JP6335390B2

JP6335390B2 - 仮想多相流計測および砂検出

Info

Publication number: JP6335390B2
Application number: JP2017521020A
Authority: JP
Inventors: アフマド，タルハ，ジャマール; ブラック，マイケル，ジョン; ヌイ−メヒディ，モハメド，ナビール
Original assignee: Saudi Arabian Oil Co
Current assignee: Saudi Arabian Oil Co
Priority date: 2014-06-30
Filing date: 2015-06-30
Publication date: 2018-05-30
Anticipated expiration: 2035-06-30
Also published as: CA2952295A1; WO2016003985A1; US20150377667A1; EP3161424A1; CN106537136A; JP2017527823A

Description

本発明は、ダウンホール、トップサイドおよび表面用途での仮想および非侵入型多相計測に関するものであり、炭化水素や他の流体の多相流動様式を自動認識する音響放射測定を伴う。また本発明は、流速、砂の存在、流動様式の他のパラメータを計測することに関する。

２相以上の同時流れを多相流と呼ぶ。多相流の流動挙動は、単相流の流動挙動より顕著に複雑であり、多相流の流動様式またはフローパターンは、流体同士の相対密度比、粘度差、速度（スリップ）といった要因により異なる。流体流という用語は、油、水、ガス、および固体（砂）を含む。炭化水素の流動様式において、多相流パラメータや砂の存在を測定することにより生産を最適化でき、坑井内で砂が生成されているかを判断するのに非常に重要である。

多相流パラメータを非侵入型測定する方法は多く提案されてきた。多相流パラメータには、流動様式、流速、固形分の存在、個々の相の体積および質量比等が挙げられる。そのような方法の１つは、流れに音響／超音波周波数を送信し、受信した音響応答を分析する能動的システム、例えば、米国特許第６，６７２，１３１号および米国特許第７，７７５，１２５号などによるものがある。

米国特許第５，４１５，０４８号は、非侵入型振動応答と流れに連結した圧力測定との組み合わせを実施して流れを確認した。さらに、米国特許第５，４１５，０４８号は、パイプの特徴的な音響周波数と振幅変動とを差圧測定と共に使用して、全質量流量および各相の質量流量を得た。米国特許第６，５７５，０４３号は、導管の壁に音波を発生させ、流れに特徴を見出した。これは、壁内に伝達した各種音波モードの減衰を測定、解析して流れの相分布を判断するものである。米国特許第６，４１２，３５２号では、多相流体を運ぶパイプに加速度計を取り付けた。加速度計で生成した信号を分析し、多相流体の質量流量を非侵入の形態で測定した。

米国特許第７，５６２，５８４号は、非侵入型で受動的な流体流量測定システムに関するものであり、周波数範囲１Ｈｚ〜１５ＫＨｚの多相流の音響特性を機械的に増幅させ分析する。また、定量的な流れデータと、警告や状態の変化等の定性的なデータを決定し、遠隔地に無線で送信できる。また、米国特許第５，３５３，６２７号は、完全に受動的な音響検出手段を用いて、閉じたパイプラインシステムでの流動様式を決定する。検出した音響パターンを増幅し、既知のパターンと比較し、音響指紋に従い流動様式を識別する。分析した周波数帯域は、２５ＫＨｚ未満であった。

音響放射を用いて流動様式や固形物の存在を識別する非侵入型方法は、信号の信号振幅、ｒｍｓ値、エネルギー、および基本周波数成分など、流れ音響データから得られる各種パラメータを使用し、閾値処理および／またはテンプレートマッチング技術を使用するものであった。しかし、従来の方法では、システム内に連続的で無作為のバックグラウンド音響および電気ノイズが存在し、音響放射信号の信号対雑音比（ＳＮＲ：ｓｉｇｎａｌ−ｔｏ−ｎｏｉｓｅｒａｔｉｏ）や確率的性質が非常に低いという問題があった。このため、実際の状況、特に、多くの相互関連要因が多相流の音響に複雑に影響するダウンホール環境では、大部分が炭化水素流動様式について正確な測定値を提供できなかった。また、音響変動や音響放射信号の非定常特性を説明するものではなかった。他の問題としては、侵入型であり、電力消費が高く、放射線源を使用すること、コストが高く、複雑で、ダウンホールで実施するには大型である等の問題があった。

簡潔には、本発明は新規で改良された装置を提供し、流れ導管内の流体の多相流の流動パラメータを決定する。本装置は、流れ導管内の多相流から音響放射を感知するトランスデューサと、感知した音響放射をデジタル音響放射信号に変換するコンバータとを含む。本装置はまた、流れ導管内の流動様式データの音響モデルからなるデータベースを格納するデータメモリを有するコンピュータを含む。コンピュータはまた、デジタル音響放射信号および流動様式データの音響モデルから流動パラメータの測定値を形成するプロセッサを含み、多相流の流動パラメータの音響モデルを決定する。プロセッサは、感知した音響放射信号を一連のデジタル音響放射セグメントに分割し、一連のデジタル音響放射セグメントのデジタル音響放射セグメントの特徴ベクトルを決定し、特徴ベクトルを処理する、コンピュータ実施ステップを行い、多相流の流動パラメータのモデルを決定する。

また、本発明は、新規で改良されたコンピュータ実施方法を提供し、多相流からの音響放射およびコンピュータのデータベースに格納された導管内の流動様式データの音響モデルに基づいて、流れ導管内の流体の多相流の流動パラメータをコンピュータのプロセッサで決定する。本コンピュータ実施方法は、音響放射信号を一連のデジタル音響放射セグメントに分割し、一連のデジタル音響放射セグメントの各々に特徴ベクトルを決定して達成する。その後、特徴ベクトルを処理して多相流の流動パラメータのモデルを決定する。

