[发明专利]一种基于Res-TCN神经网络的油井产液伴生气智能预测方法

说明书

本发明涉及一种基于Res‑TCN神经网络的油井产液伴生气智能预测方法，其技术特点是：本发明通过四扇区多电极电导传感器采集含气率波动信号并作为样本数据；然后预处理样本数据，构建数据集；根据数据集构建Res‑TCN神经网络模型；对构建的Res‑TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。本发明采用的深度神经网络在预测伴生气中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，深度卷积神经网络和长短期记忆网络经过大量数据与迭代次数的训练后，并且对该类数据有较强的预测性能于客观性。

技术领域

本发明属于原油生产技术领域，尤其是一种基于Res-TCN神经网络的油井产液伴生气智能预测方法。

背景技术

在原油开采过程中，由于压力的降低，原油中的伴生气会逐渐析出，这导致油井产出液中存在大量、非均匀的气相，而气相的介入会导致现有的油井含水率计量方法失效。因此，准确的对油井产出液中含气率进行测量及预测是准确估算原油产量及油井测量仪器设计的前提条件。然而，由于油井压力及开采条件的不一致性，导致原油产出液中的气相分布及其不规律，呈现出间歇性、不确定性及非线性等特点，导致油井产出液含气率预测困难。

目前针对油井产液伴生气的测量方法，如专利号201410436242.5的技术方案是通过将被测油井套管伴生气排空，然后憋压Δt时间；憋压结束后对油井套管内伴生气进行检测，获取气体的第一压力值p1、第一温度值T1；排放至少部分套管伴生气，并在排气结束后对套管内伴生气进行第二次检测，获取气体的第二压力值p2、第二温度值T2，并记录和计算得到第一次测量和第二次测量之间的套管气排放量ΔVsta；根据前述步骤获得的各个参数，通过理想气体状态方程导出的计算公式对伴生气日产量值Q进行计算。上述专利只能对于当日的油井产液伴生气进行测量，无法对将要产出的油井产液伴生气进行有效预测。

软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。通过软测量手段可对传感器测量到的多元数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。因此，如何采用深度学习模型对将要产出的油井产液伴生气进行有效预测是十分重要的。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，能够捕获油井产液含水率变化的基本特征与规律。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于Res-TCN神经网络的油井产液伴生气智能预测方法，包括以下步骤：

步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；

步骤2、预处理样本数据，构建数据集；

步骤3、根据数据集构建Res-TCN神经网络模型；

步骤4、对构建的Res-TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。

而且，所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。

而且，所述步骤2包括以下步骤：

步骤2.1、预处理样本数据；