CN111460625A - 一种多相流量在线实时计量人工智能模型构建方法 - Google Patents
一种多相流量在线实时计量人工智能模型构建方法 Download PDFInfo
- Publication number
- CN111460625A CN111460625A CN202010166340.7A CN202010166340A CN111460625A CN 111460625 A CN111460625 A CN 111460625A CN 202010166340 A CN202010166340 A CN 202010166340A CN 111460625 A CN111460625 A CN 111460625A
- Authority
- CN
- China
- Prior art keywords
- model
- flow
- measurement
- venturi
- phase flow
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 59
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000003325 tomography Methods 0.000 claims abstract description 11
- 239000000470 constituent Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000012530 fluid Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 5
- 230000000704 physical effect Effects 0.000 abstract 1
- 239000012071 phase Substances 0.000 description 100
- 239000007791 liquid phase Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 239000003129 oil well Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 101100348341 Caenorhabditis elegans gas-1 gene Proteins 0.000 description 3
- 101100447658 Mus musculus Gas1 gene Proteins 0.000 description 3
- 101100447665 Mus musculus Gas2 gene Proteins 0.000 description 3
- 239000008346 aqueous phase Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 101100298048 Mus musculus Pmp22 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000000874 microwave-assisted extraction Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measuring Volume Flow (AREA)
Abstract
本申请属于流量测量技术领域，特别是涉及一种多相流量在线实时计量人工智能模型构建方法。由于油气水多相流物性参数多样，流动过程复杂，严重制约油气生产过程流量实时测量技术发展。本申请提供了一种多相流量在线实时计量人工智能模型构建方法，包括：采用文丘里测量设备、电学层析成像传感器和微波传感器协同测量信号；通过深度编码‑解码的方式，在无大量真实流量样本标签的情况下，充分利用海量无流量标签测量信号，对所述测量信号中最基本的构成单元信号进行提取；对所述提取的测量信号最小构成单元，进行测量信号与气相、油相和水相流量的人工智能识别模型构建。降低模型构建的复杂程度，同时充分利用无标签测量信号，实现更高的测量精度。
Description
技术领域
本申请属于流量测量技术领域，特别是涉及一种多相流量在线实时计量人工智能模型构建方法。
背景技术
在石油开发过程中，油井产出物是一种以油、气、水三相物质混合在一起的多相流(也称之为三相流。对油气水三相物质流量进行在线实时计量被列为未来油气工业成功的五大关键技术之一，同时也是能源物联网行业中关键的一环。目前国内外油田实现产量计量方式，大多采用多口油井的产出物通过轮替倒井的方式从生产管汇倒出进入分离器进行计量，这种方式中，计量分离器通常体积较大，沉降分离时间长，测量过程依赖人工计量，测量数据离线不实时，而且长期使用中还容易出现阀、管道堵塞等问题。同时由于中国陆地油田的产量偏低(平均产液量小于5立方米每天)，经济效益不高，对价格敏感，油井分布偏远和数量多且分散，单井的计量任务繁重，员工急需可以在油水不分离的状态下进行油气水三相流量实时计量手段。
采用在线实时三相流流量测量，可以实现实时精确掌握油田区块油藏分布特点、油水分布范围及动态变化规律，是制定、调整、开发方案、优化生产参数的重要依据，是油田精细化管理的需要；可以有效简化地面工艺流程、取消计量间、减人减岗、延长油气井生产寿命、提高采收率，是油田降本增效的需要；可以实现油井计量技术创新、计量业务变革，是油田数字化企业转型的发展战略需要。但是目前对于在线实时测量设备，多采用文丘里、射线、电学层析成像、微波等技术分别进行气相流量、液相流量和含水率等三相流流量关键测量参数的测量。