本発明はまた、新規で改良されたデータ処理システムを提供し、多相流からの音響放射に基づいて流れ導管内の流体の多相流の流動パラメータを決定する。データ処理は、流れ導管内の流動様式データの音響モデルのデータベースを格納するデータメモリが含まれる。データ処理システムはまたプロセッサを含み、プロセッサは音響放射信号を一連のデジタル音響放射セグメントに分割する。プロセッサはまた、一連のデジタル音響放射セグメントの各々に特徴ベクトルを決定し、特徴ベクトルを処理し、多相流の流動パラメータのモデルを決定する。

本発明はまた、新規で改善されたデータストレージデバイスを提供する。データストレージデバイスは、コンピュータ動作可能命令を非一時的コンピュータ読込み可能媒体に格納している。コンピュータ動作可能命令により、コンピュータのプロセッサ内でデータ処理システムが流れ導管内の流体の多相流の流動パラメータを決定する。この決定は、多相流からの音響放射および流れ導管内の流動様式データの音響モデルに基づいて決定する。データストレージデバイスに格納した命令により、データ処理システム内のプロセッサが、音響放射信号を一連のデジタル音響放射セグメントに分割し、一連のデジタル音響放射セグメントの各々に特徴ベクトルを決定する。本命令によりプロセッサはまた、特徴ベクトルから多相流の流動パラメータのモデルを決定する。

本発明による多相流計測および砂検出のための装置の概略図である。

本発明による多相計測モジュールの概略図である。

本発明による、音響放射などの一連のイベントに対する隠れマルコフモデリングトポロジおよび関連するガウス分布要因の概略図である。

本発明による隠れマルコフモデリングを用いた音響放射モデルを構築する方法論の機能ブロック図である。

本発明による音響放射信号に基づいて音響モデルを構築するためのデータ処理ステップのフローチャートの機能ブロック図である。

本発明による多相流計測および砂検出中にパラメータを最適化するためのデータ処理ステップのフローチャートの機能ブロック図である。

本発明による音響放射信号に基づいて多相流計測および砂検出を行うためのデータ処理ステップのフローチャートの機能ブロック図である。

本発明による人工ニューラルネットワークによる仮想多相流計測のための処理モジュールの概略図である。

図５の処理モジュールの人工ニューラルネットワークアーキテクチャの概略図である。

本発明による音響放射信号に基づいて人工ニューラルネットワークによる多相流計測および砂検出を行うためのデータ処理ステップのフローチャートの機能ブロック図である。

［音響放射］
本発明によれば、多相流における音響放射は、炭化水素油およびガス、水、ならびに砂の混合物の流れの表面内および／または表面上に生じる音響エネルギーの物理現象として定義する。音響放射は、１ＫＨｚ〜１００ＭＨｚの広い周波数範囲での弾性エネルギーの自発的放出に起因するが、ほとんどの放出エネルギーは、１ｋＨｚ〜１ＭＨｚの周波数範囲内である。音響放射は、
（ａ）気泡の形成、破壊、および融合、
（ｂ）乱流および渦による乱流雑音、
（ｃ）多相流における液体、気体、および固体の相互作用、
（ｄ）高流量渦から生じる広帯域乱流エネルギー、
（ｅ）キャビテーション、フラッシング、および再循環に起因する間欠的および過度的なエネルギー変化および変動、
など、多数の原因で発生すると考えられる。

さまざまな流動様式の気泡サイズおよび気泡分布の関数として、多相流から放出された音や高周波数弾性エネルギーの調査が数多くなされている。ガスの気泡形成、破壊、融合、ならびに多相流内の多様な相の相互作用が直接的な要因となり、音響エネルギーとして多相流から放出されることがわかっている。さらに音響エネルギーは、異なる多相流動様式、流速、および流れ内の固形分量によっても変化する。本発明は、音響エネルギーデータを感知し、そのデータを処理して仮想流れモデリングを提供する。

本発明によれば、「仮想計測(ｖｉｒｔｕａｌｍｅｔｅｒｉｎｇ)」または「仮想多相計測（ｖｉｒｔｕａｌｍｕｌｔｉｐｈａｓｅｍｅｔｅｒｉｎｇ）」という用語は、本明細書に記載の計測技術／技法を指し、能動的および直接的な流れ測定方法または装置を用いず多様な流動パラメータを測定するものである。流動パラメータは、本発明に従い以下に説明する通り、圧力、温度、音響放射などの受動測定値群から決定する。

［ハードウェアアーキテクチャ］
図１に示すように、本発明による多相流仮想モデリング用の装置Ｍは、計測対象の炭化水素／水混合物の多相流２４が発生しているパイプ、配管、または他の流れ導管２２に取り付けるトランスデューサとして、音響放射センサまたはマイクロホンを含む。流れ導管２２は、ダウンホール、トップサイドおよび表面の用途で公知の、炭化水素輸送の探査、製造に利用する導管であってもよい。

トランスデューサ２０は、周波数１ｋＨｚ〜１ＭＨｚを有する多相流から生じる多相流音響放射信号を受信し、そのような流れから音響放射を取得する。ＶａｌｌｅｎＳｙｓｔｅｍｓ製のＡＥ１０４５ＳまたはＭｉｓｔｒａｓＧｒｏｕｐＬｔｄ．製の広帯域ＡＥセンサＷＳＡなどの市販の音響放射センサ／トランスデューサを使用できる。必要に応じて、他の市販のトランスデューサを使用できることを理解されたい。センサは、１ＫＨｚから２〜３ＭＨｚの周波数範囲で利用可能である。

音響放射センサ２０で取得した信号は、多相流音響情報とランダム背景音響ノイズとが組み合わせられている。結合剤を適用してセンサ２０を流管２２に結合する。通常、グリセロールまたは油性の結合剤を使用する。音響放射センサ２０は、音響信号を電気信号に変換し、電気信号はフロントエンドプリプロセッサＰのプリアンプ２６を用いて増幅される。プリアンプ２６からの増幅信号は感知した音響放射を表し、適切なフィルタ２８でフィルタリングされ、高分解能シグマデルタアナログ−デジタル、すなわち、Ａ／Ｄコンバータ３０でデジタル化した音響放射信号に変換される。

