CN114737951B - 一种水平井气液两相流持气率测量智能光纤探测系统 - Google Patents
一种水平井气液两相流持气率测量智能光纤探测系统 Download PDFInfo
- Publication number
- CN114737951B CN114737951B CN202210449070.XA CN202210449070A CN114737951B CN 114737951 B CN114737951 B CN 114737951B CN 202210449070 A CN202210449070 A CN 202210449070A CN 114737951 B CN114737951 B CN 114737951B
- Authority
- CN
- China
- Prior art keywords
- module
- optical fiber
- gas
- intelligent
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 56
- 239000007788 liquid Substances 0.000 title claims abstract description 22
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 239000000523 sample Substances 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000010365 information processing Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 10
- 230000002902 bimodal effect Effects 0.000 claims abstract description 9
- 239000000835 fiber Substances 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fluid Mechanics (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种水平井气液两相流持气率测量智能光纤探测系统,属于油气剖面测井技术领域,包括多探测点传感器系统、本地远程双模态电路系统和智能信息处理中心;传感器系统包括外壳、入口、出口和阵列光纤探针模块;电路系统包括探针阵列光发射模块、探针阵列光接收模块、AD数据采集模块、探针阵列信号处理模块、多路程控开关、光纤探针阵列模块电路、定时器模块、电源模块、存储模块、主控制器模块和无线传输模块;信息处理中心包括无线接收模块、可视化模块、预警单元和智能处理单元。本发明基于同轴环形分布的阵列光纤探测系统结合稀疏深度置信网络的测井资料解释智能评价模型进行持气率参数监测,可靠性高、无可动部件、无阻流。
Description
技术领域
本发明涉及一种水平井气液两相流持气率测量智能光纤探测系统,属于油气剖面测井技术领域。
背景技术
目前,页岩气水平井各压裂层段产气量、产气贡献率对调整页岩气井生产方案、提高产能具有重要意义。而侵入式光纤探针技术相较于电导测量技术、电容测量技术、微波技术、超声技术、雷达技术等具有结构简单、成本低廉、响应速度快、测量精度高等特点,被广泛应用于多相流持气率测量领域。但由于气液两相流气相流动结构多呈非均匀分布,仅仅依靠中心局部持气率测量无法获取管截面持气率特性;同时从庞大的持气率光纤探针数据中获取准确的截面持气率信息仍然是极具挑战的问题,无法自动获取实时准确的持气率参数。
因此,针对上述问题,为满足页岩气水平井截面持气率参数测量需要,一种水平井气液两相流持气率测量智能光纤探测系统的研发成为当前亟需解决的问题。
发明内容
本发明的目的是提供一种水平井气液两相流持气率测量智能光纤探测系统,用来实现页岩气水平井持气率参数的准确实时智能化测量,具有结构精巧、造价低、无可动部件、可靠性高等特点。
为了实现上述目的,本发明采用的技术方案是:
一种水平井气液两相流持气率测量智能光纤探测系统,包括多探测点传感器系统、本地远程双模态电路系统和智能信息处理中心;