但是在实际应用过程中，由于油气水物性参数多样，流动过程复杂，测量手段各异，至今难以通过传统理论模型公式推导方式，构建每种测量技术与各项参数的准确数学描述模型，严重制约油气生产过程流量实时测量技术发展。同时现有测量模型多针对单一测量技术进行构建，例如：文丘里测量模型采用L-M方程用于测量三相流量的总流量、电学成像采用LBP线性反投影法测量在截面中气体含量(截面含气率)，微波采用Hanai、Boyle等方法用于测量液相流量中的含水率。上述方法在建模过程中都采用了多种假设条件限制，这使得构建的模型很难在实际生产过程中得到真正应用。同时由于上述模型的构建过程彼此是独立的，这就导致了在建立某一个模型(如基于微波的液相含水率模型)过程中不能充分利用另外文丘里和电学层析成像的测量数据来提高该项测量参数的准确性。
发明内容
1.要解决的技术问题
基于在实际应用过程中，油气水三相流由于物性参数多样，流动过程复杂，测量手段各异，至今难以通过传统理论模型公式推导方式，来构建每种测量技术与各项参数的准确数学描述模型，严重制约油气生产过程流量实时测量技术发展，同时现有测量模型多针对单一测量技术进行构建等问题。例如：文丘里测量模型采用L-M方程用于测量三相流量的总流量、电学成像采用LBP线性反投影法测量在截面中气体含量(截面含气率)，微波采用Hanai、Boyle等方法用于测量液相流量中的含水率。上述方法在建模过程中都采用了多种假设条件限制，这使得构建的模型很难在实际生产过程中得到真正应用。同时由于上述模型的构建过程彼此是独立的，这就导致了在建立某一个模型(如基于微波的液相含水率模型)过程中不能充分利用另外两种测量方式数据(文丘里和电学层析成像)来提高该项测量参数的准确的问题，同时多个测量模型协同建模时，存在模型间的迭代误差，导致最终模型准确度较差，很满满足工业应用的需求。针对上述问题，本申请提供了一种多相流量在线实时计量人工智能模型构建方法，可以实现多种测量方式的一体化模型构建，充分利用多测量数据间互补信息。
2.技术方案
为了达到上述的目的，本申请提供了一种多相流量在线实时计量人工智能模型构建方法，所述构建方法包括如下步骤：
1)采用文丘里测量设备、电学层析成像测量设备和微波测量设备协同测量信号；
2)通过深度编码-解码的方式，在无真实流量样本标签的情况下，对海量无流量标签的测量信号中最基本的构成单元信号进行提取；
3)对所述提取的测量信号最小构成单元，进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型进行构建。
本申请提供的另一种实施方式：所述步骤1)中文丘里测量设备为双差压文丘里测量设备，所述双差压文丘里测量设备集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器4组测量信号；所述电学成像传感器采用8组电极，每次获取8组电极中任意两个电极间的电信号；所述微波传感器测量流体流过微波传输线过程中的幅值和相位2组测量信号。
本申请提供的另一种实施方式：所述步骤2)中所述编码采用多层的一维卷积神经网络信号进行卷积计算，所述解码采用多层的一维卷积神经网络信号进行卷积计算。
本申请提供的另一种实施方式：所述编码-解码包括编码过程、解码过程和模型训练过程。
本申请提供的另一种实施方式：所述步骤3)中采用多层全连接深度神经网络直接从输入端到输出端进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型构建。
本申请提供的另一种实施方式：所述模型构建包括特征模型加载、有标签样本数据输入和特征提取。
本申请提供的另一种实施方式：所述人工智能识别模型构建包括特征拼接、采用全连接计算、再次采用全连接计算、再次采用全连接计算、结果输出、模型训练架构、训练参数设定和模型训练。
本申请提供的另一种实施方式：所述气相流量人工智能识别模型构建采用权重影响因子'Fn文丘里':m.,'FmECT':n，来确定不同传感器测量数据对模型影响权重。
本申请提供的另一种实施方式：所述油相流量人工智能识别模型构建权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，来确定不同传感器测量数据对模型影响权重。
本申请提供的另一种实施方式：所述水相流量人工智能识别模型构建权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，来确定不同传感器测量数据对模型影响权重。
本申请提供的另一种实施方式：所述测量信号的采集频率为1～100Hz。
3.有益效果
与现有技术相比，本申请提供的多相流量在线实时计量人工智能模型构建方法的有益效果在于：
本申请提供的多相流量在线实时计量人工智能模型构建方法，在采用文丘里、电学层析成像、微波三种测量装置组合测量的过程中，提出了一种针对油气水多相流测量的改进的人工智能识别方法，该方法可以融合多传感器信息，自动提取最优测量特征，从测量端直接到油气水三相流量端进行测量构建。该方法在降低模型构建的复杂程度的同时，实现更高的测量精度。
本申请提供的多相流量在线实时计量人工智能模型构建方法，可以充分利用大量无真实流量标签的三相流测量信号样本数据，采用深度编码-解码的人工智能技术，提取文丘里、ECT、微波测量信号的最基本构成单元。
本申请提供的多相流量在线实时计量人工智能模型构建方法，构建一种文丘里、ECT和微波多传感器测量信号融合的人工智能建模方式，实现测量技术信息的互补，并提出基于不同权重影响因子用于多相流建模过程，提高建模的准确度。
本申请提供的多相流量在线实时计量人工智能模型构建方法，构建一种从测量信号到油气水三相流量的人工智能识别模型，减少了气相流量、油相流量、水相流量模型建模过程中含气率和含水率等参数的计算，取消了中间量所引入的传递误差，降低模型的复杂程度，提高模型的测量精度。
本申请提供的多相流量在线实时计量人工智能模型构建方法，采用基于AI的多相流测量建模方式，解决了需要专业人士对每种传感设备进行自己的模型构建方式，使得模型构建更为简单高效。