Ａ／Ｄコンバータ３０からの変換されたデジタル音響放射信号は、データプロセッサＤが受信する。データプロセッサＤは、プログラムされたパーソナルコンピュータ（すなわち、ＰＣ）であってもよく、専用の特定用途デジタル信号プロセッサ（すなわち、ＤＳＰ）であってもよい。データプロセッサＤは、ラップトップコンピュータ、タブレット、または他の適切なデジタルデータ処理装置などの適切な処理およびメモリ容量を有する任意の従来型プロセッサであってもよい。

データプロセッサＤは、多相計測（ＭＰＭ）ソフトウェアモジュール３２を含み、音響信号を処理、分析、および分類し、測定結果を提供する。生データ、音響モデル、および測定結果は、以後の分析のためにデータベースとしてメモリに格納できる。モジュール３２からの処理結果は、３４で示すように適切なディスプレイやプロッタでの分析に利用可能である。または後述するように、別のコンピュータに送信して調査、分析するため、無線通信モジュールに転送できる。

上述したように、装置Ｍは必要に応じて、出力ディスプレイおよび／またはユーザインターフェースを含むことができる。例えば、表面または坑口設置の場合、装置Ｍは、計測結果を表示する出力ディスプレイを含むことができる。

装置Ｍは、システム内に何らかの修正が必要な場合には、ユーザインターフェースも含むことができる。例えば、データプロセッサＤにアクセスし、必要に応じて多相計測ソフトウェアモジュール３２またはフロントエンドモジュール４０を更新するユーザインターフェースが挙げられる。またユーザインターフェースを利用して、メモリ３８内の音響モデル４２、プログラムコード３６、またはトレーニングデータ９０に対してアクセスおよび／または更新も可能である。

プロセッサＤは、コンバータ２８からのデジタル化音響放射信号にアクセスして、本発明の処理ロジックおよび方法論を実行する。本発明の処理ロジックおよび方法論は、一連のコンピュータ実行可能命令として実行することができる。この命令は、コンピュータ読込み可能媒体であるメモリ３８（図２）にプログラムコード３６として格納してもよく、従来のハードディスクドライブ、電子的読出し専用メモリ、コンピュータディスケット、または磁気テープ、光学ストレージデバイス、もしくは他の適切なデータストレージデバイスの形態で格納してもよい。

本明細書の図５、図６、図７、図１０のフローチャートは、コンピュータプログラムソフトウェアで実施する本発明による処理のロジックの構造を示す。当業者は、本フローチャートが、本発明に従い機能する集積回路の論理回路といった、コンピュータプログラムコード要素の構造を示すことを理解するであろう。したがって、本発明はその好ましい実施形態において、図示に対応する一連の機能ステップを実行するようデジタルデータ処理装置に命令する形式でプログラムコード要素を表現する機械部材で実施されることは明らかである。

後述するように、多相計測ソフトウェアモジュール３２は、トレーニング可能である。本発明の一実施形態では、流動様式の統計的モデル化のためのフレームワークとして隠れマルコフモデリング（ＨＭＭ）を使用する。隠れマルコフモデルは、一連の記号または数量を出力する統計モデルである。隠れマルコフモデルは、自動的にトレーニングされ、計算上実行可能である。

多相音響信号は、連続ランダムノイズを有する非線形信号であるが、本発明によれば、多相音響信号を短時間の定常信号または線形信号と考える。したがって、本発明では、センサ２０で感知し、デジタルフォーマットに変換した音響放射信号は、特定の持続時間、通常５０〜２００ｍｓの小さなセグメントに分割またはセグメント化される。本発明の目的のため、音響放射信号は各時間セグメント内で線形と仮定する。各静止セグメントに対して特徴ベクトルを計算し、隠れマルコフモデルを作成し、特徴ベクトルを使用してトレーニングする。連続ランダムノイズの存在による変動性に対処するために、流れタイプの各々に隠れマルコフモデルを作成し、ラボラトリ流れループセットアップおよび／またはフィールドデータから収集した大量の音響トレーニングデータを使用してトレーニングする。

［多相計測モジュール］
多相計測ソフトウェアモジュール３２（図２）は、ソフトウェアで実行され、フロントエンドモジュール４０から前処理および特徴計算のための流れデータを受け取り、格納された流動様式データの包括的なモデルライブラリまたはデータベース４２からのデータも受け取る。モデルライブラリ４２内に格納されたデータは、多種の流れタイプに対するラボラトリおよびフィールドデータから得た音響モデルの形態をとり、４４で概略的に示す多相流動様式モデル、４６で示す砂含有量、および４８で示す流量を含む。多相計測ソフトウェアモジュール３２は、音響パターンを認識し、流動様式、流速、および固形分といった多様なパラメータを識別するデコーダとして構成される。

フロントエンドモジュール４０は、特定の流れセグメントの音響観測を提供する。音響観測は、流れの音響特性を表すと考えられる特徴ベクトルである。音響信号から特徴ベクトルを抽出し、トレーニングや検出を行う。前処理段階で連続的な音響放射音響信号を分割し、５０〜２００ｍｓのオーバラップセグメントに分割し、各セグメントに対してウィンドウ関数（窓関数）処理を実行する。ウィンドウ関数処理は、エッジのエネルギーを低減し、各セグメントのエッジの不連続性を減少させるために実行する。例えば、この目的のためにハミング窓を使用できる。ハニンやブラックマンを含む他のウィンドウ関数も使用できる。前処理の後、各セグメントに対して特徴計算を実行する。