所述多探测点传感器系统包括外壳、入口、出口和阵列光纤探针模块;所述阵列光纤探针模块布置在测量区域内且光纤探针的测量点均位于同一截面,光纤探针末端固定在传感器系统底端;所述测量区域沿轴线方向同轴划分为n 层环形区域,其中相邻的外侧环形区域半径是内侧环形区域半径的2倍,每层环形区域按照等弧长被划分为2n+1块、同时每块区域中心放置一个光纤探针,所述测量区域中心位置单独放置一根光纤探针;所述一种水平井气液两相流持气率测量传感器系统共包含个光纤探针;
所述本地远程双模态电路系统具有本地、远程双重功能,包括探针阵列光发射模块、探针阵列光接收模块、AD数据采集模块、探针阵列信号处理模块、多路程控开关、光纤探针阵列模块电路、定时器模块、电源模块、存储模块、主控制器模块和无线传输模块;
所述信息处理中心包括无线接收模块、可视化模块、预警单元和智能处理单元;无线接收模块用于接收信号;可视化模块用于展示持气率曲线;预警单元用于对非正常采收状况进行预警;智能处理单元针对传感器系统实时数据进行获取、处理。
本发明技术方案的进一步改进在于:所述探针阵列光发射模块包括驱动电源、红外光源和传输光纤,所述驱动电源为红外光源提供驱动电能并使其发射光线,然后由传输光纤传输红外光源所发射的光线;所述探针阵列光接收模块包括出射光纤和探针光电转化电路,所述出射光纤接收所述探针阵列光发射模块发射的光线,所述探针光电转化电路将接收的光信号转换成电信号;所述AD 数据采集模块采集光纤探针数据;所述探针阵列信号处理模块包括差分及功率放大电路和模数转化电路,能够输出反映持气率信息的电压信号;所述多路程控开关连接光纤探针阵列模块电路,所述定时器模块进行智能调控,所述电源模块进行供电,所述存储模块对输出电压信号进行本地存储,所述主控制器模块进行数据采集和数据处理,所述无线模块将数据无线传输给信息处理中心。
本发明技术方案的进一步改进在于:所述智能处理单元包括信息获取模块和预处理模块,所述信息获取模块用于获取传感器系统在不同工况下的响应数据,所述预处理模块将获取的响应数据进行特征提取和样本归一化处理,并将提取的特征作为样本集;
所述预处理模块由稀疏深度置信网络的测井资料解释智能评价模型构建,所述稀疏深度置信网络的测井资料解释智能评价模型包括一个输入层、一个输出层和多个隐藏层,通过叠加多层RBM来逐层抽取抽象特征,每个RBM使用网络中两层隐藏层神经元作为可视层和隐藏层,每一层RBM选择Sigmoid函数作为激活函数,同时对每层RBM的能量函数添加稀疏正则项来对建立的模型进行稀疏性约束进而使模型更快地得到最优解,添加的稀疏正则项如下:
在模型训练中通过设定方差因子σ控制与范数的趋近程度,pj为每层隐藏层的激活值;模型使用均方误差函数作为全局损失函数;模型的层数和隐藏层神经元数可通过实验进行进一步确定;在训练过程中,将样本数据的训练集输入至模型的输入层,然后逐层训练每一个RBM,训练好一个RBM后计算激活层结点的激活值使其作为下一个RBM的可见层神经元的输入,通过逐层贪婪的方式更新每个RBM的初始权重,最后使用反向传播算法对预测模型进行微调;
信息处理中心输出层依据上述稀疏深度置信网络的测井资料解释智能评价模型从而进行持气率预测,实时输出页岩气井指定压裂层段标况下持气率信息。
本发明技术方案的进一步改进在于:所述样本集包括时域特征、频域特征、小波包特征、功率谱特征和混沌特征。
由于采用了上述技术方案,本发明取得的技术效果有:
本发明提供的水平井气液两相流持气率测量智能光纤探测系统,具有结构精巧、造价低、无可动部件、可靠性高等特点,可在石油生产测量领域广泛推广。
本发明采用多探测点传感器系统、本地远程双模态电路系统和智能信息处理中心构建了一种水平井气液两相流持气率测量智能光纤探测系统,能够快速、准确检测水平井气液两相流持气率信息。
本发明的多探测点传感器系统结构精巧新颖,能够全面精准地反应井下气液两相流的实时工况;本地远程双模态电路系统功能模块全面,新颖实用;智能信息处理中心的智能处理单元能够很好地将采集到的信息直观地呈现出来。
附图说明
图1是本发明的结构示意图;
图2是本发明传感器系统分布截面图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围
一种水平井气液两相流持气率测量智能光纤探测系统,如图1-2所示,以 n=3为例进行详细介绍。
一种水平井气液两相流持气率测量智能光纤探测系统,如图1所示,包括多探测点传感器系统、本地远程双模态电路系统和智能信息处理中心。