本申请提供的多相流量在线实时计量人工智能模型构建方法，采用深度编码-解码的人工智能技术，实现在无流量结果标签的条件下自动提取文丘里、ECT、微波测量信号的最基本构成单元，解决传统统计数学中，由于采用如平均值、方差等限定的信号特征方法，所带来的信号特征提取的不完整情况。
本申请提供的多相流量在线实时计量人工智能模型构建方法，采用AI技术进行油气水多相流流量测量建立，解决了传统采用文丘里模型、ECT模型和微波测量模型在建模过程中各种假设条件的限制，提高了模型的测量精度。
本申请提供的多相流量在线实时计量人工智能模型构建方法，采用文丘里、ECT和微波多传感器测量信号融合的人工智能建模方式，代替传统三种传感器独立建模的弱点，实现多信息互补，进一步提高了模型的精度降低模型的复杂程度。
本申请提供的多相流量在线实时计量人工智能模型构建方法，采用从测量端(文丘里、ECT、微波测量信号)到输出端(气相流量、油相流量、水相流量)直接AI建模方式，减少了传统建模中间过程的误差，提高模型的测量精度。
附图说明
图1为本申请的编码解码过程原理示意图；
图2为本申请的特征提取过程原理示意图；
图3为本申请气相流量建模的过程示意图；
图4为本申请对油相流量建模的过程示意图；
图5为本申请水相流量建模的过程示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
现有的用于对油田生产的油气水多相流在线计量设备，主要采用多个设备组合的方式进行油气水三相流量的关键参数进行测量，通常测量的关键参数为气相流量、液相流量和含水率三个关键值。其中油气水三相的总流量测量通常采用文丘里通过差压技术，来测量油气水三相流的总流量、采用γ射线测量油气水三相的相含率，或者采用电容层析成像或者电阻抗测量管道中的截面上的含气率，采用微波等技术测量液相里面的含水率。由于γ射线自身存在放射性，在安全环保要求日益严格的今天，从放射性物质管理和生产成本方面都不具备优势。因此目前最具有优势的油气水三相不分离状态下的采用非放射在线测量技术：文丘里+电学层析成像(ECT)+微波的组合方式进行测量，其测量原理和测量方法为：
(1)流体首先经过电学层析成像传感器，利用电学层析成像技术进行界面信息扫描，采用LBP线性反投影法、Tikhonov正则化法等方法绘制出“气-液”的分布情况，比如段塞流，环流等等，电学层析成像同样提供了气液两相在截面的信息，即为截面的含气率。
(2)之后流体流入文丘里管传感器，对流体的三相总流量进行测量，其中差压式流量测量技术是基于伯努利方程，通过测量流体流经节流组件时所产生的压力差来计算流量的测量方法。早期的差压式流量测量主要应用于单相流体的测量，现有的差压文丘里流量计测量模型采用如均相模型、Murdock模型、De Leeuw模型等，这些模型的基础模型是均相流模型和分相流模型。均相流模型中，多相流被视为单相流体，即假设相间没有滑移且各相具有相同的速度；分相流模型中，各相被认为是全完分开的不可压缩的流体，彼此之间互不影响。文丘里计算的总流量与电学成像测量的截面含气率进行相乘获得气相流量和液相流量。
(3)流体经过微波传感器的时候，通过检测微波在流体中的功率衰减和相位角的偏移，采用Hanai、Boyle等模型对液相里面含水率进行测量，液相流量×含水率＝水流量、液相流量×(1-含水率)＝水流量。
(4)现有的多相流测量方法更多还会采用指定的均值、均方根、方差等限定的特征参数提取方法，对文丘里、ECT、微波数据进行特征提取后采用数据拟合的方式进行流量模型的构建。
现有的采用文丘里+ECT+微波组合方式的在线多相流量测量技术，在测量模型的构建和应用方式上存在以下缺点：
1.ECT采用一组电极片(数目常见的有8电极、12电极或16电极)，只能测量在某一时刻下流经该组电极片的截面上的管道截面含气率(G void F)。但是在实际的管道内部油气水三相流动过程中，气相和液相的流速不同(普遍气相速度大于液相速度)，这就导致了测量截面上的含气率，不能真实反映出这一时刻流经管道三相流流量中气体流量的比例(也就是体积含气率GVF(G Vol F))。在实际应用过程中，只能假设GVF＝截面含气率(Gvoid F)，但是这种假设会导致截面含气率会对文丘里计算气相流量和液相流量带来较大的误差，尤其在管道中含气量越高，截面含气率与体积含气率的误差就越大。
2.文丘里差压测量模型存在误差，目前通过测量流体流经节流组件时所产生的压力差来计算流量的测量，该测量技术中的测量模型在建立过程中，首先假设气体和液体是完全混合均匀的或者气体和液体完全分层，同时要求各相流体的流速一致的前提下，测量三相流量的总流量。但是实际过程中气相和液相存在如泡状、分层、弹状、段塞、环状等多种流动组合方式，气相和液相流速不同，表面存在很大的滑差。这样采用均相模型、Murdock模型、DeLeeuw模型进行实际应用就存在很大的误差。
3.微波测量液相流量中含水率的方法同样存在测量不准的问题，其原因为采用Hanai、Boyle方法进行测量模型构建时，假设条件为管道中只有油水两相流体，但是实际过程中，管道中含有气相时，会对含水率的测量结果产生很大的影响。
4.上述三种测量传感器测量模型构建过程中彼此独立构建模型，没有充分利用彼此间的有用信息，例如在对ECT计算GVF时没有采用文丘里数据，就无法获得准确的体积含气率GVF。
5.目前的三相流流量测量方式，在测量体积含气率(GVF)、三相总流量和液相含水率时已经引入了误差。再进行气相流量＝三相总流量×GVF，液相流量＝三相总流量×(1-GVF)计算时，则会叠加了总流量误差和GVF误差，使得测量结果进一步放大，同时在进行油相和水相测量时还会进一步引入含水率误差。这就导致最后得到的油气水三相流量的测量误差过大。
6.现有的多相流测量传感器信号提取方法多采用指定的均值、均方根、方差等限定的特征参数提取方法，这种方法不能很好的识别多变工况和不同类型油井测量信号。影响模型构建准确度。
7.在采用拟合曲线方式进行建模时，必须采用有标准计量装置获取的真实流量样本标签，采用构建文丘里+ECT+微波测量信号与三相流量间的关系模型，然而实际在模型构建过程中，往往只有少量的带流量标签的测试数据用于建模，更多的是无流量标签的测量数据。这导致了大量样本数据的浪费。
