WO2022119478A1 - Расходомер на основе трубки вентури для измерения многофазного флюида - Google Patents

Расходомер на основе трубки вентури для измерения многофазного флюида Download PDF

Info

Publication number
WO2022119478A1
WO2022119478A1 PCT/RU2021/050410 RU2021050410W WO2022119478A1 WO 2022119478 A1 WO2022119478 A1 WO 2022119478A1 RU 2021050410 W RU2021050410 W RU 2021050410W WO 2022119478 A1 WO2022119478 A1 WO 2022119478A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
neural network
flow meter
flow
calibration
Prior art date
Application number
PCT/RU2021/050410
Other languages
English (en)
French (fr)
Inventor
Константин Васильевич РЫМАРЕНКО
Сергей Александрович ТИТОВ
Марат Тохтарович НУХАЕВ
Сергей Вячеславович ГРИЩЕНКО
Александр Васильевич ЗАЙЦЕВ
Галымжан Тлеубекович АЙТКАЛИЕВ
Original Assignee
Общество С Ограниченной Ответственностью "Геопрохим"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from RU2020139490A external-priority patent/RU2020139490A/ru
Application filed by Общество С Ограниченной Ответственностью "Геопрохим" filed Critical Общество С Ограниченной Ответственностью "Геопрохим"
Publication of WO2022119478A1 publication Critical patent/WO2022119478A1/ru

Links

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
    • E21B47/10—Locating fluid leaks, intrusions or movements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/05—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using mechanical effects
    • G01F1/34—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using mechanical effects by measuring pressure or differential pressure
    • G01F1/36—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using mechanical effects by measuring pressure or differential pressure the pressure or differential pressure being created by the use of flow constriction
    • G01F1/40—Details of construction of the flow constriction devices
    • G01F1/44—Venturi tubes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion

Definitions

  • the invention relates to the measurement of the flow rate of a well fluid, which is usually a multi-phase mixture, including oil, water and gas.
  • a well fluid which is usually a multi-phase mixture, including oil, water and gas.
  • the invention relates to a method for measuring multi-phase flow using a Venturi flow meter and a gamma density meter.
  • Multiphase flowmeters of the second type (more portable) usually use a radioactive source in combination with a detector of the intensity of radiation transmitted through the flow (to measure the attenuation coefficient of gamma radiation), as well as in combination with various sensors (differential pressure sensor), which are placed on venturi tube.
  • US6405604 describes a multi-phase flow meter that includes a venturi tube and a dual-energy gamma phase meter. Variants of such a flow meter (trademarked VxPhaseWatcher) are also described in US6389908, US7105805, US7240568 (Schlumberger Technology Corporation, USA).
  • the disadvantage of such multiphase flowmeters is the need to permanently place a highly active source of gamma radiation (for example, Gd-151 or Ba-131 isotopes).
  • the existing rules and regulations for working with radioactive sources limit the wide use of such multiphase flowmeters using a Venturi tube and a radioactive (“nuclear”) unit for measuring the composition of phases.
  • a close prototype of the invention is a method of using a multiphase flow meter (MPF) for a well pad, described in patent RU2477790 (Schlumberger Technology Company).
  • MPF multiphase flow meter
  • the disadvantage of the described method is the low statistics for calibrating a multiphase flow meter (high statistical error) when a PhaseWatcher type flow meter is used with a low-level source of gamma radiation.
  • Flow identification regime and volume fraction prediction in multiphase flows by means of gamma-ray attenuation and artificial neural networks (Progress in Nuclear Energy 52(6), pp.555-562, August 2010) considers the problem of identifying flow regimes using an artificial neural network (ANN - artificial neural network). network).
  • the method analyzes the distributions of the amplitude of gamma radiation pulses, and two Na(I) gamma radiation detectors are installed on the flow meter to detect transmitted and scattered gamma radiation.
  • the system uses four neural networks ANN, which are trained using complete simulation of multiphase flow regimes, and a complete computer simulation of the Venturi tube itself, two radiation sensors, a detector and the surrounding structure is carried out (the passage and scattering of gamma rays is simulated). This way of predicting multiphase flow is not applicable to standard multiphase flowmeters available on the market.
  • a multiphase flow meter that provides measurements of the volumetric flow rate of the phases of the produced well fluid in two working options: these are high-precision measurements in the presence of a calibration unit as part of the flow meter (a unit with a source and a gamma radiation detector), which alternate with measurements in monitoring" option (in the absence of a calibration block in the source and detector of gamma radiation).
  • the remote block-calibrator is temporarily used on similar devices at neighboring wells and locations, which creates advantages in the work of the operator of the well cluster.
  • a flow meter based on a Venturi tube for measuring a multiphase fluid including a Venturi tube with a differential pressure sensor, a pressure sensor, a temperature sensor, a calibration unit, a basic unit for calculating the volume flow rates of fluid phases, an artificial neural network unit, at production or test oil wells, and the calibration block is removable and the flowmeter operates in full configuration mode with a calibration block or in monitoring configuration mode without a calibration block under the control of an artificial neural network block.
  • An artificial neural network includes an input layer, a hidden layer, and an output layer of nodes.
  • a method for measuring the flow rate of three-phase fluid phases using a flowmeter based on a Venturi tube for measuring a multi-phase fluid including a Venturi tube with a differential pressure sensor, a pressure sensor, a temperature sensor, a removable calibration unit, a base unit, an artificial neural network unit, and the calibration unit is removable , and the flow meter without a removable calibration unit operates under the control of an artificial neural network unit
  • Fig.1 in Fig. 1a - the first longitudinal section of the Venturi tube with a socket for attaching the calibration unit; in fig. 1b is the second longitudinal section of the Venturi tube with pressure and temperature sensors; in fig. 2 - conditional diagram of the device with a calibration unit and ANN training; in fig. 3 is a diagram of a device that works without a calibration unit.
  • This application describes a flow meter based on a Venturi tube and a method for determining the mass flow rate of a multi-phase fluid (oil, gas, water) using a flow meter based on a Venturi tube.
  • a multi-phase flow meter For a multi-phase fluid flow from an oil well, including gas, as well as a liquid phase (represented by a mixture of water and oil in various proportions), a multi-phase flow meter is used to determine parameters important for well operation and making decisions about well operation: volumetric flow rates for oil, water , and gas, as well as such parameters as water cut (mass fraction of water in liquid) and liquid holdup, which is defined as the proportion of the pipe cross-sectional area occupied by the flowing liquid.
  • volumetric flow rates for oil, water , and gas as well as such parameters as water cut (mass fraction of water in liquid) and liquid holdup, which is defined as the proportion of the pipe cross-sectional area occupied by the flowing liquid.
  • water cut mass fraction of water in liquid
  • liquid holdup which is defined as the proportion of the pipe cross-sectional area occupied by the flowing liquid.
  • the Venturi tube works on the phenomenon of pressure reduction in the flow of liquid (or gas) at the narrowed section of the pipe (throat), which, in turn, is a direct consequence of the action of Bernoulli's law.
  • Standard Venturi tube (see figure 1) consists of an inlet cone confuser, neck, and diffuser.
  • the venturi differential pressure transmitter is configured to measure the pressure difference (DP) between the venturi throat and the main downstream (or upstream) pipe.
  • DP pressure difference
  • the differential pressure across the Venturi tube depends linearly on the fluid velocity with constant density (according to Bernoulli's law).
  • the phase velocities may differ, and therefore, to calculate the flow rate of individual phases, additional parameters are required, such as the density of the multi-phase mixture.
  • the pressure loss is about 5%, and the measurement error is in the range of 2 - 5%.
  • processor means a unit for processing data and transferring them for further processing or output to an interface. It can be an ordinary personal computer with an input-output interface, or a computer board, or a ROM with a given program.
  • the gamma source may be a radioisotope source (with a spectrum having a convenient arrangement of intense peaks, such as the Ba-133 or Gd-151 radioisotopes, which also have a long half-life).
  • radioisotopes provide at least two narrow and intense gamma-ray peaks in the 5-150 keV range, which are attenuated as they pass through the throat of the venturi.
  • the lower energy gamma ray line is commonly used for calibration and determination of the proportion of water in the fluid, since the attenuation coefficient shows a marked contrast for water and oil, which have differences in density.
  • ionizing radiation can be used as a source of penetrating radiation, for example, portable and reliable X-ray tubes, which also provide narrow radiation peaks in the range of several keV.
  • portable and reliable X-ray tubes which also provide narrow radiation peaks in the range of several keV.
  • the concepts of gamma radiation and x-ray radiation are interchangeable, since the boundary between them is only conditional and is not essential for the implementation of the invention.
  • FIG. 1a shows the first longitudinal section of the Venturi tube 1 with a socket for attaching a calibration unit (a gamma unit with a processor for calculating the phase composition).
  • FIG. 1b shows the second longitudinal section of the Venturi tube 1 with a set of sensors 3 on the Venturi tube: a differential pressure sensor, pressure sensors, a flow temperature sensor inside the Venturi tube.
  • P and T data are used to calculate the gas density pg at current conditions and the gas flow rate Qg at normal pressure and temperature conditions.
  • FIG. 1a and 1b conventionally show the flow direction 2 of a multiphase flow (in the case of calibration, the direction of a single-phase flow).
  • FIG. Figure 2 shows the operation of a multiphase flow meter based on Venturi tube 1 (a flow meter in a complete assembly, including a calibration unit).
  • the flow of fluid 2 passes through the venturi 1 and at the same time register the pressure drop across the venturi using a differential pressure sensor (between selected points in the tube).
  • a pressure sensor and a temperature sensor are also installed on the Venturi tube 1.
  • the operator also sets the geometric parameters of the Venturi tube: the diameter of the neck and the effective diameter of the main (supply) channel. These dimensions are needed to calculate the attenuation coefficients of gamma radiation in the calibration unit 10.
  • the current parameters are recalculated (measured pressure and temperature) to the standard (or normal) conditions required by the operator to estimate the flow rate from the well.
  • Calibration unit 10 (three-phase flow phase composition meter) includes a gamma radiation source (with at least two intense gamma radiation peaks) aligned coaxially with a detector on the opposite side of the Venturi tube for detecting gamma (or X-ray) rays in specified energy windows corresponding to the main energy lines of the source.
  • the calibration unit 10 is also equipped with a processor that calculates the attenuation of each gamma ray peak in given energy windows when gamma radiation passes through radio-transparent protective windows (not shown) and the measured multiphase flow 2; the calibration unit transmits this data to the main unit 20.
  • the main unit 20 passes these basic parameters to the artificial neural network unit (ANN unit) 30 to perform the network training process.
  • ANN unit artificial neural network unit
  • Calibration unit 10 includes means of fastening to Venturi tube 1, means of communication with base unit 20. Calibration unit 10 is mounted in a removable manner on Venturi tube 1 and ensures the passage of ionizing (gamma) radiation through radio-transparent windows on the Venturi tube and measurement of attenuation (scattering) factors radiation in the selected energy windows.
  • the calibration block 10 is implemented as a separate removable device that can be removed and moved to another similar flow meter with identical dimensions of the calibration block seat. This allows you to repeat the fluid composition calibration on another multiphase flow meter for a different flow.
  • the procedure for measuring fluid flow using a complete flow meter includes the following steps: connecting the flow meter to a pipe, calibrating on an empty pipe (accumulation of the number of registered events of gamma radiation from a radioactive source in each of the energy windows), calibrating the device on gas , calibration on water (water with a composition close to well water), and calibration on an oil product. Further, with the available calibrations, flow measurements are carried out for all three phases of the flow.
  • the use of the Ba-133 radioisotope (provides energy windows around 32 keV, 81 keV, 356 keV) is discussed below as a non-limiting example.