所述多探测点传感器系统包括外壳、入口、出口和阵列光纤探针模块;所述阵列光纤探针模块布置在测量区域内且光纤探针的测量点均位于同一截面,光纤探针末端固定在传感器系统底端;所述测量区域沿轴线方向同轴划分为n 层环形区域,其中相邻的外侧环形区域半径是内侧环形区域半径的2倍,每层环形区域按照等弧长被划分为2n+1块、同时每块区域中心放置一个光纤探针,所述测量区域中心位置单独放置一根光纤探针;所述一种水平井气液两相流持气率测量传感器系统共包含个光纤探针;
所述本地远程双模态电路系统具有本地、远程双重控制功能,主要包括探针阵列光发射模块、探针阵列光接收模块、AD数据采集模块、探针阵列信号处理模块、多路程控开关、光纤探针阵列模块电路、定时器模块、电源模块、存储模块、主控制器模块和无线传输模块。所述探针阵列光发射模块包括驱动电源、红外光源和传输光纤,所述驱动电源为红外光源提供驱动电能并使其发射光线,然后由传输光纤传输红外光源所发射的光线;所述探针阵列光接收模块包括出射光纤和探针光电转化电路,所述出射光纤接收所述探针阵列光发射模块发射的光线,所述探针光电转化电路将接收的光信号转换成电信号;所述AD 数据采集模块采集光纤探针数据;所述探针阵列信号处理模块包括差分及功率放大电路和模数转化电路,能够输出反映持气率信息的电压信号;所述多路程控开关连接光纤探针阵列模块电路,所述定时器模块进行智能调控,所述电源模块进行供电,所述存储模块对输出电压信号进行本地存储,所述主控制器模块进行数据采集和数据处理,所述无线模块将数据无线传输给信息处理中心。
所述智能信息处理中心包括无线接收模块、可视化模块、预警单元和智能处理单元;无线接收模块用于接收信号;可视化模块用于展示持气率曲线;预警单元用于对非正常采收状况进行预警;智能处理单元针对传感器系统实时数据进行获取、处理。
所述智能处理单元包括信息获取模块和预处理模块,所述信息获取模块用于获取传感器系统在不同工况下的响应数据,所述预处理模块将获取的响应数据进行特征提取和样本归一化处理,并将提取的特征作为样本集,所述样本集包括时域特征、频域特征、小波包特征、功率谱特征和混沌特征。
所述响应数据经过处理得到时域波动信号,所述时域波动信号中的最大值、最小值作为信号中最基本信息能够很好的反映当光纤探针传感器刺破气泡时产生的刺穿响应,并实时反映流体持气情况,幅值波动幅度的大小也同样反映了持气率变化的程度。
xmax=Max(x1,x2...xn) (1)
xmin=Min(x1,x2...xn) (2)
均值代表持气率信号的平均水平并反映了其集中趋势。
标准偏差反映了数据的离散程度。
非对称系数,也称作斜度,反应数据对于均值的非对称程度。
峰度通常用于表示样本分布与正态分布的偏离程度,当弯曲值高于标准值时,说明是高峰态分布,反之则属于低峰态分布。
通过小波包能量分析实验发现,不同持气率的油气水三相流波动信号的小波包能量主要分布在前四项低频分量中,所以将收集的数据进行小波包分解, Ea1、Ea2、Ea3、Ea4分别为小波包分解的前四项低频分量。
Hurst指数通常被用作判断时序数据遵循随机游走还是有偏的随机游走过程的重要指标。设{xi:i=1,2,...,N}为气液两相流的持气率时序信号,设有任意正整数τ>1,前γ个数据均值为累积离差为X(i,τ),极差为R(i,τ),标准差D(i,τ) 分别为:
当R(τ)作为时间延迟τ的随机函数的同时存在标度性度,同R(τ)~τH时, Brown函数的总体方差D=1,样本方差D(τ)≈1,根据E(R(i,τ)/D(i,τ))ατH回归logE(R(i,τ)/D(i,τ))~logτ关系中直线部分的斜率,从而求得Hurst指数。
通过关联维度可以成功对油气水多相流的流型进行表达,对流体中持气率的预测具有指示作用,将{xi:i=1,2,...,N}序列放入m维欧式空间Rm中,得到点集Y(m),记作:
Xn(m,τ)=(xn,xn+τ,...,xn+(m-1)τ),n=1,2,,...,Nm (10)
τ为延迟时间,τ=k·Δt,Δt为样本采样间隔时间,k为整数系数,Nm为m 维欧式空间,Nm=N-(m-1)τ。
任意两向量距离为:
对m维空间内所有向量重复该过程,有关联积分函数:
H为Heaviside函数,当x≥0,H(x)=1,反之,H(x)=0。
当r足够小时,Dm不再随欧式空间维数m升高而改变时,有关联维数D2为:
对采集的不同持气率波动信号进行EMD分解为为IMF分量和残差函数r,对每一个IMF分量进行希尔伯特变换。经过不断去除最大值与最小值连接的上下包络线均值,持气率信号被分解为:
式中X(t)为原始信号,xi(t)为EMD分解后的IMF分量,rn为常数或是单调函数。
持气率信号信息主要在前八个IMF分量及r的总能量:
EMD能量熵为:
ei为第i个IMF分量的能量占总能量的比例,
相应峭度系数为:
功率谱熵是通过频域计算方法从采集数据的信号空间内获取能量分布情况,同时将能量分布与信息熵结合,实现频域空间内部的流体组分进行描述。设序列为{xi:i=1,2,...,N}的离散傅里叶变换为x(f),功率谱密度公式为:
离散频率点为f(kΔf),有表达式:
将原始信号划分为S={S0,S1,S2,...,SN-1},功率谱熵定义式为:
pi为第i个功率谱能量占总能量的比例。
近似熵是对非稳定时间序列信号的复杂性度量,从而检测新模式的概率大小,新模式产生的概率越大,序列的复杂性就越大。近似熵由于对偶尔产生的瞬态强干扰有较好的承受能力、抗噪能力而经常被运用于信号分析处理中,本文将采集的原始持气率数据{x(i),i=0,1,2,..,N}按顺序组成m维矢量X(i),即:
X(i)=[u(i),u(i+1),...,u(i+m-1)] (22)
计算每一个矢量与其他矢量之间的距离:
按照给定阈值r(r>0),统计每一个d[X(i),X(j)]<r的i值的数目,并与总矢量数目N-m+1进行比值,记作:
并对取对数,对所有i取平均数,记作:
同理可得Φm+1(r),有近似熵公式为:
ApEn(m,r,N)=-[Φm+1(r)-Φm(r)] (26)
与近似熵相比,样本熵计算不依赖计算数据的长短,并且具有更好的一致性。同样采用原始数据序列,步骤类似与1,2,3,计算出任意两个矢量距离小于等于r的j(1≤j≤N-m,i≠j)的数目,记作Bi。对于1≤i≤N-m,有表达式:
同理有:
将维数增加到m+1,重复上述过程有:
此时,Am(r)、Bm(r)分别为两个序列在相似容限r下匹配m+1与m个点的概率。样本熵定义式为:
所述预处理模块由稀疏深度置信网络的测井资料解释智能评价模型构建,所述稀疏深度置信网络的测井资料解释智能评价模型包括一个输入层、一个输出层和多个隐藏层,通过叠加多层RBM来逐层抽取抽象特征,每个RBM使用网络中两层隐藏层神经元作为可视层和隐藏层,每一层RBM选择Sigmoid 函数作为激活函数,同时对每层RBM的能量函数添加稀疏正则项来对建立的模型进行稀疏性约束进而使模型更快地得到最优解,添加的稀疏正则项如下:
在模型训练中通过设定方差因子σ控制与范数的趋近程度,pj为每层隐藏层的激活值;模型使用均方误差函数作为全局损失函数;模型的层数和隐藏层神经元数可通过实验进行进一步确定;在训练过程中,将样本数据的训练集输入至模型的输入层,然后逐层训练每一个RBM,训练好一个RBM后计算激活层结点的激活值使其作为下一个RBM的可见层神经元的输入,通过逐层贪婪的方式更新每个RBM的初始权重,最后使用反向传播算法对预测模型进行微调。
信息处理中心输出层依据上述稀疏深度置信网络的测井资料解释智能评价模型从而进行持气率预测,实时输出页岩气井指定压裂层段标况下持气率信息。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,一种水平井气液两相流持气率测量智能光纤探测系统,都属于本发明保护的范围。
Claims (3)
1.一种水平井气液两相流持气率测量智能光纤探测系统,其特征在于:包括多探测点传感器系统、本地远程双模态电路系统和智能信息处理中心;
所述多探测点传感器系统包括外壳、入口、出口和阵列光纤探针模块;所述阵列光纤探针模块布置在测量区域内且光纤探针的测量点均位于同一截面,光纤探针末端固定在传感器系统底端;所述测量区域沿轴线方向同轴划分为n层环形区域,其中相邻的外侧环形区域半径是内侧环形区域半径的2倍,每层环形区域按照等弧长被划分为2n+1块、同时每块区域中心放置一个光纤探针,所述测量区域中心位置单独放置一根光纤探针;所述一种水平井气液两相流持气率测量传感器系统共包含个光纤探针;
所述本地远程双模态电路系统具有本地、远程双重功能,包括探针阵列光发射模块、探针阵列光接收模块、AD数据采集模块、探针阵列信号处理模块、多路程控开关、光纤探针阵列模块电路、定时器模块、电源模块、存储模块、主控制器模块和无线传输模块;
