气液两相流动态流动过程的瞬时流量测量模型构建方法技术

本申请公开了气液两相流动态流动过程的瞬时流量测量模型构建方法，步骤1，选取模型构建样本过程中气液两相流测量信号的采集设备；步骤2，获取模型构建样本过程中气液两相流的累计或平均流量样本标签；步骤3，构建样本数据；步骤4，将管道压力和气体温度通过气体方程换算成气体的密度ρ，重新确定样本输入维度为dP1、dP2、ρ；步骤5，采用基于一维卷积的神经网络构建气液流量瞬时模型(model_s)，瞬时模型的时间长度为s；步骤6，构建平均流量约束模型；步骤7，基于步骤6构建的约束模型(model_ave)，采用半监督的学习方法对步骤5构建的瞬时模型进行训练。解决了现有技术中采用累计流量/平均流量数据标签无法构建瞬时流量测量模型的问题。

The method of constructing the instantaneous flow measurement model for the dynamic flow process of gas-liquid two-phase flow

【技术实现步骤摘要】
气液两相流动态流动过程的瞬时流量测量模型构建方法
本申请属于流量测量
，涉及一种气液两相流动态流动过程的瞬时流量测量模型构建方法。
技术介绍
石油在开采过程中是以一种气液两相混合流体，同时由于地层压力、流量变化，以及气液比例的不同，导致油井开采中气体和液体的混合物的流量是以一种动态波动变化的形式存在。气液两相流量的在线测量是石油开采过程中的一项关键技术，而气液混合流动过程中的瞬时气体流量和液体流量的实时变化测量，更是石油开采过程十分关注的一个问题。气液两相流混合流动过程中，由于流动过程复杂，数学描述困难，至今难以实现对各相流量的准确测量。对于瞬时流量测量模型的构建，更是存在巨大的挑战，尤其在只有长时间累计或者平均流量样本标签的条件下，如何构建瞬时流量识别模型，是目前急需解决的技术难题。所提及的目前流动过程中的流量测量，都是采用一段时间的平流量，如几分钟或者几个小时的气体和液体的平均流量。其原因为：气液混合过程是一个气体和液体流量时刻在发生变化的过程，在实验室环境下，测试管路存在系统误差，因此导致瞬时流量样本标签的误差较大，使得模型训练误差较大，如果想要得到瞬时流量标签，这就需要更高的成本购买更为先进的设备或者修改工艺，但是在实际的工程过程测量过程中，是无法实现的，目前比较常用的方法还是进行平均/累计流量标签的获取。因为获取一段时间累计流量样本标签可以保证样本的准确度。但是这就导致了无法实现瞬时流量测量准确标签的获取，也无法用常规方法构建瞬时流量测量模型。在油田实际计量样本获取工作中，主要采用体积较大的罐车测液位的方式来获取真实样本标签，为了消除罐车液位波动的影响更是需要花费几个小时的时间来取得一个准确的累计/平均流量，但是一个累计/平均的流量标签是无法描述在这个计量过程中瞬时的流量流动变化。目前在实验室阶段：气液两项流测量模型样本建模过程，通常将气体和液体按照一定的流量比例混合到测试管道，当管道中的流体稳定后读取稳定流体的流量标签；对于气体和液体比例时刻发生变化的混合流体，通常采用读取一段时间内的气体和液体的累计流量或者平均流量作为样本标签进行测量模型的建模工作。对于实际的油井生产过程，通常采用体积较大的计量分离罐计量，由于产量持续动态变化，计量罐体积较大，气液产量一直是变化的，对于通过测液位的方式来获取真实样本标签的方法，为了消除罐车液位波动的影响，更是需要会花费几个小时的时间来取得一个准确的累计流量。采用现有稳定流量标签或者累计/瞬时流量标签进行气液两相流的流量模型建模都存在以下问题：(1)将管道中气液流量调整为稳定的流量后读取流量标签这种方式，可以得到准确的瞬时流量标签进行建模，但是这种方法存在的问题是效率低，只能在实验室才可以实现。在实验室测量过程中，每次调整一个稳定的流量需要花费10几分钟以上的时间，等待流体在管道达到稳定流量的状态，这种需要花费大量的时间进行样本标签数据的获取方式，带来的更大的是实验成本的增加。而对于目前需要采用大量的样本数据还能发挥深度学习计算建模的优势的情况下，这种方式是不可取的。(2)将管道中气液流量调整为稳定的流量后读取流量标签这种方式，只能用于实验室流量人为可控条件下的样本获取和建模，对于真实的油田井口的数据样本获取是无法实现的。因为油井生产过程中，油井产出物中气体和液体的比例是时刻发生变化的，因此也就无法得到一个稳定的流量样本进行数据采集，因此也无法采用油田真实生产数据进行瞬时流量测量模型的建立。(3)目前报道中的对于采用累积流量和平均流量样本数据建模，同样存在一个问题是，样本能够得到一段时间内准确的累计或者平均流量，但是公开报道的建模过程只能构建一个测量一段时间的累计或平均流量的模型，如何通过对一段时间的累计流量样本通过建模，能够获得这段时间内气液两相流波动过程中瞬时流量，目前已有的报道是无法实现的。(4)现有报道还没有对于油田实际生产过程的流体动态流动的瞬时模型构建的方法。
技术实现思路
本申请的目的是提供一种气液两相流动态流动过程的瞬时流量测量模型构建方法，解决现有技术中采用累计流量/平均流量标签无法构建瞬时流量测量模型的问题。本申请所采用的技术方案是，气液两相流动态流动过程的瞬时流量测量模型构建方法，具体包括如下步骤：步骤1，选取模型构建样本过程中气液两相流测量信号的采集设备；具体为，采用双差压文丘里管测量装置，双差压文丘里测量设备内集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器四组测量信号，该四组测量信号分别定义为P、DP1、DP2、T；步骤2，获取模型构建样本过程中气液两相流的累计或平均流量样本标签，其中，累计流量需换算为平均流量；步骤3，构建样本数据，样本输入维度为dP1、dP2、P、T四组信号，数据时间长度为M；步骤4，将管道压力和气体温度通过气体方程换算成气体的密度ρ，重新确定样本输入维度为dP1、dP2、ρ；步骤5，采用基于一维卷积的神经网络构建瞬时模型model_s，瞬时模型的时间长度为s；步骤6，构建平均流量约束模型model_ave；步骤7，基于步骤6构建的约束模型model_ave，采用半监督的学习方法对步骤5构建的模型model_s进行训练。优选地，步骤2的具体过程为：采用油田用测试分离罐装置，液体混合物在分离罐中通过分离后，气体采用涡轮流量，液体采用涡轮流量计、计液位计或者称重法来获得时间T内的准确的气体和液体流量标签。步骤3中M≥5分钟。步骤5的具体过程为：步骤5.1，输入数据input(s，3)；s为瞬时模型的时间长度，3为数据样本特征维度dP1、dP2、ρ；步骤5.2，卷积Conv1D(k0,j0,relu)，Conv1D表示一维卷积，k0为卷积核的数量，j0为卷积核的大小，采用“relu”作为激活函数；步骤5.3，池化；Maxpooling1D(2)表示在池化层，计算相邻两个区域中的最大值作为该区域池化后的值；步骤5.4，卷积Conv1D(k1,j1,relu)；Conv1D表示一维卷积，k1大于k0；步骤5.5，平滑过程Flatten；Flatten用于将池化层输出的多维数据转化成一维数据给入到全连接层；步骤5.6，正则化Dropout(m)，0<m<100％；步骤5.7，全连接层Dense(x0,relu)，x表示在全连接层中输出x0个神经元，relu为激活函数；步骤5.8，全连接层Dense(x1,relu),x表示在全连接层中输出x1个神经元，x1＜x0，relu为激活函数；步骤5.9，全连接层Dense(2,relu),x表示在全连接层中输出2个神经元，其中一个神经元对应气相流量结果，另一个神经元对应液相流量结果，relu为激活函数。步骤6的具体过程为：步骤6.1，输入层input_ave(M,3)；M为样本文档来自技高网...