8.模型构建复杂，每种传感设备都有自己的模型构建方式，使得需要专业人士才能实现模型的构建。
9.建立油气水三相流量测量模型，需要含有大量真实流量标签的多相流测量信号进行模型的构建，但是实际过程中，我们在油田现场测试过程中只有少量的通过分离罐标定的真实流量标签，然而绝大部分情况时只有我们三相流量计(文丘里、ECT和微波)采集到的传感器测量信号。由于样本标签少，从而导致无法满足正常情况下深度学习等人工智能算法所需要的海量有标签样本进行模型构建。
参见图1～5，本申请提供一种多相流量在线实时计量人工智能模型构建方法，所述构建方法包括如下步骤：
1)采用文丘里测量设备、电学层析成像测量设备和微波测量设备协同测量信号；
2)通过深度编码-解码的方式，在无真实流量样本标签的情况下，对所述文丘里、电学层析成像和微波测量信号中最基本的构成单元信号进行提取，提取的特征单元信号具有维度低，更具有代表性，可最大程度表征原始信号；
3)对所述深度编码-解码提取的测量信号最小构成单元，在少量有流量标签的样本上进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型构建，由于编码-解码过程为不需要样本标签的无监督学习过程，因此可以将在海量无标签样本训练好的模型加载到具有少量样本标签的流量测量建模的过程中，充分利用海量无标签样本价值，实现在少量样本上构建高精度流量测量模型的精度。
采用自动编码-解码的深度学习方式，定义x为输入信号，r为输出信号，h＝f(x)表示为编码器，r＝g(h)为解码器，编码和解码都采用多层的一维卷积神经网络信号进行卷积计算，通过多次的计算可以实r＝g(f(x))＝x过程，即编码后的信号，通过解码后得到输出信号(r)与输入信号(x)相同或者相近，则认为编码后的h＝f(x)保留了输入x信号的绝大部分信息。同时由于编码过程是一个特征提取过程，因此编码后的h具有信号维度低，更具有代表性等特点。
进一步地，所述步骤1)中文丘里测量设备为双差压文丘里测量设备，所述双差压文丘里测量设备集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器4组测量信号，定义为P，DP1，DP2，T)；所述电学成像传感器采用8组电极，每次获取8组电极中任意两个电极间的电信号，总计(8×7)/2＝28组信号；所述微波传感器测量流体流过微波传输线过程中的幅值和相位2组测量信号，分别定义为MW1和MW2。
进一步地，所述步骤2)中所述编码采用多层的一维卷积神经网络信号进行卷积计算，所述解码采用多层的一维卷积神经网络信号进行卷积计算。
进一步地，所述编码-解码包括编码过程、解码过程和模型训练过程。
编码过程：
第一步，样本输入input_x(shape＝(m,n))，其中input_x为输入信号，shape＝(m,n)为输入信号格式，m为信号在时间上的长度，n为测量信号的种类，如文丘里：n＝4(为P，DP1，DP2，T共计4组测量信号)；ECT：n＝28；微波：n＝2。
第二步，一维卷积处理，Conv1D(f,s,relu)，对输入的input_x信号采用一维卷积网络进行信号的卷积处理(多相流测量信号为一维的波动信号，与图像二维/三维信号不同，因此本专利提出采用一维卷积进行计算，一维卷积减少了模型的计算量)，f为卷积的数量，s为卷积步长，f,s可在一定范围内选定。'relu'为卷积网络的激活函数。
第三步，再次采用一维卷积处理，Conv1D(f,s,'relu')，对上一步卷积处理后的特征再进行深度提取，提取方法相同。
第四步，降采样处理，MaxPooling1D(k)，对上一步信号中进行降采样处理，即相邻k个特征中取其中最大值，实现特征的压缩，其中k可以在一个范围内取值。
第五步，再次采用一维卷积处理，Conv1D(f,s,'relu')，再次对上速压缩信号进行特征提取
第六步，降采样处理，Model1＝MaxPooling1D(k)，再次对上述卷积特征提取信号进行降采样处理，到此过程则完成了对信号的编码压缩过程，其中Model1输出结果则为通过编码压缩后的测量信号的基本特征。
解码过程：
第一步，采用一维卷积处理Conv1D(f1,s1,'relu')(Model1)，对编码后的Model1进行反向的高维的卷积特征提取。
第二步，升采样，UpSampling1D(k1)，对卷积后的特征信息采用升采样方式进行卷积数据特征的扩充。k1为沿着时间轴重复每个时间步k1次。
第三步，再次采用一维卷积处理，Conv1D(f1,s1,'relu')，再次采用一维卷积进行卷积特征计算。
第四步，再次采用一维卷积处理，Conv1D(f1,s1,'relu')，再次采用一维卷积进行卷积特征计算。
第五步，升采样，UpSampling1D(k1)，再次采用升采样方式进行卷积数据特征的扩充。
第六步，再次采用一维卷积处理Model2＝Conv1D(f1,s1,'relu')，到此过程则完成了对信号的解码过程。其中通过本次设定的f1,s1需要保证Model2的输出格式与input_x＝Input(shape＝(m,n))输入格式保持一致。Model2为解码后的信号。
模型的训练过程：
第一步，Model_run＝Model(inputs＝input_x,outputs＝Model2)，定义整个训练模型为Model_run。其中模型输入为input_x,输出为Model2。
第二步，Model_run.compile(optimizer＝'adam',loss＝'mse')，采用'adam'作为模型训练过程中的优化算法，采用'mse'作为模型全局损失函数。
第三步，生成不同类别模型。Model_文丘里、Model_ECT、Model_微波。按照上述方法，分别将海量的无标签的原始文丘里、ECT和微波输入数据代入Model进行训练，则可分别得到文丘里、ECT和微波传感器对应的特征提取模型：Model_文丘里、Model_ECT、Model_微波。自此完成了文丘里、ECT和微波信号最基本的构成单元信号进行提取过程。