所述探针阵列光发射模块包括驱动电源、红外光源和传输光纤,所述驱动电源为红外光源提供驱动电能并使其发射光线,然后由传输光纤传输红外光源所发射的光线;所述探针阵列光接收模块包括出射光纤和探针光电转化电路,所述出射光纤接收所述探针阵列光发射模块发射的光线,所述探针光电转化电路将接收的光信号转换成电信号;所述AD数据采集模块采集光纤探针数据;所述探针阵列信号处理模块包括差分及功率放大电路和模数转化电路,能够输出反映持气率信息的电压信号;所述多路程控开关连接光纤探针阵列模块电路,所述定时器模块进行智能调控,所述电源模块进行供电,所述存储模块对输出电压信号进行本地存储,所述主控制器模块进行数据采集和数据处理,所述无线传输模块将数据无线传输给信息处理中心;
所述信息处理中心包括无线接收模块、可视化模块、预警单元和智能处理单元;无线接收模块用于接收信号;可视化模块用于展示持气率曲线;预警单元用于对非正常采收状况进行预警;智能处理单元针对传感器系统实时数据进行获取、处理。
2.根据权利要求1所述的一种水平井气液两相流持气率测量智能光纤探测系统,其特征在于:所述智能处理单元包括信息获取模块和预处理模块,所述信息获取模块用于获取传感器系统在不同工况下的响应数据,所述预处理模块将获取的响应数据进行特征提取和样本归一化处理,并将提取的特征作为样本集;
所述预处理模块由稀疏深度置信网络的测井资料解释智能评价模型构建,所述稀疏深度置信网络的测井资料解释智能评价模型包括一个输入层、一个输出层和多个隐藏层,通过叠加多层RBM来逐层抽取抽象特征,每个RBM使用网络中两层隐藏层神经元作为可视层和隐藏层,每一层RBM选择Sigmoid函数作为激活函数,同时对每层RBM的能量函数添加稀疏正则项来对建立的模型进行稀疏性约束进而使模型更快地得到最优解,添加的稀疏正则项如下:
在模型训练中通过设定方差因子σ控制与范数的趋近程度,pj为每层隐藏层的激活值;模型使用均方误差函数作为全局损失函数;模型的层数和隐藏层神经元数通过实验进行进一步确定;在训练过程中,将样本数据的训练集输入至模型的输入层,然后逐层训练每一个RBM,训练好一个RBM后计算激活层结点的激活值使其作为下一个RBM的可见层神经元的输入,通过逐层贪婪的方式更新每个RBM的初始权重,最后使用反向传播算法对预测模型进行微调;
信息处理中心输出层依据上述稀疏深度置信网络的测井资料解释智能评价模型从而进行持气率预测,实时输出页岩气井指定压裂层段标况下持气率信息。
3.根据权利要求2所述的一种水平井气液两相流持气率测量智能光纤探测系统,其特征在于:所述样本集包括时域特征、频域特征、小波包特征、功率谱特征和混沌特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210449070.XA CN114737951B (zh) | 2022-04-26 | 2022-04-26 | 一种水平井气液两相流持气率测量智能光纤探测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210449070.XA CN114737951B (zh) | 2022-04-26 | 2022-04-26 | 一种水平井气液两相流持气率测量智能光纤探测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114737951A CN114737951A (zh) | 2022-07-12 |
CN114737951B true CN114737951B (zh) | 2024-04-16 |
Family
ID=82282633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210449070.XA Active CN114737951B (zh) | 2022-04-26 | 2022-04-26 | 一种水平井气液两相流持气率测量智能光纤探测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114737951B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204476404U (zh) * | 2014-09-16 | 2015-07-15 | 燕山大学 | 一种光纤电导一体化探针传感器 |
CN106596560A (zh) * | 2016-12-14 | 2017-04-26 | 江苏大学 | 一种基于激光传感器阵列的贯流风叶注塑缺料缺陷检测方法与装置 |