重要な音響特性としては、周波数分布、優勢周波数帯、周波数帯の優勢エネルギーが挙げられる。多相流からの音響放射は非定常処理であるため、標準的な信号処理技術は分析に適さない。特徴ベクトルとしてケプストラム係数を使用することもできる。ケプストラム係数は、信号の対数振幅スペクトルのフーリエ解析の結果である。対数振幅スペクトルが規則的に間隔をあけた高調波を多く含む場合、スペクトルのフーリエ解析は、基本周波数である高調波の間の間隔に対応するピークを示す。重要な音響特性を表す、ウェーブレット変換などの他のパラメータを使用して、特徴ベクトルを計算することもできる。

多種の流れタイプの各々に音響モデルを形成し、多相流仮想モデリング装置Ｍで多種の流動パラメータおよび砂の存在を測定する。各種の流れタイプに正確な音響モデル（隠れマルコフモデル）を構築するために、ラボラトリ流れループからトレーニングデータを取得し、実際のフィールドを使用する。大量のトレーニングデータを収集し蓄積することが有益であり、好ましい。

隠れマルコフモデルは、本質的に、状態ｓ_１、ｓ_２、ｓ_３、ｓ_４、ｓ_５（図３）と状態間の遷移確率ａ_１１、ａ_１２、ａ_２２、ａ_２３、ａ_３３、ａ_３４、ａ_４４、ａ_４５、ａ_５５のセットで定義される確率論的処理をモデル化する。各状態は、定常的な確率処理を記述し、ある状態から別の状態への遷移は、その処理がその特性を時間的にどのように変化させるかを記述する。各状態ｓ_１、ｓ_２、ｓ_３、ｓ_４、ｓ_５は通常、統計的出力分布を有し、ｂ_１からｂ_５で概略的に示すガウス確率分布関数で表し、観測した各特徴ベクトルに確度および分布を提供する。好ましくはいわゆるＢａｕｍ−Ｗｅｌｃｈ（バウム＝ウェルチ）アルゴリズムを使用して、特定の流動様式の隠れマルコフモデルの各種パラメータをトレーニングデータから推定する。

隠れマルコフモデルは、

として正式に定義され、
ここで、
Ａは遷移配列であり、ある状態から他の状態への遷移確率を格納し、
Ｂは観測確率配列であり、その状態から生成される観測の確率を格納し、
πは状態の初期確率配列である。

［隠れマルコフモデルを用いた各流れタイプに対する音響モデルの構築］
隠れマルコフモデルレコードを使用し、各流れタイプに音響モデルを構築する本発明による方法を図５のフローチャートＨに概略的に示す。ステップ５０でトレーニングセットを記録する。トレーニングセットは、各５〜１０秒の持続時間の特定の流れタイプを表す５０以上の音響放射信号からなる。音響モデルの精度向上のため、トレーニングデータセットのサイズおよび個々の音響放射信号の長さを増やすことができる。音響放射信号は、ラボラトリ流れループおよび／または実際のフィールドから取得できる。目的用途に応じて、表面またはダウンホール条件から取得したデータをメモリに格納して使用することもできる。

ステップ５２では、隠れマルコフモデルのアーキテクチャを定義する。通常、状態の数が５から２０のｌｅｆｔ−ｒｉｇｈｔ型隠れマルコフモデルを使用する。必要に応じて、別の状態数を使用できる。状態数は、単一の音響放射信号内の各セグメントの長さおよびセグメントの数により変化する。ＥｒｇｏｄｉｃまたはＰａｒａｌｌｅｌなどの異なるトポロジを伴う隠れマルコフモデルも使用できる。

ステップ５４では、上記の手順を用いて各トレーニング信号に対して特徴ベクトルを計算する。ステップ５６で、状態の確率を初期化する。第１の状態に対する初期確率は１であり、残りの状態は０とみなされる。各遷移確率は、０で初期化され、最後の遷移は１で初期化される。

各状態の統計的出力分布はガウス分布である。ステップ５８の一部として、完全トレーニング音響放射トレーニングデータセット内のすべての特徴ベクトルの大域平均および分散を計算する。次いで、ステップ５８ですべてのガウス分布（すなわち、すべての状態出力分布）を求めた平均および分散で初期化する。

隠れマルコフモデルの全パラメータを初期化した後、後述するように好ましくはＢａｕｍ−Ｗｅｌｃｈアルゴリズムでパラメータ（Ａ，Ｂ，λ）を最適化し、トレーニングデータで隠れマルコフモデルをトレーニングする。

［パラメータ最適化アルゴリズム］
本発明ではＢａｕｍ−Ｗｅｌｃｈアルゴリズムを使用して、未知の隠れマルコフモデルパラメータ（Ａ，Ｂ，π）を最適化することが好ましい。Ｂａｕｍ−Ｗｅｌｃｈアルゴリズムは、一般化期待値最大化（ＧＥＭ）アルゴリズムの特別な場合である。Ｂａｕｍ−Ｗｅｌｃｈアルゴリズムは、Ｆｏｒｗａｒｄ−Ｂａｃｋｗａｒｄアルゴリズムに基づく推定方法である。アルゴリズムの簡単な説明を以下に示すが、詳細な数学的記述は、「ＡｍａｘｉｍｉｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｏｃｃｕｒｒｉｎｇｉｎｔｈｅｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｐｒｏｂａｂｉｌｉｓｔｉｃｆｕｎｃｔｉｏｎｓｏｆＭａｒｋｏｖｃｈａｉｎｓ」（Ｂａｕｍ１９７０）および「ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌｓａｎｄｔｈｅＢａｕｍ−ＷｅｌｃｈＡｌｇｏｒｉｔｈｍ」、ＩＥＥＥＩｎｆｏｒｍａｔｉｏｎＴｈｅｏｒｙＳｏｃｉｅｔｙＮｅｗｓｌｅｔｔｅｒ，Ｄｅｃ．２００３で確認することができる。

