CN117147807B - 一种用于石油勘探的油质监测系统及方法 - Google Patents
一种用于石油勘探的油质监测系统及方法 Download PDFInfo
- Publication number
- CN117147807B CN117147807B CN202311438709.5A CN202311438709A CN117147807B CN 117147807 B CN117147807 B CN 117147807B CN 202311438709 A CN202311438709 A CN 202311438709A CN 117147807 B CN117147807 B CN 117147807B
- Authority
- CN
- China
- Prior art keywords
- data
- oil quality
- oil
- quality data
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000003208 petroleum Substances 0.000 title claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 13
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 33
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 31
- 229910052717 sulfur Inorganic materials 0.000 claims description 31
- 239000011593 sulfur Substances 0.000 claims description 31
- 239000000203 mixture Substances 0.000 claims description 27
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001819 mass spectrum Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 12
- 238000013450 outlier detection Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000001744 unit root test Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004949 mass spectrometry Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 191
- 238000011161 development Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 6
- 238000005553 drilling Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及石油油质监测的技术领域,公开了一种用于石油勘探的油质监测系统及方法,该系统包括传感器模块、数据采集模块、数据预处理模块、数据库模块、油质监测模块、油质预测模块、数据展示与管理模块;本发明实现了油质数据的在线实时监测,实现油质的多参数综合监测,并对油质数据的变化趋势进行预测,能够及时发现油质异常情况,对确保油品质量满足开采的标准、确定开采方案以及预测产出效益都具有重要意义。
Description
技术领域
本发明涉及石油油质监测的技术领域,具体涉及一种用于石油勘探的油质监测系统及方法。
背景技术
油田生产工作以是以石油勘探开发数据的分析结果为导向的。其中,油质数据是决策工作的重要影响因素。现存的油质数据处理方法是依据人工经验对数据进行甄别和异常判断,存在由于相关知识覆盖不全、描述不准、更新速度慢而引起的优质数据处理效率低、异常判断准确率低的问题,最终导致在油田生产决策工作中,数据分析周期长、结果准确率低,不利于油田的开发生产。因此,制定科学合理的油质数据监测与异常识别的方法是油田开采工作顺利进行的重要保障。
目前对于油质的监测仍是以离线采集油样分析为主,这种离线的石油定期取样的监测不可能实时了解到石油的品质。传统的油质检测方式需要将样品送到实验室进行分析,这个过程比较耗时且需要费用较高。而且,对于油质在线监测,国内外大部分做法是通过采用传感器监测石油单一性能指标,如密度、水分、黏度等,还没有同时完成石油多信息的采集来确定所监测油质是否合格。密度、黏度等由于受环境因素影响较大,单一性能指标的监测往往准确度率并不高。
如授权公告号为CN107304674B的中国专利公开了一种利用钻井液核磁共振评价储层含油性的录井方法。该方法首先利用核磁共振技术检测钻井液中的液态烃,获得钻井液含油率数据;然后利用曲线交汇法或图版法进行储层含油