CN114382459A (zh) * | 2021-12-31 | 2022-04-22 | 燕山大学 | 一种用于水平井多相流多参数测量复合测井仪及测量方法 |
-
2022
- 2022-04-26 CN CN202210449070.XA patent/CN114737951B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204476404U (zh) * | 2014-09-16 | 2015-07-15 | 燕山大学 | 一种光纤电导一体化探针传感器 |
CN106596560A (zh) * | 2016-12-14 | 2017-04-26 | 江苏大学 | 一种基于激光传感器阵列的贯流风叶注塑缺料缺陷检测方法与装置 |
CN114382459A (zh) * | 2021-12-31 | 2022-04-22 | 燕山大学 | 一种用于水平井多相流多参数测量复合测井仪及测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114737951A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581546B (zh) | 基于微波链路衰减及偏振信息的降雨类型识别方法 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN111442827A (zh) | 一种变压器绕组振动的光纤无源在线监测系统及方法 | |
CN105352907A (zh) | 基于径向基网络温度补偿的红外气体传感器及检测方法 | |
CN113049084A (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN104316487A (zh) | 违禁物品检测方法和装置 | |
CN106716081A (zh) | 使用多个搜索步骤的水平寻找 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN105510970A (zh) | 获取地震相最佳分类数目的方法 | |
CN101464172A (zh) | 电站锅炉煤粉浓度质量流量软测量方法 | |
CN110273681B (zh) | 石油生产测井中油气水多相流体分相含率测量系统及方法 | |
CN114737951B (zh) | 一种水平井气液两相流持气率测量智能光纤探测系统 | |
Li et al. | Coal–rock interface recognition based on permutation entropy of LMD and supervised Kohonen neural network | |
CN108154173A (zh) | 一种原油储罐油水界面测量装置及方法 | |
CN114737950A (zh) | 水平气液两相流近红外多探测点多参数测井仪及控制终端 | |
CN101649737B (zh) | 一种基于牵引器驱动电流分析的水平井套管中射孔和接箍的检测方法 | |
CN112539772A (zh) | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 | |
CN105003249B (zh) | 一种基于总流量与电导探针阵列信号的水平井流型识别方法 | |
CN114858707B (zh) | 插入式组合光纤阵列传感器及气液两相流参数测量方法 | |
CN104989377B (zh) | 一种基于总流量与电导探针阵列信号的垂直井含水率测量方法 | |
Zhao et al. | A hierarchical framework for drone identification based on radio frequency machine learning | |
CN114034327B (zh) | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 | |
CN114861737A (zh) | 分布式光纤传感系统的远端扰动特征提取方法及系统 |
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 |