トレーニングデータセットＯ_{ｔｒａｉｎｉｎｇ}を使用して隠れマルコフモデルパラメータλ_ａを構築およびトレーニングするためには、観測を行うλ_ａに対するモデルパラメータは以下の通りとなり、ここでＯ_{ｔｒａｉｎｉｎｇ}は、特定の流れに対する音響放射特徴ベクトル（観測シーケンス）を多数（≧５０）を含む。

最適化は、フローチャートＣ（図６）で概略的に示すシーケンスで実行する。ステップ６０に示すように、モデルパラメータ（Ａ，Ｂ，π）は、上述のように初期化される。状態遷移確率は、ステップ６２で初期化され、状態確率は、ステップ６４で初期化される。状態の平均および分散は、ステップ６６で初期化される。次いで、ステップ６８で各観察シーケンスＯ_{ｔｒａｉｎｉｎｇ}（ｎ）がモデルを通して実行され、各モデルパラメータの期待値を推定する。

ステップ７０でモデルパラメータは、確率Ｐ（Ｏ_{ｔｒａｉｎｉｎｇ}（ｎ）｜λ_ａ）が最大になるように調整または変更される。本手順は、すべてのモデルパラメータが最適値に収束することをステップ７２が示すまで全トレーニングデータに対して繰り返され、ステップ７４でデータセット内の全信号を処理したと示すまで繰り返される。

したがって、全流れタイプに音響モデル（隠れマルコフモデル）を生成すると、自動検出モジュール３２（図２）が音響モデルを使用し、統計的検索アルゴリズムを使用してリアルタイムで多相流音響放射信号を検出および識別できる。

［多相流計測および砂検出］
フローチャートＦ（図７）は、多相流計測および砂検出のための方法論を概略的に示す。センサ２０で多相流音響放射信号を感知する。予め増幅した後、感知した信号をフィルタリングし、Ａ／Ｄコンバータ３０でデジタル信号に変換する。デジタル信号は、ステップ８０に示すように、多相計測デコーダモジュール３２が取得する。ソフトウェアフロントエンド４０は、ステップ８２で信号を分割し、ステップ８４で、各セグメントに対する特徴ベクトルを計算する。音響放射信号の一連の代表的な特徴ベクトルは、ステップ８６でデコーダ３２に送られる。デコーダ３２は、多種の流れタイプの音響モデル（隠れマルコフモデル）トレーニングデータの包括的なライブラリ９０（図２）も利用できる。

ステップ９２でビタビアルゴリズム（Ｖｉｔｅｒｂｉａｌｇｏｒｉｔｈｍ）を使用して、現在観察されている音響放射信号が属する最も可能性の高い音響モデルを見つける。多種の流れタイプに対する音響モデル（λ_１，λ_２．．．）のライブラリと受信音響放射特徴ベクトルＯ_{ｒｅｃｅｉｖｅｄ}とが与えられ、全流れタイプに対して隠れマルコフモデルモデルが与えられた場合、観察された特徴ベクトルの確度はビタビ処理で以下のように計算する。

ビタビアルゴリズムは、動的プログラミングアルゴリズムであり、一連の観測されたイベントを結果として生じる、隠れ状態の最も可能性の高いシーケンス（ビタビ経路）を見つけるアルゴリズムである。ビタビアルゴリズムの簡単な説明を以下に示す。アルゴリズムの詳細は、Ｇ．Ｄ．Ｆｏｒｎｅｙ，Ｊｒ．，「ＴｈｅＶｉｔｅｒｂｉＡｌｇｏｒｉｔｈｍ」，Ｐｒｏｃ．ＩＥＥＥ，ｖｏｌ．６１，ｐｐ．２６８−２７８，Ｍａｒｃｈ１９７３およびＬ．Ｒ．Ｒａｂｉｎｅｒ，「ＡＴｕｔｏｒｉａｌｏｎＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌｓａｎｄＳｅｌｅｃｔｅｄＡｐｐｌｉｃａｔｉｏｎｓｉｎＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ」，Ｐｒｏｃ．ＩＥＥＥ，ｖｏｌ．７７，ｐｐ．２５７−２８６，Ｆｅｂ．１９８９で確認することができる。

特徴ベクトル（観測シーケンス）Ｏ_{ｒｅｃｅｉｖｅｄ}、および隠れマルコフモデルλ_１が与えられると、ビタビアルゴリズムはモデルにおける最適な状態シーケンスＱ＝｛ｑ_１，ｑ_２，ｑ_３．．．｝を再帰的に決定する。最適化された状態シーケンスは、この状態シーケンスのデータおよび確率が計算できることを最もよく説明するものであり、したがって、Ｐ（Ｏ_{ｒｅｃｅｉｖｅｄ}｜λ_１）が計算される。このアルゴリズムは、観測シーケンスが与えられれば、最良経路（または、モデル内の最良状態シーケンス）が他のどの経路よりもはるかに高い確率Ｐ（Ｏ_{ｒｅｃｅｉｖｅｄ}｜λ_１）≒Ｐ（Ｏ_{ｒｅｃｅｉｖｅｄ}，δ｜λ_１）であるという仮定に基づいており、ここで、δは最良経路である。すべてのステップで、１つの経路のみが格納され、残りは破棄される。最適状態シーケンスは、バックトラッキングにより再構築できる。

観測される音響放射信号の推定値は、１つまたは複数の音響モデルに対して高くなる可能性がある。例えば、スラグ流および低砂量の両方の音響モデルで確率値が高い場合は、砂の含量が低い状態で多相流がスラッギングしていることを表す。したがって、デコーダ出力から流動様式、流速範囲、および砂量等の重要な流動パラメータを求めることができる。