性评价,最后利用原油密度与横向弛豫时间的关系评价油质。该发明方法实现了对储层物性、均质性、沉积特性、储层流体性质、含油丰度和油质的综合性评价,能够解决所评价储层能不能出流体,出什么性质流体的问题,利用测录井多参数评价储层含油性,表现直观,适用性强,提高了岩屑、气测弱显示油气资源的勘探开发水平,为非常规油气资源的勘探开发提供强有力的支持。
如申请公开号为CN113959900A的专利公开了一种页岩中石油密度计算方法及系统,该方法包括以下步骤:S1:采集岩芯样品;S2:收集岩芯样品中所含的石油成分;S3:对岩芯样品的石油成分和已知碳数分布的标准油样进行相同的模拟蒸馏实验,分别得到对应的色谱图;S4:根据岩芯样品和标准油样的色谱图,确定岩芯样品的碳数、沸点和重量分数的分布,从而计算石油的密度。该发明用于在石油勘探评价中确定地层中石油的密度,为石油开发评价提供基础参数。
以上专利都存在本背景技术提出的问题:监测石油单一性能指标,没有同时完成石油多信息的采集来确定所监测油质是否合格,油质监测的准确度率不高。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种用于石油勘探的油质在线监测系统及方法,实现油质的实时在线监测和多参数综合监测,从而能够更全面地评估油质情况,
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供一种用于石油勘探的油质监测系统,包括传感器模块、数据采集模块、数据预处理模块、数据库模块、油质监测模块、油质预测模块、数据展示与管理模块,其中:
传感器模块用于石油原始数据的采集;
数据采集模块用于收集和处理传感器模块采集的石油原始数据,得到油质数据;
数据预处理模块用于并对所述油质数据进行预处理;
数据库模块用于数据的存储、备份、加密、查询、检索;
油质监测模块用于监测油质数据,进行油质异常识别与报警;
油质预测模块用于预测油质数据的变化趋势;
数据展示与管理模块用于提供数据展示的界面,提供查询与管理界面。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述传感器模块包括密度计单元、硫含量分析单元、质谱分析单元;
其中,密度计单元用于测量石油密度数据;
硫含量分析单元用于测量石油中的硫含量数据;
质谱分析单元用于绘制石油中每种多环芳烃的质谱图。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述油质数据包括密度、API重力、硫含量、多环芳烃含量;
其中,密度的采集方法为读取所述密度计单元测量的石油密度数据;
API重力通过所述密度计算得到;公式如下:
;
其中,A表示API重力,ρ表示石油密度,表示水的密度;
硫含量的采集方法为读取所述硫含量分析单元测量的硫含量数据;
多环芳烃含量基于所述质谱分析单元绘制的多环芳烃的质谱图来计算。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述多环芳烃含量的计算方法如下:
S1:制备已知浓度每种多环芳烃的标准品溶液,测绘每种多环芳烃的质谱图并计算每种多环芳烃的峰面积;
S2:绘制每种多环芳烃的标准曲线;所述标准曲线上的每个点的横坐标为多环芳烃的浓度,纵坐标为峰面积;
S3:测绘石油样品的质谱图并计算每种多环芳烃的峰面积;
S4:根据石油样品中每种多环芳烃的峰面积和所述标准曲线,使用内插法计算出每种多环芳烃在石油样品中的含量。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述数据预处理模块包括滤波器单元与离群点检测单元;其中,滤波器单元用于对油质数据进行滤波降噪;离群点检测单元用于检测油质数据中的离群点,方法如下:
将连续采集的油质数据进行分段;
计算每个分段中所有油质数据的均值;
计算每个油质数据与其所在分段所有油质数据的均值的差值;
若所述差值的绝对值小于等于预设的阈值,则该油质数据为正常数据点;
若所述差值的绝对值大于预设的阈值,则该油质数据为离群点;
对于检测到的每个离群点,用其所在分段中所有油质数据的均值代替其油质数据。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述油质监测模块包括异常检测单元与异常报警单元;其中:
异常检测单元采用异常检测算法对油质数据进行异常检测;
异常报警单元用于当油质数据异常时向管理人员发出报警信息,通知管理人员采取相应措施。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述异常检测算法为高斯混合模型,构建与应用的方法如下:
S10:采集正常油质数据,构建用于高斯混合模型训练的数据集X,形式如下:
;
其中,表示数据集X中的第l个样本,l的取值范围为1,2,……,m,m为样本总数;的形式如下:
;
其中,,/>,/>,/>,分别代表一种正常油质数据,s为正常油质数据的总类型个数;
S20:对高斯混合模型进行参数估计;
高斯混合模型为K个高斯分布的组合,基本方程如下:
;
其中,f()表示/>的概率密度函数;/>表示第/>个高斯分布的权重系数;s为正常油质数据的总类型个数;/>表示第/>个高斯分布的协方差矩阵;/>表示第/>个高斯分布的均值;/>的取值范围为1,2,……,K,K为混合高斯模型中的高斯分布的个数;