经过上述的编码-解码过程可以使得经过卷积特征提取后编码后的Model1模型，再经过解码后可以还原成原始信号。因此对于已有的大量无流量标签的测量数据采用Model1人工智能模型进行编码，可以提取文丘里、电学成像、微波测量信号的最基本构成单元，这些最小构成单元构成不同流量的测量信号，为测量模型的构建提供了测量信号特征。
进一步地，所述步骤3)中采用多层全连接深度神经网络直接从输入端到输出端进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型构建。
进一步地，所述模型构建包括特征模型加载、有标签样本数据输入和特征提取。
第一步，特征模型加载，Load.model(Model_文丘里、Model_ECT、Model_微波)。分别将分别作为一路输入信号，共计三路输入信号。加载采用没有样本标签的文丘里-ECT-微波传感器测量信号，在编码-解码过程训练好的编码过程的Model1模型，分别为：Model_文丘里、Model_ECT、Model_微波，作为有标签样本训练样本的特征提取模型。
第二步，有标签样本数据输入，input_x(shape＝(m,n))。分别输入文丘里、ECT、微波信号。其中input_x为输入信号，shape＝(m,n)为输入信号格式，m为信号时间序列长度，n为信号的纬度，如文丘里：n＝4；ECT：n＝28；微波：n＝2。
第三步，特征提取F_out＝Model(input_x)，其中input_x分别代表了文丘里、ECT、微波信号，直接采用已经训练好的模型Model，每路信号依次独立计算出提取Fn文丘里、FmECT、Fk微波测量参数。n,m,k分别为文丘里、ECT、微波参数特征提取的数量)在此已经完成特征提取过程。
进一步地，所述人工智能识别模型构建包括特征拼接、采用全连接计算、再次采用全连接计算、再次采用全连接计算、结果输出、模型训练架构、训练参数设定和模型训练。
(1)气相流量AI识别建模过程
第一步，特征拼接：concatenate([Fn文丘里、FmECT])，因为气相流量只跟文丘里数据和ECT数据有关，因此在气相流量建模过程中需要将Fn文丘里和FmECT(文丘里提起信号和ECT提取信号)进行拼接后作为输入张量给入模型。
第二步，采用全连接计算，Dense(k_gas1,'relu')，对输入张量采用全连接网络映射到k_gas1维空间，激活函数为relu。
第三步，再次采用全连接计算，Dense(k_gas2,'relu')，对上述输出的k_gas1维空间张量再次作为输入张量采用全连接网络映射到k_gas2维空间。
第四步，再次采用全连接计算，Dense(k_gas3,'relu')，对上述输出的k_gas2维空间张量再次作为输入张量采用全连接网络映射到k_gas3维空间。
第五步，结果输出，Qgas_output＝Dense(1,'initial')，对上述输出的k_gas3维空间张量再次作为输入张量采用全连接网络映射到1维空间所对应的样本气相流量(Qgas_out),此处需要采用'initial'作为模型的激活函数。
第六步，模型训练架构，model_Qgas＝Model(inputs＝[Fn文丘里、FmECT],outputs＝[Qgas_output])，构建模型输入输出框架，其中输入采用Fn文丘里、FmECT双输入参数，输出采用Qgas_output单输出参数。
第七步，训练参数设定，model.compile(optimizer＝'adam',loss＝['mse','mae'],loss_weights＝{'Fn文丘里':m.,'FmECT':n}),设定模型构建中的超参数，采用'adam'作为模型的优化函数，采用['mse','mae']作为模型的训练过程的损失函数，鉴于文丘里数据和ECT数据对训练最优模型的影响的重要程度，本专利引入了权重影响因子'Fn文丘里':m.,'FmECT':n，来确定不同传感器测量数据对模型影响权重。
第八步，模型训练，model_Qgas.fit(x_train,y_gas_train)，对构建模型进行训练，训练样本标签为真实气相流量标签。
在此完成了对气相流量建模的过程。
(2)油相流量A1识别建模过程
第一步，特征拼接，concatenate([Fn文丘里、FmECT、Fk微波])，因为油相流量跟文丘里数据、ECT数据和微波数据有关，因此在油相流量建模过程中需要将Fn文丘里、FmECT和Fk微波(文丘里提取信号、ECT提取信号和微波提取信号)进行拼接后作为输入张量给入模型。
第二步，采用全连接计算，Dense(k_oil1,'relu')，对输入张量采用全连接网络映射到k_oil1维空间。
第三步，再次采用全连接计算：Dense(k_oil2,'relu')，对上述输出的k_oil1维空间张量再次作为输入张量采用全连接网络映射到k_oil2维空间。
第四步，再次采用全连接计算：Dense(k_oil3,'relu')，对上述输出的k_oil2维空间张量再次作为输入张量采用全连接网络映射到k_oil3维空间。
第五步，结果输出：Qoil_output＝Dense(1,'initial')，对上述输出的k_oil3维空间张量再次作为输入张量采用全连接网络映射到1维空间所对应的样本气相流量(Qoil_out),此处需要采用'initial'作为模型的激活函数。
第六步，模型训练架构，model_Qoil＝Model(inputs＝[Fn文丘里、FmECT、Fk微波],outputs＝[Qoil_output])，构建模型输入输出框架，其中输入采用Fn文丘里、FmECT、Fk微波三输入参数，输出采用Qoil_output单输出参数。