実際のダウンホールまたは表面状態での計測におけるランダムノイズおよび変動の影響を軽減するために、トレーニング条件と認識条件との不一致を減らす必要がある。これは、実際のフィールドデータをトレーニングデータとして使用することにより実現できる。また音響モデル（隠れマルコフモデルパラメータ）は、特定の計測条件により最適化できる。さらに、雑音スペクトル特性は音響放射の雑音スペクトル特性より定常的と予想されるため、スペクトル領域でスペクトル減算を適用すると雑音を補正（ｃｏｍｐｅｎｓａｔｅ）できる。

ステップ９２で最も確率の高い音響モデルが決定されると、その結果は、ステップ９４で測定結果３４（図１および図２）として利用可能になる。

［人工ニューラルネットワークを使用する音響モデリング］
図８は、本発明による多相流モデリングの別の実施形態を示し、人工ニューラルネットワーク（ＡＮＮ）で多相流モデルが構築する。人工ニューラルネットワークすなわちＡＮＮモジュール１００は、モジュールＰで信号前処理およびアナログ−デジタル変換した後、デジタル入力信号を受け取り、図２で説明のフロントエンドモジュール４０で特徴計算を行う。

以下で説明するように、ＡＮＮモジュール１００は、多数の簡易処理ニューロン状の処理要素（ノード）を好適に含む。すなわち、処理要素（ノード）間に多数の重み付き接続を好適に含む。ＡＮＮモジュール１００はまた、人工ニューラルネットワーク方法に従い、この接続を介して知識の分散表示を取得する。ここで知識は、学習処理を介してモジュール１００のネットワークで取得される。

図８に示す本発明による人工ニューラルネットワークに基づく多相流計測は、バックプロパゲーション（誤差逆伝播）アルゴリズムと共に使用して学習させる多層フィードフォワードニューラルネットワークであることが好ましい。

人工ニューラルネットワークモジュール１００のより詳細な構造を図９に示す。入力層に適切な数のノード１０２を設ける。ノード数は、特徴ベクトルの数や各ベクトルの長さにより異なる。信号セグメントの特徴ベクトル１０４は、上述した図５の手順で計算する。人工ニューラルネットワークモジュール１００には、適切な数の出力ノード１０６（図９）も設ける。出力ノードの数は、多相流のモデルに構築する流れタイプやパラメータの数により決定する。隠れ層にも適切な数のノード１０８を設ける。ノード１０８の数は、入力ノード１０２および出力ノード１０６の数により異なる。隠れ層ノードは、非線形シグモイド活性化関数ニューロンの形をとる。

人工ニューラルネットワークモジュール１００は、メモリ３８に格納した大量のトレーニングデータセットとバックプロパゲーションアルゴリズムを使用してトレーニングされる。トレーニングデータセットは、各流れタイプに対して５０個以上の音響放射信号を含むべきである。人工ニューラルネットワーク１００がトレーニングされると、隠れマルコフモデルで説明したのと同じ手順で多相流計測に使用できる。

［人工ニューラルネットワークの構築］
フローチャートＮ（図１０）は、多相流計測および砂検出のための人工ニューラルネットワークを構築する方法論を概略的に示す。ステップ１１０では、各５〜１０秒の特定の流れを表す少なくとも５０の音響放射信号からなるトレーニングセットを記録する。記録した音響放射信号は、ラボラトリ流れループおよび／または実際のフィールドデータから取得できる。目的用途に応じて表面またはダウンホール条件から取得したデータを使用できる。

ステップ１１２に示すように、適切な時間長のセグメントに信号を分割する。ステップ１１４では、ステップ５４で説明した手順で各トレーニング信号に対して特徴ベクトルを計算する。ステップ１１６では、ステップ１１４で得た特徴ベクトルを人工ニューラルネットワークモジュール１００に提供する。

人工ニューラルネットワークが作成されると、好ましくは適切なバックプロパゲーションアルゴリズムを用いて、ステップ１１８の一部としてトレーニングされる。そのようなモジュール１００のバックプロパゲーションアルゴリズムの例は、「ＰａｒａｌｌｅｌＤｉｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓｓｉｎｇ：ＥｘｐｌｏｒａｔｉｏｎｓｉｎｔｈｅＭｉｃｒｏｓｔｒｕｃｔｕｒｅｏｆＣｏｇｎｉｔｉｏｎ」（ＲｕｍｅｌｈａｒｔａｎｄＭｃＣｌｅｌｌａｎｄ、１９８６）に含まれる。ステップ１１８で、トレーニング信号から算出した特徴ベクトル１０４もトレーニング入力として提供し、対応する流れタイプを出力として人工ニューラルネットワーク（教師あり学習）に提示する。各流れタイプに対してトレーニングセットを使用して本処理を繰り返す。より詳細な記述は、Ａｌｐａｙｄｉｎ，Ｅｔｈｅｍ，「ＩｎｔｒｏｄｕｃｔｉｏｎｔｏＭａｃｈｉｎｅＬｅａｒｎｉｎｇ」（２ｎｄｅｄ．）．Ｃａｍｂｒｉｄｇｅ，Ｍａｓｓ．：ＭＩＴＰｒｅｓｓ，２０１０で確認できる。

バックプロパゲーションアルゴリズムはその名の通り、エラーが出力ノードから入力ノードへと逆方向に伝播する。技術的に言えば、バックプロパゲーションは、ネットワークの修正可能な重みに関して、ネットワークエラーの勾配を計算する。

［人工ニューラルネットワークモデリングによる計測］
人工ニューラルネットワークモデリングによる計測では、音響放射トランスデューサが作動し、パイプまたは導管２２の計測対象の炭化水素／水混合物の多相流から多相流音響放射信号を受信する。音響放射信号は、上述したように、ハードウェアフロントエンドモジュールＰで予め増幅し、フィルタリングし、デジタル信号に変換する。