  • the attenuation factor is calculated, which depends linearly on the density of the phase (gas, water, oil) and the length of the path of gamma radiation in the medium (this is the given diameter of the neck of the Venturi tube).
  • the data link between the blocks in FIG. 2 is carried out as follows.
  • the solid arrow from the sensor unit 3 to the base unit 20 indicates the transmission of analog signals.
  • the remaining arrows indicate the transmission of digital data through serial interfaces using protocols that allow you to receive a lot of data on demand (for example, Modbus); while requests are transmitted in the direction against the dotted arrows.
  • Data in the direction from the ANN block 30 to the base block 20 is transmitted only at the moment of transferring the parameters of the trained neural network before turning off the calibration block 10.
  • an information conversion block 40 can also be used. remote receiver of data from the flow meter, visualize the data and the state of the flow meter.
  • the base unit 20 has the function of calculating the mass flow rates for each phase of the flow (Qo, Qw, Qg) based on the data from the Venturi tube 1, the calibration unit 10, and also additional data from external sources 21.
  • various physical measurements pressure, temperature
  • the operating parameters of the lift system pressure/temperature at the inlet/outlet of the pump, frequency, current consumed by the pump, mass flow rate of the well fluid
  • pre-acquired well data is introduced as external data for multiphase measurements, which can be considered unchanged over the measurement period.
  • the water cut of the produced mixture changes little, and you can enter these data as a constant obtained by averaging the history of production in a given well.
  • These are the results of field geophysical studies of wells or the results of hydro / gas dynamic studies of wells.
  • a priori operational data on reservoir productivity, water cut, gas/condensate ratio can also be entered into the artificial neural network block (that is, constants can be introduced to describe the composition of the multiphase flow).
  • Data from external sensors 21 is stored in the block of artificial neural network 30 (the block performs training of the neural network, verification and output of data on the phase composition of the fluid) for the period of operation of the multiphase flow meter in the complete assembly.
  • Full assembly mode means more direct (and more accurate) phase flow measurements than monitoring mode.
  • the artificial neural network 30 current data on the measured phase compositions are entered: the trained artificial neural network allows you to establish a connection between the measured phase flows (water, oil, gas flow) and the set of “external parameters” selected for training at the well, this data set is received from a set of additional sensors 21 on the well (downhole, at the mouth) or/and on the pipes (except sensors 3 for pressure, temperature and differential pressure on the Venturi tube).
  • the operator performs pre-running measurements with a fully assembled multiphase flowmeter (with calibration block) for significantly different well operating parameters that correspond to different flow regimes (different sets of phase compositions of the fluid flow).
  • a fully assembled multiphase flowmeter with calibration block
  • a person skilled in the art will be aware of various techniques that allow the mode of multiphase flow to be changed. This can be partial opening/closing of valves on pipes and in cased string, changing the power of submersible pumps, installing filters and orifices in the well and pipelines (downstream of the flowmeter). Regular work on the well usually requires turning on/stopping various downhole and peripheral equipment, so the learning process for the artificial neural network block 30 occurs in the natural process of well operation and does not require additional activities.
  • the INS unit 30 of the system operates in the learning mode and does not directly affect the procedure for calculating the flow rates for oil, water and gas, which are calculated in the base unit 20, as is usually the case in flow meters equipped with gamma - a block for measuring the phase composition.
  • the operation of the multiphase flow meter in the monitoring version of the assembly proceeds as described below.
  • the calibration unit 10 is removed from the seats on the Venturi tube 1 (it is possible to do this without stopping the current flow measurements).
  • the calibration unit 10 can be moved to other similar flowmeters with a venturi and an identical housing, allowing one certified operator to use one calibration unit 10 and service multiple flowmeters in a well cluster.
  • the base unit 20 does not receive calibration data from the calibration unit 10.
  • the base unit 20 receives a signal from the Venturi tube 1 about a new mode of operation (monitoring) and switches the INS unit 30 to the "adjustment" mode, as a result of which the base unit 20 receives from the unit INS 30 is a set of calibration data (on the phase composition al, a2, a3) from the already accumulated data (values in the output nodes of the INS).
  • the multiphase flow 2 flows through the venturi 1 with the appropriate sensors, and the removable calibration unit 10 is removed to make measurements of the composition of the flow on another similar device.
  • the main processor 20 does not receive data from the calibration unit 10, but continues to receive data from external sensors 21.
  • the input parameters for calculating the flow on the main unit 20 are not fixed at a constant level, as is done in flow meters available on the market, but can be recalculated from taking into account current changes in the well, which are determined by a set of external sensors 21.
  • Algorithms for taking into account the readings of external sensors 21 may be different. This can be a simple algorithm for linear approximation of the fluid composition with readings from external sensors. This can be a machine learning algorithm that sets the probabilities of different flow regimes (phase flow intervals) with a set of external sensors 21 (accumulated history of sensors and phase composition of the flow) and sensors 3 on the Venturi tube 1.
  • Typical neural network for the purposes of this invention has an architecture that includes an input layer (input nodes), a hidden layer and an output layer.
  • Fig. 3 illustrates an exemplary artificial neural network configuration according to one aspect of the present invention.
  • neural network (ANN) 30 includes an input layer 31 that receives input data such as data from external sensors 21 and settings from base unit 20.
  • Input layer 31 may have w nodes.
  • the neural network 30 includes a hidden layer 33.
  • the number of hidden layers is not limited to one and may be more to obtain different architectures required for a given application.
  • each hidden layer can have a number of nodes p, where p is at least one.
  • the neural network 30 further includes an output layer 34 that provides output data after processing performed by the hidden layer 33 on the input data received from the input layer 31.
  • the output layer 34 may have 3 nodes, the numbers in which describe the current phase composition (mixture calibration at this moment).
  • any number of nodes in any given layer of neural network 30 may be connected to one or more nodes in another layer of neural network 30.
  • each node in input layer 31 is connected to each node in hidden layer 33 and each node in hidden layer 34 is connected to an output node in output layer 34.
  • neural network 30 may include a feed-forward network, in which case there are no feedbacks in which the output of the network is fed back to the network.
  • neural network 30 may include a recurrent neural network, which may have loops that allow information to be passed back to the inputs of nodes that have already changed activation. Nodes can exchange information through inter-node connections (links) between different layers. The nodes of the input layer 31 can activate a group of nodes in the hidden layer 33.
  • the nodes of the hidden layer 34 can transform the information from the input nodes by applying activation functions to it.
  • the information resulting from the transformation can then be transmitted and can activate the nodes of the next
  • the neural network 30 has more than one hidden layer, then the information resulting from the transformation can then be passed to the nodes of the next layer and activate them, and they, in turn, can perform their own functions.
  • Function examples convolution, upscaling/downscaling, non-linear data transformation, and/or any other suitable functions.
  • Each connection between nodes may have a weight, which is a member of the set of parameters obtained from training the neural network 30.
  • the connection between nodes may represent a piece of information learned about the connected nodes.
  • the connection can have a numerical weight that can be tuned (eg, based on a set of training data) that allows the neural network 30 to adapt to the input data and learn as it processes more data.
  • Neural network 30 may be pre-trained to process features from data at input layer 31 using hidden layer 304 to provide output through output layer 34.
  • neural network 30 may adjust the node weights using a learning technique called backpropagation.
  • Error backpropagation can include forward pass, loss function, back pass, and weight update. All these steps are performed at each training iteration. The process may be repeated for a certain number of iterations for each set of training data until the neural network 30 is trained so that the layer weights are fine tuned.
  • a loss function can be used to analyze output errors. Any suitable form of the loss function may be used.
  • the value of the loss function (error) can be high for the original training data because the actual values will differ from the predicted output.
  • the goal of training the network is to minimize the error so that the predicted result is the same as the training mark (the correct value of the ANN output known in advance).
  • Neural network 30 can backtrack by determining which weights contributed the most to the network error and adjust them so that the error is reduced and ultimately minimized.
  • the derivative of the error with respect to the weights can be computed to determine the weights that contributed the most to network loss. After calculating the derivative you can update the weights by updating the filter weights. For example, the weights can be updated to change in the opposite direction of the gradient.
  • the learning rate can be any suitable value, with a high learning rate leading to larger weight updates and a slower learning rate leading to smaller weight updates.
  • the ANN block 30 training of the ANN with multiple changes in the flow regime (with preliminary filtering of the input data, then verification of the ANN on a quasi-stationary flow regime, and then transmission of the data of the output nodes to the base block 20 to correct the phase composition of the fluid.
  • the ANN unit transmits new network parameters (weight matrices) to it through the input interface of the base unit. From this point on, the base unit 20 performs calculations for the volumetric flow rates of the flow phases using matrices of weight matrices. Then the ANN unit is turned off, and the base unit 20 does not independently change its settings until the next change using the ANN unit 30.
  • new network parameters weight matrices
  • the flow of the well fluid continued to flow through the flow meter, but at the same time, the INS unit 30 was switched to the “adjustment” mode, and the usual current data (P, T, DR) from the sensors 3 of the Venturi tube and current readings from external sensors 21.
  • the calibration data is now sent to the base unit 10 20 from the INS unit 30 in the "adjustment” mode.
  • the base unit 20 converts the Venturi data into fluid phase volume fractions (al, a2, a3).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geophysics (AREA)
  • Automation & Control Theory (AREA)
  • Measuring Volume Flow (AREA)

