文摘

在现代石油工业体系,油水两相流广泛存在。其中,混合流体的总流速在水平井是很难获得由于重力引起的相隔离。因此,这是一个困难和热点问题。获得的总流率在水平井油水两相流动,在这篇文章中,多个阵列生产套件(地图),也称生产日志(PAL)数组,用来进行模拟实验,利用BP神经网络(摘要)算法训练样本数据,并建立预测模型的总流速在水平井油水两相流。结果表明,平均相对误差小于10%,这证明,使用数据的摘要具有良好实用性地图在油水两相流水平井预测总流水平,而且它提供了一种新的方法和理论支持在水平井获取流量。

1。介绍

水平井的成熟和广泛应用石油开发技术,它已成为一个重要的研究方向,研究其相关的生产测井技术,包括在井获得各种流动参数。其中,油水两相流的研究中是一个关键的问题1,2]。

在测井行业,一些研究人员试图提供解决方案:复式传感器阵列工具(地图),可以用来检测和分析水平井多相流。水平井多相流的,这些工具测量流体性质在井筒的横截面积的多个位置,提供一个分布式测量,帮助联系测量获得流量和延误3,4]。根据测量值,计算机辅助分析软件可以用来重建它,它可以反映水平井的流动模式。同时,有关的专门软件可以重构测井结果成仿真图像。它应该与神经网络技术结合使用来获得更好的结果。

神经网络已在与石油相关的部门。COVID-19爆发期间,卷积神经网络在线提取石油新闻可以用于预测石油市场的波动(5]。深层神经网络处理地震波数据用于储层预测(6]。

此外,一些学者已经研究的应用与神经网络处理测井数据。郭et al。7]研究了使用前馈人工神经网络用于油水两相流生产测井解释方法和获得相应的设计软件。严格的实验进行了三相流模拟大庆油田的设备。在实验中获得的105组样本数据被替换成网络培训和学习。93组数据被选中来训练BP神经网络和RBF网络。12多组样本数据用于测试和预测的值与实际值相比,误差是在可接受的范围之内8];陈等人。9]使用BP神经网络来预测井筒中的连续流量计的启动速度,取得了良好的预测结果,显示了这种方法的潜力在传统垂直测井解释。一般来说,是非常有效的使用好的算法结合计算机工具来提高效率(1,10]。

在水平井中,流体分层在重力的影响下,使仪器使用内联流量计和电容等常规直井抢劫米不适用了。为了解决这些问题,本文把地图数组记录工具为研究对象,从油水两相模拟实验获得实验数据的生产测井实验平台上长江大学为样本,采用摘要,可以实现非线性映射建立模型和预测流速。它提供了一种新方法获取流量的水平井。

2。水平井生产测井模拟实验

2.1。试验装置

实验设置(图1)是一个长江大学的多相流动模拟实验平台,其中包括两个透明的玻璃管的内径 毫米和另一个内径 毫米,既允许流动的视觉观察,除了油和水大量液体储罐存储、空气压缩机的气动控制阀门和气体实验,一个液压机器调整井筒的角度,及相关成套泵、运输管道、主控制台输入流体控制和观察整个试验装置的状态。仿真实验用12米长159毫米内径井筒。液体是一个油水两相流,水是自来水,和石油工业白油是10号。油水比设置为20%,40%,60%,80%,和90%含水率。流量是100米³/ d, 300米³/ d和600米³/ d。井筒角度设置为near-horizontal (93°、90°、85°)。测量方法分为现场测量和连续测量。在连续测量,将电缆速度设置为0,10米/分钟,15米/分钟,20米/分钟。

2.2。生产数组日志

地图(图的实验工具2)包括转轮数组工具获取流量,电阻阵列工具,获得持枪抢劫和电容阵列工具,除了笼fullbore流量计(11]。

微调控制项数组工具(坐)(图3)是由六个microspinners分布在同一节中,可以测量井筒流动在不同位置区域;电容阵列工具(CAT)(图4)和电阻率数组工具(老鼠)也有类似的形状:十二个微型传感器是测量流体均匀分布附近(12]。笼子里的fullbore (CFB)(图5)流量计,它使用可伸缩的金属叶片测量流速和驻留在井筒的中间,可以精确测量总的流量(13]。

3所示。反向传播神经网络

反向传播神经网络是一个多层前馈神经网络,使用反向传播学习算法来调整权重,通常采用乙状结肠函数传递神经元之间的信号,并可以实现任何非线性从输入到输出的映射。

BP神经网络是一种神经网络,它是强大和广泛使用。它由一个输入层、隐藏层和输出层。层完全紧密联系在一起的,同一层是连接的。隐藏层可以是一个或多个层。图6图片是一个典型的三层BP神经网络结构。

多层网络设计使网络更准确地计算错误在操作和完成更复杂的任务。与此同时,它使用反向传播算法的学习。在BP神经网络中,数据信号传回一层一层地通过输入层和隐层。训练网络权值时,信号网络结构中减少错误的方向,从输出层到中间层,并将一层一层地转发。修改连接网络的重量(14]。不断学习进步,最后错误变得越来越小,最后达到理想的错误。这时,一系列神经元权重包含信息,和一个模型,可以解决这个问题。

总之,BP神经网络可以实现复杂的非线性映射,可以近似复杂功能适合解决问题和处理多个输入数据的融合,和适用于处理地图测井数据来预测流速。

4所示。流量预测的实现

4.1。样本数据训练和预测

在实验室环境中,总输入流量,水削减和控制井筒倾向;相应的地图数据作为原始数据。其中,所有数据样本分为两类根据测量方法是否连续测量或点测,只有相对应的猫坐在包含在现场测量数据。

在井筒中,把电缆驱动工具流体入口的方向是相当于增加流量。因此,方程(1)和方程(2)可用于电缆的速度转换成流量: 在哪里代表了转换流(m³/ d),代表的是电缆的速度(米/分钟),是管常数(m³/ d) / (cm / s))。

单位转换后,根据上述公式计算,其结果是获得并制成表格1。

数组纺纱井筒坐紧密分布的墙,和循环流化床位于井筒的中心。两者的结合可以测量水平井的流动数据。的常规处理这些数据是考虑转轮开始速度拟合获得明显的速度和获取偏差校正后的流数据。利用BP神经网络来预测这些数据流可以省略的拟合步骤和忽略校正系数的影响,在数据如下所示。

分析数据7- - - - - -17,我们可以得到这个结论:循环流化床的响应值与不同水削减有不同斜率或拦截与测量速度关系图。还有一个显著的差异在油和水坐响应值。可以看出,坐和招标文件有不同的仪器常数和启动速度在不同的液体。猫的数据是用来给阶段井筒中不同位置的状态。事实上,BP神经网络训练与不同的油和水坐在和循环流化床数据权重。因此,猫可以添加到数据训练来提高精度。根据现有的数据和算法的需求,建立了以下三种预测模型:(1)坐的数据作为输入:响应值的微调器阵列工具作为输入(129套培训,10套测试)(2)坐着招标文件作为输入的数据:转轮的响应值数组工具和笼fullbore流量计作为输入(129套培训,10套测试)(3)数据坐、猫和循环流化床作为输入:响应值的微调器阵列工具和电容阵列工具和笼fullbore流量计作为输入(24集培训、6套测试)

上述三种不同的输入模型都使用实际流速作为BP神经网络算法来调整输出连接权值。当将数据导入到算法,选择几组数据保持(大约10%的总样本的数据量)用于检测算法,分析错误,并评估效果。受益于BP神经网络的优点,可以不断纠正错误本身来分析数据,所以这些数据可以直接使用没有校正处理;另一方面,由于BP网络的优点,当输入电容的测量值数组工具猫仪器,没有必要规范化获得水持枪抢劫,但是网络可以获得通过计算本身的关系,这使得它快速而方便地预测流速。通过运行上述三个模型获得的结果如下:(1)坐在作为输入的数据

平均相对误差是10.84%,据图18,有很多跳点。这可能与实验数据不足,更大的原因是单一的局限性坐值作为输入,可以从图分析18:只有5的预测值能满足要求的误差不到10%,占总数一半的测试样品,效果并不如预期。(2)坐着招标文件作为输入的数据

根据图19,很少有跳点,基本上,他们符合要求,平均相对误差为7.94%;根据视觉误差图,效果很好,大多数的预测值波动误差在±10%,偶尔,预测值超过这些线。可以看出,绝对误差在低流量并不大,相对误差较高,其余的数据更好,达到预测流量的目的。(3)数据的坐、猫和循环流化床作为输入

这个模型有更少的数据,不利于神经网络根据图但仍达到较好的结果20.。总的来说,有一个且只有一个跳跃点,这可能是由于数据或实验条件不足太少。只有一个的六个预测值的相对误差为29.9%,剩下的10%以内,平均相对误差为9.03%,实现了流量的预测。增加数据样本的数量之后,它必将进一步提高精度,减少误差。它还显示了模型的优越性3。

4.2。结果分析

BP神经网络已被用于处理原始数据数组的日志工具,和不同的模型设计。从三个模型的结果图21模型1的准确性稍差,和模型1的平均相对误差为10.84%,但一致性很差,而模型2的平均误差为7.94%,模型3是9.03%。精度比模型1。他们有限的输出数据的数量和少量的数据集,所以他们的精度仍有待改进。一般来说,这种设计可以用于实际生产与改进。

5。结论

(1)是不可行的预测流速通过使用只有一个转轮数组工具坐在仪器响应值作为数据输入。其他两个预测模型有较高的精度。更多的样本数据和改进后的多个输出,可以投入实际生产方向和算法解释和补充其他方法的计算流程(2)尽管BP神经网络不需要校准的数据由于其独特的工作原理,增加输入参数,例如,在模型三,引入电容阵列工具猫测量数据相当于给数组转轮工具数据与含水率参数对应的流量计的网络在处理不同的纺纱。结果,预测流速更接近真实值。它可以得出的结论是,当使用BP网络,增加相关的不同的参数对应的老鼠和猫等数据将提高网络的效率和精度,对实际生产具有重要意义(3)摘要是一种传统而成熟的神经网络算法,很容易实现和获得。然而,应该注意的是,摘要有缺点,如参数难以确定和依赖样品和需要许多操作确定最优参数。在未来的研究中,将使用更高级的新算法或扩展深度学习

数据可用性

可用的数据联系相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(42174155)。