第七步，训练参数设定，model.compile(optimizer＝'adam',loss＝['mse','mae'],loss_weights＝{'Fn文丘里':m.,'FmECT':n,Fk微波:k})，设定模型构建的中超参数，采用'adam'最为模型的优化函数，采用['mse','mae']作为模型的训练过程的损失函数，鉴于丘里数据和ECT数据对训练最优模型的影响的重要程度，本专利引入了权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，给出了不同传感器对模型影响权重。
第八步，模型训练，model_Qoil.fit(x_train,y_oil_train)，对构建模型进行训练，训练样本标签为真实油相流量标签。
在此完成了对油相流量建模的过程。
(3)水相流量A1识别建模过程
第一步，模型拼接，concatenate([Fn文丘里、FmECT、Fk微波])，鉴于水相流量也跟文丘里数据、ECT数据和微波数据有关，因此在水相流量建模过程中也需要将Fn文丘里、FmECT和Fk微波(文丘里提取信号、ECT提取信号和微波提取信号)进行拼接后作为输入张量给入模型。
第二步，采用全连接计算，Dense(k_water1,'relu')，对输入张量采用全连接网络映射到k_water 1维空间。
第三步，再次采用全连接计算，Dense(k_water2,'relu')，对上述输出的k_water1维空间张量再次作为输入张量采用全连接网络映射到k_water2维空间。
第四步，再次采用全连接计算，Dense(k_water3,'relu')，对上述输出的k_water2维空间张量再次作为输入张量采用全连接网络映射到k_water3维空间
第五步，结果输出，Qoil_output＝Dense(1,'initial')，对上述输出的k_water3维空间张量再次作为输入张量采用全连接网络映射到1维空间所对应的样本水相流量(Qwater_out),此处需要采用'initial'作为模型的激活函数。
第六步，模型训练架构，model_Qwater＝Model(inputs＝[Fn文丘里、FmECT、Fk微波],outputs＝[Qwater_output])，构建模型输入输出框架，其中输入采用Fn文丘里、FmECT、Fk微波三输入参数，输出采用Qwater_output单输出参数。
第七步，训练参数设定，model.compile(optimizer＝'adam',loss＝['mse','mae'],loss_weights＝{Fn文丘里:m,FmECT:n,Fk微波:k})，设定模型构建中的超参数，采用'adam'最为模型的优化函数，采用['mse','mae']作为模型的训练过程的损失函数，鉴于丘里数据和ECT数据对训练最优模型的影响的重要程度，本专利引入了权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，给出了不同传感器对模型影响权重。
第八步，模型训练，model_m.fit(x_train,y_water_train)，对构建模型进行训练，训练样本标签为真实水相流量标签。
在此完成了对水相流量建模的过程。
进一步地，所述气相流量人工智能识别模型构建采用权重影响因子'Fn文丘里':m.,'FmECT':n，来确定不同传感器测量数据对模型影响权重。
进一步地，所述油相流量人工智能识别模型构建权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，来确定不同传感器测量数据对模型影响权重；
进一步地，所述水相流量人工智能识别模型构建权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，来确定不同传感器测量数据对模型影响权重。
进一步地，所述测量信号的采集频率为1～100Hz。
本申请基于无流量结果标签的条件下采用深度编码-解码的人工智能技术，自动提取文丘里、电学成像、微波测量信号的最基本构成单元。
本申请基于大量无流量样本标签和少量有流量样本标签条件下，采用深度编码-解码和多层全连接网络相结合的AI技术的油气水三相流量的人工智能识别模型方法。
本申请提出采用一维卷积进行文丘里、ECT、微波信号计算，一维卷积减少了模型的计算量。
本申请通过设定不同传感器测量数据在模型构建过程中的权重影响因子实现模型的构建的高精度。
本申请提及的从多传感器测量端到油气水三相流量端建模过程。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种多相流量在线实时计量人工智能模型构建方法，其特征在于：所述构建方法包括如下步骤：
1)采用文丘里测量设备、电学层析成像测量设备和微波测量设备协同测量信号；
2)通过深度编码-解码的方式，在无真实流量样本标签的情况下，对所述文丘里测量信号、电学层析成像测量信号和微波测量信号中最基本的构成单元信号进行提取；
3)对所述提取的测量信号最小构成单元，进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型构建。
2.如权利要求1所述的方法，其特征在于：所述步骤1)中文丘里测量设备为双差压文丘里测量设备，所述双差压文丘里测量设备集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器4组测量信号；所述电学成像传感器采用8组电极，每次获取8组电极中任意两个电极间的电信号；所述微波传感器测量流体流过微波传输线过程中的幅值和相位2组测量信号。
3.如权利要求1所述的方法，其特征在于：所述步骤2)中所述编码采用多层的一维卷积神经网络信号进行卷积计算，所述解码采用多层的一维卷积神经网络信号进行卷积计算。
4.如权利要求3所述的方法，其特征在于：所述编码-解码包括编码过程、解码过程和模型训练过程。
5.如权利要求1所述的方法，其特征在于：所述步骤3)中采用多层全连接深度神经网络直接从输入端到输出端进行测量信号与气相流量、油相流量、水相流量的人工智能识别模型构建。