Abstract

Изобретение описывает расходомер на основе трубки Вентури для измерения многофазного флюида, включающий трубку Вентури с дифференциальным датчиком давления, датчиком давления, датчиком температуры, блок калибровки, базовый блок для вычисления объемных расходов фаз флюида, блок искусственной нейронной сети, причем блок калибровки является съемным, и расходомер работает в режиме полной конфигурации с блоком калибровки или в мониторинговом режиме конфигурации без блока калибровки под управлением блока искусственной нейронной сети. Это позволяет упростить процедуру измерения дебитов для совокупности скважин на одном кусте скважин..

Description

РАСХОДОМЕР НА ОСНОВЕ ТРУБКИ ВЕНТУРИ ДЛЯ ИЗМЕРЕНИЯ МНОГОФАЗНОГО ФЛЮИДА
Описание
Техническая область
Изобретение относится к измерению дебита скважинного флюида, который обычно представляют собой многофазную смесь, включающую нефть, воду и газ. В частности, изобретение относиться к способу измерения многофазного потока с использованием расходомера на основе трубки Вентури и гамма-плотномером.
Предшествующий уровень техники
Измерение дебита флюида нефтяных скважин оказывается сложной задачей, поскольку такие флюиды обычно содержат три фазы (нефть, вода, природный газ и другие газы), и при этом на этапе эксплуатации или тестирования скважины происходит изменение условий транспортировки флюида (температура, давление, размеры трубопроводы и др.), что требует принятия решений об изменении условий добычи и заканчивания скважины.
В настоящее время в нефтегазовой промышленности использует сложные и дорогие устройства для измерения расхода всех трех компонентов добываемого флюида (нефти, воды, газа); такие приборы известны как многофазные расходомеры. Эти устройства могут работать как с предварительной сепарацией двух или трех фаз, так и без предварительной сепарации. Установки первого типа (сепараторы с отдельным измерением массового расхода каждой фазы) активно применяются в индустрии, но их недостатки (громоздкость, инерционность измерений) ставят ограничения на их использование в полевых условиях (хотя приемлемы для заводских потребностей). Многофазные расходомеры (МФР) второго типа (более портативные) обычно используют радиоактивный источник в сочетании с детектором интенсивности прошедшего через поток излучения (для измерения коэффициента ослабления гамма- излучения), а также в сочетании с различными датчиками (датчик перепада давления), которые размещают на трубке Вентури.
В патенте US6405604 описан многофазный расходомер, который содержит трубку Вентури и двух -энергетический гамма-измеритель фаз. Варианты подобного расходомера (с торговой маркой VxPhaseWatcher) также описаны в патентах US6389908, US7105805, US7240568 (корпорация SchlumbergerTechnologyCorporation, USA). Недостатком таких многофазных расходомеров является необходимость постоянного размещения высокоактивного источника гамма-излучения (например, изотопы Gd-151 или Ва-131). Существующие правила и регламентации работы с радиоактивными источниками ограничивают широкое применение таких многофазных расходомеров с применением трубки Вентури и радиоактивного («ядерного») блока для измерения состава фаз.
Близким прототипом изобретения является способ применения многофазного расходомера (МФР) для куста скважин, описанный в патенте RU2477790 (SchlumbergerTechnologyCompany). Недостатком описанного метода является низкая статистика для калибровки многофазного расходомера (высокая статистическая погрешность) при работе расходомера типа PhaseWatcher при работе с низкоактивным источником гамма-излучения.
Большинство расходомеров имеют недостаточную точность измерения трех фаз, что не позволяет оперативно отслеживать изменения в параметрах добычи каждой отдельной скважины, что снижает ценность и информативность полученных данных о потоке скважинного флюида.
Известно из практики, что резкое изменение параметров дебита в скважине (давление, расход) или запуск/остановка насосов, открытие клапанов может существенно изменить режим течения трехфазного потока через расходомер, поэтому требуется поправка к калибровке этого устройства. Вместе с тем, связь внешних параметров (показания внешних датчиков на скважине и в трубопроводах) с режимом течения является многофакторной задачей, которая может быть решена с использованием алгоритмов машинного обучения или искусственных нейронных связей для совокупности параметров, получаемых в ходе тестирования и эксплуатации скважины (или куста скважин).
Впубликации «Flow regime identification and volume fraction prediction in multiphase flows by means of gamma-ray attenuation and artificial neural networks» (Progress in Nuclear Energy 52(6), pp.555-562, August 2010) рассмотренапроблемаидентификациирежимовтеченияспомощьюискусственнойнейронн ойсети (ANN - artificial neutral network). Способ анализирует распределения амплитуду импульсов гамма-излучения, причем на расходомере установлены два Na(I) детектора гамма-излучения для регистрации прошедшего и рассеянного гамма-излучения. Система использует четыре нейронных сети ANN, которые обучаются с помощью полного моделирования режимов многофазного течения, причем проводится полное компьютерное моделирование самой трубки Вентури, двух датчиков излучения, детектора и окружающей конструкции (моделируется прохождение и рассеяние гамма- лучей). Такой способ прогнозирования многофазного потока не применим к стандартным многофазным расходомерам, доступным на рынке.
Данную статью можно использовать как успешный пример применения ANN для вычислений в области измерения расходов многокомпонентных сред, но сами ANN в нашем случае предлагается использовать иным образом, а именно для приближения недостающих данных от блока калибровки на основе доступных в любой момент времени данных с датчиков, подключенных к базовому блоку. Для такого подхода в использовании актуальны другие структуры ANN, ниже мы их рассмотрим. К алгоритму же вычисления долей фаз из сигналов от детектора данная заявка индифферентна.
Таким образом, существует потребность в многофазном расходомере, который обеспечивает измерения объемного расхода фаз добываемого скважинного флюида в двух рабочих вариантах: это высокоточные измерения при наличии блока калибровки в составе расходомера (блок с источником и детектором гамма-излучения), которые чередуют с измерениями в «мониторинговом» варианте (при отсутствии блока калибровки в источником и детектором гамма-излучения). При этом удаленный блок- калибратор временно используют на аналогичных устройствах на соседних скважинах и локациях, что создает преимущества в работе оператора куста скважин.
Краткое изложение изобретения
Предложено использование на эксплуатационных или тестовых нефтедобывающих скважинах расходомера на основе трубки Вентури для измерения многофазного флюида, включающего трубку Вентури с дифференциальным датчиком давления, датчиком давления, датчиком температуры, блок калибровки, базовый блок для вычисления объемных расходов фаз флюида, блок искусственной нейронной сети, причем блок калибровки является съемным, и расходомер работает в режиме полной конфигурации с блоком калибровки или в мониторинговом режиме конфигурации без блока калибровки под управлением блока искусственной нейронной сети. Искусственная нейронная сеть включает входной слой, скрытый слой и выходной слой узлов. Предложен способ измерения расхода фаз трехфазного флюида с помощью расходомера на основе трубки Вентури для измерения многофазного флюида, включающий трубку Вентури с дифференциальным датчиком давления, датчиком давления, датчиком температуры, съемный блок калибровки, базовый блок, блок искусственной нейронной сети, причем блок калибровки является съемным, и расходомер без съемного блока калибровки работает под управлением блока искусственной нейронной сети
