CN111649779B - 基于密集神经网络的油井含油率和总流速测量方法及应用 - Google Patents

基于密集神经网络的油井含油率和总流速测量方法及应用 Download PDF

Info

Publication number
CN111649779B
CN111649779B CN202010481479.0A CN202010481479A CN111649779B CN 111649779 B CN111649779 B CN 111649779B CN 202010481479 A CN202010481479 A CN 202010481479A CN 111649779 B CN111649779 B CN 111649779B
Authority
CN
China
Prior art keywords
layer
convolution
neural network
oil
dense neural
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.)
Active
Application number
CN202010481479.0A
Other languages
English (en)
Other versions
CN111649779A (zh
Inventor
高忠科
侯林华
曲志勇
马超
马文庆
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.)
Tianjin Furuilong Metal Products Co ltd
Tianjin University
Original Assignee
Tianjin Furuilong Metal Products Co ltd
Tianjin University
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 Tianjin Furuilong Metal Products Co ltd, Tianjin University filed Critical Tianjin Furuilong Metal Products Co ltd
Priority to CN202010481479.0A priority Critical patent/CN111649779B/zh
Publication of CN111649779A publication Critical patent/CN111649779A/zh
Application granted granted Critical
Publication of CN111649779B publication Critical patent/CN111649779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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

Abstract

一种基于密集神经网络的油井含油率和总流速测量方法及应用，包括：利用四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，并为训练集、验证集、测试集；构建密集神经网络模型；根据不同的训练阶段使用不同标签进行训练，完成全部训练阶段后，整合得到的密集神经网络模型进行参数测量；对密集神经网络模型进行优化、训练以及参数调整，得到当前架构不同阶段的最优的密集神经网络模型，进行组合完成参数测量。本发明可以实时精确测量井口环境下油水两相流的含油率及总流速。

Description

基于密集神经网络的油井含油率和总流速测量方法及应用
技术领域
本发明涉及一种油井含油率及总流速多参数测量方法。特别是涉及一种基于密集神经网络的油井含油率和总流速测量方法及应用。
背景技术
油水两相流广泛存在于油气的开采、运输、加工等工业领域中。在油水两相流系统下，两相介质由于密度、粘度等性质的差异，它们在管道中的分布存在空间和时间两方面的变化，形成了特定的流动形态，即流型。随着两相流系统中流型的变化，整体流动信息也随之不断改变，导致其关键的流动参数(相流速、相含率等)也处于剧烈变化中，且相关流动参数也处在强烈的耦合状态中，任一参数的改变均会对其他参数造成影响。这为油水两相流中流动参数的精确测量带来了诸多困难，使相关油气工业的发展受到了影响。当前，井口参数确定的主流方法是通过单位时间内对开采样品进行人工化验，从而获取当前样品的含油率，根据样品质量获取总流速。但这种方法误差大，精度低，且存在较大的时间延迟。构建井口管道内流体信号和流动参数的模型，即可利用该模型对不同流体信号的流动参数进行测量，并从流体信号获取和模型优化两个角度对模型不断优化，提升模型的性能。传统的环形电导传感器和双螺旋电容传感器等，仅包含单通道的流体信息，且无法精确反应流动结构。而分布式的电导传感器设计则可以获取更加丰富的空间信息，通过多通道信号更加精准地反应流动状态，为流动参数的精确测量提供了技术支持。
深度学习方法通过对人脑处理机制的模拟，利用人工神经元的集成来完成大规模的非线性计算，是当前技术背景下实现人工智能的重要方法。随着相应优化问题的逐步解决，深度学习方法近年来在众多领域上取得了成功。密集神经网络作为当前深度学习方法中表现出色的一种模型，凭借不同层之间的便捷连接，实现了全局范围内的特征重复利用，深层次地挖掘了特征的有效信息，极大提升了模型的表现，进一步的推动了图像分类、自然语言处理等方面的进步。同时，对密集连接网络的改进也在提升其自身的性能，通过考察网络中全体连接的冗余性、不同类型连接的作用、便捷连接施加位置等手段，促进了密集连接网络的进步。相比于其他方法，密集连接网络可以对特征进行多次的分析利用，最大限度地发挥提取特征的作用，通过多次的非线性提取，充分分析原始信号中的非线性特性，在复杂信号的处理中有重要作用。
发明内容
本发明所要解决的技术问题是，提供一种用于从井口开采的实际环境中测量油水两相流的含油率及总流速的基于密集神经网络的油井含油率和总流速测量方法及应用。
本发明所采用的技术方案是：一种基于密集神经网络的油井含油率和总流速测量方法，包括如下步骤：
1)利用四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；
2)构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，再将80％样本作为训练集，10％样本作为验证集，剩余的10％样本作为测试集；
3)构建密集神经网络模型，用于完成流体数据的特征提取和流动参数预测；
4)划分不同的训练阶段，根据不同的训练阶段使用不同标签进行训练，完成全部训练阶段后，整合得到的密集神经网络模型进行参数测量；
5)对密集神经网络模型进行优化、训练以及参数调整，在不同阶段下，得到当前架构的最优的密集神经网络模型，并将不同阶段得到的最优的网络模型，进行组合完成参数测量。
一种基于密集神经网络的油井含油率和总流速测量方法的应用，包括如下步骤：
1)开启四扇区电导传感器，测量井口油气管道中油水两相流的流体数据，上传至上位机，根据所述的基于密集神经网络的油井含油率和总流速测量方法获取当前时刻样本；
2)将当前时刻样本作为第一训练阶段密集神经网络模型的输入，通过密集神经网络模型的计算分析得到当前样本所属的流动结构；
3)根据所属的流动结构，选择第二训练阶段中对应的密集神经网络模型，将样本输入到所述的密集神经网络模型中，通过计算分析得到当前样本的含油率及总流速输出；
4)把含油率及总流速输出与对应的样本进行关联，作为当前的处理信息存储到上位机中；
5)重复步骤2)～4)，不断地实时获取样本对应的含油率及总流速值，作为当前井口油气管道的状态信息存储，直到关闭四扇区电导传感器，分析历史数据得到测量时间内总体的含油率及总流速。
本发明的基于密集神经网络的油井含油率和总流速测量方法及应用，在网络模型的基础上，与四扇区电导传感器结合，通过四扇区电导传感器获取流体信号，综合构建了油井含油率及总流速多参数测量系统，并通过密集神经网络处理信号中的空间信息和时域特征，得到与流体信号相对应的两种关键的流动参数(含油率及总流速)，并将参数信息在系统中保存，进一步分析得到测量时间内的产量和含率，为解决井口环境下油水两相流的参数测量问题提供了有益的思路，可以实时精确测量井口环境下油水两相流的含油率及总流速。
附图说明
图1是本发明的基于密集神经网络的油井含油率和总流速测量方法的流程示意图；
图2是本发明的获取不同工况流体数据的四扇区电导传感器示意图；
图中，1～4：激励电极；5～8：信号采集电极；
图3是本发明的测量含油率和总流速密集密集神经网络模型的构建流程图；
图4是本发明的分阶段训练和预测过程示意图；
图5是本发明的测量含油率和总流速的密集密集神经网络模型的整体架构。
具体实施方式
下面结合实施例和附图对本发明的基于密集神经网络的油井含油率和总流速测量方法及应用做出详细说明。
如图1所示，本发明的基于密集神经网络的油井含油率和总流速测量方法，包括如下步骤：
1)利用四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；包括：
(1)通过法兰，将如图2所示的安装有四扇区电导传感器的透明管段与井口油气管道完成连接，采集井口油气管道中不同工况的油水两相流的流体数据，本发明实施例的测量时间为20min，传感器采样频率为2000Hz，上传至上位机保存；
(2)使用高速摄像仪记录透明管段处不同工况的油水两相流图像，确定所采集的流体数据的流型，作为流动结构标签，并在流动结构标签下细分子流动结构标签；
(3)收集四扇区电导传感器工作时间内，流经透明管段的油水样品，得到油水样品的含油率标签及体积，根据油井特性确定含油率的整体范围，在整体范围中以2％含油率为阶梯点，选取流体数据用于后续模型训练，根据油水样品的体积和采集时间，确定油水样品的总流速标签。
2)构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，再将80％样本作为训练集，10％样本作为验证集，剩余的10％样本作为测试集；包括：
(1)对获得的不同工况下长度为L的流体数据分别进行预处理，公式如下：
Figure BDA0002517563490000031
其中，
Figure BDA0002517563490000032
为第j扇区的第i个流体数据，
Figure BDA0002517563490000033
和
Figure BDA0002517563490000034
分别为第j扇区流体数据的平均值和标准差，
Figure BDA0002517563490000035
为预处理后的第j扇区的第i个流体信号；
(2)通过有重叠的滑动窗口来截取每一工况的流体数据作为单个样本，样本的标签与原流体数据标签相同，所述的原流体数据标签是指：流动结构标签、总流速标签和含油率标签；设滑动窗口的长度为M，重叠率为Po，则单个样本为M×4的二维矩阵，在长度为L的流体信号中得到
Figure BDA0002517563490000036
个样本，其中，
Figure BDA0002517563490000037
代表向下取整，共得到所有工况下流体数据的N个样本；
在本发明实施例中，采用的滑动窗口长度为3000，重叠率为35％，则单个样本为3000×4的二维矩阵，在长度为L的信号中可截取1230个样本，18个工况总计获取22140个数据样本。
(3)随机将N个样本中的80％作为训练集，10％作为验证集，剩余的10％作为测试集。
3)构建密集神经网络模型，用于完成流体数据的特征提取和流动参数预测；所述的密集神经网络模型。如图3所示，根据样本的空间信息和时域构建19层的密集神经网络模型，包括3个卷积模块和1个多任务输出模块，其中，第1～5层为第一卷积模块，第6～10层为第二卷积模块，第11～15层为第三卷积模块，第16～19层为多任务输出模块。如图5所示，所述的密集神经网络模型中：
A)所述的第一卷积模块、第二卷积模块和第三卷积模块结构相同，均包括有依次连接的：第一时间卷积层、第二时间卷积层、空间卷积层、池化层和丢弃层；其中，
(1)所述的第一时间卷积层、第二时间卷积层，用于沿着时间维度对四通道的样本进行滤波，提取时域特征，每个时间卷积层使用
Figure BDA0002517563490000041
个卷积核，其中k＝1,2,3，分别对应第一卷积模块、第二卷积模块和第三卷积模块，每个卷积核与输入样本进行卷积操作后得到不同的特征图，每个时间卷积层获得
Figure BDA0002517563490000042
个特征图，时间卷积层的公式如下：
Figure BDA0002517563490000043
Figure BDA0002517563490000044
其中，
Figure BDA0002517563490000045
为时间卷积层的输入，
Figure BDA0002517563490000046
为时间卷积层输出的特征图，fT为时间卷积层的激活函数，kT为时间卷积层的卷积核中点的索引，GT为时间卷积层输入的特征维度，gT为时间卷积层输入的特征索引，
Figure BDA0002517563490000047
和
Figure BDA0002517563490000048
分别为时间卷积层中第pT个卷积核和偏置，LeT和StT分别为时间卷积层卷积核的大小和步长，subT是时间卷积层输入的下标简写，mT,nT为时间卷积层提取的特征的位置索引；
通过补0的方式对边界值进行扩充，则每个特征图大小为IT/StT×ST，其中IT,ST是时间卷积层输入的尺寸维度；对卷积后的特征通过批量归一化处理以加速收敛；
在本发明实施例中，时间卷积层采用的卷积核大小为3，步长为1，激活函数为Relu。其中，第一卷积模块中时间卷积层使用16个卷积核，第二卷积模块中时间卷积层使用32个卷积核，第三卷积模块中时间卷积层使用64个卷积核。
(2)所述的空间卷积层，用于沿着空间维度对四通道的样本进行整合，得到空间信息，空间卷积层使用
Figure BDA0002517563490000049
个卷积核，其中k＝1,2,3，分别对应第一卷积模块、第二卷积模块和第三卷积模块，
Figure BDA00025175634900000410
个卷积核对输入的特征图进行整合，共计获得
Figure BDA00025175634900000411
个特征图，空间卷积层的公式如下：
Figure BDA00025175634900000412
Figure BDA00025175634900000413
其中，
Figure BDA00025175634900000414
为空间卷积层的输入，
Figure BDA00025175634900000415
为空间卷积层输出的特征图，fC为空间卷积层的激活函数，kC为空间卷积层的卷积核中点的索引，GC为空间卷积层输入的特征维度，gC为空间卷积层输入的特征索引，
Figure BDA00025175634900000416
和
Figure BDA00025175634900000417
分别为空间卷积层中第pC个卷积核和偏置，LeC和StC分别为空间卷积层卷积核的大小和步长，subC是空间卷积层输入的下标简写，mC,nC为空间卷积层提取的特征的位置索引；
通过补0的方式对输入的边界值进行扩充，则每个特征图大小为IC/StC×SC，其中IC,SC是空间卷积层输入的尺寸维度，对卷积后的特征图进行批量归一化处理以加速收敛；
在本发明实施例中，空间卷积层采用的卷积核大小为4，步长为1，激活函数为Relu。其中，第一卷积模块中空间卷积层使用16个卷积核，第二卷积模块中空间卷积层使用32个卷积核，第三卷积模块中空间卷积层使用64个卷积核。
(3)所述的池化层，用于通过选择池化区域内的代表数值来降低特征图的维度，去除冗余信息，简化后续计算，其中，
(3.1)第一卷积模块和第二卷积模块中的池化层结构相同，采用最大池化层，公式如下：
Figure BDA0002517563490000051
其中，
Figure BDA0002517563490000052
为最大池化层输出的特征，
Figure BDA0002517563490000053
为最大池化层的输入，LeM为最大池化层池化核的大小，gM,mM,nM为最大池化层特征的索引，kM为最大池化核中点的索引，max{...}表示获取集合中最大值；
在本发明实施例中，最大池化层采用的池化核大小为2；
(3.2)第三卷积模块中的池化层采用平均池化层，公式描述如下；
Figure BDA0002517563490000054
其中，
Figure BDA0002517563490000055
为平均池化层输出的特征，
Figure BDA0002517563490000056
为平均池化层的输入，LeA为平均池化层池化核的大小，gA,mA,nA为L14层特征的索引，kA为平均池化核中点的索引；
在本发明实施例中，平均池化层采用的池化核大小为5；
(4)丢弃层，用于按照设定的丢弃率随机丢弃一部分神经元及其连接，迫使密集神经网络模型去学习更加全局性的特征，是一种能够有效控制过拟合问题的正则化方法。在本发明实施例中，丢弃率设定为0.4。
B)所述的多任务输出模块，包括有依次连接的融合卷积层、全局特征提取层和全连接层，所述的全连接层的输出在第一训练阶段连接分类全连接层，所述的全连接层的输出在第二训练阶段分别连接第一数值全连接层、第二数值全连接层和辅助全连接层，所述的分类全连接层、第一数值全连接层、第二数值全连接层和辅助全连接层共同构成多任务输出模块的输出层；其中，
(1)所述的融合卷积层，通过1×1卷积完成不同层特征之间的深度融合，得到具有更丰富表达能力的特征，公式如下：
Figure BDA0002517563490000057
其中，
Figure BDA0002517563490000058
为融合卷积层的输入，
Figure BDA0002517563490000059
为融合卷积层输出的特征图，fU为融合卷积层的激活函数，GU为融合卷积层输入的特征维度，gU为融合卷积层输入的特征索引，
Figure BDA00025175634900000510
和
Figure BDA00025175634900000511
分别为融合卷积层中第pU个卷积核和偏置，NuU为融合卷积层卷积核的数量，mU,nU为融合卷积层提取的特征的位置索引；
在本发明实施例中，融合卷积层卷积核的数量为32。
(2)所述的全局特征提取层，通过全局平均池化和全局最大池化，在每个特征图上分别提取2个特征值，作为该层的全局特征，其公式如下：
Figure BDA0002517563490000061
Figure BDA0002517563490000062
Figure BDA0002517563490000063
其中，
Figure BDA0002517563490000064
为全局特征提取层的输入，
Figure BDA0002517563490000065
为全局特征提取层的输出，
Figure BDA0002517563490000066
为全局特征提取层输入的位置索引，
Figure BDA0002517563490000067
分别是全局特征提取层输入经过全局平均池化和全局最大池化得到的结果，IG,SG为全局特征提取层输入的尺寸维度，
Figure BDA0002517563490000068
为级联操作；本层输出维度为2*NG，其中NG为全局特征提取层输入的数量维度；
(3)所述的全连接层，通过对输入特征加权重组，得到全新的输出特征；该输出特征中，有效的特征得到加强，公式如下：
Figure BDA0002517563490000069
其中，
Figure BDA00025175634900000610
为全连接层输出的特征，
Figure BDA00025175634900000611
为全连接层的输入，fF为全连接层的激活函数，IF为全连接层输入的神经元数量，
Figure BDA00025175634900000612
分别为全连接层的权值和偏置，kF为全连接层输入索引，gF为全连接层输出索引，NuF为输出神经元数量；
在本发明实施例中，全连接层的激活函数Relu，为全连接层输出神经元数量为50。
(4)分类全连接层具有NS1个神经元，该层激活函数为Softmax；第一数值全连接层具有1个神经元，该层激活函数为Sigmoid；第二数值全连接层具有1个神经元，该层激活函数为Relu；辅助全连接层具有NS2个神经元，该层激活函数为Softmax。
在本发明实施例中，分类全连接层神经元数量设定为6，辅助全连接层神经元数量设定为3。
C)所述密集神经网络模型中，第一卷积模块以原始样本作为本模块的输入；第二卷积模块以对原始样本和第一卷积模块的输出进行池化、级联整合后的结果作为本模块输入；第三卷积模块以对原始样本、第一卷积模块和第二卷积模块的输出进行池化、级联整合后的结果作为本模块输入；多任务输出模块以对原始样本、第一卷积模块、第二卷积模块他第三卷积模块的输出进行池化、级联整合后的结果作为本模块输入；整合过程中，通过池化使得特征层维度一致。
4)划分不同的训练阶段，根据不同的训练阶段使用不同标签进行训练，完成全部训练阶段后，整合得到如图5所示的密集神经网络模型进行参数测量；包括：
(1)对样本按照流动结构标签进行分类，通过密集神经网络模型把样本划分到不同的流动结构下，完成对流动参数测量范围的粗略划定，完成训练后即得到用于划分流动结构的第一训练阶段的密集神经网络模型；
(2)在每个流动结构下，密集神经网络模型按照子流动结构标签、总流速标签和含油率标签进行预测，完成训练后即得到用于精确预测流动参数的第二训练阶段的密集神经网络模型。
5)对密集神经网络模型进行优化、训练以及参数调整，在不同阶段下，得到当前架构的最优的密集神经网络模型，并将不同阶段得到的最优的网络模型，进行组合完成参数测量。
包括：
(1)构建密集神经网络模型的标签和输出之间的损失函数，利用所述损失函数描述输出和标签之间的差异，并以最小化该差异为原则，指导网络的优化过程；在分阶段训练过程中，所述的损失函数为：
(1.1)第一训练阶段中，损失
Figure BDA0002517563490000071
为流动结构方面的损失，以交叉熵损失函数描述，表达式如下：
Figure BDA0002517563490000072
其中，p1(x),q1(x)分别是密集神经网络模型的流动结构标签和流动结构输出的概率分布；
(1.2)第二训练阶段中，损失
Figure BDA0002517563490000073
包括三个部分，分别是：a)第一数值全连接层的损失
Figure BDA0002517563490000074
选择了平均绝对误差(MAE)作为损失函数，对总流量和含油率进行描述；b)第二数值全连接层的损失
Figure BDA0002517563490000075
选择了平均绝对误差(MAE)作为损失函数，对总流量进行描述；c)辅助全连接层的损失Lcla，选择交叉熵损失函数；
损失Ltotal表达式如下：
Figure BDA0002517563490000076
Figure BDA0002517563490000077
Lcla＝-∑p2(x)×log q2(x)
Figure BDA0002517563490000078
其中，y1i,
Figure BDA0002517563490000079
是密集神经网络模型含油率的标签和输出，y1i,
Figure BDA00025175634900000710
是密集神经网络模型总流量的标签和输出，n为样本数目；p2(x),q2(x)分别是子流动结构标签和子流动结构输出的概率分布。
(2)设置密集神经网络模型中各层的参数，采用基于Adam(Adaptive MomentEstimation)的梯度下降方法对密集神经网络模型的损失函数数值进行迭代更新，通过梯度反向传播的方法更新网络的权值，学习率设定为Lr；在分阶段的训练策略下，第一阶段、第二阶段的运行分别为nepoch1，nepoch2；
在本发明实施例中，学习率设定为0.005，第一阶段、第二阶段的运行步数分别为500，750。
(3)根据不同参数组合下密集神经网络模型在验证集上的表现，对密集神经网络模型的参数设置进行优化，使密集神经网络模型在验证集上的性能不断提升，在不同阶段下均获取最优的密集神经网络模型，并如图4所示，将第一阶段、第二阶段得到的最优的网络模型，进行组合完成参数测量。
本发明的基于密集神经网络的油井含油率和总流速测量方法的应用，包括如下步骤：
1)开启四扇区电导传感器，测量井口油气管道中油水两相流的流体数据，上传至上位机，根据所述的基于密集神经网络的油井含油率和总流速测量方法获取当前时刻样本；
2)将当前时刻样本作为第一训练阶段密集神经网络模型的输入，通过密集神经网络模型的计算分析得到当前样本所属的流动结构；
3)根据所属的流动结构，选择第二训练阶段中对应的密集神经网络模型，将样本输入到所述的密集神经网络模型中，通过计算分析得到当前样本的含油率及总流速输出；
4)把含油率及总流速输出与对应的样本进行关联，作为当前的处理信息存储到上位机中；
5)重复步骤2)～4)，不断地实时获取样本对应的含油率及总流速值，作为当前井口油气管道的状态信息存储，直到关闭四扇区电导传感器，分析历史数据得到测量时间内总体的含油率及总流速。
本发明的基于密集神经网络的油井含油率和总流速测量方法，可以与油气开采、运输工业环节结合，其应用在于，使用四扇区电导传感器获取当前管段的流体信号，在处理芯片中部署本发明方法训练完成的模型，通过第一训练阶段中密集神经网络模型得到当前流体的流动结构，再使用第二训练阶段中特定密集神经网络模型可完成实时的总流量和含油率测量。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (6)

1.一种基于密集神经网络的油井含油率和总流速测量方法，其特征在于，包括如下步骤：
1)利用四扇区电导传感器采集井口油气管道中不同工况的流体数据，获取标签，并上传至上位机保存；
2)构建数据集，具体是对流体数据进行预处理后，使用有重叠的滑动窗口从流体数据中获取样本，为样本添加相应的标签，再将80％样本作为训练集，10％样本作为验证集，剩余的10％样本作为测试集；
3)构建密集神经网络模型，用于完成流体数据的特征提取和流动参数预测；
所述的密集神经网络模型，是根据样本的空间信息和时域构建19层的密集神经网络模型，包括3个卷积模块和1个多任务输出模块，其中，第1～5层为第一卷积模块，第6～10层为第二卷积模块，第11～15层为第三卷积模块，第16～19层为多任务输出模块；
所述的第一卷积模块、第二卷积模块和第三卷积模块结构相同，均包括有依次连接的：第一时间卷积层、第二时间卷积层、空间卷积层、池化层和丢弃层；其中，
(1)所述的第一时间卷积层、第二时间卷积层，用于沿着时间维度对四通道的样本进行滤波，提取时域特征，每个时间卷积层使用
Figure FDA0003341990320000011
个卷积核，其中k＝1,2,3，分别对应第一卷积模块、第二卷积模块和第三卷积模块，每个卷积核与输入样本进行卷积操作后得到不同的特征图，每个时间卷积层获得
Figure FDA0003341990320000012
个特征图，时间卷积层的公式如下：
Figure FDA0003341990320000013
Figure FDA0003341990320000014
其中，
Figure FDA0003341990320000015
为时间卷积层的输入，
Figure FDA0003341990320000016
为时间卷积层输出的特征图，fT为时间卷积层的激活函数，kT为时间卷积层的卷积核中点的索引，GT为时间卷积层输入的特征维度，gT为时间卷积层输入的特征索引，
Figure FDA0003341990320000017
和
Figure FDA0003341990320000018
分别为时间卷积层中第pT个卷积核和偏置，LeT和StT分别为时间卷积层卷积核的大小和步长，subT是时间卷积层输入的下标简写，mT,nT为时间卷积层提取的特征的位置索引；
通过补0的方式对边界值进行扩充，则每个特征图大小为IT/StT×ST，其中IT,ST是时间卷积层输入的尺寸维度；对卷积后的特征通过批量归一化处理以加速收敛；
(2)所述的空间卷积层，用于沿着空间维度对四通道的样本进行整合，得到空间信息，空间卷积层使用
Figure FDA0003341990320000019
个卷积核，其中k＝1,2,3，对应第一卷积模块、第二卷积模块和第三卷积模块，
Figure FDA00033419903200000110
个卷积核对输入的特征图进行整合，共计获得
Figure FDA00033419903200000111
个特征图，空间卷积层的公式如下：
Figure FDA0003341990320000021
Figure FDA0003341990320000022
其中，
Figure FDA0003341990320000023
为空间卷积层的输入，
Figure FDA0003341990320000024
为空间卷积层输出的特征图，fC为空间卷积层的激活函数，kC为空间卷积层的卷积核中点的索引，GC为空间卷积层输入的特征维度，gC为空间卷积层输入的特征索引，
Figure FDA0003341990320000025
和
Figure FDA0003341990320000026
分别为空间卷积层中第pC个卷积核和偏置，LeC和StC分别为空间卷积层卷积核的大小和步长，subC是空间卷积层输入的下标简写，mC,nC为空间卷积层提取的特征的位置索引；
通过补0的方式对输入的边界值进行扩充，则每个特征图大小为IC/StC×SC，其中IC,SC是空间卷积层输入的尺寸维度，对卷积后的特征图进行批量归一化处理以加速收敛；
(3)所述的池化层，用于通过选择池化区域内的代表数值来降低特征图的维度，去除冗余信息，简化后续计算，其中，
(3.1)第一卷积模块和第二卷积模块中的池化层结构相同，采用最大池化层，公式如下：
Figure FDA0003341990320000027
其中，
Figure FDA0003341990320000028
为最大池化层输出的特征，
Figure FDA0003341990320000029
为最大池化层的输入，LeM为最大池化层池化核的大小，gM,mM,nM为最大池化层特征的索引，kM为最大池化核中点的索引，max{...}表示获取集合中最大值；
(3.2)第三卷积模块中的池化层采用平均池化层，公式描述如下；
Figure FDA00033419903200000210
其中，
Figure FDA00033419903200000211
为平均池化层输出的特征，
Figure FDA00033419903200000212
为平均池化层的输入，LeA为平均池化层池化核的大小，gA,mA,nA为L14层特征的索引，kA为平均池化核中点的索引；
(4)丢弃层，用于按照设定的丢弃率随机丢弃一部分神经元及其连接，迫使密集神经网络模型去学习更加全局性的特征；
所述的多任务输出模块，包括有依次连接的融合卷积层、全局特征提取层和全连接层，所述的全连接层的输出在第一训练阶段连接分类全连接层，所述的全连接层的输出在第二训练阶段分别连接第一数值全连接层、第二数值全连接层和辅助全连接层，所述的分类全连接层、第一数值全连接层、第二数值全连接层和辅助全连接层共同构成多任务输出模块的输出层；其中，
(1)所述的融合卷积层，通过1×1卷积完成不同层特征之间的深度融合，得到具有更丰富表达能力的特征，公式如下：
Figure FDA0003341990320000031
其中，
Figure FDA0003341990320000032
为融合卷积层的输入，
Figure FDA0003341990320000033
为融合卷积层输出的特征图，fU为融合卷积层的激活函数，GU为融合卷积层输入的特征维度，gU为融合卷积层输入的特征索引，
Figure FDA0003341990320000034
和
Figure FDA0003341990320000035
分别为融合卷积层中第pU个卷积核和偏置，NuU为融合卷积层卷积核的数量，mU,nU为融合卷积层提取的特征的位置索引；
(2)所述的全局特征提取层，通过全局平均池化和全局最大池化，在每个特征图上分别提取2个特征值，作为该层的全局特征，其公式如下：
Figure FDA0003341990320000036
Figure FDA0003341990320000037
Figure FDA0003341990320000038
其中，
Figure FDA0003341990320000039
为全局特征提取层的输入，
Figure FDA00033419903200000310
为全局特征提取层的输出，rG,tG为全局特征提取层输入的位置索引，
Figure FDA00033419903200000311
分别是全局特征提取层输入经过全局平均池化和全局最大池化得到的结果，IG,SG为全局特征提取层输入的尺寸维度，
Figure FDA00033419903200000312
为级联操作；本层输出维度为2×NG，其中NG为全局特征提取层输入的数量维度；
(3)所述的全连接层，通过对输入特征加权重组，得到全新的输出特征；该输出特征中，有效的特征得到加强，公式如下：
Figure FDA00033419903200000313
其中，
Figure FDA00033419903200000314
为全连接层输出的特征，
Figure FDA00033419903200000315
为全连接层的输入，fF为全连接层的激活函数，IF为全连接层输入的神经元数量，
Figure FDA00033419903200000316
分别为全连接层的权值和偏置，kF为全连接层输入索引，gF为全连接层输出索引，NuF为输出神经元数量；
(4)分类全连接层具有NS1个神经元，该层激活函数为Softmax；第一数值全连接层具有1个神经元，该层激活函数为Sigmoid；第二数值全连接层具有1个神经元，该层激活函数为Relu；辅助全连接层具有NS2个神经元，该层激活函数为Softmax；
所述密集神经网络模型中，第一卷积模块以原始样本作为本模块的输入；第二卷积模块以对原始样本和第一卷积模块的输出进行池化、级联整合后的结果作为本模块输入；第三卷积模块以对原始样本、第一卷积模块和第二卷积模块的输出进行池化、级联整合后的结果作为本模块输入；多任务输出模块以对原始样本、第一卷积模块、第二卷积模块他第三卷积模块的输出进行池化、级联整合后的结果作为本模块输入；整合过程中，通过池化使得特征层维度一致；
4)划分不同的训练阶段，根据不同的训练阶段使用不同标签进行训练，完成全部训练阶段后，整合得到的密集神经网络模型进行参数测量；
5)对密集神经网络模型进行优化、训练以及参数调整，在不同阶段下，得到当前架构的最优的密集神经网络模型，并将不同阶段得到的最优的网络模型，进行组合完成参数测量。
2.根据权利要求1所述的基于密集神经网络的油井含油率和总流速测量方法，其特征在于，步骤1)包括：
(1)通过法兰，将安装有四扇区电导传感器的透明管段与井口油气管道完成连接，采集井口油气管道中不同工况的油水两相流的流体数据，上传至上位机保存；
(2)使用高速摄像仪记录透明管段处不同工况的油水两相流图像，确定所采集的流体数据的流型，作为流动结构标签，并属于流动结构标签下的子流动结构标签；
(3)收集四扇区电导传感器工作时间内，流经透明管段的油水样品，得到油水样品的含油率标签及体积，根据油井特性确定含油率的整体范围，在整体范围中以2％含油率为阶梯点，选取流体数据用于后续模型训练，根据油水样品的体积和采集时间，确定油水样品的总流速标签。
3.根据权利要求1所述的基于密集神经网络的油井含油率和总流速测量方法，其特征在于，步骤2)包括：
(1)对获得的不同工况下长度为L的流体数据分别进行预处理，公式如下：
Figure FDA0003341990320000041
其中，
Figure FDA0003341990320000042
为第j扇区的第i个流体数据，
Figure FDA0003341990320000043
和
Figure FDA0003341990320000044
分别为第j扇区流体数据的平均值和标准差，
Figure FDA0003341990320000045
为预处理后的第j扇区的第i个流体信号；
(2)通过有重叠的滑动窗口来截取每一工况的流体数据作为单个样本，样本的标签与原流体数据标签相同，所述的原流体数据标签是指：流动结构标签、总流速标签和含油率标签；设滑动窗口的长度为M，重叠率为Po，则单个样本为M×4的二维矩阵，在长度为L的流体信号中得到
Figure FDA0003341990320000046
个样本，其中，
Figure FDA0003341990320000047
代表向下取整，共得到所有工况下流体数据的N个样本；
(3)随机将N个样本中的80％作为训练集，10％作为验证集，剩余的10％作为测试集。
4.根据权利要求1所述的基于密集神经网络的油井含油率和总流速测量方法，其特征在于，步骤4)包括：
(1)对样本按照流动结构标签进行分类，通过密集神经网络模型把样本划分到不同的流动结构下，完成对流动参数测量范围的粗略划定，完成训练后即得到用于划分流动结构的第一训练阶段的密集神经网络模型；
(2)在每个流动结构下，密集神经网络模型按照子流动结构标签、总流速标签和含油率标签进行预测，完成训练后即得到用于精确预测流动参数的第二训练阶段的密集神经网络模型。
5.根据权利要求1所述的基于密集神经网络的油井含油率和总流速测量方法，其特征在于，步骤5)包括：
(1)构建密集神经网络模型的标签和输出之间的损失函数，利用所述损失函数描述输出和标签之间的差异，并以最小化该差异为原则，指导网络的优化过程；在分阶段训练过程中，所述的损失函数为：
(1.1)第一训练阶段中，损失
Figure FDA0003341990320000051
为流动结构方面的损失，以交叉熵损失函数描述，表达式如下：
Figure FDA0003341990320000052
其中，p1(x),q1(x)分别是密集神经网络模型的流动结构标签和流动结构输出的概率分布；
(1.2)第二训练阶段中，损失
Figure FDA0003341990320000053
包括三个部分，分别是：a)第一数值全连接层的损失
Figure FDA0003341990320000054
选择了平均绝对误差作为损失函数，对总流量和含油率进行描述；b)第二数值全连接层的损失
Figure FDA0003341990320000055
选择了平均绝对误差作为损失函数，对总流量进行描述；c)辅助全连接层的损失Lcla，选择交叉熵损失函数；
损失
Figure FDA0003341990320000056
表达式如下：
Figure FDA0003341990320000057
Figure FDA0003341990320000058
Lcla＝-∑p2(x)×log q2(x)
Figure FDA0003341990320000059
其中，y1i,
Figure FDA00033419903200000510
是密集神经网络模型含油率的标签和输出，y1i,
Figure FDA00033419903200000511
是密集神经网络模型总流量的标签和输出，n为样本数目；p2(x),q2(x)分别是子流动结构标签和子流动结构输出的概率分布；
(2)设置密集神经网络模型中各层的参数，采用基于Adam(Adaptive MomentEstimation)的梯度下降方法对密集神经网络模型的损失函数数值进行迭代更新，通过梯度反向传播的方法更新网络的权值，学习率设定为Lr；在分阶段的训练策略下，第一阶段、第二阶段的运行步数分别为nepoch1，nepoch2；
(3)根据不同参数组合下密集神经网络模型在验证集上的表现，对密集神经网络模型的参数设置进行优化，使密集神经网络模型在验证集上的性能不断提升，在不同阶段下均获取最优的密集神经网络模型，并将第一阶段、第二阶段得到的最优的网络模型，进行组合完成参数测量。
6.一种权利要求1所述的基于密集神经网络的油井含油率和总流速测量方法的应用，其特征在于，包括如下步骤：
1)开启四扇区电导传感器，测量井口油气管道中油水两相流的流体数据，上传至上位机，根据所述的基于密集神经网络的油井含油率和总流速测量方法获取当前时刻样本；
2)将当前时刻样本作为第一训练阶段密集神经网络模型的输入，通过密集神经网络模型的计算分析得到当前样本所属的流动结构；
3)根据所属的流动结构，选择第二训练阶段中对应的密集神经网络模型，将样本输入到所述的密集神经网络模型中，通过计算分析得到当前样本的含油率及总流速输出；
4)把含油率及总流速输出与对应的样本进行关联，作为当前的处理信息存储到上位机中；
5)重复步骤2)～4)，不断地实时获取样本对应的含油率及总流速值，作为当前井口油气管道的状态信息存储，直到关闭四扇区电导传感器，分析历史数据得到测量时间内总体的含油率及总流速。
CN202010481479.0A 2020-05-31 2020-05-31 基于密集神经网络的油井含油率和总流速测量方法及应用 Active CN111649779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481479.0A CN111649779B (zh) 2020-05-31 2020-05-31 基于密集神经网络的油井含油率和总流速测量方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481479.0A CN111649779B (zh) 2020-05-31 2020-05-31 基于密集神经网络的油井含油率和总流速测量方法及应用

Publications (2)

Publication Number Publication Date
CN111649779A CN111649779A (zh) 2020-09-11
CN111649779B true CN111649779B (zh) 2022-04-08

Family

ID=72347002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481479.0A Active CN111649779B (zh) 2020-05-31 2020-05-31 基于密集神经网络的油井含油率和总流速测量方法及应用

Country Status (1)

Country Link
CN (1) CN111649779B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348800A (zh) * 2020-11-11 2021-02-09 北方民族大学 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法
CN113469027B (zh) * 2021-06-30 2023-12-08 上海中医药大学 基于深度学习的脉图质量检测方法
CN114873280B (zh) * 2022-04-29 2023-06-27 天津大学 用于测量粉状物料流量的可循环物料输送设备及计量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104864984A (zh) * 2015-05-21 2015-08-26 青岛大学 基于神经网络的微小反应器温度测量方法
CN108388685A (zh) * 2017-12-28 2018-08-10 中国石油天然气股份有限公司 油气管道内漏流量的预测方法及装置
CN110009245A (zh) * 2019-04-12 2019-07-12 阳江职业技术学院 基于神经网络的室内空气质量预测方法、装置及电子设备
CN110878914A (zh) * 2018-09-05 2020-03-13 中国石油天然气股份有限公司 油气管道的泄漏监测方法及装置
CN112926767A (zh) * 2021-01-27 2021-06-08 天津大学 基于粒子群bp神经网络的环雾状流气相表观流速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104864984A (zh) * 2015-05-21 2015-08-26 青岛大学 基于神经网络的微小反应器温度测量方法
CN108388685A (zh) * 2017-12-28 2018-08-10 中国石油天然气股份有限公司 油气管道内漏流量的预测方法及装置
CN110878914A (zh) * 2018-09-05 2020-03-13 中国石油天然气股份有限公司 油气管道的泄漏监测方法及装置
CN110009245A (zh) * 2019-04-12 2019-07-12 阳江职业技术学院 基于神经网络的室内空气质量预测方法、装置及电子设备
CN112926767A (zh) * 2021-01-27 2021-06-08 天津大学 基于粒子群bp神经网络的环雾状流气相表观流速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《输气管道稳态计算公式改进研究》;李长俊等;《西南石油大学学报(自然科学版)》;20081031;第30卷(第5期);全文 *

Also Published As

Publication number Publication date
CN111649779A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111649779B (zh) 基于密集神经网络的油井含油率和总流速测量方法及应用
CN111832814B (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN111638249B (zh) 基于深度学习的含水率测量方法及其在油井开采中的应用
CN109979541B (zh) 基于胶囊网络的药物分子药代动力学性质和毒性预测方法
CN110309867B (zh) 一种基于卷积神经网络的混合气体识别方法
CN115758212B (zh) 一种基于并行网络和迁移学习的机械设备故障诊断方法
CN109766277A (zh) 一种基于迁移学习与dnn的软件故障诊断方法
CN108445752A (zh) 一种自适应选择深度特征的随机权神经网络集成建模方法
CN109685653A (zh) 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法
CN114970605A (zh) 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN112083498A (zh) 一种基于深度神经网络的多波地震油气储层预测方法
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN105760673A (zh) 一种河流相储层地震敏感参数模板分析方法
CN109102002A (zh) 结合卷积神经网络和概念机递归神经网络的图像分类方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
Yao et al. Multiscale domain adaption models and their application in fault transfer diagnosis of planetary gearboxes
CN116153495A (zh) 一种食管癌患者免疫治疗预后生存预测方法
CN108062566A (zh) 一种基于多核潜在特征提取的智能集成软测量方法
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN116542429A (zh) 一种融合时空特征的油藏生产指标机器学习预测方法
Lamba et al. Role of mathematics in machine learning
CN115620068A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
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
Zhan et al. A2S-NAS: Asymmetric Spectral-Spatial Neural Architecture Search for Hyperspectral Image Classification
CN115482877A (zh) 一种基于时序图网络的发酵过程软测量建模方法

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
GR01 Patent grant
GR01 Patent grant