采用EM算法进行参数估计,得到每个高斯分布的权重系数、协方差矩阵/>、均值/>的最优解;
S30:确定高斯分布的个数K;
基于AIC准则来确定混合高斯模型中高斯分布的个数K的最佳取值,涉及的公式如下:
;
其中,A表示AIC指数的取值;K表示高斯分布的个数;m表示用于高斯混合模型训练的数据集X中样本的个数;RSS为m个样本的残差平方和;比较在K的不同取值下AIC指数的大小,选择使AIC指数最小的K作为混合高斯模型中高斯分布的个数;
S40:计算异常检测阈值;
计算每个样本的加权对数概率,公式如下:
;
其中,L()表示第l个样本/>的加权对数概率;
用于异常检测的第一阈值公式如下:
;
用于异常检测的第二阈值公式如下:
;
其中,表示m个样本的加权对数概率的均值;/>表示m个样本的加权对数概率的方差;
S50:使用混合高斯模型对油质数据进行异常检测;
对于任一新输入的油质数据样本,根据混合高斯模型计算其加权对数概率,记作L(/>);若/>,则/>为正常油质数据;否则,/>为异常油质数据。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述油质预测模块采用时间序列预测算法对油质数据的变化趋势进行预测;
所述时间序列预测算法为ARIMA模型,训练方法如下:
S100:构建每种油质数据的时间序列;
从数据预处理模块获取油质数据,分别建立每种油质数据的时间序列,形式如下:
;
其中,Y表示密度,API重力,硫含量,多环芳烃含量中任一种油质数据的时间序列;,/>,/>,/>分别表示第1,2,……,n时刻的油质数据;n为时间序列Y中油质数据的个数;
S200:对每种油质数据进行平稳性检验,确定差分阶数d;
采用ADF单位根检验,若油质数据时间序列Y非平稳,则对Y进行一阶差分,记作ΔY;对ΔY进行ADF单位根检验,若ΔY非平稳,则依次增加差分阶数,并进行平稳性检验;找到差分后时间序列平稳的最小差分阶数d,d为非负整数;将进行d次差分后平稳的油质数据时间序列作为训练ARIMA模型的数据集,记作Y,形式如下:
;
其中,,/>,……,/>,分别表示/>,/>,/>,/>经过d次差分后的取值;
S300:确定ARIMA模型的滞后阶数;
基于自相关图和偏自相关图来确定ARIMA模型的自回归滞后阶数p与滑动平均滞后阶数q;绘制时间序列Y的自相关图与偏自相关图;所述自相关图在滞后阶数p之后急剧降落,并在p处截尾;偏自相关图PACF图像在滞后阶数q之后急剧降落,并在q处截尾;
S400:对ARIMA模型进行参数估计;
ARIMA模型的方程如下:
;
其中,为时间序列/>Y的第t个元素;c为常参数;/>为自回归参数,i的取值范围为1,2,……,p;/>为滑动平均参数,j的取值范围为1,2,……,q;/>,……,/>,/>分别为第t-q,....,t-1,t个元素对应的误差项,其中/>,……,/>用残差表示,/>为待估计的参数;
采用最大似然估计法来估计ARIMA模型的参数,待估计的参数包括常参数c,自回归参数,滑动平均参数/>,误差项/>;
将估计的模型参数应用至ARIMA模型,并使用ARIMA模型进行油质数据的变化趋势预测。
作为本发明所述用于石油勘探的油质监测系统的一种优选方案,其中:所述所述数据展示与管理模块包括数据展示单元与数据查询单元,其中数据展示单元用于提供数据展示的界面,并用于报告、图表生成,向管理人员展示油质数据、油质数据变化趋势、报警信息;数据查询单元用于提供查询与管理界面,用于管理人员查询历史数据、控制系统各模块的运行,并用于身份验证、权限控制。
第二方面,本发明提供一种用于石油勘探的油质监测方法,包括包括以下步骤:
S1000:采集石油原始数据;
S2000:根据石油原始数据获取油质数据;
S3000:对油质数据进行预处理;
S4000:对油质数据进行异常检测;
S5000:预测油质数据的变化趋势。
第三方面,本发明提供一种电子设备,包括存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现本发明所述的用于石油勘探的油质监测方法的操作。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现本发明所述的用于石油勘探的油质监测方法。
与现有技术相比,本发明所达到的有益效果如下:
实现了油质数据的在线实时监测,能够快速识别油质的异常情况,从而及时进行问题排查与维护,并有助于迅速进行生产开发的策略调整,降低石油品质下降、油井出现异常等问题带来的损失,最大程度地提高油井的产能和采收率;
实现油质的多参数综合监测,从而能够更全面地评估油质情况,对于决定油藏是否具备商业开发价值、确定开采方案以及预测产出效益都具有重要意义;
对油质数据的变化趋势进行预测,辅助及时发现油质的异常变化,确保油品质量满足开采的标准;还可以帮助评估石油开采活动对环境的影响,及时发现对环境有害的物质,从而减少对环境的污染。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的用于石油勘探的油质监测系统结构示意图;
图2为本发明提供的用于石油勘探的油质监测系统的交互过程图;
图3为本发明提供的计算多环芳烃含量的方法流程图;
图4为本发明提供的油质数据异常检测模型的训练流程图;