次いで、モジュールＰからのデジタル信号は、多相計測ソフトウェアモジュール３２が受信または収集する。デジタル信号の処理を図１０に概略的に示す。ステップ１１２に示すように、ソフトウェアフロントエンド４０は、信号を分割またはセグメント化し、各セグメントに対する特徴ベクトルを計算する。

ステップ１１６に示すように、音響放射信号の一連の代表的な特徴ベクトルが、入力として、データストレージまたはメモリから人工ニューラルネットワークモジュール１００に送信される。ステップ１１８で人工ニューラルネットワーク処理を実行し、計測結果および流動パラメータを決定する。ステップ１２０で計測結果の出力が形成され、出力ノード１０６から表示分析および評価が可能になる。計測結果はデータメモリに格納され、さらなる使用および分析に用いることができる。

［位相感知検出フロントエンド］
図１に示す装置Ａは、フィルタ２８で一定量のプレフィルタリングを行うが、完全な多相流音響放射の広帯域測定を使用し記述する。このため、音響放射スペクトルが高レベルの信号対雑音比を有する状況では、高Ｑ測定を含める必要があり得る。このことは、以下により実行できる。すなわち、
（ａ）単一のロックインアンプチャネルであって、チューニング可能な高Ｑフィルタを有し、測定した電圧レベルがフィルタの中間点周波数でのノイズの振幅を表すロックインアンプチャネル、または
（ｂ）複数のロックインアンプの配列であって、各々が異なる周波数に同調され、各々がフィルタの中間点周波数での音の振幅に対応するＤＣ電圧を出力するロックインアンプの配列、
により実行できる。

両方の場合で、ロックインアンプのフロントエンドからの出力が、時間依存性多相流音響放射のフーリエ変換の量子化近似となる。量子化近似は音スペクトルとして補間や直接処理が可能で、逆フーリエ変換を実行して時間依存挙動を再構成したり、または単に直接処理したりできる。

トレーニング位相の間、ロックインアンプフィルタの固定周波数を音スペクトル内の関連周波数に調整し、信号回復を最大化し、ノイズおよび反響などの他のメカニズムを最小限にできる。

ロックインアンプは、標準の集積回路部品を使用して組み立てることができる。有限または無限インパルス応答フィルタを使用するフロントエンドデジタル信号処理を介するか、または調整可能なアナログフィルタを介して、可変周波数フィルタを実現できる。

隠れマルコフモデルまたは人工ニューラルネットワークに基づく計測を用いると、プロセッサＤとして働くＰＣ／ＤＳＰに信号処理およびパターン認識技術を実装するので、システムのハードウェアアーキテクチャに影響を与えないことに留意されたい。したがって、本発明による多相流計測は、以下の３つの可能な構成を有することができる。
（ａ）隠れマルコフモデルに基づく音響モデリングに基づく多相計測システム、
（ｂ）人工ニューラルネットワークに基づく音響モデリングに基づく多相計測システム、又は
（ｃ）隠れマルコフモデルおよび人工ニューラルネットワークに基づく音響モデリングの両方に基づく多相計測システム。

本システムのさらなる実施形態で装置Ｍは、データの精度向上のため、１つまたは複数のセンサ測定（差圧測定を含む）と統合できる。装置Ｍは無線通信モジュールと統合し、以下の機能を可能にする。
（ａ）表面または坑口付近用途の場合、中央位置（ｃｅｎｔｒａｌｌｏｃａｔｉｏｎ）にデータを送信し、遠隔操作を可能にする、又は
（ｂ）ダウンホール用途の場合、表面または坑口にデータを送信する。

したがって、本発明は、海上または陸上のトップサイドとしての表面用途、および恒久的または回収可能システムの一部として展開可能なダウンホールに設置可能な多相流計測ソリューションを提供する。本システム特性により、計測システムをコンパクトにパッケージングできる。

したがって、本発明は、高度な信号処理技術および自動学習手順を使用して、多相流の音響変化を統計的にモデル化し、正確な多相計測を可能にする、異なるアプローチを利用する。本発明は、音響放射に基づいており、弾性エネルギーの放出は、多相流から生じる炭化水素油およびガス、水、ならびに砂の混合物の流れの表面内および／または表面上で生じる。

本発明は、低コスト、非放射性、超低電力、および小型である。本発明は、パイプ壁の貫通を必要とせず、したがって流れを妨げない点で、侵入型ではない。本発明はまた、流体および／またはパイプ壁を通過するように生成される音響または無線周波数（ＲＦ）励起信号を必要としない。本発明は、当該事項の平均的な知識を有する者が、本明細書において本発明で言及された結果を再現し得ることができるように十分に記載されているが、本明細書の発明の主題である技術分野の当業者は、本明細書での要求において記載されない変更を実行し、これらの変更を、決定された構造に、またはその製造処理において、適用することができ、添付の特許請求の範囲においてクレームされた事項を必要とし、そのような構造は、本発明の範囲内に包含されるものとする。

添付の特許請求の範囲に記載された本発明の精神または範囲から逸脱することなく、上記で詳細に説明した本発明の改善および修正が可能であることに留意されたい。

Claims

流れ導管内の流体の多相流の流動パラメータを決定する装置であって、
（ａ）前記流れ導管内の前記多相流から音響放射を感知するトランスデューサと、
（ｂ）前記感知した音響放射をデジタル音響放射信号に変換するコンバータと、
（ｃ）前記流れ導管内の流動様式データの音響モデルのデータベースを格納しているデータメモリを備えるコンピュータと、を備え、
（ｄ）前記コンピュータが、前記多相流の前記流動パラメータの音響モデルを決定するために前記デジタル音響放射信号および前記流動様式データの前記音響モデルから前記流動パラメータの測定値を形成するためのプロセッサをさらに備え、前記プロセッサが、
（１）前記感知された音響放射信号を一連のデジタル音響放射セグメントに分割し、
（２）前記一連のデジタル音響放射セグメントの前記デジタル音響放射セグメントに対する、前記多相流の音響特性を表す特徴ベクトルを決定し、
（３）前記多相流の流動パラメータのモデルを決定するために前記特徴ベクトルを処理する、
コンピュータ実施ステップを実行するものである、
装置。
前記データメモリが音響モデルの前記データベースに実際の多相流条件のデータベースを格納するものであり、随意に、
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する際に前記プロセッサが前記データベースから入力として実際の多相流条件データを受信する、請求項１に記載の装置。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する際に前記プロセッサが隠れマルコフモデリングまたは人工ニューラルネットワークモデリングを実行する、請求項１に記載の装置。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する際に前記プロセッサが、
前記一連のデジタル音響セグメントに対する前記決定された流れベクトルおよび前記流れ導管内の流動様式データの前記格納された音響モデルに基づいて前記多相流の流動パラメータのモデルを決定するステップを実行し、随意に、
流動パラメータのモデルを決定する際に前記プロセッサが、前記一連のデジタル音響セグメントに対する前記決定された流れベクトルおよび前記流れ導管内の流動様式データの前記格納された音響モデルに基づいて、前記多相流の流動パラメータの最も確度の高いモデルを決定する、請求項１に記載の装置。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する際に前記プロセッサが、
（ａ）人工ニューラルネットワーク処理のために入力状態として前記特徴ベクトルを受信するステップと、
（ｂ）多相流の前記モデルの流動パラメータを決定するために前記入力状態に基づいて前記人工ニューラルネットワーク処理を実行するステップと、
（ｃ）多相流の前記モデルの前記決定された流動パラメータを出力状態として提供するステップと、
を実行する、請求項１に記載の装置。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する際に前記プロセッサが、隠れマルコフモデリングおよび人工ニューラルネットワークモデリングを実行し、および／または、
前記プロセッサがさらに、前記特徴ベクトル処理する前記ステップを実行するためにトレーニングモデルを形成し、随意に、
前記プロセッサがさらに、前記形成されたトレーニングモデルを前記メモリに格納する、請求項１に記載の装置。
前記プロセッサがさらに、前記多相流の流動パラメータの前記決定されたモデルを、表示のため提供する、請求項１に記載の装置。
コンピュータのプロセッサを用いて、流れ導管における流体の多相流の流動パラメータを、前記多相流からの音響放射および前記コンピュータのデータベースに格納された前記導管における流動様式データの音響モデルに基づいて決定するコンピュータ実施方法であって、
（ａ）前記音響放射信号を一連のデジタル音響放射セグメントに分割するステップと、
（ｂ）前記一連のデジタル音響放射セグメントの各々に対する、前記多相流の音響特性を表す特徴ベクトルを決定するステップと、
（ｃ）前記多相流の流動パラメータのモデルを決定するために前記特徴ベクトルを処理するステップと、
を備える、コンピュータ実施方法。
前記コンピュータのデータメモリが、実際の多相流条件のデータベースを格納し、流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、前記データベースから実際の多相流条件データに基づいて実行される、請求項８に記載のコンピュータ実施方法。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、隠れマルコフモデリングまたは人工ニューラルネットワークモデリングを備える、請求項８に記載のコンピュータ実施方法。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、
前記一連のデジタル音響セグメントに対する前記決定された流れベクトルおよび前記流れ導管内の流動様式データの前記格納された音響モデルに基づいて前記多相流の流動パラメータのモデルを決定するステップを備え、および／または、
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、
前記一連のデジタル音響セグメントに対する前記決定された流れベクトルおよび前記流れ導管内の流動様式データの前記格納された音響モデルに基づいて前記多相流の流動パラメータの最も確度の高いモデルを決定するステップを備える、請求項８に記載のコンピュータ実施方法。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、
（ａ）人工ニューラルネットワーク処理のために入力状態として前記特徴ベクトルを受信するステップと、
（ｂ）多相流の前記モデルの流動パラメータを決定するために前記入力状態に基づいて前記人工ニューラルネットワーク処理を実行するステップと、
（ｃ）多相流の前記モデルの前記決定された流動パラメータを出力状態として提供するステップと、
を備える、請求項８に記載のコンピュータ実施方法。
流動パラメータのモデルを決定するために前記特徴ベクトルを処理する前記ステップが、隠れマルコフモデリングおよび人工ニューラルネットワークモデリングを備え、および／または、
前記特徴ベクトルを処理する前記ステップを実行するためにトレーニングモデルを形成する前記ステップをさらに含み、および／または、
前記形成されたトレーニングモデルを前記コンピュータの前記メモリに格納する前記ステップをさらに含み、および／または、
前記多相流の流動パラメータの前記決定されたモデルを、表示のため提供する前記ステップをさらに含む、請求項８に記載のコンピュータ実施方法。
流れ導管における流体の多相流の流動パラメータを、前記多相流からの音響放射に基づいて決定するデータ処理システムであって、
（ａ）前記流れ導管内の流動様式データの音響モデルのデータベースを格納するデータメモリと、
（ｂ）請求項８〜１３の何れかに記載のコンピュータ実施方法を実行するプロセッサと、を備えたデータ処理システム。
データ処理システムに、前記データ処理システムのプロセッサにおいて、流れ導管における流体の多相流の流動パラメータを、前記多相流からの音響放射および前記コンピュータのデータベースに格納された前記導管における流動様式データの音響モデルに基づいて、判断させるためのコンピュータ動作可能命令を、非一時的コンピュータ読込み可能媒体に格納したデータストレージデバイスであって、前記データストレージデバイスに格納された前記命令が、前記データ処理システムのプロセッサに請求項８〜１３の何れかに記載のコンピュータ実施方法を実行させるデータストレージデバイス。