6.如权利要求5所述的方法，其特征在于：所述模型构建包括特征模型加载、有标签样本数据输入和特征提取。
7.如权利要求6所述的方法，其特征在于：所述人工智能识别模型构建包括特征拼接、采用全连接计算、再次采用全连接计算、再次采用全连接计算、结果输出、模型训练架构、训练参数设定和模型训练。
8.如权利要求6所述的方法，其特征在于：所述气相流量人工智能识别模型构建采用权重影响因子'Fn文丘里':m.，'FmECT':n，来确定不同传感器测量数据对模型影响权重。
9.如权利要求6所述的方法，其特征在于：所述油相流量人工智能识别模型构建权重影响因子Fn文丘里:m.，FmECT:n，Fk微波:k，来确定不同传感器测量数据对模型影响权重。
10.如权利要求6所述的方法，其特征在于：所述水相流量人工智能识别模型构建权重影响因子Fn文丘里:m.,FmECT:n,Fk微波:k，来确定不同传感器测量数据对模型影响权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010166340.7A CN111460625B (zh) | 2020-03-11 | 2020-03-11 | 一种多相流量在线实时计量人工智能模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010166340.7A CN111460625B (zh) | 2020-03-11 | 2020-03-11 | 一种多相流量在线实时计量人工智能模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460625A true CN111460625A (zh) | 2020-07-28 |
| CN111460625B CN111460625B (zh) | 2023-04-18 |
Family
ID=71685749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010166340.7A Active CN111460625B (zh) | 2020-03-11 | 2020-03-11 | 一种多相流量在线实时计量人工智能模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460625B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112452565A (zh) * | 2020-11-02 | 2021-03-09 | 海默新宸水下技术(上海)有限公司 | 多相流测定用旋流器以及测定系统 |
| CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
| CN113389540A (zh) * | 2021-06-16 | 2021-09-14 | 深圳市联恒星科技有限公司 | 一种多相流流体测量系统 |
| CN114964396A (zh) * | 2022-05-18 | 2022-08-30 | 清华大学深圳国际研究生院 | 一种基于ert和emf测量油气水三相流液相流量的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503800A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于复杂网络的深度学习模型及在测量信号分析中的应用 |
| CN106840294A (zh) * | 2017-04-07 | 2017-06-13 | 深圳市联恒星科技有限公司 | 一种多相流计量检测系统 |
| CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
-
2020
- 2020-03-11 CN CN202010166340.7A patent/CN111460625B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503800A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于复杂网络的深度学习模型及在测量信号分析中的应用 |
| CN106840294A (zh) * | 2017-04-07 | 2017-06-13 | 深圳市联恒星科技有限公司 | 一种多相流计量检测系统 |
| CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112452565A (zh) * | 2020-11-02 | 2021-03-09 | 海默新宸水下技术(上海)有限公司 | 多相流测定用旋流器以及测定系统 |
| CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
| CN113389540A (zh) * | 2021-06-16 | 2021-09-14 | 深圳市联恒星科技有限公司 | 一种多相流流体测量系统 |
| CN113389540B (zh) * | 2021-06-16 | 2022-01-11 | 深圳市联恒星科技有限公司 | 一种多相流流体测量系统 |
| CN114964396A (zh) * | 2022-05-18 | 2022-08-30 | 清华大学深圳国际研究生院 | 一种基于ert和emf测量油气水三相流液相流量的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460625B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460625B (zh) | 一种多相流量在线实时计量人工智能模型构建方法 | |