图5为本发明提供的油质数据变化趋势预测模型的训练流程图;
图6为本发明提供的用于石油勘探的油质监测方法流程图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例介绍一种用于石油勘探的油质监测系统,参照图1,该系统包括以下模块:传感器模块、数据采集模块、数据预处理模块、数据库模块、油质监测模块、油质预测模块、数据展示与管理模块;参照图2,其中:
传感器模块用于石油原始数据的采集,包括密度计单元、硫含量分析单元、质谱分析单元;
其中,密度计单元用于测量石油密度数据;
硫含量分析单元用于测量石油中的硫含量数据;
质谱分析单元用于绘制石油中每种多环芳烃的质谱图。
数据采集模块用于收集和处理传感器模块采集的石油原始数据,得到油质数据;所述油质数据包括密度、API重力、硫含量、多环芳烃含量;
其中,密度的采集方法为读取所述密度计单元测量的石油密度数据;
石油的密度是其质量与体积之比,可以用于确定石油的类型和混合情况。使用密度计进行实时监测,可以直接在流体中测量密度,并实时输出结果。
API重力通过所述密度计算得到;公式如下:
;
其中,A表示API重力,ρ表示石油密度,表示水的密度;
API密度可用于衡量石油的轻重程度。
硫含量的采集方法为读取所述硫含量分析单元测量的硫含量数据;
硫是石油中的一种有害元素,高硫含量的石油会对环境和设备造成腐蚀,因此需要监测硫含量并控制其水平。所述硫含量分析单元使用硫含量分析仪,通过X射线荧光法来测定石油中的硫含量,并配备输出接口,可以直接输出硫含量的测量结果。
多环芳烃含量基于所述质谱分析单元绘制的多环芳烃的质谱图来计算;参照图3,计算过程如下:
S1:制备已知浓度每种多环芳烃的标准品溶液,测绘每种多环芳烃的质谱图并计算每种多环芳烃的峰面积;
S2:绘制每种多环芳烃的标准曲线;所述标准曲线上的每个点的横坐标为多环芳烃的浓度,纵坐标为峰面积;
S3:测绘石油样品的质谱图并计算每种多环芳烃的峰面积;
S4:根据石油样品中每种多环芳烃的峰面积和所述标准曲线,使用内插法计算出每种多环芳烃在石油样品中的含量。
所述多环芳烃共有16种,为环境保护优先控制的16种多环芳烃。本实施例中,所述质谱分析单元采用气相色谱-质谱联用仪器,能够完成对石油样品的快速分离与高灵敏检测,输出质谱图供后续的多环芳烃含量检测。
所述数据预处理模块包括滤波器单元与离群点检测单元;其中,滤波器单元用于对油质数据进行滤波降噪;离群点检测单元用于检测油质数据中的离群点;
传感器采集到的原始数据可能会包含各种噪声,如电磁干扰、环境噪声等。使用滤波器过滤掉不需要的频率成分,从而降低噪声干扰,得到更干净、更可靠的数据,提高系统对目标信号的检测和分析能力,提高监测结果的准确性和可靠性。
所述离群点检测的方法如下:
将连续采集的油质数据进行分段;
计算每个分段中所有油质数据的均值;
计算每个油质数据与其所在分段所有油质数据的均值的差值;
若所述差值的绝对值小于等于预设的阈值,则该油质数据为正常数据点;
若所述差值的绝对值大于预设的阈值,则该油质数据为离群点;
对于检测到的每个离群点,用其所在分段中所有油质数据的均值代替其油质数据。
离群点检测能够帮助识别和剔除数据集中的异常值。这些异常值可能是由误差、异常事件或其他原因造成的。这些异常值在数据分析和建模中可能会产生负面影响,例如导致统计分布失真、降低模型精度等。经过离群点检测处理之后,数据集中的异常值被识别并剔除,可以提高数据质量和精度,并更好地反映数据总体的特征和规律。这可以有效地提升油质数据的可信度和可靠性。
数据库模块提供数据存储功能,存储油质数据、报警记录、油质数据变化趋势;提供数据备份、恢复、加密、查询、检索功能;
油质监测模块用于监测油质数据,进行油质异常识别与报警,
包括异常检测单元与异常报警单元,其中:
异常检测单元采用异常检测算法对油质数据进行异常检测;
异常报警单元用于当油质数据异常时向管理人员发出报警信息,通知管理人员采取相应措施;
所述异常检测算法为高斯混合模型,参照图4,该模型的构建与应用的方法如下:
S10:采集正常油质数据,构建用于高斯混合模型训练的数据集X,形式如下:
;
其中,表示数据集X中的第l个样本,l的取值范围为1,2,……,m,m为样本总数;的形式如下:
;
其中,,/>,/>,/>,分别代表一种正常油质数据,s为正常油质数据的总类型个数;
S20:对高斯混合模型进行参数估计;
高斯混合模型为K个高斯分布的组合,基本方程如下:
;
其中,f()表示/>的概率密度函数;/>表示第/>个高斯分布的权重系数;s为正常油质数据的总类型个数;/>表示第/>个高斯分布的协方差矩阵;/>表示第/>个高斯分布的均值;/>的取值范围为1,2,……,K,K为混合高斯模型中的高斯分布的个数;
采用EM算法进行参数估计,得到每个高斯分布的权重系数、协方差矩阵/>、均值/>的最优解;
S30:确定高斯分布的个数K;
基于AIC准则来确定混合高斯模型中高斯分布的个数K的最佳取值,涉及的公式如下:
;
其中,A表示AIC指数的取值;K表示高斯分布的个数;m表示用于高斯混合模型训练的数据集X中样本的个数;RSS为m个样本的残差平方和;比较在K的不同取值下AIC指数的大小,选择使AIC指数最小的K作为混合高斯模型中高斯分布的个数;
