含水率信息及井口三相流含气率信息

将传感器不锈钢保护壳安装于井口下降管道，通过两侧法兰连接接入管道，采用高频双环式电容传感器来获取井口三相流含水率信息，对高频双环式电容传感器进行扫频操作，以确定最佳工作频率；设定传扫频段为0.8GHz-10GHz，为微波波段；当传感器最佳工作频率确定之后，以该频率对传感器测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息，采用透射式超声传感器获取井口三相流含气率信息，超声波传感器有两个探头，其中一个作为发射探头，一个作为接收探头，对发射探头进行超声激励，通过测量接收探头的信号，得到测量数据为典型的反应含气率变化的时间序列；

⑵多传感器采集信号的预处理

首先对多传感器采集的信号分别进行加窗分割，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割提取不同时间段的含水率多元特征序列，将每个窗口分割信号中的数值按照时间方向取出得到含水率、含气率多元特征序列；对两个序列进行对应位置的加权求和，得到包含含水率信息和含气率信息的时序特征序列；特征提取模块将得到的含水率、含气率波动序列片段进行时频联合分布与递归图分析，得到时频图矩阵与递归图矩阵，通过计算得到每个片段的对应特征向量；该多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量；这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行Wigner-Ville分布；首先对信号进行希尔伯特变换，然后通过如下公式得到不同时间片段下的时频图：

其中WVD(t,f)为多元时序特征向量，f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式，z^*(t)为z(t)的共轭函数形式，之后，对时频图矩阵求时频能量与时频熵；其中：

时频能量：计算加窗时间片段的时频分布为P(t,f)，则时频能量E通过如下方式计算：

时频熵：计算加窗时间片段的时频分布为P(t,f)，将时频平面的划分为N块大小相等的矩形设每块的能量为P_i，整个时频平面的能量为E，则时频熵由以下方式计算：

随后对采集、处理后的信号进行递归域定量分析，递归域定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量；其中：

递归率：计算加窗时间片段的递归矩阵RR，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，由以下方式计算：

上式中，RR表示递归矩阵；

它表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵RR，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，由以下方式计算：

上式中，DET为确定性；

式中，P(l)为长度为l的线段数，只有对角线方向线段的长度大于预先给定的下限lmin时才开始计数，lmin选择为不小于2的整数，DET将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来，递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵RR，平均对角线长度是对角线方向线段长度的加权平均值，由以下方式计算：

平均对角线长度L表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内；L越大，表明系统的确定性就越强；

层次性：计算加窗时间片段的递归矩阵RR，层次性是构成垂直方向线段的递归点占所有递归点数的百分比，由以下方式计算：

上式中，LAM为层次性，是递归图的定量分析指标，其为递归图中构成垂直方向线段中的点数占递归图中所有点数的百分比；

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示如下：

y(i)＝Δu(i)＝x(i+1)-x(i)，1＜i≤N

则时间不可逆量由以下方式计算：

其中，A表示非线性耗散系统的时间不可逆量，yi为原始时间序列的增量时间序列，N为信号的长度，H(*)为符号函数；

将上述特征进行拼接，得到对传感器采集信号进行加窗分割时所得到的信号片段的含水率及含气率特征向量；

⑶特征向量的拼接及深度长短时记忆神经网络预测

①对不同信号片段的含水率及含气率特征向量按照时间方向进行拼接，组成了含水率、含气率多元时序特征向量；

②将含水率、含气率多元时序特征向量作为深度长短时记忆神经网络的训练数据，输入网络模型中进行训练；深度长短时记忆神经网络共采用6层LSTM单元，设置深度长短时记忆神经网络超参数，通过最大迭代次数10,000次结束训练，其中批尺寸为100，时间步为150，LSTM单元数量为128；每一个LSTM单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到LSTM单元状态中来，遗忘门决定从LSTM状态中丢弃多少信息，输出门根据当前LSTM单元状态，确定需要输出什么值；其公式分别如下：

input_t＝σ(W_i*[h_t-1，x_t]+b_i)

forget_t＝σ(W_f*[h_t-1,x_t]+b_f)

output_t＝σ(W_O*[h_t-1，x_t]+b_o)

其中W_i、W_f和W_O分别代表了输入门、遗忘门和输出门对应的权重参数，b_i、b_f和b_o分别对应偏置项，h_t-1为上一时刻的LSTM单元内部状态，x_t为当前时刻的输入值；

含水率、含气率多元时序特征向量t1输入第一层LSTM单元后，都要经过上述三种门函数的计算，并确定该LSTM输出；计算完当前时刻的特征序列后，LSTM单元向下一时刻t2移动，重复上述过程并计算输出；计算完第一层LSTM单元后，将第一层的输出向量作为第二层LSTM单元的输入向量，过程同上；每一层LSTM单元的输出为下一层的输入；

训练过程中，多维特征时序信号按照时间依次输入深度长短时记忆网络中的LSTM单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比；

③通过Softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数；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，σ(z)为含水率预测网络中Softmax函数的输出值，也为含水率的预测值；j＝1,…,K，i表示K中的某个分类，zj表示该分类的值；

⑷训练好的模型进行含水率预测

预测时，将多维特征时序信号输入深度长短时记忆网络后，Softmax函数输出值为当前信号的含水率。

7.根据权利要求6所述的基于多传感器测量及长短时记忆网络的高产气油井井口含水率预测方法，其特征在于：所述步骤⑴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。

Images