Краткое описание чертежей
Далее изобретение рассмотрено со ссылкой на прилагаемые чертежи, на которых показано:
На Фиг.1 : на фиг. 1а — первое продольное сечение трубки Вентури с гнездом для крепления блока калибровки; на фиг. 1Ь — второе продольное сечение трубки Вентури с датчиками давления и температуры; на фиг. 2 — условная схема устройства с блоком калибровки и обучением ИНС; на фиг. 3 — схема устройства, работающая без блока калибровки.
Данное изобретение не ограничено приведенными вариантами раскрытия изобретения. Напротив, настоящее описание призвано раскрыть все модификации и альтернативы, которые возможны в объеме данного изобретения, определенного в формуле изобретения.
Подробное описание изобретения
В данной заявке описаны расходомер на основе трубки Вентури и способ определения массового расхода многофазного флюида (нефть, газ, вода) с помощью расходомера на основе трубки Вентури.
Для потока многофазного флюида из нефтяной скважины, включающего газ, а также жидкую фазу (представленную смесью воды и нефти в различных пропорциях) многофазный расходомер используют для определения параметров, важных для работы с скважиной и принятия решений об эксплуатации скважины: объемные расходы для нефти, воды, и газа, а также такие параметры как обводненность (массовая доля воды в жидкости) и доля жидкости (liquidholdup), которая определяется как доля площади сечения трубы, занимаемая протекающей жидкостью. В описании изобретения используется понятие трубка Вентури (которое классифицируется как «сужающее устройство» в российских стандартах для расходометрии). Трубка Вентури работает на явлении снижения давления в потоке жидкости (или газа) на суженном участке трубы (горловины), что, в свою очередь, является прямым следствием действия закона Бернулли. Стандартная трубка Вентури (см. фиг.1) состоит из входного конуса конфузора, горловины, и диффузора. Дифференциальный датчик давления на трубке Вентури сконфигурирован таким образом, чтобы измерять разницу давления (ДР) между горловиной трубки Вентури и основной трубой ниже (или выше) по течению. Для однофазного потока (вода, газ) дифференциальное давление на трубке Вентури линейно зависит от скорости флюида с постоянной плотностью (согласно закону Бернулли). Для многофазного потока скорости фаз могут отличаться и поэтому для вычисления расхода отдельных фаз требуются задать дополнительные параметры, такие как плотность многофазной смеси. При использовании обычной трубки Вентури потери напора составляют около 5 %, а погрешность измерения в диапазоне 2 — 5 %.
Если известны плотности для всех компонентов потока, а также давление в жидкости и температура жидкости, то можно определить массовый расход для каждой фазы или индивидуальный объемный расход (Qoil, Qwater, Qgas), как описано в справочнике «FlowMeasurementEngineeringHandbook», Miller, R.W. McGraw-Hill, 1996.
В рамках данного изобретения понятие «процессор» означает блок по переработке данных и их передачи для дальнейшей обработки или вывода на интерфейс. Это может быть обычный персональный компьютер с интерфейсом ввода- вывода или компьютерная плата, или ПЗУ с заданной программой.
В блоке калибровки фазового состава (вычисляются объемные доли нефти, воды и газа - al, a2, a3, соответственно) присутствует источник гамма-излучения с несколькими пиками в измеряемом спектре. В данном изобретении, источник гамма- излучения может быть источником на основе радиоизотопа (со спектром, имеющей удобное расположение интенсивных пиков, например, радиоизотопы Ва-133 или Gd- 151, имеющие к тому же большой период полураспада). Эти радиоизотопы обеспечивают, по меньшей мере, два узких и интенсивных пика гамма-излучения в интервале 5-150 кэВ, которые претерпевают ослабление при прохождении через горловину трубки Вентури. Линия гамма-излучения с более низкой энергией обычно используются для калибровки и определения доли воды во флюиде, поскольку коэффициент ослабления демонстрирует заметный контраст для воды и нефти, имеющие различия в плотности.
В качестве источника проникающего излучения могут использоваться иные источники ионизирующего излучения, например, портативные и надежные трубки рентгеновского излучения, которые также обеспечивают узкие пики излучения в интервале несколько кэВ. В рамках данного изобретения понятия гамма-излучение и рентгеновское излучение являются взаимозаменяемыми, поскольку граница между ними является только условной и не существенна для реализации изобретения.
На фиг. 1а изображено первое продольное сечение трубки Вентури 1 с гнездом для крепления блока калибровки (гамма-блока с процессором для расчета фазового состава). На фиг. 1Ь показано второе продольное сечение трубки Вентури 1 с совокупностью датчиков 3 на трубке Вентури: дифференциальный датчиком давления, датчикам давления, датчик температуры потока внутри трубки Вентури. В частности, данные Р и Т используют для вычисления плотности газа pg в текущих условиях и расхода газа Qg для нормальных условий по давлению и температуре.
На сечениях на фиг. 1а и 1Ь условно показано направление течения 2 многофазного потока (в случае проведения калибровки - направление однофазного потока).
На фиг. 2 показана схема работы многофазного расходомера на основе трубки Вентури 1 (расходомер в полной сборке, включающей блок калибровки). Поток флюида 2 (однофазный или многофазный поток из скважины) проходит через трубку Вентури 1 и при этом регистрируют перепад давления на трубке Вентури с помощью дифференциального датчика давления (между выбранными точками в трубке). На трубке Вентури 1 установлены также датчик давления и датчик температуры. С датчиков 3 ( совокупность трех датчиков) на трубке Вентури 1 сигнал (аналоговый или цифровой) передается на базовый блок 20, который обеспечивает обработку ключевых параметров ДР, Р, Т и вычисляет расходы многофазной (или однофазной) среды (Qo, Qw, Qg) с учетом данных о фазовом составе потока через трубку Вентури (al, a2, a3; при этом сумма объемных долей всех трех фаз al+a2+a3=l). Оператор также задает геометрические параметры трубки Вентури: диаметр горловины и эффективный диаметр основного (подводящего) канала. Эти размеры нужны для вычисления коэффициентов ослабления гамма-излучения в блоке калибровки 10. Также на базовом процессоре 20 выполняется перерасчет текущих параметров (измеренные давление и температура) к стандартным (или нормальным) условиям, которые требуются оператору для оценки дебита из скважины.
Блок калибровки 10 (измеритель фазового состава трехфазного потока) включает источник гамма-излучения (с по меньшей мере двумя интенсивными пиками гамма- излучения), совмещенный соосно с детектором на противоположной стороне трубки Вентури для детектирования гамма- (или рентгеновских) лучей в заданных энергетических окнах, соответствующих основным энергетическим линиям источника. Блок калибровки 10 также оборудован процессором, который вычисляет ослабление каждого пика гамма-излучения в заданных энергетических окнах при прохождении гамма-излучения через радиопрозрачные защитные окна (не показаны) и измеряемый многофазный поток 2; блок калибровки передает эти данные в базовый блок 20. Базовый блок 20, в свою очередь, передает эти базовые параметры в блок искусственной нейронной сети (блок ИНС) 30 для осуществления процесса обучения сети.
Блок калибровки 10 включает средства крепления к трубке Вентури 1, средства коммуникации с базовым блоком 20. Блок калибровки 10 крепиться съемным образом на трубке Вентури 1 и обеспечивает прохождение ионизирующего (гамма-) излучения через радиопрозрачные окна на трубке Вентури и измерение факторов ослабления (рассеяния) излучения в выбранных энергетических окнах. Таким образом, блок калибровки 10 выполняется в виде отдельного съемного устройства, которое можно снять и переместить на другой аналогичный расходомер с идентичными размерами посадочного гнезда для блока калибровки. Это позволяет повторить калибровку состава флюида на другом многофазном расходомере для другого потока.
Процедура измерения расхода флюида с помощью расходомера в полном составе (фиг. 2) включает следующие этапы: подключение расходомера к трубе, калибровка на пустой трубе (накопление количества регистрируемых событий гамма-излучения от радиоактивного источника в каждом из энергетических окон), калибровка устройства на газе, калибровка на воде (вода с составом близким к скважинной воде), и калибровка на нефтяном продукте. Далее с имеющимися калибровками проводят измерения расхода для всех трех фаз потока. Ниже рассматривается в качестве неограничивающего примера использование радиоизотопа Ва-133 (обеспечивает энергетические окна гамма-излучения вблизи 32 кэВ, 81 кэВ, 356 кэВ). Для каждого энергетического окна для каждой фазы вычисляют коэффициент ослабления, который линейно зависит от плотности фазы (газ, вода, нефть) и длины пробега гамма- излучения в среде (это заданный диаметр горловины трубки Вентури).
Информационная связь между блоками на фиг. 2 осуществляется следующим образом. Сплошной стрелкой от блока датчиков 3 к базовому блоку 20 обозначена передача аналоговых сигналов. Остальные стрелки означают передачу цифровых данных через последовательные интерфейсы по протоколам, позволяющим получать множество данных по запросу (например, Modbus); при этом запросы передаются в направлении против пунктирных стрелок. Данные в направлении от блока ИНС 30 в базовый блок 20 передаются только в момент передачи параметров обученной нейронной сети перед отключением блока калибровки 10. Опционально также может использоваться блок преобразования информации 40. Этот блок преобразования информации 40 может архивировать данные для отложенной передачи, обеспечивать связь с удалённым приёмником данных от расходомера, визуализировать данные и состояние расходомера.
Базовый блок 20 имеет функцию вычисления массовых расходов для каждой фазы потока (Qo, Qw, Qg) на основе данных с трубки Вентури 1, блока калибровки 10, и также дополнительных данных из внешних источников 21. В качестве данных этих внешних датчиков 21 для построения предсказаний объемного расхода фаз принимаются различные физические измерения (давление, температура), которые обычно доступны на добывающей действующей скважине и которые связаны с режимом течения многофазного флюида. Это могут быть следующие данные: давление и температура в устье скважины, давление и температура на магистральной трубе (в «буфере»), забойное и внутрискважинное давление и температура, профиль скважинного давления (измеренный с помощью распределенного акустического сенсора ADS), профиль температуры по стволу скважины, профиль скоростей и фазосодержания вдоль ствола скважины (данные с других расходомеров). В качестве данных из внешних источников можно вводить и эксплуатационные параметры лифтовой системы (давление/температура на входе/выходе насоса, частота, ток, потребляемый насосом, массовый расход скважинного флюида).
Кроме того, в качестве внешних данных для многофазных измерений вводят предварительно полученные данные о скважине, которые можно считать неизменными за период измерений. Например, в ряде скважин обводненность добываемой смеси изменяется мало и можно ввести эти данные в виде константы, полученной усреднением истории добычи на данной скважине. Это результаты промысловых геофизических исследований скважин или результаты гидро/газодинамических исследований скважин. В качестве внешних данных в блок искусственной нейронной сети также можно вводить априорные эксплуатационные данные по продуктивности пласта, обводненности, газовому/конденсатному фактору (то есть могут вводиться константы для описания состава многофазного потока).
Данные из внешних датчиков 21 сохраняют в блоке искусственной нейронной сети 30 (блок осуществляет обучение нейронной сети, верификацию и вывод данных о фазовом составе флюида) за период работы измерителя многофазного потока в полной сборке. Режим измерения в полной сборке означает более прямые (и более точные) измерения расходов фаз, чем в режиме мониторинга. В искусственной нейронной сети 30 вводят текущие данные об измеренных фазовых составах: обученная искусственная нейронная сеть позволяет установить связь между измеренными потоками фаз (расход по воде, нефти, газу) и совокупностью выбранных для обучения набора «внешних параметров» на скважине, этот набор данных поступает от набора дополнительных датчиков 21 на скважине (в забое, в устье) или/и на трубах (кроме датчиков 3 давления, температуры и дифференциала давления на трубке Вентури).
В одном из вариантов реализации изобретения, оператор выполняет предварительную прогонку измерений с помощью многофазного расходомера в полной сборке (с блоком калибровки) для существенно различных рабочих параметров скважины, которые соответствуют различным режимам течения (различные наборы фазовых составов потока флюида). Сведущему специалисту в этой области известны различные технические приемы, которые позволяют изменить режим многофазного потока. Это может быть частичное открытие/закрытие клапанов на трубах и в обсаженной колонне, изменение мощности погружных насосов, установка фильтров и сужающих устройств в скважине и трубопроводах (ниже по течению от расходомера). Регулярная работа на скважине обычно требует включения/остановки различного скважинного и периферийного оборудования, поэтому процесс обучения для блока искусственной нейронной сети 30 происходит в естественном процессе эксплуатации скважины и не требует дополнительных мероприятий. В это время (обычно в течении 1-2 суток) блок ИНС 30 системы работает в режиме обучения и не влияет прямо на процедуру вычисления расходов для нефти, воды и газа, которые рассчитываются в базовом блоке 20, как обычно происходит в расходомерах, оборудованных гамма- блоком для измерения фазового состава. Работа измерителя многофазного потока в мониторинговом варианте сборки (без блока калибровки) происходит как описано ниже. Блок калибровки 10 извлекают из посадочных гнезд на трубке Вентури 1 (это возможно проводить это без остановки текущих измерений расходов). Блок калибровки 10 можно переместить на другие аналогичные расходомеры с трубкой Вентури и идентичным посадочным гнездом, что позволяет одному сертифицированному оператору использовать один блок калибровки 10 и обслуживать несколько расходомеров на кусте скважин.
Теперь в базовый блок 20 не поступают калибровочные данные с блока калибровки 10. Базовый блок 20 получает сигнал с трубки Вентури 1 о новом режиме работы (мониторинговый) и переключает блок ИНС 30 в режим «корректировка», в результате чего базовый блок 20 получает от блока ИНС 30 набор калибровочных данных (о фазовом составе al, a2, a3) из уже накопленных данных (значения в выходных узлах ИНС).
В мониторинговом (упрощенном) режиме измерения (конфигурация 2) многофазный поток 2 протекает через трубку Вентури 1 с соответствующими датчиками, и при этом съемный блок калибровки 10 удален для проведения измерений состава потока на другом аналогичном устройстве. На базовый процессор 20 не поступают данные с блока калибровки 10, но продолжают поступать данные с внешних датчиков 21. При этом входные параметры расчета потока на основном блоке 20 не фиксируются на неизменном уровне, как это делается в доступных на рынке расходомерах, а могут пересчитываться с учетом текущих изменений на скважине, которые определяются совокупностью внешних датчиков 21.
Алгоритмы учета показаний внешних датчиков 21 могут быть различные. Это может быть простой алгоритм линейной аппроксимации состава флюида с показаниями внешних датчиков. Это может быть алгоритм машинного обучения, который устанавливает вероятности различных режимов потока (интервалы расхода фаз) с совокупностью внешних датчиков 21 (накопленная история датчиков и фазового состава потока) и датчиков 3 на трубке Вентури 1.
В данном изобретении понятия «машинное обучение» и «использование нейронных сетей» сетей являются родственными понятиями. Далее для краткости понятия «нейронная сеть» и «блок искусственной нейронной сети» 30 считаются взаимозаменяемыми, то есть сама сеть (набор данных и правила по их связи) не отделяется от компьютерного блока, где это осуществляется. Типичная нейронная сеть (ИНС) для целей данного изобретения имеет архитектуру, включающую входной слой (входные узлы), скрытый слой и выходной слой.
Фиг. 3 иллюстрирует примерную конфигурацию искусственной нейронной сети согласно одному аспекту настоящего изобретения. В этой конфигурации нейронная сеть (ИНС) 30 включает в себя входной слой 31, который принимает входные данные, такие как данные с внешних датчиков 21 и установки с базового блока 20. Входной слой 31 может иметь ш узлов.
Нейронная сеть 30 включает в себя скрытый слой 33. Однако количество скрытых слоев не ограничивается одним и может быть больше для получения различных архитектур, необходимых для данного применения. Кроме того, каждый скрытый слой может иметь количество узлов р, где р не меньше единицы.
Нейронная сеть 30 дополнительно включает в себя выходной слой 34, который предоставляет выходные данные после обработки, выполняемой скрытым слоем 33 над входными данными, принятыми от входного слоя 31. Выходной слой 34 может иметь 3 узла, числа в которых описывают текущей фазовый состав (калибровку смеси в данные момент).
Любое количество узлов в любом заданном слое нейронной сети 30 может быть подключено к одному или нескольким узлам в другом слое нейронной сети 30. В одном примерном варианте осуществления настоящей заявки каждый узел на входном слое 31 подключен к каждому узлу в скрытом слое 33 и каждый узел в скрытом слое 34 подключен к выходному узлу в выходном слое 34.
Информация, связанная с узлами нейронной сети 30, может совместно использоваться разными слоями, и каждый слой сохраняет информацию по мере обработки информации. В некоторых случаях нейронная сеть 30 может включать в себя сеть с прямой связью, и в этом случае нет обратных связей, в которых выходные данные сети возвращаются в сеть. В некоторых случаях нейронная сеть 30 может включать в себя рекуррентную нейронную сеть, которая может иметь петли, позволяющие переносить информацию назад на входы уже сменивших активацию узлов. Узлы могут обмениваться информацией посредством межузловых соединений (связей) между различными слоями. Узлы входного слоя 31 могут активировать группу узлов в скрытом слое 33.
Узлы скрытого слоя 34 могут преобразовывать информацию от входных узлов, применяя к ней функции активации. Информация, полученная в результате преобразования, затем может быть передана и может активировать узлы следующего
И слоя (например, узел выходного слоя 36). Если нейронная сеть 30 имеет более одного скрытого слоя, то информация, полученная в результате преобразования, может быть затем передана узлам следующего слоя и активировать их, а они, в свою очередь, могут выполнять свои собственные функции. Примеры функций: свертка, повышение/понижение разрешения, нелинейное преобразование данных, и/или любые другие подходящие функции.
Каждое соединение между узлами может иметь вес, который представляет собой элемент набора параметров, полученных в результате обучения нейронной сети 30. Соединение между узлами может представлять часть информации, полученной о связанных узлах. Связь может иметь числовой вес, который может быть настроен (например, на основе набора обучающих данных), что позволяет нейронной сети 30 адаптироваться к входным данным и обучаться по мере обработки большего количества данных.
Нейронная сеть 30 может быть предварительно обучена для обработки признаков из данных на входном слое 31 с использованием скрытого слоя 304 для обеспечения вывода через выходной слой 34.
В некоторых случаях нейронная сеть 30 может регулировать веса узлов, используя метод обучения, называемый обратным распространением ошибки. Обратное распространение ошибки может включать прямой проход, функцию потерь, обратный проход и обновление веса. Все эти этапы выполняются на каждой итерации обучения. Процесс может повторяться определенное количество итераций для каждого набора обучающих данных до тех пор, пока нейронная сеть 30 не будет обучена так, чтобы веса слоев были точно настроены.
Для анализа ошибок на выходе может использоваться функция потерь. Может использоваться любая подходящая форма функции потерь. Значение функции потерь (ошибка) может быть высоким для исходных обучающих данных, поскольку фактические значения будут отличаться от прогнозируемых выходных данных. Цель обучения сети - минимизировать ошибку, чтобы прогнозируемый результат был таким же, как метка обучения (заранее известное правильное значение выхода ИНС). Нейронная сеть 30 может выполнять обратный проход, определяя, какие веса больше всего способствовали ошибке сети, и регулировать их так, чтобы ошибка уменьшалась и в конечном итоге сводилась к минимуму.
Производная ошибки по весам может быть вычислена для определения весов, которые больше всего способствовали потерям в сети. После вычисления производной можно выполнить обновление весов, обновив веса фильтров. Например, веса можно обновить так, чтобы они изменялись в направлении, противоположном градиенту. Скорость обучения может иметь любое подходящее значение, при этом высокая скорость обучения ведёт к более крупным обновлениям весов, а более низкая - к меньшим обновлениям весов.
Таким образом, в работе блока ИНС 30 имеется несколько этапов: обучение ИНС при многократном изменении режима потока (с предварительной фильтрацией входных данных, затем верификация ИНС на квазистационарном режиме течения, а затем передача данных выходных узлов на базовый блок 20 для корректировки фазового состава флюида.
Переход в режим мониторинга происходит следующим образом. Сначала блок ИНС через входной интерфейс базового блока передаёт ему новые параметры сети (матрицы весов). С этого момента базовый блок 20 производит вычисления для объемных расходов фаз потока, используя матрицы весовые матрицы. Потом производят отключение блока ИНС, а базовый блок 20 самостоятельно уже не меняет своих настроек до следующей их смены с помощью блока ИНС 30.
Далее поток скважинного флюида продолжал продолжает поступать через расходомер, но при этом блок ИНС 30 переводят в режим «корректировка», и в базовый блок 20 продолжают поступать обычные текущие данные (Р, Т, ДР) с датчиков 3 трубки Вентури и текущие показания с внешних датчиков 21. При этом данные о калибровке теперь поступают в базовый блок 10 20 с блока ИНС 30 в режиме «корректировка». Базовый блок 20 пересчитывает данные с трубки Вентури в объемные доли фаз флюида (al, a2, a3).
Несмотря на то, что варианты осуществления были проиллюстрированы и подробно описаны на рисунках и в описании, их необходимо рассматривать как иллюстративные и не имеющие ограничительного характера.

Claims

Формула
1. Расходомер на основе трубки Вентури для измерения многофазного флюида, включающий трубку Вентури с дифференциальным датчиком давления, датчиком давления, датчиком температуры, блок калибровки, базовый блок для вычисления объемных расходов фаз флюида, блок искусственной нейронной сети, причем блок калибровки является съемным, и расходомер работает в режиме полной конфигурации с блоком калибровки или в мониторинговом режиме конфигурации без блока калибровки под управлением блока искусственной нейронной сети.
2. Расходомер по п.1, отличающийся тем, что дополнительно в базовый блок поступают данные с внешних датчиков.
3. Расходомер по и.2, отличающийся тем, что данные с внешних датчиков включают данные о давлении, температуре, дебите с различных позиций внутри скважины и в выводящих трубах.
4. Расходомер по п.1, отличающийся тем, что в режиме работы устройства с блоком калибровки блок искусственной нейронной сети работает в режиме обучения и верификации.
5. Расходомер по п.1, отличающийся тем, что в режиме работы устройства без блока калибровки блок искусственной нейронной сети передает на базовый блок узлы с параметрами калибровки из обученной искусственной нейронной сети.
6. Расходомер по и. 1, отличающийся тем, что дополнительно включает блок преобразования информации.
7. Расходомер по п.1, отличающийся тем, что блок калибровки включает источник гамма-излучения с по меньшей мере двумя энергиями гамма-излучения и детекторное устройство с соответствующими энергетическими окнами для регистрации ослабления гамма-излучения в измеряемом флюиде.
8. Способ измерения расхода фаз трехфазного флюида с помощью расходомера на основе трубки Вентури для измерения многофазного флюида, включающий трубку Вентури с дифференциальным датчиком давления, датчиком давления, датчиком температуры, съемный блок калибровки, базовый блок, блок искусственной нейронной сети, причем блок калибровки является съемным, и расходомер без съемного блока калибровки работает под управлением блока искусственной нейронной сети.
PCT/RU2021/050410 2020-12-02 2021-12-02 Расходомер на основе трубки вентури для измерения многофазного флюида WO2022119478A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020139490 2020-12-02
RU2020139490A RU2020139490A (ru) 2020-12-02 Устройство и способ измерения многофазного потока на основе трубки Вентури и съемного блока калибровки

Publications (1)

Publication Number Publication Date
WO2022119478A1 true WO2022119478A1 (ru) 2022-06-09

Family

ID=81854280

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2021/050410 WO2022119478A1 (ru) 2020-12-02 2021-12-02 Расходомер на основе трубки вентури для измерения многофазного флюида

Country Status (1)

Country Link
WO (1) WO2022119478A1 (ru)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389908B1 (en) * 1997-05-30 2002-05-21 Schlumberger Technology Corporation Method and device for characterizing oil borehole effluents
US6405604B1 (en) * 1997-08-26 2002-06-18 Schlumberger Technology Corporation Method and apparatus for measuring oil effluent flow rates
EA004076B1 (ru) * 1999-07-02 2003-12-25 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Способ измерения многофазного потока расходомером вентури
RU2477790C2 (ru) * 2009-12-31 2013-03-20 Шлюмбергер Текнолоджи Б.В. Способ измерения многофазного потока с применением одного высокоактивного и одного или более низкоактивных радиоактивных источников

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389908B1 (en) * 1997-05-30 2002-05-21 Schlumberger Technology Corporation Method and device for characterizing oil borehole effluents
US6405604B1 (en) * 1997-08-26 2002-06-18 Schlumberger Technology Corporation Method and apparatus for measuring oil effluent flow rates
EA004076B1 (ru) * 1999-07-02 2003-12-25 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Способ измерения многофазного потока расходомером вентури
RU2477790C2 (ru) * 2009-12-31 2013-03-20 Шлюмбергер Текнолоджи Б.В. Способ измерения многофазного потока с применением одного высокоактивного и одного или более низкоактивных радиоактивных источников

Similar Documents

Publication Publication Date Title
US7474969B2 (en) Method and system for production metering of oil wells
US6604581B2 (en) Fluid property sensors and associated methods of calibrating sensors in a subterranean well
US6335959B1 (en) Apparatus and method for determining oil well effluent characteristics for inhomogeneous flow conditions
CN103959019B (zh) 净油气井测试系统
US6265713B1 (en) Measurement flow section for oil well effluents and system including such a section
US6564619B2 (en) Multiphase flow measurement system
US6389908B1 (en) Method and device for characterizing oil borehole effluents
US4566307A (en) Pipeline flow measurement proving system
US20150040658A1 (en) Multiphase Flowmeter and a Correction Method for such a Multiphase Flowmeter
EP2431716A1 (en) A multiphase flowmeter and a correction method for such a multiphase flowmeter
WO2003046485A1 (en) Production metering and well testing system
CN113383211A (zh) 流量计量系统基于条件的监测和预测模式的故障
EP4147013A1 (en) Multiphase flowmeters and related methods for oil and gas applications
WO2022119478A1 (ru) Расходомер на основе трубки вентури для измерения многофазного флюида
RU2393433C2 (ru) Скоростной плотномер и массовый расходомер
JP2000241218A (ja) 流量計
Chen et al. A new correlation to determine the Lockhart-Martinelli parameter from vertical differential pressure for horizontal venturi tube over-reading correction
Arubi Multiphase flow measurement using gamma-based techniques
Whitaker Multiphase flow measurement: current and future developments
Theuveny et al. Worldwide field experience of mobile well testing services with multiphase flowmeters
Mursaliyev et al. Implementation of Data Driven Machine Learning Methods and Physics Driven Concepts for Real-Time Well Performance Estimation in Kashagan Field
Carpenter Enhancements in Fraction Measurements and Flow Modeling for Multiphase Flowmeters
Budarin et al. SPE-191532-18RPTC-MS
Carison et al. Profiling horizontal oil/water production
Chen et al. A New Correlation to Determine the Lockhart-Martinelli Parameter from Differential Pressure Measurement in a Vertical Pipe

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21901136

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21901136

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 21901136

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 23/11/2023)