S40:计算异常检测阈值;
计算每个样本的加权对数概率,公式如下:
;
其中,L()表示第l个样本/>的加权对数概率;
用于异常检测的第一阈值公式如下:
;
用于异常检测的第二阈值公式如下:
;
其中,表示m个样本的加权对数概率的均值;/>表示m个样本的加权对数概率的方差;
S50:使用混合高斯模型对油质数据进行异常检测;
对于任一新输入的油质数据样本,根据混合高斯模型计算其加权对数概率,记作L(/>);若/>,则/>为正常油质数据;否则,/>为异常油质数据;
油质预测模块用于采用时间序列预测算法对油质数据的变化趋势进行预测;所述时间序列预测算法为ARIMA模型,参照图5,该模型的训练方法如下:
S100:构建每种油质数据的时间序列;
从数据预处理模块获取油质数据,分别建立每种油质数据的时间序列,形式如下:
;
其中,Y表示密度,API重力,硫含量,多环芳烃含量中任一种油质数据的时间序列;,/>,/>,/>分别表示第1,2,……,n时刻的油质数据;n为时间序列Y中油质数据的个数;
S200:对每种油质数据进行平稳性检验,确定差分阶数d;
采用ADF单位根检验,若油质数据时间序列Y非平稳,则对Y进行一阶差分,记作ΔY;对ΔY进行ADF单位根检验,若ΔY非平稳,则依次增加差分阶数,并进行平稳性检验;找到差分后时间序列平稳的最小差分阶数d,d为非负整数;将进行d次差分后平稳的油质数据时间序列作为训练ARIMA模型的数据集,记作Y,形式如下:
;
其中,,/>,……,/>,分别表示/>,/>,/>,/>经过d次差分后的取值;
S300:确定ARIMA模型的滞后阶数;
基于自相关图和偏自相关图来确定ARIMA模型的自回归滞后阶数p与滑动平均滞后阶数q;绘制时间序列Y的自相关图与偏自相关图;所述自相关图在滞后阶数p之后急剧降落,并在p处截尾;偏自相关图PACF图像在滞后阶数q之后急剧降落,并在q处截尾;
S400:对ARIMA模型进行参数估计;
ARIMA模型的方程如下:
;
其中,为时间序列/>Y的第t个元素;c为常参数;/>为自回归参数,i的取值范围为1,2,……,p;/>为滑动平均参数,j的取值范围为1,2,……,q;/>,……,/>,/>分别为第t-q,....,t-1,t个元素对应的误差项,其中/>,……,/>用残差表示,/>为待估计的参数;
采用最大似然估计法来估计ARIMA模型的参数,待估计的参数包括常参数c,自回归参数,滑动平均参数/>,误差项/>;
将估计的模型参数应用至ARIMA模型,并使用ARIMA模型进行油质数据的变化趋势预测。
数据展示与管理模块包括数据展示单元与数据查询单元,其中数据展示单元用于提供数据展示的界面,并提供报告、图表生成功能,向管理人员展示油质数据、油质数据变化趋势、报警信息;数据查询单元用于提供查询与管理界面,用于管理人员查询历史数据、控制系统各模块的运行,并 提供身份验证、权限控制的功能。
实施例2
本实施例为本发明的第二个实施例;与实施例1基于相同的发明构思,本实施例介绍一种用于石油勘探的油质监测方法,参照图6,本方法包括以下步骤:
S1000:采集石油原始数据;
S2000:根据石油原始数据获取油质数据;
S3000:对油质数据进行预处理;
S4000:对油质数据进行异常检测;
S5000:预测油质数据的变化趋势。
上述各步骤的具体功能实现参考实施例1所述用于石油勘探的油质监测系统中的相关内容,不予赘述。
实施例3
与其它实施例基于相同的发明构思,本实施例介绍一种电子设备,包括存储器和处理器,存储器用于存储指令,处理器用于执行该指令,使得计算机设备执行实现上述实施例所提供的用于石油勘探的油质监测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中用于石油勘探的油质监测系统所采用的电子设备,故而基于本申请实施例中所介绍的用于石油勘探的油质监测方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中用于石油勘探的油质监测方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
与其它实施例基于相同的发明构思,本实施例介绍一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述实施例所提供的用于石油勘探的油质监测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种用于石油勘探的油质监测系统,其特征在于:包括传感器模块、数据采集模块、数据预处理模块、数据库模块、油质监测模块、油质预测模块、数据展示与管理模块,其中:
传感器模块用于石油原始数据的采集;
所述传感器模块包括密度计单元、硫含量分析单元、质谱分析单元;
其中,密度计单元用于测量石油密度数据;
硫含量分析单元用于测量石油中的硫含量数据;
质谱分析单元用于绘制石油中每种多环芳烃的质谱图;
数据采集模块用于收集和处理传感器模块采集的石油原始数据,得到油质数据;
所述油质数据包括密度、API重力、硫含量、多环芳烃含量;其中:
密度的采集方法为读取所述密度计单元测量的石油密度数据;
API重力通过所述密度计算得到;公式如下:
;
其中,A表示API重力,ρ表示石油密度,表示水的密度;