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| Bahrami et al. | Estimation of flow rates of individual phases in an oil-gas-water multiphase flow system using neural network approach and pressure signal analysis | |
| Lu et al. | A multiresolution approach to reservoir parameter estimation using wavelet analysis | |
| CN109155064A (zh) | 自动化岩心描述 | |
| CN109507733A (zh) | 一种预测烃源岩有机质丰度的方法及装置 | |
| SA516371895B1 (ar) | تحديد نظام تدفق للتدفقات متعددة الأطوار عن طريق التمييز الظاهري والتصنيف الافتراضي | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN103946896A (zh) | 利用基于过程的模型和动态异质性估定感兴趣的地质体积的异质性的系统及方法 | |
| Golshan et al. | Assessing aquifer salinization with multiple techniques along the southern caspian sea shore (Iran) | |
| Duan et al. | Dual modality EIT-UTT for water dominate three-phase material imaging | |
| Muller et al. | Deep-tomography: iterative velocity model building with deep learning | |
| CN110671092A (zh) | 油气产能检测方法及系统 | |
| Liu et al. | Bathymetry inversion using a deep‐learning‐based surrogate for shallow water equations solvers | |
| Gryzlov et al. | Novel methods for production data forecast utilizing machine learning and dynamic mode decomposition | |
| Rosenberry et al. | Variable seepage meter efficiency in high-permeability settings | |
| CN114165216A (zh) | 一种单井连续多相流量计量系统、存储介质和计算机设备 | |
| Mercante et al. | Virtual Multiphase Flowmeter Using Deep Convolutional Neural Networks | |
| CN111222229B (zh) | 气液两相流动态流动过程的瞬时流量测量模型构建方法 | |
| CN116384280A (zh) | 物理差分卷积神经网络多相渗流模拟方法、装置及介质 | |
| Bao et al. | A deep neural network based feature learning method for well log interpretation | |
| Zhu et al. | Full reproduction of surface dynamometer card based on periodic electric current data | |
| Rastegarnia et al. | Prediction of electrofacies based on flow units using NMR data and svm method: A case study in cheshmeh khush field, southern iran | |
| Abdimanap et al. | Enhancing Core Image Classification Using Generative Adversarial Networks (GANs) | |
| US20050044965A1 (en) | Water cut meter for measurement of water in crude oil-magnetic |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200903 Address after: 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili street Shenzhen University Tsinghua Campus A building two floor Applicant after: Tsinghua Shenzhen International Graduate School Address before: Tsinghua Shenzhen International Graduate School Applicant before: Tsinghua Shenzhen International Graduate School Applicant before: SHENZHEN LEENGSTAR TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |