CN113330185A - 利用机器学习使用das特征的事件检测 - Google Patents

Abstract

一种识别事件的方法包括：从传感器获得声学信号；从声学信号确定一个或多个频域特征；提供一个或多个频域特征作为对多个事件检测模型的输入；以及使用多个事件检测模型，确定一个或多个事件的存在。跨声学信号的频率范围获得一个或多个频域特征，并且多个事件检测模型中的至少两个是不同的。

Description

利用机器学习使用DAS特征的事件检测

相关申请的交叉引用

不适用。

背景技术

在烃生产井中，各种流体(例如烃、水、气体等)可以从地层生产到井筒(wellbore)中。流体的生产会导致流体在各种井下区域中的移动，包括在地下地层内移动、从地层移动到井筒中以及在井筒本身内移动。例如，一些地下地层会将与烃一起产生的水释放到井筒中。这样的水流入会导致许多问题，包括侵蚀、由于产生的砂土流入导致的井堵塞、表面设备的污染和损坏等。大量的水生产可能导致需要抑制从井的生产，以使得水的产生降至可接受的水平。这会导致石油产量降低，并有可能导致大量的井产量延迟。

已经做出努力以检测包括井筒内的烃液、水和气体的各种流体的运动。例如，可以采用利用生产测井系统(PLS)的生产测井系统来确定井中的流动剖面(profile)。可以利用PLS来评估在井中在给定深度处存在哪些流体(油/水/气)、哪里存在流入以及有哪些流体流入。PLS还可以提供关于流入流体的流速是多少以及流态(例如，团状流、气泡流等)的数据。

典型的PLS利用电容和电阻传感器来评估流入流体是否包括油、水或气体，并且使用径向面对的“旋转器”来测量流入速率。传感器可以分布在PLS的周围，使得可以周向地评估流体分布和流入速率。因此，可以利用PLS获得有关背景流动剖面、流入剖面、背景流速和流入流速以及流态的信息。

当利用PLS时，记录PLS工具前方的深度的测量值。由于PLS工具的长度可以为十到二十米，并且传感器沿PLS的长度分布，因此不在工具前方的传感器实际上不会在对其记录测量值的深度处进行测量。因此，有时数据会因测量的侵入性而引起的流态的变化而产生偏差。此外，流会由于PLS工具的存在而改变，使得在工具的下游端处测量的值可能不指示在工具干扰流动之前的流量剖面或流态。此外，PLS工具通常要穿过井一次或几次(先下降，再向上一次或几次，然后出井)，因此PLS的传感器仅在短暂的时间段内暴露在给定深度处的条件下。PLS日志是基于该短暂的数据窗口在井的寿命中的给定时刻建立的，但由于将PLS工具运行到井中的成本很高，因此可能使用很多年(例如，五年或十年)。当井老化时，井内的流体特性会随着时间的流逝而发生显著变化，和/或流体可能会不规律地(开和关)流入井中。例如，PLS可以在一定深度处有气体流入时检测到气体的存在，但是有时甚至在几个小时的过程中，气体流入可能会发生显著波动。尽管如此，有关该井的未来决策可能基于始终存在相同量的气体的假设。因此，PLS的使用存在许多局限性。

在其他行业中，也已经做出努力以检测各种类型的事件。例如，安全系统使用接近传感器和/或红外传感器来检测门的打开和在指定区域内的潜在移动。这些系统在可用于安全目的的检测程度和类型上具有局限性。在其他行业中也存在类似的挑战。因此，需要确定事件和/或事件位置存在与否的系统和方法。期望地，这样的系统和方法还使得能够一旦检测到事件，则确定与这些事件相关联的信息。

发明内容

在一些实施例中，一种识别事件的方法包括：从传感器获得声学信号，从声学信号确定一个或多个频域特征，将一个或多个频域特征作为输入提供给多个事件检测模型，以及使用多个事件检测模型确定一个或多个事件的存在。跨声学信号的频率范围获得一个或多个频域特征，以及多个事件检测模型中的至少两个是不同的。

在一些实施例中，一种系统包括处理器，以及存储分析程序的存储器。处理器被配置为执行分析程序以：从传感器接收声学信号，从声学信号确定一个或多个频域特征，将一个或多个频域特征作为输入提供给多个事件检测模型，以及使用多个事件检测模型确定一个或多个事件的存在。沿传感器，跨多个间隔获得一个或多个频域特征，以及多个事件检测模型中的至少两个是不同的。

在一些实施例中，一种使用声学信号来确定输出信号的方法包括：从声学信号确定一个或多个频域特征，将一个或多个频域特征作为输入提供给多个事件检测模型，使用多个事件检测模型确定一个或多个事件的存在的指示，向监督应用提供一个或多个事件的存在的指示，以及将一个或多个事件的存在的指示作为监督应用的输入来确定过程或系统的输出信号。沿传感器的路径，跨多个长度获得一个或多个频域特征。

在一些实施例中，一种为井筒开发事件识别模型的方法包括：执行多个事件测试，在多个事件测试中的每个事件测试期间，从传感器获得声学信号，对于多个事件测试中的每一个，从声学信号确定一个或多个频域特征，以及对于多个测试，使用一个或多个频域特征训练多个事件检测模型。使用测试装置来实施多个事件测试以重建一个或多个事件。声学信号包括使用测试装置与事件相关联的声学样本，以及多个流体流动模型中的第一流体流动模型不同于多个流体流动模型中的第二流体流动模型。

从下面结合附图和权利要求的详细描述，将更清楚地理解这些和其他特征。

本文描述的实施例包括旨在解决与某些现有设备、系统和方法相关联的各种缺点的特征和优点的组合。前面已经相当广泛地概述了本发明的特征和技术优点，以便可以更好地理解下面的本发明的详细描述。在阅读了下面的详细描述并参考附图之后，上述各种特性以及其他特征对于本领域技术人员来说将是显而易见的。本领域技术人员应当意识到，所公开的概念和具体实施例可以容易地用作修改或设计用于实施本发明的相同目的的其他结构的基础。本领域技术人员还应当认识到，这种等同构造并没有脱离所附权利要求中阐述的本发明的精神和范围。

附图说明

为了详细描述本发明的优选实施例，现在将参考附图，其中：

图1是根据本公开的实施例的识别一个或多个事件的方法的流程图；

图2是根据本公开的实施例的井下井筒环境的示意性截面图示；

图3A和3B是具有带有与之相关联的光纤的井筒管件的井的实施例的示意性截面图；

图4是根据本公开的实施例的具有流体流入的井筒管件的实施例的示意图；

图5是在五个频带上，相对于时间的示例性频率滤波的声强度图；

图6示出根据本公开的实施例的用于声学信号的示意性处理流程的实施例；

图7是根据本公开的实施例的开发事件检测模型的方法的流程图；

图8A是根据本公开的实施例，被用来训练事件检测模型的流回路组件的示意图；

图8B是示出对应于图8A的注入点的井筒深度的示意图；

图9是根据本公开的一些实施例产生的可能输出的一般表示；

图10是确定输出信号的方法的流程图；以及

图11示意性地示出了根据本公开的实施例的可以被用来实施各种步骤的计算机。

具体实施方式

除非另外指明，否则任何形式的术语“连接”、“接合”、“耦合”、“附接”或描述元件之间的相互作用的任何其他术语的任何使用都不是将相互作用限制为元件之间的直接相互作用，并且还可以包括所述元件之间的间接相互作用。在以下讨论和权利要求中，术语“包括(including)”和“包含(comprising)”以开放式方式使用，因此应当解释为是指“包括但不限于…”。为了描述的目的，将参考上或下，其中“上”、“上部”、“向上”、“上游”或“上方”是指朝向井筒的表面，而“下”、“下部”、“向下”、“下游”或“下方”是指朝向井的终端，而不管井筒定向如何。为了描述的目的，将参考内部或外部，其中“内”、“内部”或“向内”是指朝向井筒和/或井筒管件的中心纵轴，而“外”、“外部”或“向外”是指朝向井筒壁。如本文所用，术语“纵向”或“纵向地”是指与井筒管件的中心轴基本上对齐的轴，并且“径向”或“径向地”是指垂直于纵轴的方向。在阅读了实施例的以下详细描述并参考附图之后，借助于本公开，上述各种特性以及下面更详细描述的其他特征和特性对于本领域技术人员将是显而易见的。

如本文所使用的，“流体流入事件”包括流体流入(例如，任何流体流入，与其成分无关)、气相流入、水相流入和/或烃相流入。在一些实施例中，流体可包括其他成分，诸如固体颗粒物质，如本文中更详细地讨论的。

本文公开了一种新的信号处理架构，其允许识别各种事件。在一些实施例中，事件可以在井筒内发生，诸如流体流入事件(例如，包括流体流入位置、流体流入辨别等)、流体流出检测、流体相分离、管道内的流体流动辨别、井完整性监测、井内泄漏检测(例如，井下套管和管道泄漏检测、泄漏流体相识别等)、环形流体流动诊断、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测(例如，微震事件)、砂土检测(例如，砂土进入、砂土流等)等，在一些实施例，每个事件可以实时地或接近实时地发生。还可以检测其他事件，例如运输事件、安全事件、设施监测事件或管道线监测事件等。如本文中所使用的，“流体流动辨别”指示对检测到的流体流(例如，单相流、混合相流、基于时间的缓涌(slugging)、改变流体流等)、气体流入、烃液(例如，“石油”)流入和/或水相(例如，水)流入、包括任何组合或多相流或流入的识别和/或分配。因此，本公开的方法可以被用来提供关于各种事件的信息，诸如流体进入点以及导管内的流态，而不是简单地提供当流体流动到井筒的表面时，可能会在进入位置上方的任何点处发生的气体、水或烃液在井筒管件中存在(例如，存在于流动的流体中)的位置。在一些实施例中，该系统允许定量测量各种流体流动，诸如井内烃液、水和气体的相对浓度。

在某些情况下，该系统和方法可以实时或接近实时地提供信息。如本文所使用的，术语“实时”是指考虑到系统内的各种通信和等待时间延迟的时间，并且可以包括在动作发生的大约10秒钟之内、大约30秒之内、大约1分钟之内、大约5分钟之内，或大约10分钟之内采取的动作。可以使用各种传感器(例如，分布式光纤声学传感器等)来获得沿井筒的各个点处的声学样本。然后可以使用具有各种特征提取技术(例如，频谱特征提取技术)的信号处理架构来处理声学样本，以获得一个或多个频域特征的度量和/或其组合，从而能够从背景噪声中选择性地提取感兴趣的声学信号，因此有助于提高实时的流体运动(例如，气体流入位置、水流入位置、烃液流入位置等)的识别精度。尽管在某些情况下讨论的是实时，但也可以稍后在相同位置和/或位移位置处分析数据。

如本文所使用的，可以从声学信号获得各种频域特征，并且在一些上下文中，频域特征在本文中也可以被称为频谱特征或频谱描述符。在一些实施例中，频谱特征可以包括其他特征，包括时域、各种变换(例如，小波、傅立叶变换等)中的那些特征和/或从声学信号或其他传感器输入的一部分导出的那些特征。这样的其他特征可以单独使用或与一个或多个频域特征结合使用，包括在特征变换的开发中，如本文中更详细描述的。本文所述的信号处理技术还可以通过智能提取数据(而不是粗略的抽取技术)来大大地减少收集和处理现场的实时数据量(例如，在一些实施例中，减少超过100倍、超过500倍，或超过1000倍，或超过10,000倍)以帮助解决大数据问题。

在一些实施例中，可以以允许沿着整个井筒或感兴趣的部分获得信号的方式来获得声学信号。如上所述，生产测井系统利用生产测井系统(PLS)来确定井中的流量剖面。但是，由于PLS的长度可以为10-20米，并且传感器沿长度分布，因此不在PLS前方的传感器实际上不会在记录测量的深度的位置处进行测量，因此，随着时间的推移，数据可能不正确或不完整。此外，仅在井筒内存在PLS即可改变流动，因此在PLS下游端测量的值不能准确反映工具在干扰流动之前的剖面/状态。此外，由于PLS通常要经过一次或几次井(先向下，然后再向上一次或几次，然后出井)，并且传感器仅在非常短的时间内(例如，4-5秒)暴露于给定深度处的条件下。因此，尽管PLS可以提供某些事件(诸如井下水流入)可能发生的指示，但它们不能提供研究生产剖面随时间的动态变化所需的长持续时间的连续测量。

光纤分布式声学传感器(DAS)捕获由井下事件(诸如，井筒事件(例如，气体流入/流动、烃液流入/流动、水流入/流动、混合流动、泄漏、覆盖层运动等))、运输事件、安全事件、设施监测事件、管道线监测事件以及其他背景声学产生的声学信号。DAS还可以用于从事件(诸如运输事件、安全事件、设施监测事件、管道线监测事件等)捕获声学信号。这允许将事件和流动信号与其他噪声源区分开的信号处理过程正确地识别每种类型的事件。继而，这导致需要更清楚地了解感兴趣的井内事件(例如、流体流入、水流入、气体流入、烃液流入、沿着管件的流体流动等)的声学指纹以便能够将感兴趣的事件产生的噪声与其他环境声学背景噪声隔离开来并加以识别。如本文中所使用的，特定事件的所得声学指纹也可以被称为频谱特征标记(signature)，如本文中更详细描述的。在一些实施例中，频域特征可以与模型一起使用以提供对各种事件的识别和确定。可以开发出多种不同的模型，并将其用于确定井筒内何时发生了某些事件。

此外，减少由于诸如进水之类的一个或多个事件而引起的延期并促进有效补救依赖于准确而及时的决策支持来将事件通知操作员。迄今为止，还没有用于DAS的技术/信号处理能够成功地区分和提取事件位置，更不用说近实时了。

识别井筒中的各种事件的能力可以允许响应于这些事件而采取各种动作或处理。例如，可以基于所识别的事件适当地关闭井、可以增加或减少生产，和/或可以在井筒中采取补救措施。在需要时，有效的响应不仅受益于井内事件识别的二元“是/否”输出，还受益于来自所识别的事件区域的每一个的流体的相对量(例如，气体流入量、烃液流入量、水流入量等)的度量，使得首先作用于贡献最大流体量的区域，以改善或优化生产。本文描述的系统和方法可用于识别事件或问题的来源，以及有关事件的附加信息，诸如流动方向和流动量，和/或识别所面临问题的类型。例如，当检测到水流入位置时，在水流入位置处的烃液的相对流速可以允许确定是否要补救、补救的类型或方法、补救的时间和/或决定更改(例如降低)该井的生产率。例如，可以隔离生产区域、可以在各个水平上打开、关闭或阻塞生产组件、可以对侧井进行钻探或隔离等。这样的确定可以用于改善井的液面降低，同时减少与诸如生产的水的各种因素相关的生产费用。

本文所述的相同信号处理可用于识别跨各种行业中的各种事件。该系统可以包括类似的实时信号处理架构，其允许使用各种特征标记或模型来识别事件。在这些系统内，可以使用各种传感器(例如，分布式光纤声学传感器、点声传感器等)来获得沿路径的各个点处的声学样本。然后，可以使用具有频谱特征提取技术的信号处理架构来处理声学样本，以获得能够从背景噪声中选择性提取感兴趣的声学信号的频域特征。

一旦获得，就可以在各种模型中使用频域特征，以便能够将由感兴趣的事件产生的噪声与其他环境声学背景噪声隔离开来。通过考虑用于已知事件的一个或多个频域特征，可以为每个事件确定特定模型。从这些已知事件中，可以开发出每个事件特定的频域特征，并且可以建立(例如，具有范围或阈值的)特征标记和/或模型来确定每个事件的存在。基于每个频域特征的细节，可以使用所得的特征标记或模型来充分区分事件，以允许相对快速地识别此类事件。然后可以将所得的特征标记或模型与处理后的声学信号数据一起使用，以确定事件是否发生在沿声学传感器路径的感兴趣的点上。本文公开的任何处理技术都可以被用来初始地确定频谱特征标记或模型，然后处理采样的声学信号中的频域特征并将其与产生的频谱特征标记或模型进行比较。

因此，诸如运输行业(例如，铁路、交通、机场等)、安全(例如，周界安全、管道线监测等)和设施监测(例如，监测诸如电潜泵、风力涡轮机、压缩机等的设备)之类的行业中的声学信号可以从本文公开的系统的使用中受益。例如，可以使用例如连接到轨道的光纤连同DAS单元一起监测轨道线路以检测沿轨道长度的声学信号。光纤沿轨道的长度可以被认为是光纤从接收器/发生器(例如DAS单元)沿轨道通过时的光纤的路径。基于沿轨道和/或光纤的长度产生的声学信号，可以检测各种声学特征标记，例如轨道运动、维护车辆运动、交通运动、行人交通等。可以处理这些信号以提取一个或多个频域特征，并且可以确定或开发这样的事件的频谱特征标记和/或模型。一旦获得，频谱特征标记和/或模型就可以用于处理沿光纤路径的各种长度处的声学信号，并且使用频域特征和频谱特征标记和/或模型来确定各种事件的存在。

类似地，安全系统可以使用分布式声学传感器(例如，光纤、单独的声学传感器等)来检测跨路径或区域的声学信号。通过使用来自声学传感器的声学信号，可以检测出诸如语音、脚步、玻璃破碎、车辆运动等之类的各种安全相关事件。这些信号可以被处理以提取频域特征并且将这些频谱特征与用于各种安全相关事件的特征标记和/或模型进行比较。

类似地，声学监测技术可以与一个或多个点源一起使用，点源可以是单独的或沿路径连接的。例如，具有工业设备的设施可以使用本文描述的声学监测技术来被监测。例如，具有泵、涡轮机、压缩机或其他设备的设施可具有监测该件设备的声学传感器。可以为每种类型的设备确定各种事件的频谱特征标记和/或模型，并且将其用于监测和识别设备的状态。例如，可以监测泵以确定泵是活动的还是非活动的、流体是否流过泵、轴承是否损坏等等，所有这些都是通过使用声学样本以及如本文所述的确定事件的存在的频谱特性和/或模型。当存在多件设备时，可以将诸如光纤之类的单个声学传感器耦合到每件设备。这种配置可以允许单个询问单元通过解析沿用于每件设备的光纤的长度使用频谱分析来监测多件设备。因此，分布式声学监测系统可能不需要与各件设备相关的多个处理器。

类似地，可以以类似于如本文所公开那样监测井筒的方式监测管道线。在该实施例中，光纤可以检测各种事件，诸如泄漏、流过堵塞或腐蚀等。这可以允许沿管道线的长度进行远程监测。

其他类型的行业也可受益于使用声学传感器来获得声学样本，该声学样本可以使用频谱特征提取来加以分析并匹配到事件。经历产生声学信号的事件的任何行业都可以使用如本文所述的系统来监测。此外，当信号跨空间分布时，诸如光纤之类的单个声学传感器可以与接收器单元一起使用以检测跨传感器元件的长度或路径的声学信号，从而使得单个传感器能够检测跨宽区域或路径的声学信号。在这些实施例中，信号可能并不是从井筒中获得的。例如，声学信号可以从非井筒源或从地下地层的外部获得。因此，本文描述的系统和处理技术可以用于使用从跨各种行业和位置的声学信号获得的频谱特征来识别事件。

本文描述了用于识别事件(例如，井筒事件、运输事件、安全事件、设施监测事件、管道线监测事件等)的方法和系统。在一些实施例中，井筒事件可以包括井筒中的导管内的流体流入位置和/或流体流动态。在一些实施例中，其他井筒事件(诸如流体流出检测、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动诊断、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测(例如，微震事件等)、砂土检测(例如，砂土进入、砂土流等)等。在一些实施例中，可以检测诸如运输事件、安全事件、设施监测事件、管道线监测事件之类的事件。如本文所述，频谱描述符或频域特征可以与DAS声学数据处理一起使用以提供事件检测。例如，频域特征可以与井筒事件检测一起使用(例如，流体剖析(profiling)、流体流入位置检测、流体相辨别(诸如确定一个或多个位置(例如检测到的流体流入位置)处的流体包括气体流入、烃液流入、水相流入、混合流体流动和/或随时间变化的流体流动(诸如缓涌单相或多相流等))。在一些实施例中，事件检测模型可以用于事件识别。事件检测模型可以包括一个或多个单独的模型，其可以相同或不同，如本文更详细所述。在一些实施例中，事件检测模型可以包括多个子模型，诸如用于流入流体相辨别的流体流动模型，其可以允许确定气相流入、水相流入、烃液相流入以及井筒中的各种组合流态中的至少一个。在一些实施例中，相同或不同的事件检测模型可以用于识别其他事件，诸如确定在导管中流动的流体的成分的流体流动相辨别。本文中还提供了一种为本文所述的任何事件开发合适的事件检测模型的方法。

将信号处理技术和具有用于井筒事件(诸如井下监视)的DAS的一个或多个事件检测模型可以带来许多好处，包括通过井下流体监视(例如，生产流监测)来监测储层的有效排水来提高储层采收率、通过识别液面下降(drawdown)水平(例如，气、水等)来改善井的作业范围(envelope)、促进用于有效井管理和井完整性的针对性的补救措施、通过清楚地识别井屏障元件的异常和/或故障来降低操作风险。对于其他非井筒事件，类似的优势也是可能的。

在一些实施例中，使用本文描述的系统和方法可以提供事件和经历各种事件的位置的知识，从而潜在地基于处理结果来允许改进的动作(例如，用于井筒事件的补救动作、用于安全事件的安全动作等)。本文公开的方法和系统还可以提供有关事件的信息。例如，对于井筒事件，可以确定关于根据不同的生产率、不同的生产阻塞和井下压力条件，由不同的流体涌入区域产生的流体流入量的可变性的信息，从而使得能够控制流体流入。对于流体流入事件，本文公开的系统和方法的实施例还允许计算进入井筒的流体的相对浓度(例如，流入流体中的气体、烃液和水的相对量)，从而提供更有针对性和有效补救的潜力。

如本文所公开的，数据处理技术的实施例可以使用实时数字信号处理步骤的各种顺序来从背景噪声中识别由各种事件产生的声学信号，并允许将分布式光纤声学传感器数据用作输入数据馈送来实时检测事件及其位置。

如本文所公开的，可以使用测试数据来开发一个或多个模型，以提供用作事件检测模型的输入的标记数据集。然后，可以使用所得的经过训练的模型来基于测试数据的特征和一种或多种机器学习技术来识别一个或多个特征标记，以开发各种事件的存在的相关性。在事件检测模型开发中，可以在测试设置中创建特定事件，并且可以获得并记录声学信号以开发测试数据。可以使用测试数据来训练定义各种事件的一个或多个模型。然后可以使用所得模型来确定一个或多个事件。在一些实施例中，可以使用来自其他传感器输入来使用实际现场数据并将其与实际事件相关联。可以标记数据以基于实际生产情况创建训练数据集。然后可以单独使用数据，也可以将其与测试数据结合使用以开发模型。首先描述模型的使用，并且在本文中，更详细地描述用于开发用来识别事件的模型的过程和系统。

如本文所述，使用井筒事件作为示例。还描述了其他事件和用于其他事件的事件检测模型。从井筒事件开始，在图1中示出了根据本公开的一些实施例，识别井筒内的事件的方法I的流程图。如本文所述，该方法和系统可以被用来识别一个或多个事件。可以使用该方法来确定各种事件，这种井筒事件包括但不限于流体流出检测、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动诊断、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测(例如，微震事件等)、砂土检测(例如，砂土进入、砂土流等)、运输事件、安全事件、设施监测事件、管道线监测事件等。在本文中更详细地描述特定类型的事件。流体流动可以包括沿着井筒内的管件或在井筒内的管件内的流体流动，诸如在生产管件内的流体流动。流体流动还可以包括从储层或地层到井筒管件中的流体流动。这样的流入井筒和/或井筒管件的流动可以称为流体流入。尽管在本公开中有时可以单独地识别流体流入，但是这种流体流入可以被认为是井筒内流体流动的一部分。

一种用于识别事件的方法可以包括：在100处获得声学信号，并在300处从声学信号确定一个或多个频域特征。对于井筒事件，可以沿着井筒获得声学信号，对于非井筒事件，可以沿着传感器的路径获得声学信号。在一些实施例中，该方法包括在500处识别一个或多个事件和/或事件位置。在一些实施例中，该方法包括在600处使用多个频域特征来确定该事件的信息。

如在图1的实施例中所描绘的，根据本公开的识别事件的方法可以可选地包括：在300处从声学信号确定一个或多个频域特征之前，在200处预处理声学信号，可选地，在500处识别一个或多个事件和/或在600处使用多个频域特征识别有关事件的信息之前，在400处归一化一个或多个频域特征。

如图1的实施例中进一步描绘的，在600处使用多个频域特征识别一个或多个事件位置处的一个或多个事件可以包括，如600'处所示，将多个频域特征提供给事件检测模型，其中，在本文中更详细地描述该模型。根据本公开的识别事件的方法可以进一步包括：在800处基于所识别的事件确定补救过程之前，在650处，使用600处的多个频域特征来确定用于识别一个或多个事件位置处的事件的置信水平。在下文中，将更详细地描述方法I的上述步骤中的每个步骤。

根据一些实施例的识别事件的方法包括在100处获得声学信号。可以经由本领域技术人员已知的任何方法来获得这样的声学信号。现在将参考图2，描述用于获得声学信号的示例性系统和方法，图2是根据本公开的实施例的井下井筒操作环境101的示意性截面图示。如下文更详细所述，包括本文所述的分布式声学传感器(DAS)系统的完井(completion)组件的实施例可以位于环境101中。

如图2所示，示例性环境101包括穿过地下地层102的井筒114、为井筒114的至少一部分加衬的套管112、以及延伸通过井筒114和套管112的管件120。沿管件120可以设有多个完井组件(诸如间隔开的筛网元件或组件118)。此外，多个间隔开的层位封隔装置117和砾石充填122设置在管件120和井筒114的侧壁之间。在一些实施例中，操作环境101包括位于表面处并且在井筒114上方延伸的修井和/或钻机。尽管在图2中以示例性完井配置示出，但代替图2所示的设备或除了图2所示的设备之外，还可以存在其他设备。

通常，可以使用任何合适的钻井技术将井筒114钻入地下地层102中。井筒114可在竖直井筒部分上方从地表基本上竖直地延伸、在偏斜井筒部分上方与相对于地表的竖直发生偏离、和/或过渡到水平井筒部分。通常，井筒的全部或部分可以是竖直的、以任何合适的角度偏离的、水平的和/或弯曲的。此外，井筒114可以是新井筒、现有井筒、直井筒、延伸到达井筒、侧钻井筒、多边井筒、和用于钻探和完成一个或多个生产区的其他类型的井筒。如图所示，井筒114包括基本上竖直的生产部分150，其是裸眼完井(即，套管112不延伸通过生产部分150)。尽管在图1中将部分150示出为井筒114的竖直且裸眼部分，但是本文所公开的实施例也可以在具有任何定向的井筒部分中以及在井筒的裸眼或套管的部分中采用。套管112从表面延伸到井筒114中，并用水泥111粘结在井筒114内。

管件120可以被下放到井筒114中，以执行诸如钻探、完井、干预、修井、处理和/或生产过程的操作。在图2所示的实施例中，管件120是完井组件管柱，其包括与其耦合的分布式声学传感器(DAS)传感器。然而，管件120的实施例通常可用作井筒中的不同类型的结构，包括但不限于钻柱、套管、衬管、接合管和/或挠性管。此外，管件120可在井筒114的任何部分(例如，井筒114的竖直、偏斜、水平和/或弯曲部分)中操作。本文所述的DAS系统的实施例可耦合到管件120的外部，或者在一些实施例中，设置在管件120的内部，分别如图3A和3B所示。当DAS光纤耦合到管件120的外部时，如图3B的实施例中所描绘的，DAS光纤可定位在管件120中的控制线、控制通道或凹部内。在一些实施例中，外罩包含管件120并在安装期间保护系统。控制线或通道可以形成在护罩中，并且DAS光纤可以放置在控制线或通道中。

管件120可以从表面延伸到生产区，并且通常提供用于流体从地层102行进到表面的导管。包括管件120的完井组件可包括各种其他设备或井下工具，以便于从生产区生产地层流体。例如，层位封隔装置117用于隔离井筒114内的各个区域。在该实施例中，每个层位封隔装置117可以是封隔器(packer)(例如，生产封隔器、砾石充填封隔器、压裂充填封隔器等)。层位封隔装置117可定位在筛网组件118之间，例如，以沿井筒114将不同的砾石充填区或间隔彼此隔离。通常，每对相邻层位封隔装置117之间的空间限定出生产间隔。

筛网组件118提供防砂能力。特别地，防砂筛网元件118或与井筒管件120相关联的其他过滤介质可被设计成允许流体流过但限制和/或防止足够尺寸的颗粒物质流过。筛网组件118可以是已知为“绕线”的类型，其由围绕井筒管件螺旋地紧密缠绕的线材构成，其中绕线之间的间距被选择成允许流体流过过滤介质，而同时防止大于所选尺寸的颗粒在绕线之间通过。其他类型的过滤介质也可沿管件120设置，并且可包括通常用于砾石充填完井中的任何类型的结构，其允许流体流动通过过滤器或筛网，同时限制和/或阻挡颗粒的流动(例如其他商用筛网、割缝或穿孔衬管或管道；烧结金属筛网；烧结尺寸的网状筛网；筛分管；预填充筛网和/或衬管；或其组合)。具有由此通过的多个穿孔的保护外罩可以围绕任何这种过滤介质的外部而定位。

砾石充填122形成在裸眼完井中的筛网元件118(或管件120)和井筒114的侧壁之间的环形空间119中。通常，砾石充填122包括放置在环形空间中的相对较粗糙的颗粒材料，以形成粗筛网，其防止沙进入井筒，同时还支撑井筒壁。砾石充填122是可选的，并且可能不是在所有完井中存在。

流入管件120的流体可包括不止一种流体成分。典型的成分包括天然气、油(例如，烃液)、水、蒸汽、二氧化碳和/或各种多相混合流。流体流动可以进一步是随时间变化的，诸如包括不同相的缓涌、起泡或随时间变化的流率。这些成分的相对比例可以基于地层102和井筒114内的条件随时间变化。同样，在整个生产管柱的长度上流入管件120部分的流体的成分在任何给定时间在各个部分之间可以显著变化。

流体可以被生产到井筒114中和完井组件管柱中。当流体进入井筒114时，它可以产生可以使用诸如DAS系统之类的声学传感器检测到的声学声音。因此，各种流体流入井筒114和/或通过井筒114的流动可以产生可以使用检测振动或声学声音的传感器检测的振动或声学声音。例如，可以使用DAS系统检测振动，但也可以单独使用其他点类型的振动或声学传感器，也可以将其与DAS系统结合使用。每种类型的事件(诸如不同的流体流动和流体流动位置)都可以产生具有独特频域特征的声学特征标记。

在图2中，DAS系统包括基于光纤162的声学感测系统，该声学感测系统使用注入到光纤中的光的光学反向散射分量来检测沿光纤162的长度的声学扰动(例如，动态应变)。光可以由例如激光器的光发生器或光源166产生，其可以生成光脉冲。光纤162可以用作传感器元件，其中在光路中没有附加换能器，并且可以沿整个光纤162的长度进行测量。然后，测量结果可由诸如传感器164的光学接收器来检测，并选择性地被过滤以获得来自给定深度点或范围的测量结果，从而提供分布式测量结果，该分布式测量结果在任何给定时间具有沿光纤162的多个区域的选择性数据。以这种方式，光纤162可以有效地用作在光纤162的整个长度上展开的麦克风的分布式阵列，其通常至少跨越井筒114的生产区150，以检测井下声学信号。

由于光学反向散射的结果而沿光纤162向上反向散射的光可以行进回到源，在那里信号可以由传感器164收集并(例如，使用处理器168)处理。通常，光返回到收集点所花费的时间与沿光纤162行进的距离成比例。沿光纤162的长度产生的所得反向散射光可用于表征光纤162周围的环境。受控光源166(例如，具有受控频谱宽度和频率)的使用可以允许收集反向散射并且允许分析沿光纤162的长度的任何干扰。通常，沿光纤162的长度的任何声学或动态应变干扰可以导致反向散射光的属性改变，从而允许对声学量值(例如幅度)、频率以及在一些情况下干扰的相对相位的分布式测量。

采集设备160可耦合到光纤162的一端。如本文所讨论的，光源166可以生成光(例如，一个或多个光脉冲)，并且传感器164可以收集并分析沿光纤162向上返回的反向散射光。在一些情况下，包括光源166和传感器164的采集设备160可被称为询问器。除了光源166和传感器164之外，采集设备160通常还包括与传感器164进行信号通信的处理器168，以执行本文更详细描述的各种分析步骤。虽然被示为在采集设备160内，但是处理器也可以位于采集设备160之外，包括位于远离采集设备160的位置。传感器164可以用于以各种速率获得数据，并且可以以足够的速率获得数据，以检测具有足够带宽的所关注的声学信号。在实施例中，可以实现约1米至约10米范围的、或小于或等于约10、9、8、7、6、5、4、3、2或1米的深度分辨率范围。取决于分辨率的需要，为计算目的，可以使用较大的平均值或范围。当不需要高深度分辨率时，在一些实施例中，还可以使用具有较宽分辨率(例如，可能更便宜)的系统。

虽然本文描述的系统101可与DAS系统一起使用以获取对于井筒114中的位置或深度范围的声学信号，但一般来说，任何合适的声学信号获取系统都可与本文公开的方法步骤一起使用。例如，各种麦克风或其他传感器可以用于基于本文描述的声学信号处理在给定位置处提供声学信号。使用DAS系统的好处是可以跨多个位置和/或跨井筒114的连续长度而不是在离散位置处获得声学信号。

通过考虑从井筒获得的声学信号的一个或多个频域特征，可以为每个事件确定特定的频谱特征标记和/或模型。然后，可以将得到的频谱特征标记和/或模型与处理后的声学信号数据一起使用以确定在感兴趣的深度范围处是否正在发生事件。可以通过考虑在井筒内发生的不同类型的流动并且为每种类型的流动表征频域特征来确定频谱特征标记和/或模型。在一些实施例中，频域特征的各种组合和/或变换可以用于表征每种类型的流动。

图4示意性地示出了具有流体流入的井筒管件120的实施例的示例性视图，该流体包括具有或不具有液相的气相(例如，如被描绘为气泡202)，并且在图3A和3B的截面图中示出流体(例如，气体、烃液、水)。描绘为202的气相可以从地层102流入井筒114，然后流入管件120。当流体202流入管件120时，可以生成各种声学信号，并且当流体202在管件120内流动时，还可以生成其他声学信号，该声学信号可以与流入信号相同或不同。然后，声学信号可以由DAS光纤检测到并且使用DAS系统进行记录。不受此理论或任何特定理论的限制，由每种类型的流体流动和/或流入所产生的声音的频谱特性可以取决于每种流体的有效质量和流速。在一些实施例中，在100处获得的声学信号可以包括约5Hz至约10kHz范围内的频率、约5Hz至约5kHz范围内或约50Hz至约5kHz范围内的频率，或约500Hz至约5kHz范围内的频率。较低频率值(例如5Hz、50Hz、500Hz等)和较高频率值(例如10kHz、7kHz、5kHz等)之间的任何频率范围都可以被用来定义宽带声学信号的频率范围。

以气体流动和/或流入为例，接近光纤162会导致所生成的任何声学信号将被光纤162检测到的高可能性。气体在井筒内的流动很可能在较宽的频率范围上产生湍流。例如，气体流入声学信号可以在大约0Hz与大约1000Hz之间，或者可替代地，在大约0Hz与大约500Hz之间。由于气流中湍流的增加，增加的功率强度可能会发生在约300Hz至约500Hz之间。图5示出了由气体涌入井筒所产生的声学信号的示例，该图图示了五个频率区间(bin)中，深度与时间的频率滤波的声强度的图。如所示，五个频率区间表示5Hz至50Hz、50Hz至100Hz、100Hz至500Hz、500Hz至2000Hz以及2000Hz至5000Hz。可以在频率范围直至约500Hz的前三个区间中看到声强度，而在高于500Hz的频率范围内几乎无法检测到声强度。这表明至少一部分频域特征可能不会在500Hz以上出现，这有助于定义气体涌入的特征标记。这种类型的响应表明，可以预期每个事件都会产生具有潜在独特特征集的声学响应，这些特征集可用于帮助定义事件特征标记。尽管根据频率范围或频率区间进行了描述，但是可以使用其他特征和这类特征的变换来帮助定义气流和/或流入特征标记，可以将其与多变量模型一起使用以确定气体流动和/或流入是否存在。

对于其他类型的事件，可以预期类似的频率特征。可以处理所得的声学信号以确定多个频域特征。然后每种流体流动的特征标记可以基于多个频域特征。这可以包括变换一个或多个频域特征以用作特定流体流动特征标记的元素，如本文中更详细所述。

在实施例中，可以通过包括在较低频率范围(例如，在大约0Hz至大约500Hz的范围内)中的频谱质心的声学特征标记来表征包括从地层泄漏到井筒中的气体的事件，该频谱质心具有相对高的归一化频谱质心值。频谱扩展可能相对较小，因为预期信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约500Hz的频率的区间中，而表示高于约500Hz的频率的区间将没有RMS频带能量(或子频带能量比)或相对于表示0Hz到约500Hz之间的频率的区间显著降低的RMS频带能量。此外，表示约300Hz至约500Hz的频率范围的RMS频带能量可展示出与表示其他频率范围的区间相关的最大RMS频带能量(或子频带能量比)。还可以对气体泄漏事件确定其他的频域特征，并且可以将其用作气体泄漏特征标记的一部分。

包括从地层到井筒的气体涌入的事件可以通过包括在较低频率范围内(例如，在大约0Hz至大约500Hz的范围内)的频谱质心的声学特征来表征。频谱扩展可能相对较小，因为预期信号可能不是宽带信号。另外，RMS频带能量预期将在表示直至约500Hz的频率的区间中，而表示高于约500Hz的频率的区间将没有RMS频带能量或相对于表示0Hz到约500Hz之间的频率的区间显著减少的RMS频带能量。此外，表示约0Hz至约50Hz的频率范围的RMS频带能量可展示出与表示其他频率范围的区间相关的最大RMS频带能量。还可以对气体涌入事件确定其他频域特征，并且可以将其用作气体涌入特征标记的一部分。

包括砂土进入的事件可以通过包括在约500Hz以上的频谱质心的声学特征标记来表征。频谱扩展可能相对较大，因为预期的信号应该是宽带信号。此外，表示500Hz以上频率的区间中的RMS频带能量预期将具有零以上的值，从而提供宽带频率存在的指示。还可以对砂土进入事件来确定其他频域特征，并且可以将其用作砂土进入特征标记的一部分。

包括从地层流入井筒和/或在完井组件内的高速率流体流动的事件可以通过包括较低频率范围(例如，在0Hz至约50Hz的范围内)的频谱质心的声学特征标记来表征。频谱扩展可能相对较小，因为预期的信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约50Hz的频率的区间中，而表示高于约50Hz频率的区间将没有RMS频带能量，或相对于表示0Hz到约50Hz之间的频率的区间显著减少的RMS频带能量。还可以对高速率流体流动事件确定其他频域特征，并且可以将其用作高速率流体流动特征标记的一部分。

包括井内砂土运输和/或砂土缓涌的运动的事件可以通过包括在低频范围内(例如，在0Hz至约20Hz的范围内)的频谱质心的声学特征标记来表征。频谱扩展可能相对较小，因为预期的信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约20Hz频率的区间中，而表示高于约20Hz频率的区间将没有RMS频带能量，或相对于表示0Hz到约20Hz之间的频率的区间显著减少的RMS频带能量。此外，表示0Hz到约20Hz之间的频率的区间中的RMS能量将具有相对于流体流动噪声的功率或能量增加的能量或功率水平。频谱滚降也可能发生在约50Hz处。还可以对井内砂土运输事件确定其他频域特征，并且可以将其用作井内砂土运输特征标记的一部分。

包括流体流过井筒管件或生产管中的包括砂塞或砂丘的限流口(restriction)的事件可以通过包括在低频范围内(例如，在大约0Hz至约50Hz的范围内)的频谱质心的声学特征标记来表征。频谱扩展可能相对较小，因为预期的信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约50Hz的频率的区间中，而表示高于约50Hz频率的范围将没有RMS频带能量或相对于表示0Hz到约50Hz之间的频率的区间显著减少的RMS频带能量。还可以对流体流过限流口类型事件来确定其他频域特征，并且可以将其用作流体流过限流口类型特征标记的一部分。

包括流体在套管后(例如，在套管和地层之间)流动的事件可以通过包括在低频范围(例如，大约0Hz至大约300Hz的范围)内的频谱质心的声学特征标记来表征。频谱扩展可能相对较小，因为预期的信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约300Hz的频率的区间中，而表示高于约300Hz的频率的范围将有很少甚至没有RMS频带能量，或者相对于表示0Hz到约300Hz之间的频率的区间显著减少的RMS频带能量。此外，表示0Hz到大约70Hz之间的频率的区间中的RMS能量相对于其余频率区间中的RMS能量将具有增加的能量或功率水平。还可以对套管后面的流体流动确定其他频域特征，并且可以将其用作套管后面的流动的特征标记的一部分。

包括可能由近井筒区域中的流体运动引起的自诱发水力压裂的事件可以由包括在中频范围(例如，约0Hz至约1000Hz的范围)内的频谱质心的声学特征标记来表征。频谱扩展可能相对较大，因为预期的信号可以包括频率扩展到直至约5000Hz的宽带信号。此外，RMS频带能量预期将在表示直至约1000Hz的频率的区间内。此外，频谱通量可以指示压裂事件。由于在水力压裂的产生期间频谱功率的接近瞬时上升，可以在压裂的开始处预期大的频谱通量。如果在声学监测期间的超过单个帧中出现事件，则频谱通量可以类似地指示事件的结束。还可以对自诱发水力压裂事件确定其他频域特征，并且可以将其用作自诱发水力压裂特征标记的一部分。

包括经过井下限流口或砂塞的流体泄漏的事件可以由包括在低频范围(例如，在0Hz到大约500Hz的范围)内的频谱质心的声学特征标记来表征。频谱扩展可能相对较小，因为预期的信号可能不是宽带信号。此外，RMS频带能量预期将在表示直至约500Hz的频率的区间中。还可以对流体泄漏经过限流口类型的事件确定其他频域特征，并且可以将其用作流体泄漏特征标记的一部分。

包括岩石压裂传播的事件可以由包括高频范围(例如，在1000Hz到大约5000Hz的范围内)的频谱质心的声学特征标记来表征。此外，RMS频带能量将预期在表示约1000Hz到约5000Hz之间的频率的区间中。此外，频谱通量可以指示压裂传播事件。由于在压裂传播期间频谱功率的接近瞬时上升，可以在压裂传播的开始处预期大的频谱通量。如果在声学监测期间的超过单个帧中出现事件，则频谱通量可以类似地指示事件的结束。还可以对岩石压裂事件确定其他频域特征，并且可以将其用作岩石压裂特征标记的一部分。

虽然本文提供了示例性数值范围，但是实际数值结果可以根据数据采集系统而变化，和/或值可以被归一化或以其他方式处理以提供不同的结果。结果是，用于每个事件的特征标记可以具有用于多个频域特征中的每一个的不同阈值或值范围。此外，使用如本文所公开的事件检测模型可以使用不同的频域特征，包括更多或更少的频域特征，以确定井筒内的一个或多个事件的存在。

还期望其他事件(例如运输事件、安全事件、设施监测事件、管道线监测事件)以创建声学信号，对任一声学信号可以确定频域特征。选择一个或多个频域特征(或其组合、函数或其变换)可以基于在已知这样的声学信号的源的条件下，与这样的事件相关联的声学信号的测量值。这可以允许识别和选择源自这样的事件的频域特征，以便能够检测声学信号内的这样的事件的存在。

再次参考图2，采集装置160内的处理器168可以被配置为执行各种数据处理以检测井筒114内的事件的存在。采集装置160可以包括存储器170，其被配置为存储用于执行数据分析的应用或程序。虽然被示为包含在采集装置160内，但是存储器170可以包括一个或多个存储器，其中的任何一个可以在采集装置160的外部。在实施例中，处理器168可以执行程序，该程序可以将处理器168配置为对声学数据集进行空间滤波，确定声学信号的一个或多个频域特征，并且基于在下文所述的分析，确定事件是否发生在所选择的位置处。分析可跨沿井筒114的长度的各个位置而重复，以确定一个或多个事件的位置。

当声学传感器包括DAS系统时，光纤162可以实时地或近实时地将原始光学数据返回到采集单元160。在实施例中，原始数据可以被存储在存储器170中以用于各种后续使用。传感器164可以被配置为将原始光学数据转换成声学数据集。。

如图6中示意性所示，用于检测事件的系统401的实施例可以包括数据提取单元402、处理单元404和/或输出或可视化单元406。数据提取单元402可以获得光学数据并且执行初始预处理步骤，以从井筒返回的信号中获得初始声学信息。可以执行各种分析，包括频带提取、频率分析和/或变换、强度和/或能量计算、和/或确定声学数据的一个或多个属性。在数据提取单元402之后，可以将所得信号发送到处理单元404。在处理单元内，可以例如通过计算一个或多个频域特征并且将从机器学习方法(例如，监督学习方法等)中获得的一个或多个模型用在如下文进一步所述的一个或多个频域特征上来分析声学数据以确定是否存在一个或多个事件，并且如果存在，则确定事件的信息。

一个或多个事件检测模型也可以被用来确定各种事件(诸如对于井筒事件，在井筒内的各种事件)的存在。在一些实施例中，机器学习方法包括逻辑回归模型。在一些这样的实施例中，可以使用一个或多个频域特征(例如，频谱平坦度、RMS区间值等)来确定事件是否出现在每个感兴趣的位置处。在一些实施例中，可以使用监督学习方法来确定各种事件的模型，诸如具有多个频域特征作为输入以用于确定何时存在第一类型事件的第一多项式、具有多个频域特征作为输入以用于确定何时出现第二类型事件的第二多项式，以及具有多个将频域特征作为输入以用于确定何时出现附加事件的一个或多个附加多项式方程。一旦处理单元404使用从机器学习方法获得的模型来确定一个或多个事件的存在或不存在，就可以将所得的分析信息从处理单元404发送到输出/可视化单元406，在输出/可视化单元406，可以以多种方式可视化各种信息，诸如事件的位置的可视化和/或事件的信息。在一些实施例中，可以以多种方式来可视化所得到的事件信息。例如，井筒事件可以在井示意图、时间日志或任何其他数量的显示器上可视化，以帮助理解事件发生的位置，并且在一些实施例中，显示用于各种事件的相对量或指示符(诸如发生在沿井筒的长度的一个或多个位置处的流入流体的成分)。其他事件(诸如安全事件、管道线事件、运输事件、设备监测事件等)可以在地图或过程流程图上可视化。尽管在图6中被示为单独的单元，但是图6中所示的任何两个或更多个单元可以被并入到单个单元中。例如，单个单元可以出现在井场处，以提供分析、输出以及可选地，所得信息的可视化。

如上所述，根据本公开的识别一个或多个事件的方法可以可选地包括预处理声学信号。如本文所述，可以在井筒内产生声学信号。取决于所采用的DAS系统的类型，光学数据可以是相位相干的或者可以不是相位相干的，并且可以被预处理以提高信号质量(例如，用于通过使用中值滤波技术或者甚至通过使用具有被设置为采集单元的空间分辨率的平均窗口的空间移动平均计算等的光电噪声归一化降噪/去趋势单点反射噪声去除)。可以由传感器接收并生成来自声学传感器的原始光学数据以产生声学信号。由各种声学传感器(诸如DAS系统)生成的数据速率可能很大。例如，DAS系统可以每小时生成大约0.5到大约2TB的数据。该原始数据可以可选地被存储在存储器中。

然后可选地，可以在步骤200中对原始数据进行预处理。可以执行多个特定的处理步骤来确定一个或多个事件的存在。在实施例中，经过噪声去趋势处理的“声学变体”数据可以在其他预处理步骤之后经历可选的空间滤波步骤，如果存在的话。可以应用空间采样点滤波器，其使用滤波器以获得对应于井筒中的期望深度或沿着光纤路径的长度或位置的声学信号的一部分。由于发送到光纤中的光脉冲作为反向散射光返回的时间可以对应于行进距离，并因此可以对应于沿光纤的位置(例如，井筒中的深度、沿光纤的物理位置等)，可以处理声学数据以获得指示所需深度、深度范围和/或位置的样本。这可以允许隔离特定位置以进行进一步分析。预处理步骤还可以包括通过空间中值滤波或空间平均技术去除特定深度处的伪反向反射型噪声。这是可选的步骤，并且有助于主要关注沿着光纤的感兴趣的间隔(例如，井筒内的间隔)。例如，可以使用空间滤波步骤来关注例如发生事件的最大可能性的生产间隔。通过原始光学数据的转换产生的结果数据集可以被称为声学样本数据。

滤波可以提供多个优点。当空间滤波声学数据集时，用于分析的下一步骤的所得数据(例如，声学样本数据)可以指示在限定深度(例如，光纤的整个长度、其某一部分或井筒114中的点源)之上的声学样本。在一些实施例中，声学数据集可以包括从空间滤波器得到的多个声学样本，以提供在多个深度范围上的数据。在一些实施例中，声学样本可以包含足以捕获多个感兴趣点的深度范围上的声学数据。在一些实施例中，声学样本数据包含在由样本表示的深度处的整个频率范围上的信息。也就是说，包括空间滤波的各种滤波步骤不会从声学样本数据中去除频率信息。

处理器168可以进一步被配置为使用变换，将滤波数据从时域变换为频域。例如，可以执行在沿光纤或其部分的每个深度部分处测量的声学变量时域数据的离散傅里叶变换(DFT)或短时傅里叶变换(STFT)，以提供可以由其确定多个频域特征的数据。可以使用通过时间和空间的频谱特征提取来确定频谱一致性并且确定声学特征标记(例如，事件特征标记等)是否存在于声学样本中。在该过程中，可以对声学样本数据计算各种频域特征。

在200处的预处理可以可选地包括噪声归一化例程以提高信号质量。该步骤可以取决于所使用的采集设备的类型以及光源、传感器和其他处理例程的配置而有所不同。前述预处理步骤的顺序可以改变，并且可以使用步骤的任何顺序。

在200处的预处理可以进一步包括校准声学信号。校准声学信号可以包括从声学信号中去除背景信号，和/或对测量数据中的信号变化来校正声学信号。在一些实施例中，校准声学信号包括识别声学信号内的一个或多个异常并且去除一个或多个异常外的声学信号的一个或多个部分。

如上文所述，本公开的方法包括在步骤300处确定一个或多个频域特征或频谱特征。使用频域特征来识别事件可以提供多个优点。首先，使用频域特征导致相对于原始DAS数据流的显著的数据减少。因此，可以计算多个频域特征并且被用来允许事件识别，同时可以丢弃或以其他方式存储剩余数据，而使用频域特征来执行剩余分析。即使当存储原始DAS数据时，通过使用频域特征而不是原始声学数据本身而显著降低剩余处理功率。此外，使用频域特征可以与适当的选择一个或多个频域特征一起，提供与井下事件监督和其他应用有关的特定声音的频谱特征或声学特征标记的简明、定量的度量。

虽然可以为声学样本数据确定多个频域特征，但是，在识别事件特性或事件位置时，并非使用每个频域特征。频域特征表示声学信号的特定属性或特性。存在可以影响用于每个事件的频域特征选择的许多因素。例如，所选描述符应当保持相对不受来自环境的干扰影响所影响，诸如来自电子/光学的干扰噪声、并发声学声音、传输信道中的失真等。通常，电子/仪器噪声存在于DAS或任何其他电子计量器上捕获的声学信号中，并且其通常是干扰信号的不期望的分量。在由形成仪器一部分的模拟设备(例如电子放大器和其他模拟电路)捕获和处理信号期间引入热噪声。这主要是由于电荷载流子的热运动。在数字系统中，通过采样和量化可能引入其他的噪声。频域特征在存在噪声时，也应当具有对于给定事件有意义的值。

作为在为事件选择(一个或多个)频域特征时的进一步考虑，频域特征的维度应当是紧凑的。需要紧凑的表示来降低后续计算的计算复杂度。频域特征也应当具有辨别力。例如，对于不同类型的音频信号，所选择的描述符集应当提供完全不同的值。特征的辨别力的度量是用于一组相关输入信号的所得特征向量的方差。给定不同类的相似信号，则辨别描述符应当在每个类内具有低方差，而在不同类上具有高方差。频域特征还应当能够完全覆盖其描述的属性的值的范围。

在一些实施例中，可以使用频域特征的组合。这可以包括具有作为指示符的多个频域特征的特征标记。在一些实施例中，可以变换多个频域特征以创建可用于定义各种事件特征标记的值。这可以包括数学变换，包括比率、方程式、变化率、变换(例如，小波、傅立叶变换、其他波形变换等)、从特征集导出的其他特征等，以及使用可以定义线、面、体积或多变量包络线的各种方程式。变换可以使用除频域特征之外的其他测量值或值作为变换的一部分。例如，也可以使用时域特征、其他声学特征和非声学测量。在这种类型的分析中，除了频域特征本身之外，时间也可以被视为是一个因素。作为示例，可以使用多个频域特征来定义多变量空间中的表面(例如，平面、三维表面等)，然后可以使用所测得的频域特征来确定是否声学样本的特定读数落在表面上方还是下方。然后可以使用该读数相对于表面的定位来确定该事件是否存在于那个检测到的声学样本的那个位置。

作为示例，所选的频域特征集应当能够以合理的确定度唯一地识别与所选井下监督应用或事件有关的每个声学信号的特征标记，如本文所述。这种频域特征可以包括但不限于：频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量(或归一化的子频带能量/频带能量比)、响度或总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数或其归一化变体。

频谱质心表示由光纤162捕获的声音的“亮度”，并且指示声学样本中的频谱的重心。频谱质心可以被计算为信号中存在的频率的加权平均值，其中，在一些实施例中，所存在的频率的量值可以被用作它们的权重。在光纤上的空间位置处捕获的声学信号的第i帧的频谱质心C_i的值可以写为：

其中，X_i(k)是第i帧的短时傅立叶变换的量值，其中“k”表示频率系数或区间索引，N表示区间的总数，并且f(k)表示区间的中心频率。所计算的频谱质心可以被缩放到0到1之间的值。较高的频谱质心通常指示存在较高频率声，并且帮助提供高频噪声的存在的即时指示。

还可以为声学样本确定频谱扩展。频谱扩展是频谱形状的度量，并且帮助测量频谱是如何围绕频谱质心分布的。为了计算频谱扩展S_i，必须按照以下等式(所有其他项如上定义)从所计算的质心取得频谱的偏差：

频谱扩展的较低值对应于其频谱紧密集中在频谱质心周围的信号。较高的值表示较宽的频谱量值的扩展，并且提供存在宽带频谱响应的指示。

频谱滚降是音频信号的带宽的度量。第i帧的频谱滚降被定义为频率区间“y”，在该频率区间之下，短时傅立叶变换的累积量值达到频谱量值总和的某个百分比值(通常在85％-95％之间)。

其中，c＝85或95。频谱滚降计算的结果是区间索引，并且使得能够基于频域中的主导能量贡献来区分声学事件(例如，在气体涌入和液体流动之间等)。

频谱偏态测量频谱量值围绕其算术平均值的分布的对称性。

RMS频带能量提供在限定的频率区间内的信号能量的度量，然后其可以被用于信号幅度填充(population)。带宽的选择可以基于所捕获的声学信号的特性。在一些实施例中，表示所选频带中的较高频率与所选频带中的较低频率之比的子频带能量比可以在约1.5:1至约3:1的范围内。在一些实施例中，子频带能量比可以在从约2.5:1到约1.8:1的范围内，或者可替代地，为约2:1。在一些实施例中，具有5,000Hz奈奎斯特采集带宽的信号的所选频率范围可以包括：频率范围在0Hz到20Hz之间的第一区间、频率范围在20Hz到40Hz之间的第二区间、频率范围在40Hz到80Hz之间的第三区间、频率范围在80Hz到160Hz之间的第四区间、频率范围在160Hz到320Hz之间的第五区间、频率范围在320Hz到640Hz之间的第六区间、频率范围在640Hz到1280Hz之间的第七区间、频率范围在1280Hz到2500Hz之间的第八区间，以及频率范围在2500Hz到5000Hz之间的第九区间。在一些实施例中，低频阈值可以被用来帮助减少信号中的噪声。例如，可以使用在0到5Hz之间、0到10Hz之间或0到15Hz之间的低频阈值，这可能取决于所使用的较低频率阈值，导致包括频率范围在5Hz到20Hz之间、10Hz到20Hz之间或15Hz至20Hz之间的第一区间。在一些实施例中，可以将第九区间定义为由其他区间所覆盖的整个频率范围。例如，第九区间可以具有0到5,000Hz的频率范围(或具有5Hz到5,000Hz之间、10Hz到5,000Hz之间或15Hz到5,000Hz之间的频率范围，取决于是否使用较低阈值以及该阈值的选择)。在一些实施例中，可以使用覆盖整个频率范围的区间来归一化每一单个区间内的测量值。虽然本文列出了用于每个区间的某些频率范围，但它们仅用作示例，并且也可以使用相同或不同数量的频率范围区间中的其他值。在一些实施例中，RMS频带能量也可以通过计算所限定频率区间内的RMS信号能量与跨采集(奈奎斯特)带宽的总RMS能量之比来表示为比率式度量。这可以帮助减少或去除对噪声和宽带声音中的任何瞬时变化的相关性。

在时域中计算出的声波波形的总RMS能量可以指示声学信号的响度。在一些实施例中，在过滤信号的噪声之后，也可以从时域中提取总RMS能量。

频谱平坦度是声谱的噪度/音调的度量。其可以通过能谱值的几何平均值与算术平均值之比来计算，并且可以用作检测宽带信号的替代方法。对于音调信号，频谱平坦度可以接近0，而对于较宽频带信号，频谱平坦度可以接近1。

通过线性回归线，频谱斜率提供频谱形状的基本近似。频谱斜率表示频谱幅度从低频到高频的减小(例如，频谱倾斜)。斜率、y交点以及最大和介质回归误差可以被用作特征。

频谱峭度提供了平均值周围的分布的平坦度的度量。

频谱通量是频谱量值的瞬时变化的度量。它提供了跨所有频率或频谱的所选部分而求和的频谱量值向量的帧到帧平方差值的度量。具有缓慢变化(或几乎恒定)的频谱属性的信号(例如噪声)具有低频谱通量，而具有急剧的频谱变化的信号则具有高的频谱通量。频谱通量可以允许直接测量局部频谱变化率，并且因此用作可以用于拾取声学事件的开始，然后可以使用上述特征集进一步分析以识别并且唯一地分类声学信号的事件检测方案。

频谱自相关函数提供了一种方法，其中，信号被移位，并且对于每个信号移位(滞后)，计算移位信号与原始信号的相关性或相似性。这使得能够通过选择滞后来计算基本周期，对于所述滞后，信号与其自身最相似，例如，其中自相关最大化。这在探索性特征标记分析中是有用的/甚至对于用于跨特定深度的井完整性监测的异常检测也是有用的，其中待监测的井屏障元件定位在所述特定深度处。

这些频域特征中的任何一个或这些频域特征的任何组合(包括任何频域特征的变换及其组合)可以用于识别一个或多个事件和事件位置，如下文所述。在一些实施例中，可以使用所选的特性集来识别每一事件的存在或不存在，和/或可以将所计算的所有频域特征用作表征事件的存在或不存在的组。用于所计算的频域特征的特定值可以根据声学信号采集系统的特定属性而变化，使得每个频域特征的绝对值可以随系统而改变。在一些实施例中，可以基于用于捕获声学信号的系统来针对每个事件计算频域特征，和/或在确定用于确定这些值的系统与用于捕获被评估的声学信号的系统之间或之中的每个流体流入事件的频域特征值时，可以考虑系统之间的差异。

一个或多个频域特征可以被用来表征每种类型的事件。在一些实施例中，一个、至少两个、可替代地至少三个、可替代地至少四个、可替代地至少五个、可替代地至少六个、可替代地至少七个、或可替代地至少八个不同的频域特征可以被用来表征每种类型的事件。可以组合或变换频域特征，以便为一个或多个事件定义事件特征标记。尽管本文提供示例性数值范围，但是实际数值结果可以根据数据采集系统而变化和/或可以将值归一化或以其他方式处理以提供不同的结果。

如上所述，为了获得频域特征，可以在预处理步骤200处，将声学样本数据转换到频域。在实施例中，原始光学数据可以包含或表示时域中的声学数据。因此，在一些实施例中，200处的预处理包括使用傅立叶变换来获得数据的频域表示。可以使用各种算法，如本领域中已知的。在一些实施例中，可以使用短时傅立叶变换技术或离散时间傅立叶变换。然后，所得到的数据样本可以由相对于它们所存在的功率水平的频率范围来表示。原始光学数据可以在应用空间滤波器之前或之后被变换到频域中。通常，声学样本将处于频域中，以便确定频域特征。在一些实施例中，处理器168可以被配置为执行原始声学数据和/或声学样本数据从时域到频域的转换。在将信号转换到频域的过程中，可以分析跨声学样本内的所有频率的功率。使用处理器168来执行变换可以实时地或近实时地提供频域数据。

然后，处理器168可以用于分析频域中的声学样本数据以获得频域特征中的一个或多个，并且提供具有所确定的频域特征的输出以用于进一步处理。在一些实施例中，频域特征的输出可以包括不用于确定一个或多个事件的存在的特征。

然后，可以使用具有用于声学样本数据的频域特征的处理器的输出来确定与获取或滤波声学数据的间隔相对应的沿光纤的一个或多个位置(例如，井筒中或沿光纤的路径的一个或多个位置)处的一个或多个事件的存在。

一种识别一个或多个事件的方法可以可选地包括：在500处识别一个或多个事件位置之前和/或在600处识别一个或多个事件之前，在400处对一个或多个频域特征进行归一化。

根据本公开的识别一个或多个事件的方法可以包括在500处识别一个或多个事件位置。如本领域技术人员所已知的，可以例如经由PLS数据，在井筒事件中确定这样的事件位置。在一些实施例中，如下文所述，确定一个或多个事件位置。在这样的实施例中，识别一个或多个事件位置可以包括使用一个或多个频域特征来识别一个或多个位置，以识别与事件相对应的声学信号，并且将那些信号的光纤的路径的深度或位置与沿光纤的位置(例如，井筒内的位置，例如生产层段、地质层等)相关联。一个或多个频域特征可以包括至少两个不同的频域特征。在一些实施例中，用于确定一个或多个事件位置的一个或多个频域特征包括频谱质心、频谱扩展、频谱滚降、频谱偏态、RMS频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数、其组合和/或变换，和/或其归一化变体中的至少一个。在一些实施例中，用于确定一个或多个事件位置的一个或多个频域特征可以包括频谱平坦度、RMS频带能量、总RMS能量或频谱平坦度、RMS频带能量、总RMS能量中的一个或多个的归一化变体，或其组合。

在一些实施例中，识别一个或多个事件位置包括：使用声学信号识别背景声学特征标记；并且在识别一个或多个事件位置之前，从声学信号中去除背景声学特征标记。在一些实施例中，识别一个或多个事件位置包括使用多个频域特征中的一个或多个频域特征来识别声学信号中的一个或多个异常，并且将一个或多个异常的深度间隔选择为一个或多个事件位置。

当信号的一部分被去除时(例如，背景流体流动特征标记等)，去除的部分也可以用作事件分析的一部分。在一些实施例中，识别一个或多个事件位置包括：使用声学信号识别背景流体流动特征标记；并且使用来自声学信号的背景流体流动特征标记来识别事件，例如一个或多个流体流动事件。

在一些实施例中，根据本公开的识别一个或多个事件的方法包括在600处在所识别的一个或多个事件位置处识别至少一个事件。在一些实施例中，用于识别至少一个事件的多个频域特征包括以下至少两项：频谱质心、频谱扩展、频谱滚降、频谱偏态、RMS频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数或其归一化变体。

在一些实施例中，在600处使用多个频域特征来识别一个或多个事件包括：使用表示多个频域特征中的至少一个的变换的值来识别至少一个事件。在一些实施例中，在600处使用多个频域特征来识别至少一个事件包括：使用定义多个频域特征(在一些实施例中，包括频域特征的变换)中的至少两个之间关系的多变量模型(例如一个或多个多项式、数学公式等)来识别至少一个事件。在一些实施例中，在600处使用多个频域特征来识别至少一个事件包括：使用具有多个频域特征中的第一至少两个作为输入以用于确定第一事件何时存在的第一多变量模型，来识别第一事件的存在或不存在；使用具有多个频域特征中的第二至少两个作为输入以用于确定第二事件何时存在的第二多变量模型，来识别第二事件的存在或不存在，以及使用具有多个频域特征中的第三至少两个作为输入以用于确定第三事件何时存在的第三多项式，来确定第三事件存在或不存在。多个频域特征中的第一至少两个、第二至少两个和第三至少两个可以相同或不同。在一些实施例中，在600处使用多个频域特征来识别至少一个事件包括：使用多个频域特征中的至少两个之间的比率来识别至少一个事件。

在一些实施例中，识别一个或多个事件包括对每一类型的事件，在600'处将多个频域特征提供给事件检测模型，以及基于事件检测模型，确定至少一个事件存在。在一些实施例中，可以使用机器学习来开发事件检测模型和/或事件检测模型包括机器学习(诸如神经网络、贝叶斯网络、决策树、逻辑回归模型或归一化逻辑回归模型或其他监督学习模型)。

在一些实施例中，事件检测模型可以使用具有多个频域特征中的至少两个作为输入以用于确定第一事件何时存在的第一多变量模型。逻辑回归模型可以使用具有多个频域特征中的第二至少两个作为输入以用于确定第二事件何时存在的第二多变量模型，并且逻辑回归模型可以使用具有多个频域特征中的第三至少两个作为输入以用于确定第三事件何时存在的第三多变量模型。附加逻辑回归模型可以被用于附加事件，其中，每个附加模型可以使用多个频域特征中的至少两个。频域特征中的第一至少两个、第二至少两个和第三至少两个可以相同或不同。

将不同的模型用于一种或多种类型的事件可以允许更准确地确定每个事件。这些模型可以在许多方面有所不同。例如，模型可以具有不同的参数、不同的数学决定(mathematical determinations)、为不同类型的模型和/或使用不同的频域特征。在一些实施例中，可以将多个模型用于不同的事件，并且这些模型中的至少一个可以具有不同的参数。通常，参数是指模型中使用的用于确定模型输出的常数或值。以多变量模型为例，参数可以是模型方程中一个或多个项的系数。以神经网络模型为例，参数可以是应用于一个或多个节点的权重。各种类型的模型中的其他常数、偏移量和系数也可以表示参数。当模型被用于识别不同类型的事件时，使用不同的参数可以在模型之间提供不同的输出。

这些模型的数学决定也可能不同。在多变量模型中，模型可以包括一个或多个项，这些项可以表示输入变量(例如，一个或多个频域特征等)的线性、非线性、幂或其他函数。然后可以在模型之间改变函数。作为另一个示例，神经网络可以具有不同数量的层和节点，从而创建与输入变量一起使用的不同网络。因此，即使在两个以上的模型中使用相同的频域特征，输出也可以基于模型的不同函数和/或结构而变化。

这些模型也可以基于不同类型的模型而有所不同。例如，多个模型可以使用回归模型来识别一个或多个事件以及用于不同事件的神经网络。其他类型的模型也是可能的，并且可以用于识别不同类型的事件。类似地，通过使用不同的输入变量，模型可以有所不同。使用不同的变量可以在模型之间提供不同的输出。使用不同的模型可以允许使用相同或不同的训练数据来针对不同类型的事件产生更准确的结果。如本文更详细描述的，本文描述的任何模型可以依赖于将不同模型用于不同类型的事件。

在一些实施例中，识别至少一个事件包括利用事件检测模型并且在第一多变量模型中在所识别的一个或多个事件位置处使用多个频域特征；在第二多变量模型中，在所识别的一个或多个事件位置处使用多个频域特征；在第三多变量模型中，在所识别的一个或多个事件位置处使用多个频域特征；将多个频域特征与第一多变量模型的输出、第二多变量模型的输出和第三多变量模型的输出进行比较；以及基于多个频域特征与第一多变量模型的输出、第二多变量模型的输出和第三多变量模型的输出的比较，识别至少一个事件。

在一些实施例中，用于识别事件的多个频域特征可以包括频谱扩展的归一化变体和/或频谱质心的归一化变体，并且事件检测模型可以定义在声学信号的位置处存在或不存在事件之间的关系。

除了用于确定一个或多个事件的存在和识别的多变量模型之外，还可以开发多变量模型以基于使用从测试装置所获得的数据构建用于事件的预测数据集，来识别一个或多个事件。在该多变量模型中，可以使用从井筒中的传感器获得的数据来确定事件的存在和/或事件的信息。可以使用正则化多变量线性回归开发这种类型的多变量模型。然后可以将用于事件的预测信息(例如，流体流入事件的体积流量)与生产数据比较以基于与来自井筒的实际传感器数据的比较，进一步细化和/或开发多变量模型。

也可以使用本文描述的过程来开发其他多变量模型。在一些实施例中，可以使用本文公开的流动回路或流动测试装置，为井筒内的预期井筒事件生成测试数据。可以创建所需的事件或流动，并且可以捕获声学测试数据。所得的标记数据集可用于训练一个或多个事件检测模型，以使用一个或多个频域特征来确定事件的存在。

作为附加事件检测模型的示例，可以对导管内流体相中的砂土流入和/或流动进行建模。可以在不同的流体相、以不同的砂量、不同的定向以及通过不同类型的生产组件、管道、环带等对砂土流动进行建模。所得的声学数据可以用于本文公开的模型开发过程中，以确定指示在一个或多个流体相的流入流体中和/或在一个或多个流体相内的井筒内的流动流体中存在砂土的一个或多个多变量模型。然后可以将这种多变量模型与检测到的声学数据一起使用，以确定在各种流体中是否存在砂土，同时允许区分沿井筒的砂土流入和/或砂土流动。

在一些实施例中，可以使用机器学习来开发600'处的模型。为了开发和验证模型，具有已知事件和声学信号的数据可以被用作训练和/或开发模型参数的基础。该数据集可以称为标记的数据集(例如，事件类型、流态和/或流入位置已知的数据集)，在某些情况下可用于训练事件检测模型。在一些实施例中，已知数据可以是来自井筒的数据，该井筒具有通过用于井筒事件的各种手段测量的流动。在一些实施例中，可以使用测试设置来获得数据，其中，可以在控制点处引入已知量的各种流体(例如，气体、烃液、水性液体等)以产生受控的流体流动和/或流入。至少一部分数据可以被用于开发事件检测模型，并且可选地，一旦开发了事件检测模型，则部分数据可以被用来测试事件检测模型。

图7示出了根据一些实施例，开发事件检测模型的方法II的流程图。该方法可以包括，在900处，从其中可以重建一个或多个事件的多个事件测试中获得声学数据或信号。例如，可以在跨导管的长度的预定位置处将多种流体中的一种或多种流体引入导管中，并且其中，声学信号包括跨导管的一部分的声学样本。可以将多种流体中的一种或多种流体引入流动的流体中，以确定进入流动流体的(一种或多种)流体的流入特征标记。在一些实施例中，可以在相对停滞的流体中引入一种或多种流体。这可以帮助对井的较低或最低生产部分进行建模，其中，在流体进入井的点处可能没有大的流体流动正通过井筒。可以对此进行测试以获得进入可能不流动的井筒内的流体的流体流入的特征标记。还可以在测试装置中重建诸如泄漏、套管流动等的其他事件，以允许确定相应的声学信号。可以通过本领域技术人员已知的任何手段来获得声学信号。在一些实施例中，声学数据可以来自现场数据，其中，该数据被其他测试仪器验证。在一些实施例中，从用于多个事件测试中的每个事件测试的导管内或耦合到导管的传感器获得声学信号。传感器可以沿着导管的长度设置，并且所获得的声学信号可以指示沿着导管的长度的声源。传感器可以包括设置在导管内的，或者在一些实施例中，耦合到导管(例如，在导管的外部)的光纤电缆。导管可以是管件的连续部分，并且在一些实施例中，可以设置成环形。尽管在某些情况下被描述为环形，但是也可以将单个管段或管件段与所使用的其他管道一起使用以使流体的一部分返回到导管的入口。

可以基于预期的操作配置来选择管件测试布置的配置。通用测试布置可以包括具有一个或多个注入点的单个管件。声学传感器可以被设置在管件内或耦合到管件的外部。在一些实施例中，其他布置(诸如设计成模仿套管柱中的生产管件的管中管布置)可以被用于流动测试。传感器可以被设置在内管内、内管与外管之间的环形空间中、或者耦合到外管的外部。传感器的设置及其在测试布置内的耦合方式可以与预期其如何被设置在井筒内的方式相同或相似。可以使用任何数量的测试布置和传感器放置，从而允许与预期的完井配置相对应的测试数据。随着时间的流逝，可以开发配置和结果测试数据的库，以允许基于已知的标记数据来开发未来模型，该已知的标记数据用于训练各种类型的模型，诸如多变量模型、神经网络等。

在一些实施例中，导管包括流动回路，并且在回路内流动的流体存在或不存在的情况下，可以重建各种类型的事件，尽管对于某些事件测试，流体可能存在于导管中但不流动。作为示例，流动的流体可以包括水性流体、烃流体、气体或其组合。流动的流体可以包括液相、多相混合的液体或液-气混合相。在一些实施例中，导管内的流动流体可以具有包括但不限于层流、塞流、缓涌流、环形流、湍流、雾流、气泡流或其任何组合的流态。在这些流态内，流动和/或流入可以是基于时间的。例如，流体流入可以在第一时间间隔内为层流，然后在第二时间段内为缓涌流，然后在第三时间段内回到层流或湍流。因此，特定的流态可以相互关联并且具有随时间变化的周期性或非周期性的流态。可以在存在流动流体的情况下实施包括流体流动和流体流入事件的事件，并且也可以在存在流动流体的情况下实施其他事件。

在图8A中提供了用于执行流入测试的组件1。组件1包括导管5，传感器2(例如，光纤电缆)设置在导管5中或上方。在一些实施例中，光纤电缆2可以设置在导管5内。在一些实施例中，光纤电缆2可以沿着导管5的外部设置，例如，耦合到导管的外部。可以沿着导管5的长度L设置光纤电缆。在一些实施例中，可以使用其他类型的传感器，诸如点源声学或振动传感器。管线40可以被配置为将背景流体引入到导管5的第一端6中。一个或多个注入点10可以沿着导管5的长度L设置。用于执行流入测试的组件可以包括任意数量的注入点。例如，根据本公开的用于执行流入测试的组件可以包括1、2、3、4、5、6、7、8、9、10或更多个注入点10。例如，在图8A的实施例中，沿着导管5的长度L设置四个注入点10A、10B、10C和10D。作为示例，导管5的长度L可以在大约10米至大约100米的范围、大约20米至大约80米的范围、大约30至大约70米的范围内，例如30、40、45、50、55、60、65或70米。

注入点可以被定位在相对于彼此和/或导管5的第一端6和第二端7间隔开一定距离。可以基于传感器系统的空间分辨率选择间隔距离，使得注入点可以在生成的测试数据中彼此区分。当使用点源传感器时，可以在选择间隔距离时考虑传感器的类型。间隔距离也可以至少部分地被选择为足以允许期望的流态在注入点之间形成。在一些实施例中，第一注入点10A可以定位成距导管5的第一端6为间隔距离S1和距第二注入点10B为第二间隔S2。第二注入点10B可以被定位成距第三注入点10C为间隔距离S3。第三注入点10C可以被定位成距第四注入点10D为间隔距离S4。可以将第四注入点10D定位成距导管5的透明部分20为间隔距离S5。可以使用透明部分20可视地确认导管5内的流态。可视外观信息可以被记录为测试数据集的一部分。生产测井系统(PLS)可定位在导管5的第二端7的间隔距离S6内，并且可操作以比较经由传感器或光纤电缆2接收的数据。在一些实施例中，但不限于，注入点之间的间隔距离(例如，间隔距离S2、S3和S4)在大约2至大约20m、大约2至大约15m或大约10至大约15m的范围内。在一些实施例中，第一注入点和最后一个注入点距离导管5的最近端(例如，距第一端6或第二端7)至少5、6、7、8、9或10m。在实施例中，间隔距离S1和S5可以是至少5、6、7、8、9或10米。

导管5可以以任何角度设置，包括在水平与垂直之间(包括水平与垂直)的任何角度。导管的角度以及流体成分和流速会影响导管内的流态。例如，与竖直导管中的气泡或缓涌流相比，气相可以沿着水平定向的导管5的顶部聚集。因此，即使在相同的流体流动速率和成分的情况下，流态也可以基于导管的定向而改变。可以选择角度来表示要模拟的条件以匹配在井筒中发现的那些条件，并且导管的角度可以成为从测试设置中获得的数据的一部分。

可以以本文所述的任何流态(例如，层流、塞流、缓涌流、环形流、湍流、雾流和/或气泡流)将背景流体注入管线40，其可以通过组件1的透明部分20可视地确认。背景流动流体可以包括液相、多相混合液体和/或液-气混合相。流入测试可以包括注入流体和背景流动流体的各种组合。例如，可以将单相(例如水、气或烃液)注入到以特定流态流动的包括一个或多个相(例如水、气和/或烃液)的背景流体中。还可以执行流入测试，以将多相流体(例如，烃液和气体、烃液和水、烃液、水和气体)注入到以特定的流态流动的包含一相或多相(例如水、气体和/或或烃液)的背景流体中。

为了了解用于测试目的的测量信号的可变性，每种类型流动的流量都可以随时间递增。例如，流量和/或注入速率可以在一段时间内逐步变化。可以在足以获得可用样本数据集的时间段内将每种流动速率或注入速率保持恒定。时间段应当足以识别固定速率的信号变化。例如，在将流动速率改变为不同的流动或注入速率之前，可以以每个步进流动速率获得大约1分钟至大约30分钟之间的数据。

如图8B的示意图中所示，其是示出了对应于图8A的注入点的井筒深度的示意图3，可以例如通过调节测试深度的光纤信号来将流入测试校准到一定的储层深度。例如，注入点10A、10B、10C和10D可以分别对应于流入深度D1、D2、D3和D4。作为示例，可以使用与典型的井筒深度(例如3,000m至10,000m等)相对应的光纤电缆长度。然后，所得到的声学信号可以表示或近似于在井筒条件下接收到的声学信号。在流动测试期间，可以在已知流动条件下获得声学数据。然后可以将所得的声学数据用作训练和/或测试数据，以定制流体流动模型。例如，数据的第一部分可以与机器学习技术一起使用来训练流体模型，而一旦开发了流体流动模型，则数据的第二部分可以被用来验证来自流体流动模型的结果。

也可以使用流动回路配置重建其他事件(诸如套管排气孔泄漏、环形流动和各种其他流动类型事件)。对于这些事件，可以构造诸如管中管配置的井筒配置模型，并且可以重建环形流动、泄漏等。然后，可以基于测试重建，使用声学传感器来捕获用于这些事件的声学信号。使用测试装置来重建这样的事件的能力可以允许可变的但受控的泄漏率和流体流动速率与所捕获的相应声学信号一起被提供。

也可以使用测试布置来开发用于其他事件(诸如运输事件、安全事件、设施监测事件、管道线监测事件)的其他测试数据。例如，可以通过像在安全监测期间放置光纤那样放置光纤来测试安全事件。可以重建诸如人的行走、车辆移动等的受控事件，以捕获具有已知源的声学信号。设施监测事件可以具有包括具有已知操作问题的一种或多种类型的设备(例如，轴承磨损的泵、失衡压缩机等)的测试装置。可以使用类似于流量回路的测试管道线布置来测试管道线监测。结果数据可以被用来形成标记数据集，该标记数据集可以被用来训练一个或多个事件检测模型。使用从流动装置获得的测试数据，开发事件检测模型的方法可以包括对来自多个事件测试的至少一部分数据，从声学信号确定一个或多个频域特征。在910处，可以跨包括预定位置的导管的一部分获得一个或多个频域特征，以及在920处，训练事件检测模型可以使用用于多个测试和预定位置的一个或多个频域特征。训练事件检测模型可以使用机器学习，包括任何监督或无监督的学习方法。例如，事件检测模型可以是神经网络、贝叶斯网络、决策树、逻辑回归模型、归一化逻辑回归模型、k均值聚类等。

在一些实施例中，可以使用逻辑回归模型来开发和训练事件检测模型。作为训练用于确定第一事件的存在或不存在的模型的示例，在920处训练事件检测模型可以开始于向与其中存在第一事件的一个或多个流入测试相对应的逻辑回归模型提供一个或多个频域特征。可以将一个或多个频域特征提供给与其中不存在第一事件的一个或多个流入测试相对应的逻辑回归模型。可以将一个或多个频域特征用作输入来确定第一多变量模型。第一多变量模型可以定义第一事件的存在和不存在之间的关系。

类似地，事件检测模型可以包括用于第二事件的逻辑回归模型，并且可以在920处，通过向与其中存在第二事件的一个或多个事件测试相对应的逻辑回归模型提供一个或多个频域特征来训练事件检测模型。还可将一个或多个频域特征提供给与其中不存在第二事件的一个或多个事件测试相对应的逻辑回归模型。然后可以使用一个或多个频域特征作为输入来确定第二多变量模型，其中，第二多变量模型定义第二事件的存在和不存在之间的关系。

事件检测模型还可以包括用于一个或多个附加事件的逻辑回归模型。在920处，训练事件检测模型可以包括向与其中存在一个或多个附加事件的多个事件测试中的一个或多个事件测试相对应的逻辑回归模型提供一个或多个频域特征。还可以将一个或多个频域特征提供给与其中不存在一个或多个附加事件的一个或多个事件测试相对应的逻辑回归模型。然后可以将一个或多个频域特征用作输入来确定与一个或多个事件中的每个事件相对应的附加多变量模型，其中，附加多变量模型定义一个或多个附加事件的存在和不存在之间的关系。

一个或多个频域特征可以包括上文提到的任何频域特征及其组合和变换。例如，在一些实施例中，一个或多个频域特征包括频谱质心、频谱扩展、频谱滚降、频谱偏态、RMS频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数、其组合和/或变换，和/或其任一归一化变体。在一些实施例中，一个或多个频域特征可以包括频谱扩展的归一化变体(NVSS)和/或频谱质心的归一化变体(NVSC)。

在事件检测模型中，多变量模型方程式可以使用频域特征或其组合或变换来确定何时存在特定事件。多变量模型可以定义阈值、决策点和/或决策边界，具有事件的存在与不存在之间的任何类型的形状，诸如点、线、表面或包络。在一些实施例中，多变量模型可以是多项式的形式，尽管其他表示也是可能的。当使用诸如神经网络的模型时，阈值可以基于模型内的节点权重或阈值。如本文所述，多变量模型不限于二维(例如，两个频域特征或表示从两个或更多个频域特征变换的值的两个变量)，而是可以在定义事件的存在和不存在之间的阈值中具有任何数量的变量或维度。使用时，检测到的值可以用在多变量模型中，并且可以将计算出的值与模型值进行比较。当计算值在阈值的一侧时，可以指示事件存在；当计算值在阈值的另一侧时，可以指示事件不存在。因此，在一些实施例中，每个多变量模型可以表示在事件存在或不存在之间的特定确定。不同的多变量模型，因此阈值可以用于每种类型的事件，并且每种多变量模型可以依赖于不同的频域特征或频域特征的组合或变换。由于多变量模型定义了确定和/或识别特定事件的阈值，因此可以将多变量模型和使用此类多变量模型的事件检测模型可以被视为用于每种流体流动和/或流入(包括流态等)的事件特征标记。

一旦训练或开发了模型，就可以校验或验证事件检测模型。在一些实施例中，用于训练事件检测模型的多个测试可以是多个流动测试的子集，并且用于验证模型的测试可以是多个流动测试的另一个子集。根据本公开的开发事件检测模型的方法可以进一步包括在930处，使用来自一个或多个测试的声学信号和一个或多个测试的预定位置来验证所训练的事件检测模型。

验证过程可以包括将来自多个事件测试中的一个或多个的声学信号以及多个事件测试中的一个或多个的预定位置提供给第一多变量模型、第二多变量模型和一个或多个附加多变量模型中的每一个。然后，可以确定基于第一多变量模型、第二多变量模型和一个或多个附加多变量模型中的每一个的输出的第一事件、第二事件或一个或多个附加事件中的至少一个的存在或不存在。可以通过将第一事件、第二事件或一个或多个附加事件的预测的存在或不存在与如从测试数据中得知的实际存在进行比较来验证930处的事件检测模型。如果事件检测模型的准确性足够(例如，满足置信水平阈值)，则事件检测模型可以被用来检测和/或识别井筒内的事件。如果准确性不足，则可以实施附加数据和训练或开发，以找到新的频域特征关系来定义多变量模型，或者改进导出的多变量模型以更准确地预测事件的存在和识别。在该过程中，可以迭代地实施开发、验证和准确性检查，直到确定合适的事件检测模型为止。使用验证过程，可以在940处，基于该验证来确定置信水平。在一些实施例中，可以在950处，基于置信水平来执行可选的补救过程。可选的补救过程可以用于校正使用事件检测识别的井筒内的问题。例如，当事件包括井筒、环形空间或层位封隔装置中的泄漏时，可以修复泄漏。

参考图1，根据本公开的识别事件的方法可以进一步包括在700处确定关于事件的信息。例如，对于流体流入事件，确定气相流入、水相流入和烃液相流入的相对量。可以将其他信息(诸如泄漏率、流出流体速率、流体相流出的相对量、环形流动速率和相、微震和覆盖层活动的位置和方向、水力压裂程度、打砂率、运动和体积等)确定为事件检测模型的一部分。

作为被确定关于事件的附加信息的示例，确定气相流入、水相流入和烃液相流入的相对量可以包括确定在所识别的一个或多个流体流入位置处，一段时间内所确定的气相流入、水相流入或烃液相流入中的至少一个的每一个的幅度；以及基于一段时间内所识别的气相流入、水相流入或烃液相流入中至少一个的每一个的幅度，确定气相流入、水相流入或烃液相流入中的每一个的相对贡献。在一些实施例中，可以将声学信号的每个部分的幅度和/或频谱功率与每种流体的产生的体积进行比较。可以比较源自各种流入位置的相对功率，并且基于频域特征(诸如幅度或频谱功率)被分配总生产的流体流量的一部分。可以使用事件检测模型来确认在井筒管件中流动的每种流体的体积，并且可以使用在流体流入位置处确定的相对量来确定存在于流入位置的下游的点处的井筒管件中的流体流动中的量。这可以允许估计在待确定的井筒的各个点处存在的每种流体的体积。

根据本公开的识别一个或多个事件的方法可以可选地进一步包括在800处确定和/或执行诸如补救过程的处理。所确定和/或执行的补救过程可以基于一个或多个事件的识别和/或对所识别的事件获得的信息。

可以在根据本公开的识别一个或多个事件的方法中利用本文讨论的步骤的组合。例如，确定事件的方法可以包括：在100处获得声学信号；在300处从声学信号确定一个或多个频域特征；以及在500处，由一个或多个频域特征识别一个或多个事件位置。可选地，确定一个或多个事件的方法可以包括：在100处获得声学信号；在300处从声学信号确定多个频域特征；在500处，由多个频域特征中的一个或多个识别一个或多个事件位置，以及在600处，使用多个频域特征中的至少两个来识别在所识别的一个或多个事件位置处的至少一个事件。该识别方法可以使用本文所述的任何事件检测模型。可替代地，确定一个或多个事件的存在的方法可以包括：在100处获得声学信号；在300处从声学信号确定多个频域特征；在500处(经由一个或多个频域特征中的一个或多个或以可替选的方式)识别一个或多个事件位置，以及在600处，使用多个频域特征中的至少两个来识别在所识别的一个或多个流体流入位置处的至少一个事件。这种识别方法可以使用本文所述的任何事件检测模型。

再次参考图6，当在样本数据测量阶段期间，已经实时或近实时地识别出事件已经发生时，则可以生成各种输出以在406处显示或指示在500和/或600处识别的一个或多个流体流入事件的存在。

除了检测井筒114中某一深度或某个位置处的一个或多个事件的存在之外，在处理器168上执行的分析软件还可以被用来通过计算机网络可视化已识别事件的事件位置或信息，以用于在远程位置处可视化。例如，如图9所示，流入事件的输出可以包括如面板A描绘的作为井中的深度和时间的函数的气相流入的图、如面板B描绘的作为井中的深度和时间的函数的烃液相流入的图、以及如面板C描绘的作为井中的深度和时间的函数的水相流入的图中的一个或多个。这些图可以重叠以提供描绘作为井中的深度和时间的函数的气相流入、水相流入和烃液相流入的单个图，如图9的面板D所描绘的。可替代地或附加地，可以对数据进行积分以提供作为井中的深度和时间的函数的气相流入、水相流入和烃液相流入的量的累积显示，如图9的面板D所描绘的。

可以重复地(诸如每秒)进行用于与事件有关的信息的一个或多个事件日志的计算，并且稍后在离散时间段内被积分/平均(例如，在较高的井液面降低时)，以显示生产过程的各个阶段(例如，从基线关闭(shut-in)、从井斜升期间、从稳定生产、从高液面降低/生产率等)处的时间流逝的事件日志。时间间隔可以足够长以提供合适的数据，尽管较长的时间可能导致较大数据集。在实施例中，时间积分可以在约0.1秒至约10秒之间、或约0.5秒和约几分钟或甚至几小时之间的时间段内发生。

可以将所计算的(一个或多个)结果事件日志存储在存储器170中或跨计算机网络传送以填充事件数据库。该数据可以被用来在沿光纤162的长度的每个事件深度样本点处生成整合的事件日志以及指示测量时间的同步时间戳。在产生可视化事件日志时，可以将并不展现流体流入的深度部分的值设为零。这允许容易地识别展现流体流入的那些深度点或区域。

作为示例，在处理器168上执行的分析软件可以被用来通过计算机网络可视化流体流入位置或相对流体流入量以在远程位置处可视化。可以重复地(诸如每秒)进行“流体流入日志”的计算，并且稍后在离散时间段内被积分/平均(例如，在较高井液面降低时)，以显示生产过程的各个阶段(例如，从基线关闭、从井斜升期间、从稳定生产、从高液面降低/生产率等)处的时间流逝的流体流入日志。时间间隔可以足够长以提供合适的数据，尽管较长的时间可能会导致较大数据集。在实施例中，时间积分可以在约0.1秒至约10秒之间或约0.5秒和约几分钟或甚至几小时之间的时间段内发生。

每秒计算的流体流入日志可以被存储在存储器170中或跨计算机网络传送以填充事件数据库。可以每秒存储对一个或多个数据集深度，在存储器170中存储/传送的数据。该数据可以被用来在沿光纤162的长度的每个事件深度样本点处生成整合的流体流入日志以及指示测量时间的同步时间戳。

分析过程可以与本文所述的任何事件特征标记一起使用。例如，可以确定一个或多个事件的存在。在一些实施例中，事件之间的位置和/或区分可能是不清楚的。然后可以改变井筒的一个或多个特性以允许发生声学信号的第二测量。例如，可以改变生产率，可以改变压力，可以关闭一个或多个区域，或者任何其他合适的生产变化。例如，可以暂时提高生产率。可以在增加的生产时段期间对数据执行结果数据分析。通常，可以预期进入井筒的增加的流体流动速率增加在某些事件位置处(诸如气体流入位置、水流入位置、烃液流入位置等)的声学信号强度。这允许改善信噪比，以便通过例如提供增加的信号强度以使事件特征标记与所得到的声学信号进行比较，在一个或多个位置处相对于一个事件更清楚地识别另一个事件。还可以基于增加的信号输出更清楚地计算事件能量。一旦识别了感兴趣的区域，就可以基于事件位置和量来调节生产水平。使用本文描述的技术可以监测随时间的事件的存在的任何变化，并且可以相应地调节操作条件(例如，动态调节、自动调节、手动调节等)。尽管上文已经参考系统101描述了数据分析，但是也可以使用任何适当的系统，实施识别井筒内的事件(例如，沿井筒长度的流体流入位置、流入流体(例如气、水、烃液)的相辨别、流入流体成分的相对量等)的方法。例如，图2的系统可以用于实施声学数据采集，不同时间和/或位置处的单独系统可以与声学数据一起使用以执行事件检测方法，以及/或者该方法可以使用从不同类型的声学传感器获得的声学数据来执行，其中，数据是以能够执行该方法的设备可用的电子形式获得的。

声学信号可以包括用于全部井筒或井筒的仅一部分的数据。可以从声学信号中获得声学样本数据集。在实施例中，样本数据集可以表示用于限定的深度范围或点的声学信号的一部分。在一些实施例中，可以在时域中获得声学信号。例如，声学信号可以是以相对于收集时间的声学幅度的形式。样本数据集也可以在时域中，并且可以使用诸如傅立叶变换的适当变换来转换成频域。在一些实施例中，可以在频域中获得样本数据集，使得可以在获得样本数据集之前转换声学信号。虽然可以使用本文所述的任何方法来获得样本数据集，但是样本数据集也可以通过从另一设备接收它来获得。例如，可以使用单独的提取或处理步骤来定制一个或多个样本数据集，并且使用本文公开的任何处理方法或系统传送它们以用于单独的处理。

本文还公开了一种用于将检测到的一个或多个事件或一个或多个事件的不存在用作单独模型的输入的方法。实时或近实时地检测一个或多个事件的能力可以允许一个或多个应用或控制程序将事件检测和识别作为输入来操作。例如，对于井筒事件使用一个或多个模型可以允许实施井筒控制程序以将事件识别考虑在内。诸如流体流入识别和定量之类的事件可以与砂土检测相结合，以控制在井筒内生产率或液面降低(draw down)。类似地，可以在监测应用中使用对各种安全事件的检测来识别潜在威胁并触发各种警报。在安全示例中，仅任何一个事件可能不足以触发警报，但是以某些组合可以识别潜在的破坏或威胁。总体上，然后可以在一个或多个监督应用中使用如本文所述的事件检测模型的输出的组合，以提供用于各种类型的事件的控制信号或输出。

图10示出了用于提供输出或控制信号的方法960的流程图。方法960可以开始于在步骤962处由一个或多个声学信号获得多个频域特征。可以使用本文描述的任何技术或系统来获得声学信号。例如，可以使用基于DAS的系统来检测井筒内、被监测区域内、沿管道线和/或被监测的设备的一个或多个项目处的声学信号。附加地或可替代地，可以使用一个或多个点传感器来在感兴趣的位置处获得声学传感器。

一旦获得了声学信号，就可以获得声学信号内的一个或多个频域特征。频域特征可以包括本文所述的任何特征，并且本文所述的处理(例如，包括任何可选的预处理步骤等)可以被用来获得一个或多个频域特征、其变换、其函数、其组合或其修改。

然后，在步骤964处，可以将所得的频域特征用作多个事件检测模型的输入。事件检测模型可以包括本文所述的那些模型中的任何一个，并且可以使用本文所述的任何技术或系统来开发多个事件检测模型。例如，多个模型可以包括使用机器学习技术训练的一个或多个模型。例如，多个模型可以包括回归模型、多变量模型、神经网络等。多个模型可以与本文描述的相同或不同。

可以执行模型以确定一个或多个事件的存在。在一些实施例中，每个模型可以与特定事件一起使用。因此，多个模型的结果输出可以包括在由声学信号限定的位置内事件存在或不存在的指示。事件的存在可能很重要，并且通知要采取的各种动作，事件的不存在也可以被用来通知各种监督应用。

然后，在步骤966处，可以将多个事件检测模型的输出传递给监督应用。监督应用可以是控制应用、监测应用等。监督应用可以用于处理各种事件识别和/或与事件相关联的信息，并且做出监督确定，诸如控制决策、警报决策、报告决策等。在一些实施例中，监督应用的输出可以被用来自动地控制过程内的设备的一个或多个系统或项目。

监督应用可以包括与本文所述的任何事件检测模型相似的模型。在一些实施例中，监督应用可以包括一个或多个回归模型、多变量模型、神经网络、贝叶斯网络等，并且可以使用来自已知事件的数据(例如使用标记的数据集)来训练监督应用。此外，监督应用可以接受事件检测模型的一个或多个输出作为输入。监督应用的输出可以包括控制输入、警报、报告等。

将多个事件检测模型的输出用作输入，监督应用可以在步骤968处确定输出信号。输出信号可以包括控制信号、警报信号、报告信号或过程或系统内中使用的任何其他信号以控制该过程或系统的操作的一个或多个方面。例如，监督应用可以包括对阀的控制信号，以控制系统内的压力或流速；泵的控制信号，以控制从泵输出的流速；安全系统的控制信号，以指示需要警报；管线监测应用的控制信号，以报告管道线的操作。在一些实施例中，监督应用的输出可以包括简单的“是/否”响应。这可以提供控制状态的存在或不存在的指示、打开或关闭设备的设备项目的控制信号等。在一些实施例中，监督应用的输出可以包括控制设置。例如，输出可以将流量控制设备设置在完全打开和完全关闭之间的位置，以便控制系统内的流动速率。类似地，输出信号可以包括安全系统中的安全破坏的可能性的指示，其中，该输出可以包括对发生特定类型的破坏的可能性的百分比的指示。

然后，可以可选地使用监督应用的输出来控制过程或系统。在一些实施例中，监督应用可以将输出提供给控制应用，然后操作可以使用该输出来控制过程或系统。在一些实施例中，输出信号可以被用来自动地控制过程或系统，而无需进一步的输入。在这样的实施例中，操作可以根据需要中断系统。

例如，可以由监督应用自动地控制压力设置以控制井筒中的液面降低。作为示例，监督应用可以接收对流体流入、流体流入速率、相信息、泄漏信息和/或砂土进入信息的指示。该信息可以被用来自动地控制井筒中的液面降低压力，以增加流体流入速率，同时避免砂土进入或将砂土进入保持在阈值以下。

作为另一个示例，作为安全监测系统的一部分的监督应用可以从多个安全事件检测模型接收各种输入，诸如对脚步、车辆交通、语音、挖掘等的事件检测。诸如步行之类的任何一个事件的存在可能不足以触发警报，例如由于该区域中的人员的预期存在。当与其他事件指示符(例如多个脚步声、语音、挖掘和/或车辆交通)组合时，监督应用可以提供警报信号作为输出，以指示意外入侵的存在。在该示例中，警报信号可以自动地触发，而无需操作员准许，或手动地触发警报。

监督应用可以提供任何数量的输出。当有附加的标记数据可用时，可以根据需要随时间重新训练监督应用，以进一步提高模型的准确性。这可以允许使用附加建模级来使用多个事件检测模型的输出来控制一个或多个系统或过程。

本文公开的任何系统和方法可以在计算机或包括处理器的其他设备(诸如图2的采集设备160)上的执行。图11示出了适于实现本文所公开的一个或多个实施例的计算机系统780，诸如采集设备或其任何部分。计算机系统780包括与存储器设备通信的处理器782(其可以被称为中央处理器单元或CPU)，所述存储器设备包括辅助存储装置784、只读存储器(ROM)786、随机存取存储器(RAM)788、输入/输出(I/O)设备790和网络连接设备792。处理器782可以被实现为一个或多个CPU芯片。

应当理解到，通过将可执行指令编程和/或加载到计算机系统780上，CPU 782、RAM788和ROM 786中的至少一个被改变，从而将计算机系统780部分地变换成具有本公开所教导的新颖功能的特定机器或装置。对于电气工程和软件工程领域而言基本的是，通过将可执行软件加载到计算机中实现的功能可以通过公知的设计规则转换为硬件实现。以软件实现概念相对于以硬件实现概念之间的决定通常取决于设计稳定性和要生产的单元数量的考虑，而不是从软件域转换到硬件域所涉及的任何问题。通常，仍然经受频繁改变的设计可能优选以软件实现，因为重启硬件实现比重启软件设计更昂贵。通常，将以大批量生产的稳定的设计可以优选以硬件(例如以专用集成电路(ASIC))实现，因为对于大规模生产运行，硬件实现可能比软件实现更便宜。通常，可以以软件形式开发和测试设计，并且随后通过公知的设计规则将其转换为硬连线软件指令的专用集成电路中的等效硬件实现。以与由新ASIC控制的机器相同的方式是特定机器或装置，同样，已被编程和/或加载有可执行指令的计算机可被视为特定机器或装置。

另外，在系统780被开启或启动之后，CPU 782可以执行计算机程序或应用。例如，CPU 782可以执行存储在ROM 786中或存储在RAM 788中的软件或固件。在一些情况下，在启动时和/或当应用被发起时，CPU 782可以将应用或应用的部分从辅助存储装置784复制到RAM 788或复制到CPU 782自身内的内存空间，然后CPU 782可以执行组成应用的指令。在一些情况下，CPU 782可以将应用或应用的部分从经由网络连接设备792或经由I/O设备790访问的存储器复制到RAM 788或CPU 782内的内存空间，然后，CPU 782可以执行组成应用的指令。在执行期间，应用可以将指令加载到CPU 782中，例如，将应用的一些指令加载到CPU782的高速缓存中。在一些上下文中，可以说所执行的应用将CPU 782配置为做某件事，例如，将CPU 782配置为执行由本申请所提出的一个或多个功能。当CPU 782由应用以这种方式配置时，CPU 782成为专用计算机或专用机器。

辅助存储装置784通常包括一个或多个磁盘驱动器或磁带驱动器，并且被用于数据的非易失性存储和用作溢出数据存储设备，如果RAM 788不够大而不能保存所有工作数据的话。辅助存储装置784可以被用于存储程序，当选择这样的程序来执行时，将其加载到RAM 788中。ROM 786被用于存储指令，并且可能存储在程序执行期间读取的数据。ROM 786是非易失性存储器设备，其相对于辅助存储装置784的较大存储器容量来说通常具有较小的存储器容量。RAM 788被用于存储易失性数据，并且可能用于存储指令。对ROM 786和RAM788两者的访问通常比对辅助存储装置784的访问更快。辅助存储装置784、RAM 788和/或ROM 786在一些上下文中可以被称为计算机可读存储介质和/或非暂时性计算机可读介质。

I/O设备790可以包括打印机、视频监测器、液晶显示器(LCD)、触摸屏显示器、键盘、小键盘、开关、拨号盘、鼠标、跟踪球、语音识别器、读卡器、纸带读取器或其他公知的输入设备。

网络连接设备792可以采用调制解调器、调制解调器组、以太网卡、通用串行总线(USB)接口卡、串行接口、令牌环卡、光纤分布式数据接口(FDDI)卡、无线局域网(WLAN)卡、使用诸如码分多址(CDMA)、全球移动通信系统(GSM)、长期演进(LTE)、全球微波接入互操作性(WiMAX)、近场通信(NFC)、射频标识(RFID)和/或其他空中接口协议无线电收发机卡之类的协议来促进无线电通信的无线电收发机卡，以及其他公知的网络设备的形式。这些网络连接设备792可以使得处理器782能够与因特网或一个或多个内联网通信。利用这样的网络连接，可以预期，在执行上述方法步骤的过程中，处理器782可以从网络接收信息，或者可以将信息输出到网络(例如，到事件数据库)。通常表示为要使用处理器782执行的指令序列的这种信息可以例如以包含在载波中的计算机数据信号的形式从网络接收并输出到网络。

可以包括例如要使用处理器782执行的数据或指令的这种信息可以例如以计算机数据基带信号或包含在载波中的信号的形式从网络接收和输出到网络。基带信号或嵌入载波中的信号或当前使用或以后开发的其他类型的信号都可以根据本领域技术人员公知的几种方法来产生。基带信号和/或嵌入在载波中的信号在一些上下文中可以被称为暂时性信号。

处理器782执行其从硬盘、软盘、光盘(这些各种基于盘的系统都可以被认为是辅助存储装置784)、闪存驱动器、ROM 786、RAM 788或网络连接设备792访问的指令、代码、计算机程序、脚本。虽然仅示出了一个处理器782，但是也可以存在多个处理器。因此，虽然指令可以被论述为由处理器执行，但是指令也可以同时、串行地执行，或者以其他方式由一个或多个处理器执行。可以从例如硬盘驱动器、软盘、光盘和/或其他设备的辅助存储装置784、ROM 786和/或RAM 788访问的指令、代码、计算机程序、脚本和/或数据在一些上下文中也可被称为非暂时性指令和/或非暂时性信息。

在实施例中，计算机系统780可以包括彼此通信的两个或更多个计算机，它们协作以执行任务。例如但不作为限制，应用可以以允许该应用的指令并发和/或并行处理的方式被划分。可替代地，由应用处理的数据可以以允许由两个或更多个计算机并发和/或并行处理数据集的不同部分的方式来划分。在实施例中，计算机系统780可以采用虚拟化软件来提供未直接绑定到计算机系统780中的多个计算机的多个服务器的功能。例如，虚拟化软件可以在四个物理计算机上提供二十个虚拟服务器。在实施例中，以上公开的功能可以通过在云计算环境中执行一个和/或多个应用来提供。云计算可以包括使用动态可扩展计算资源经由网络连接提供计算服务。云计算可以至少部分地由虚拟化软件来支持。云计算环境可以由企业建立和/或可以根据需要从第三方提供商租用。一些云计算环境可以包括企业拥有和操作的云计算资源以及从第三方提供商租用和/或租赁的云计算资源。

在实施例中，可以将上面公开的一些或全部功能提供为计算机程序产品。计算机程序产品可以包括一个或多个计算机可读存储介质，其中包含了用于实现上述功能的计算机可用程序代码。计算机程序产品可以包括数据结构、可执行指令和其他计算机可用程序代码。计算机程序产品可以体现在可移动计算机存储介质和/或不可移动计算机存储介质中。可移动计算机可读存储介质可以包括但不限于纸带、磁带、磁盘、光盘、固态存储器芯片，例如模拟磁带、光盘只读存储器(CD-ROM)盘、软盘、跳跃驱动器(jump drive)、数字卡、多媒体卡等。计算机程序产品可以适于由计算机系统780将计算机程序产品的内容的至少部分加载到计算机系统780的辅助存储装置784、ROM 786、RAM 788和/或其他非易失性存储器和易失性存储器。处理器782可通过直接访问计算机程序产品，例如通过从插入到计算机系统780的盘驱动器外围设备中的CD-ROM盘读取，来部分地处理可执行指令和/或数据结构。可替选地，处理器782可以通过远程访问计算机程序产品，例如通过经由网络连接设备792从远程服务器下载可执行指令和/或数据结构，来处理可执行指令和/或数据结构。计算机程序产品可以包括促进将数据、数据结构、文件和/或可执行指令加载和/或复制到计算机系统780的辅助存储装置784、ROM 786、RAM 788和/或其他非易失性存储器和易失性存储器的指令。

在一些上下文中，辅助存储装置784、ROM 786和RAM 788可以被称为非暂时性计算机可读介质或计算机可读存储介质。RAM 788的动态RAM实施例同样可以被称为非暂时性计算机可读介质，因为当动态RAM例如在计算机系统780被开启并且工作的时间段期间接收电力并且根据其设计工作时，动态RAM存储写入到其的信息。类似地，处理器782可包括内部RAM、内部ROM、高速缓存存储器、和/或可在一些上下文中被称为非暂时性计算机可读介质或计算机可读存储介质的其他内部非暂时性存储块、部分、或组件。

在本文中，已经描述了各种系统和方法，具体实施例可以包括但不限于：

在第一实施例中，一种识别事件的方法包括：从传感器获得声学信号；从所述声学信号确定一个或多个频域特征，其中，跨所述声学信号的频率范围获得所述一个或多个频域特征；提供所述一个或多个频域特征作为对多个事件检测模型的输入；以及使用所述多个事件检测模型确定一个或多个事件的存在，其中，所述多个事件检测模型中的至少两个是不同的。

第二实施例可以包括第一实施例的方法，其中，所述传感器被设置在井筒内，其中，所述声学信号包括跨所述井筒的深度的部分的声学样本。

第三实施例可以包括第一或第二实施例的方法，进一步包括使用所述一个或多个频域特征来识别一个或多个事件位置。

第四实施例可以包括第一至第三实施例中的任何一个的方法，其中，所述一个或多个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数或其归一化变体。

第五实施例可以包括第一至第四实施例中的任何一个的方法，其中，所述一个或多个事件包括一个或多个井筒事件，并且其中，所述一个或多个井筒事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

第六实施例可以包括第一至第五实施例中的任何一个的方法，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

第七实施例可以包括第一至第六实施例中的任何一个的方法，进一步包括：在确定所述一个或多个频域特征之前对所述声学信号进行降噪。

第八实施例可以包括第七实施例的方法，其中，对所述声学信号进行降噪包括对所述声学样本进行中值滤波。

第九实施例可以包括第一至第八实施例中的任何一个的方法，进一步包括：校准所述声学信号。

第十实施例可以包括第一至第九实施例中的任何一个的方法，进一步包括：在确定所述一个或多个事件的存在之前，对所述一个或多个频域特征进行归一化。

第十一实施例可以包括第一至第十实施例中的任何一个的方法，其中，识别所述一个或多个事件包括：使用所述一个或多个频域特征来识别所述声学信号中的一个或多个异常；以及选择所述一个或多个异常的深度间隔作为事件位置。

第十二实施例可以包括第一至第十一实施例中的任何一个的方法，其中，所述多个事件检测模型包括多个逻辑回归模型，并且其中，使用所述多个事件检测模型来确定所述一个或多个事件的存在包括：基于所述多个逻辑回归模型，确定所述一个或多个事件的存在。

第十三实施例可以包括第一至第十二实施例中的任何一个的方法，进一步包括：基于所述一个或多个事件的存在来确定补救过程；以及执行所述补救过程。

在第十四实施例中，一种系统包括：处理器；以及存储分析程序的存储器，其中，所述处理器被配置为执行所述分析程序以：从传感器获得声学信号；从所述声学信号确定一个或多个频域特征，其中，沿所述传感器，跨多个间隔获得所述一个或多个频域特征；提供所述一个或多个频域特征作为对多个事件检测模型的输入；以及使用所述多个事件检测模型确定一个或多个事件的存在，其中，所述多个事件检测模型中的至少两个是不同的。

第十五实施例可以包括第十四实施例的系统，其中，所述处理器进一步被配置为：使用所述一个或多个频域特征来识别一个或多个事件位置。

第十六实施例可以包括第十四或第十五实施例的系统，其中，所述一个或多个频域特征包括至少两个频域特征，并且其中，所述至少两个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数或其归一化变体。

第十七实施例可以包括第十四至第十六实施例中的任何一个的系统，其中，所述一个或多个事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

第十八实施例可以包括第十四至第十六实施例中的任何一个的系统，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

第十九实施例可以包括第十四至第十八实施例中的任何一个的系统，其中，所述处理器进一步被配置为：校准所述声学信号。

第二十实施例可以包括第十四至第十九实施例中的任何一个的系统，其中，所述处理器进一步被配置为：在确定所述一个或多个事件的存在之前，对所述一个或多个频域特征进行归一化。

第二十一实施例可以包括第十四至第二十实施例中的任何一个的系统，其中，所述处理器进一步被配置为：使用所述声学信号来识别背景事件特征标记；以及在识别所述一个或多个事件之前，从所述声学信号中移除所述背景事件特征标记。

第二十二实施例可以包括第十四至第二十一实施例中的任何一个的系统，其中，所述处理器进一步被配置为：使用所述一个或多个频域特征来识别所述声学信号中的一个或多个异常；以及选择所述一个或多个异常的深度间隔作为事件位置。

第二十三实施例可以包括第十四至第二十二实施例中的任何一个的系统，其中，所述多个事件检测模型包括多个逻辑回归模型，并且其中，所述处理器进一步被配置为：基于所述多个逻辑回归模型，确定所述一个或多个事件的存在。

第二十四实施例可以包括第十四至第二十三实施例中的任何一个的系统，其中，所述处理器进一步被配置为：基于所述一个或多个事件的存在来确定补救过程；以及执行所述补救过程。

第二十五实施例可以包括第十四至第二十四实施例中的任何一个的系统，其中，所述处理器进一步被配置为：确定用于确定所述一个或多个事件的存在的置信水平；以及基于所述置信水平来执行补救过程。

在第二十六实施例中，一种使用声学信号来确定输出信号的方法包括：从声学信号确定一个或多个频域特征，其中，沿所述传感器的路径，跨多个长度获得所述一个或多个频域特征；提供所述一个或多个频域特征作为对多个事件检测模型的输入；使用所述多个事件检测模型确定一个或多个事件的存在的指示；向监督应用提供所述一个或多个事件的存在的指示；以及将所述一个或多个事件的存在的指示作为对所述监督应用的输入来确定过程或系统的输出信号。

第二十七实施例可以包括第二十六实施例的方法，进一步包括：使用所述一个或多个频域特征来识别一个或多个事件位置；以及向监督应用提供一个或多个事件位置，其中，确定所述输出信号包括使用所述一个或多个事件位置。

第二十八实施例可以包括第二十六或第二十七实施例的方法，其中，所述一个或多个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数或其归一化变体。

第二十九实施例可以包括第二十六至第二十八实施例中的任何一个的方法，其中，所述一个或多个事件包括一个或多个井筒事件，并且其中，所述一个或多个井筒事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

第三十实施例可以包括第二十六至第二十九实施例中的任何一个的方法，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

在第三十一实施例中，一种为井筒开发事件识别模型的方法包括：执行多个事件测试，其中，使用测试装置来实施所述多个事件测试以重建一个或多个事件；在所述多个事件测试中的每个事件测试期间，从传感器获得声学信号，其中，所述声学信号包括使用所述测试装置，与所述事件相关联的声学样本；对于所述多个事件测试中的每一个，从所述声学信号确定一个或多个频域特征；以及对于所述多个测试，使用所述一个或多个频域特征来训练多个事件检测模型，其中，多个流体流动模型中的第一流体流动模型不同于所述多个流体流动模型中的第二流体流动模型。

第三十二实施例可以包括第三十一实施例的方法，进一步包括：使用来自所述多个测试中的一个或多个测试的声学信号来验证所述多个事件识别模型。

第三十三实施例可以包括第三十一或第三十二实施例的方法，其中，所述测试装置包括流动回路，以及其中，所述事件包括流动流体，以及其中，所述流动流体包括水性流体、烃流体、气体或其组合。

第三十四实施例可以包括第三十三实施例的方法，其中，所述流动流体包括液相、多相混合液体或液-气混合相。

第三十五实施例可以包括第三十一或第三十二实施例的方法，其中，所述测试装置包括多个导管，其中，第一导管被设置在第二导管内以形成环状。

第三十六实施例可以包括第三十一或第三十二实施例的方法，其中，所述测试装置包括用于安全事件的测试区域。

第三十七实施例可以包括第三十一或第三十二实施例的方法，其中，所述测试装置包括设备的一个或多个项目。

第三十八实施例可以包括第三十一至第三十七实施例中的任何一个的方法，其中，用于训练所述多个事件识别模型的所述多个测试是所述多个流动测试的子集。

第三十八实施例可以包括第三十一至第三十八实施例中的任何一个的方法，所述多个事件识别模型包括逻辑回归模型，并且其中，训练所述多个事件识别模型包括：向所述逻辑回归模型中的第一逻辑回归模型提供所述一个或多个频域特征，所述第一逻辑回归模型对应于其中存在第一事件的所述多个事件测试中的一个或多个事件测试；向所述第一逻辑回归模型提供所述一个或多个频域特征，所述第一逻辑回归模型对应于其中不存在所述第一事件的所述多个事件测试中的一个或多个事件测试；以及使用所述一个或多个频域特征作为输入，确定第一多变量模型，其中，所述第一多变量模型定义第一事件的存在与不存在之间的关系。

第四十实施例可以包括第三十九实施例的方法，其中，训练所述多个事件识别模型包括：向所述逻辑回归模型中的第二逻辑回归模型提供所述一个或多个频域特征，所述第二逻辑回归模型对应于其中存在第二事件的所述多个事件测试中的一个或多个事件测试；向所述第二逻辑回归模型提供所述一个或多个频域特征，所述第二逻辑回归模型对应于其中不存在所述第二事件的所述多个事件测试中的一个或多个事件测试；以及使用所述一个或多个频域特征作为输入，确定第二多变量模型，其中，所述第二多变量模型定义第二事件的存在与不存在之间的关系。

第四十一实施例可以包括第四十实施例的方法，其中，所述第一多变量模型和所述第二多变量模型是不同的。

第四十二实施例可以包括第四十一实施例的方法，进一步包括：将来自所述多个事件测试中的一个或多个的声学信号提供给所述第一多变量模型和所述第二多变量模型中的每一个；基于所述第一多变量模型和所述第二多变量模型中的每一个的输出，确定所述第一事件或所述第二事件中的至少一个的存在或不存在；以及使用所述多个事件测试中的至少一部分以及如从所述第一多变量模型和所述第二多变量模型确定的所述第一事件或所述第二事件的存在，验证所述多个事件识别模型。

第四十三实施例可以包括第四十二实施例的方法，进一步包括：基于所述验证来确定置信水平；以及基于所述置信水平执行过程。

第四十四实施例可以包括第三十一至第四十三实施例中的任何一个的方法，其中，使用监督学习算法来开发所述多个事件识别模型。

尽管以上已经示出和描述了根据本文公开的原理的各种实施例，但是本领域技术人员可以在不脱离本公开的精神和教导的情况下对其进行修改。本文所述的实施例仅是代表性的，而不是限制性的。许多变化、组合和修改是可能的，并且在本公开的范围内。由组合、整合和/或省略(一个或多个)实施例的特征而产生的替选实施例也在本公开的范围内。因此，保护范围不受以上阐述的描述限制，而是由所附权利要求来限定，该范围包括权利要求的主题的所有等同物。每个权利要求作为进一步的公开内容并入说明书，并且权利要求是(一个或多个)本发明的(一个或多个)实施例。此外，上述任何优点和特征可以涉及特定实施例，但是不应将这些公布的权利要求的应用局限于实现任何或所有上述优点或者具有任何或所有上述特征的过程和结构。

另外，本文所用的章节标题是为了与37C.F.R.1.77下的建议一致或以其他方式提供组织指示而提供的。这些标题不应限制或表征在可从本公开内容发布的任何权利要求中阐述的(一个或多个)发明。具体地并且通过示例的方式，尽管标题可能涉及“领域”，但是权利要求不应当被在该标题下选择的用于描述所谓的领域的语言限制。此外，在“背景技术”中对技术的描述不应被解释为承认某些技术是本公开中的任何(一个或多个)发明的现有技术。“发明内容”也不应被认为是对在所发布的权利要求中阐述的(一个或多个)发明的限制性特征。此外，本公开中以单数形式对“发明”的任何引用不应被用来证明本公开中仅存在单个新颖点。根据从本公开中发布的多个权利要求的限制，可以阐述多个发明，并且这些权利要求相应地限定了由此保护的(一个或多个)发明及其等同替换物。在所有情况下，根据本公开，权利要求的范围应基于其自身的优点来考虑，但不应由本文阐述的标题来约束。

使用较宽的术语(例如包括、包含和具有)应当理解为提供对较窄术语(例如由……组成、基本上由……组成和基本上由……构成)的支持。关于实施例的任何元素使用术语“可选地”、“可以”、“可能”、“可能地”等意味着该元素不是必需的，或者作为替选，该元素是必需的，两种替选方案都在(一个或多个)实施例的范围内。而且，对示例的参考仅出于说明性目的而提供，并且不是排他性的。

尽管已经示出和描述了优选实施例，但是本领域技术人员可以在不背离本文中的范围或教导的情况下对其进行修改。本文所述的实施例仅是示例性的而非限制性的。本文所述的系统、装置和过程的许多变化和修改是可能的，并且在本公开的范围内。例如，各种部件的相对尺寸、制造各种部件的材料和其他参数可以改变。因此，保护范围不限于本文所述的实施例，而是仅由所附权利要求来限制，权利要求的范围应包括权利要求的主题下的所有等同替换物。除非另外明确说明，否则方法权利要求中的步骤可以以任何次序来执行。在方法权利要求中的步骤之前列举的标识符例如(a)、(b)、(c)或(1)、(2)、(3)不是为了标示特定顺序的并且也不是指定步骤的特定顺序的，而是为了简化对这些步骤的后续引用的。

此外，在不背离本公开的范围的情况下，在各个实施例中描述和示出为离散或分离的技术、系统、子系统和方法可以与其他系统、模块、技术或方法组合或整合。被示出或讨论为彼此直接耦合或通信的其他项可以通过某种接口、设备或中间组件来间接耦合或通信，无论是电气地、机械地还是以其他方式。本领域技术人员可以确定并且可以在不脱离这里公开的精神和范围的情况下做出改变、替换和变更的其他示例。

Claims (44)

1.一种识别事件的方法，所述方法包括：

从传感器获得声学信号；

从所述声学信号确定一个或多个频域特征，其中，跨所述声学信号的频率范围获得所述一个或多个频域特征；

提供所述一个或多个频域特征作为对多个事件检测模型的输入；以及

使用所述多个事件检测模型确定一个或多个事件的存在，其中，所述多个事件检测模型中的至少两个是不同的。

2.根据权利要求1所述的方法，其中，所述传感器被设置在井筒内，其中，所述声学信号包括跨所述井筒的深度的部分的声学样本。

3.根据权利要求1或2所述的方法，进一步包括：使用所述一个或多个频域特征来识别一个或多个事件位置。

4.根据权利要求1至3中的任一项所述的方法，其中，所述一个或多个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数，或其归一化变体。

5.根据权利要求1-4中的任一项所述的方法，其中，所述一个或多个事件包括一个或多个井筒事件，并且其中，所述一个或多个井筒事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

6.根据权利要求1-5中任一项所述的方法，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

7.根据权利要求1至6中的任一项所述的方法，进一步包括：

在确定所述一个或多个频域特征之前对所述声学信号进行降噪。

8.根据权利要求7所述的方法，其中，对所述声学信号进行降噪包括对所述声学样本进行中值滤波。

9.根据权利要求1至8中的任一项所述的方法，进一步包括：

校准所述声学信号。

10.根据权利要求1至9中的任一项所述的方法，进一步包括：

在确定所述一个或多个事件的存在之前，对所述一个或多个频域特征进行归一化。

11.根据权利要求1至10中的任一项所述的方法，其中，识别所述一个或多个事件包括：

使用所述一个或多个频域特征来识别所述声学信号中的一个或多个异常；以及

选择所述一个或多个异常的深度间隔作为事件位置。

12.根据权利要求1至11中的任一项所述的方法，其中，所述多个事件检测模型包括多个逻辑回归模型，并且其中，使用所述多个事件检测模型来确定所述一个或多个事件的存在包括：

基于所述多个逻辑回归模型，确定所述一个或多个事件的存在。

13.根据权利要求1至12中的任一项所述的方法，进一步包括：

基于所述一个或多个事件的存在来确定补救过程；以及

执行所述补救过程。

14.一种系统，包括：

处理器；以及

存储器，所述存储器存储分析程序，

其中，所述处理器被配置为执行所述分析程序以：

从传感器获得声学信号；

从所述声学信号确定一个或多个频域特征，其中，沿所述传感器，跨多个间隔获得所述一个或多个频域特征；

提供所述一个或多个频域特征作为对多个事件检测模型的输入；以及

使用所述多个事件检测模型确定一个或多个事件的存在，其中，所述多个事件检测模型中的至少两个是不同的。

15.根据权利要求14所述的系统，其中，所述处理器进一步被配置为：

使用所述一个或多个频域特征来识别一个或多个事件位置。

16.根据权利要求14或15所述的系统，其中，所述一个或多个频域特征包括至少两个频域特征，并且其中，所述至少两个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数，或其归一化变体。

17.根据权利要求14至16中的任一项所述的系统，其中，所述一个或多个事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

18.根据权利要求14至16中的任一项所述的系统，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

19.根据权利要求14至18中的任一项所述的系统，其中，所述处理器进一步被配置为：

校准所述声学信号。

20.根据权利要求14至19中的任一项所述的系统，其中，所述处理器进一步被配置为：

在确定所述一个或多个事件的存在之前，对所述一个或多个频域特征进行归一化。

21.根据权利要求14至20中的任一项所述的系统，其中，所述处理器进一步被配置为：

使用所述声学信号来识别背景事件特征标记；以及

在识别所述一个或多个事件之前，从所述声学信号中移除所述背景事件特征标记。

22.根据权利要求14至21中的任一项所述的系统，其中，所述处理器进一步被配置为：

使用所述一个或多个频域特征来识别所述声学信号中的一个或多个异常；以及

选择所述一个或多个异常的深度间隔作为事件位置。

23.根据权利要求14至22中的任一项所述的系统，其中，所述多个事件检测模型包括多个逻辑回归模型，并且其中，所述处理器进一步被配置为：

基于所述多个逻辑回归模型，确定所述一个或多个事件的存在。

24.根据权利要求14至23中的任一项所述的系统，其中，所述处理器进一步被配置为：

基于所述一个或多个事件的存在来确定补救过程；以及

执行所述补救过程。

25.根据权利要求14至24中的任一项所述的系统，其中，所述处理器进一步被配置为：

确定用于确定所述一个或多个事件的存在的置信水平；以及

基于所述置信水平来执行补救过程。

26.一种使用声学信号来确定输出信号的方法，所述方法包括：

从声学信号确定一个或多个频域特征，其中，沿传感器的路径，跨多个长度获得所述一个或多个频域特征；

提供所述一个或多个频域特征作为对多个事件检测模型的输入；

使用所述多个事件检测模型确定一个或多个事件的存在的指示；

向监督应用提供所述一个或多个事件的存在的指示；以及

使用所述一个或多个事件的存在的指示作为对所述监督应用的输入来确定过程或系统的输出信号。

27.根据权利要求26所述的方法，进一步包括：

使用所述一个或多个频域特征来识别一个或多个事件位置；以及

向所述监督应用提供所述一个或多个事件位置，其中，

确定所述输出信号包括使用所述一个或多个事件位置。

28.根据权利要求26或27所述的方法，其中，所述一个或多个频域特征选自频谱质心、频谱扩展、频谱滚降、频谱偏态、均方根(RMS)频带能量、总RMS能量、频谱平坦度、频谱斜率、频谱峭度、频谱通量、频谱自相关函数，或其归一化变体。

29.根据权利要求26至28中的任一项所述的方法，其中，所述一个或多个事件包括一个或多个井筒事件，并且其中，所述一个或多个井筒事件包括下述中的一个或多个：流体流入、流体流出、流体相分离、导管内的流体流动辨别、井完整性监测、井内泄漏检测、环形流体流动、覆盖层监测、套管后的流体流动检测、覆盖层中流体诱发的水力压裂检测、砂土进入，或沿井筒的砂土流动。

30.根据权利要求26至29中的任一项所述的方法，其中，所述一个或多个事件包括一个或多个运输事件、安全事件、设施监测事件或管道线监测事件。

31.一种为井筒开发事件识别模型的方法，所述方法包括：

执行多个事件测试，其中，使用测试装置来实施所述多个事件测试以重建一个或多个事件；

在所述多个事件测试中的每个事件测试期间，从传感器获得声学信号，其中，所述声学信号包括使用所述测试装置与所述事件相关联的声学样本；

对于所述多个事件测试中的每一个，从所述声学信号确定一个或多个频域特征；以及

对于所述多个测试，使用所述一个或多个频域特征来训练多个事件检测模型，其中，多个流体流动模型中的第一流体流动模型不同于所述多个流体流动模型中的第二流体流动模型。

32.根据权利要求31所述的方法，进一步包括：

使用来自所述多个测试中的一个或多个测试的声学信号来验证所述多个事件识别模型。

33.根据权利要求31或32所述的方法，其中，所述测试装置包括流动回路，以及其中，所述事件包括流动流体，以及其中，所述流动流体包括水性流体、烃流体、气体或其组合。

34.根据权利要求33所述的方法，其中，所述流动流体包括液相、多相混合液体或液-气混合相。

35.根据权利要求31或32所述的方法，其中，所述测试装置包括多个导管，其中，第一导管被设置在第二导管内以形成环状。

36.根据权利要求31或32所述的方法，其中，所述测试装置包括用于安全事件的测试区域。

37.根据权利要求31或32所述的方法，其中，所述测试装置包括设备的一个或多个项目。

38.根据权利要求31至37中的任一项所述的方法，其中，用于训练所述多个事件识别模型的所述多个测试是所述多个流动测试的子集。

39.根据权利要求31至38中的任一项所述的方法，其中，所述多个事件识别模型包括逻辑回归模型，并且其中，训练所述多个事件识别模型包括：

向所述逻辑回归模型中的第一逻辑回归模型提供所述一个或多个频域特征，所述第一逻辑回归模型对应于其中存在第一事件的所述多个事件测试中的一个或多个事件测试；

向所述第一逻辑回归模型提供所述一个或多个频域特征，所述第一逻辑回归模型对应于其中不存在所述第一事件的所述多个事件测试中的一个或多个事件测试；以及

使用所述一个或多个频域特征作为输入，确定第一多变量模型，其中，所述第一多变量模型定义第一事件的存在与不存在之间的关系。

40.根据权利要求39所述的方法，其中，训练所述多个事件识别模型包括：

向所述逻辑回归模型中的第二逻辑回归模型提供所述一个或多个频域特征，所述第二逻辑回归模型对应于其中存在第二事件的所述多个事件测试中的一个或多个事件测试；

向所述第二逻辑回归模型提供所述一个或多个频域特征，所述第二逻辑回归模型对应于其中不存在所述第二事件的所述多个事件测试中的一个或多个事件测试；以及

使用所述一个或多个频域特征作为输入，确定第二多变量模型，其中，所述第二多变量模型定义第二事件的存在与不存在之间的关系。

41.根据权利要求40所述的方法，其中，所述第一多变量模型和所述第二多变量模型是不同的。

42.根据权利要求41所述的方法，进一步包括：

将来自所述多个事件测试中的一个或多个的所述声学信号提供给所述第一多变量模型和所述第二多变量模型中的每一个；

基于所述第一多变量模型和所述第二多变量模型中的每一个的输出，确定所述第一事件或所述第二事件中的至少一个的存在或不存在；以及

使用所述多个事件测试中的至少一部分以及如从所述第一多变量模型和所述第二多变量模型确定的所述第一事件或所述第二事件的存在，验证所述多个事件识别模型。

43.根据权利要求42所述的方法，进一步包括：

基于所述验证来确定置信水平；以及

基于所述置信水平执行过程。

44.根据权利要求31至43中的任一项所述的方法，其中，使用监督学习算法来开发所述多个事件识别模型。

Images