硫含量的采集方法为读取所述硫含量分析单元测量的硫含量数据;
多环芳烃含量基于所述质谱分析单元绘制的多环芳烃的质谱图来计算;
数据预处理模块用于对所述油质数据进行预处理;
数据库模块用于数据的存储、备份、加密、查询、检索;
油质监测模块用于监测油质数据,进行油质异常识别与报警;包括异常检测单元与异常报警单元;其中:
异常检测单元采用异常检测算法对油质数据进行异常检测;
异常报警单元用于当油质数据异常时向管理人员发出报警信息,通知管理人员采取相应措施;
所述异常检测算法为高斯混合模型,构建与应用的方法如下:
S10:采集正常油质数据,构建用于高斯混合模型训练的数据集X,形式如下:
;
其中,表示数据集X中的第l个样本,l的取值范围为1,2,……,m,m为样本总数;/>的形式如下:
;
其中,,/>,/>,/>,分别代表一种正常油质数据,s为正常油质数据的总类型个数;
S20:对高斯混合模型进行参数估计;
高斯混合模型为K个高斯分布的组合,基本方程如下:
;
其中,f()表示/>的概率密度函数;/>表示第/>个高斯分布的权重系数;s为正常油质数据的总类型个数;/>表示第/>个高斯分布的协方差矩阵;/>表示第/>个高斯分布的均值;/>的取值范围为1,2,……,K,K为混合高斯模型中的高斯分布的个数;
采用EM算法进行参数估计,得到每个高斯分布的权重系数、协方差矩阵/>、均值/>的最优解;
S30:确定高斯分布的个数K;
基于AIC准则来确定混合高斯模型中高斯分布的个数K的最佳取值,涉及的公式如下:
;
其中,A表示AIC指数的取值;K表示高斯分布的个数;m表示用于高斯混合模型训练的数据集X中样本的个数;RSS为m个样本的残差平方和;比较在K的不同取值下AIC指数的大小,选择使AIC指数最小的K作为混合高斯模型中高斯分布的个数;
S40:计算异常检测阈值;
计算每个样本的加权对数概率,公式如下:
;
其中,L()表示第l个样本/>的加权对数概率;
用于异常检测的第一阈值公式如下:
;
用于异常检测的第二阈值公式如下:
;
其中,表示m个样本的加权对数概率的均值;/>表示m个样本的加权对数概率的方差;
S50:使用混合高斯模型对油质数据进行异常检测;
对于任一新输入的油质数据样本,根据混合高斯模型计算其加权对数概率,记作L();若/>,则/>为正常油质数据;否则,/>为异常油质数据;
油质预测模块采用时间序列预测算法对油质数据的变化趋势进行预测;
所述时间序列预测算法为ARIMA模型,训练方法如下:
S100:构建每种油质数据的时间序列;
从数据预处理模块获取油质数据,分别建立每种油质数据的时间序列,形式如下:
;
其中,Y表示密度,API重力,硫含量,多环芳烃含量中任一种油质数据的时间序列;,,/>,/>分别表示第1,2,……,n时刻的油质数据;n为时间序列Y中油质数据的个数;
S200:对每种油质数据进行平稳性检验,确定差分阶数d;
采用ADF单位根检验,若油质数据时间序列Y非平稳,则对Y进行一阶差分,记作ΔY;对ΔY进行ADF单位根检验,若ΔY非平稳,则依次增加差分阶数,并进行平稳性检验;找到差分后时间序列平稳的最小差分阶数d,d为非负整数;将进行d次差分后平稳的油质数据时间序列作为训练ARIMA模型的数据集,记作Y,形式如下:
;
其中,,/>,……,/>,分别表示/>,/>,/>,/>经过d次差分后的取值;
S300:确定ARIMA模型的滞后阶数;
基于自相关图和偏自相关图来确定ARIMA模型的自回归滞后阶数p与滑动平均滞后阶数q;绘制时间序列Y的自相关图与偏自相关图;所述自相关图在滞后阶数p之后急剧降落,并在p处截尾;偏自相关图PACF图像在滞后阶数q之后急剧降落,并在q处截尾;
S400:对ARIMA模型进行参数估计;
ARIMA模型的方程如下:
;
其中,为时间序列/>Y的第t个元素;c为常参数;/>为自回归参数,i的取值范围为1,2,……,p;/>为滑动平均参数,j的取值范围为1,2,……,q;/>,……,/>,/>分别为第t-q,....,t-1,t个元素对应的误差项,其中/>,……,/>用残差表示,/>为待估计的参数;
采用最大似然估计法来估计ARIMA模型的参数,待估计的参数包括常参数c,自回归参数,滑动平均参数/>,误差项/>;
将估计的模型参数应用至ARIMA模型,并使用ARIMA模型进行油质数据的变化趋势预测;
数据展示与管理模块用于提供数据展示的界面,提供查询与管理界面。
2.如权利要求1所述的一种用于石油勘探的油质监测系统,其特征在于:所述多环芳烃含量的计算方法如下:
S1:制备已知浓度每种多环芳烃的标准品溶液,测绘每种多环芳烃的质谱图并计算每种多环芳烃的峰面积;
S2:绘制每种多环芳烃的标准曲线;所述标准曲线上的每个点的横坐标为多环芳烃的浓度,纵坐标为峰面积;
S3:测绘石油样品的质谱图并计算每种多环芳烃的峰面积;
S4:根据石油样品中每种多环芳烃的峰面积和所述标准曲线,使用内插法计算出每种多环芳烃在石油样品中的含量。
3.如权利要求2所述的一种用于石油勘探的油质监测系统,其特征在于:所述数据预处理模块包括滤波器单元与离群点检测单元;其中,滤波器单元用于对油质数据进行滤波降噪;离群点检测单元用于检测油质数据中的离群点,方法如下:
将连续采集的油质数据进行分段;
计算每个分段中所有油质数据的均值;
计算每个油质数据与其所在分段所有油质数据的均值的差值;
若所述差值的绝对值小于等于预设的阈值,则该油质数据为正常数据点;
若所述差值的绝对值大于预设的阈值,则该油质数据为离群点;
对于检测到的每个离群点,用其所在分段中所有油质数据的均值代替其油质数据。
4.如权利要求3所述的一种用于石油勘探的油质监测系统,其特征在于:所述数据展示与管理模块包括数据展示单元与数据查询单元,其中数据展示单元用于提供数据展示的界面,并用于报告、图表生成,向管理人员展示油质数据、油质数据变化趋势、报警信息;数据查询单元用于提供查询与管理界面,用于管理人员查询历史数据、控制系统各模块的运行,并用于身份验证、权限控制。
5.一种用于石油勘探的油质监测方法,基于权利要求1-4中任一项所述的一种用于石油勘探的油质监测系统实现,其特征在于:包括以下步骤:
S1000:采集石油原始数据;
S2000:根据石油原始数据获取油质数据;
S3000:对油质数据进行预处理;
S4000:对油质数据进行异常检测;
S5000:预测油质数据的变化趋势。
6.一种电子设备,其特征在于,包括:存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现如权利要求5所述的一种用于石油勘探的油质监测方法的操作。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求5所述的一种用于石油勘探的油质监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438709.5A CN117147807B (zh) | 2023-11-01 | 2023-11-01 | 一种用于石油勘探的油质监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438709.5A CN117147807B (zh) | 2023-11-01 | 2023-11-01 | 一种用于石油勘探的油质监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117147807A CN117147807A (zh) | 2023-12-01 |
CN117147807B true CN117147807B (zh) | 2024-01-26 |
Family
ID=88906654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438709.5A Active CN117147807B (zh) | 2023-11-01 | 2023-11-01 | 一种用于石油勘探的油质监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117147807B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279144A (zh) * | 2011-04-06 | 2011-12-14 | 沈怡茹 | 一种润滑油油质在线检测仪 |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
CN204374030U (zh) * | 2014-12-23 | 2015-06-03 | 中国石油天然气股份有限公司 | 油质监测装置及系统 |
WO2019045699A1 (en) * | 2017-08-30 | 2019-03-07 | Siemens Aktiengesellschaft | RECURRENT GAUSSIAN MIXTURE MODEL FOR ESTIMATING SENSOR STATUS IN STATUS MONITORING |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109800627A (zh) * | 2018-12-03 | 2019-05-24 | 第四范式(北京)技术有限公司 | 石油管道信号的异常检测方法及装置、设备及可读介质 |
WO2020010710A1 (zh) * | 2018-07-13 | 2020-01-16 | 平安科技(深圳)有限公司 | 预测模型的生成方法、装置及计算机可读存储介质 |
-
2023
- 2023-11-01 CN CN202311438709.5A patent/CN117147807B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279144A (zh) * | 2011-04-06 | 2011-12-14 | 沈怡茹 | 一种润滑油油质在线检测仪 |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
CN204374030U (zh) * | 2014-12-23 | 2015-06-03 | 中国石油天然气股份有限公司 | 油质监测装置及系统 |
WO2019045699A1 (en) * | 2017-08-30 | 2019-03-07 | Siemens Aktiengesellschaft | RECURRENT GAUSSIAN MIXTURE MODEL FOR ESTIMATING SENSOR STATUS IN STATUS MONITORING |
WO2020010710A1 (zh) * | 2018-07-13 | 2020-01-16 | 平安科技(深圳)有限公司 | 预测模型的生成方法、装置及计算机可读存储介质 |
CN109800627A (zh) * | 2018-12-03 | 2019-05-24 | 第四范式(北京)技术有限公司 | 石油管道信号的异常检测方法及装置、设备及可读介质 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
Non-Patent Citations (1)
Title |
---|
原油评价知识库的应用;许明春等;石油化工;第25卷(第10期);706-718 * |
Also Published As
Publication number | Publication date |
---|---|
CN117147807A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2673637A1 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
CN113570000A (zh) | 一种基于多模型融合的海洋单要素观测质量控制方法 | |
CN111143981B (zh) | 虚拟试验模型验证系统及方法 | |
CN112036042A (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 | |
Peterson et al. | The good, the bad and the outliers: automated detection of errors and outliers from groundwater hydrographs | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN107679756B (zh) | 土壤适宜性评价方法及装置 | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN117147807B (zh) | 一种用于石油勘探的油质监测系统及方法 | |
CN115935283B (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
CN107220705B (zh) | 常减压装置常压塔顶干点预测方法 | |
CN116862257A (zh) | 一种水下盾构隧道渗漏治理效果评价方法 | |
CN110017136B (zh) | 一种基于视水层电阻率的水淹层识别与产水率预测方法 | |
CN111783308A (zh) | 一种精确预测隧道围岩位移的方法 | |
AU2021104998A4 (en) | Evaluation method system of quality control index for the whole process of monitoring organic pollutants in basin water environment | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN111488666A (zh) | 一种气藏水平井产能预测模型建立、预测方法及装置 | |
US11681072B2 (en) | Method and system for ranking reactivities for kinetics assignment in basin modeling | |
Ramatullayev et al. | Machine-Learning-Based Automation of Formation Testing Data Interpretation and Analysis | |
Birks | Introduction and overview of part III | |
CN106596899B (zh) | 油浸式变压器在线监测数据和带电检测数据间随机误差的评价方法 | |
Tran et al. | Predicting high-frequency nutrient dynamics in the Danube River with surrogate models using sensors and Random Forest | |
CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
US11942190B2 (en) | Method and system for evaluating reactivity in source rock evaluation |
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 |