【技术保护点】
1.气液两相流动态流动过程的瞬时流量测量模型构建方法，其特征在于：具体包括如下步骤：/n步骤1，选取模型构建样本过程中气液两相流测量信号的采集设备；/n具体为，采用双差压文丘里管测量装置，双差压文丘里测量设备内集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器四组测量信号，该四组测量信号分别定义为P、DP1、DP2、T；/n步骤2，获取模型构建样本过程中气液两相流的累计或平均流量样本标签，其中，累计流量需转化为平均流量；/n步骤3，构建样本数据，样本输入维度为dP1、dP2、P、T四组信号，数据时间长度为M；/n步骤4，将管道压力和气体温度通过气体方程换算成气体的密度ρ，重新确定样本输入维度为dP1、dP2、ρ；/n步骤5，采用基于一维卷积的神经网络构建瞬时模型model_s，瞬时模型的时间长度为s；/n步骤6，构建平均流量约束模型model_ave；/n步骤7，基于步骤6构建的约束模型model_ave，采用半监督的学习方法对步骤5构建的瞬时模型model_s进行训练。/n

【技术特征摘要】
1.气液两相流动态流动过程的瞬时流量测量模型构建方法，其特征在于：具体包括如下步骤：
步骤1，选取模型构建样本过程中气液两相流测量信号的采集设备；
具体为，采用双差压文丘里管测量装置，双差压文丘里测量设备内集成管道静压力、文丘里“收缩段”差压、“喉部”差压传感器和管道测温传感器四组测量信号，该四组测量信号分别定义为P、DP1、DP2、T；
步骤2，获取模型构建样本过程中气液两相流的累计或平均流量样本标签，其中，累计流量需转化为平均流量；
步骤3，构建样本数据，样本输入维度为dP1、dP2、P、T四组信号，数据时间长度为M；
步骤4，将管道压力和气体温度通过气体方程换算成气体的密度ρ，重新确定样本输入维度为dP1、dP2、ρ；
步骤5，采用基于一维卷积的神经网络构建瞬时模型model_s，瞬时模型的时间长度为s；
步骤6，构建平均流量约束模型model_ave；
步骤7，基于步骤6构建的约束模型model_ave，采用半监督的学习方法对步骤5构建的瞬时模型model_s进行训练。


2.根据权利要求1所述的气液两相流动态流动过程的瞬时流量测量模型构建方法，其特征在于：所述步骤2的具体过程为：采用油田用测试分离罐装置，液体混合物在分离罐中通过分离后，气体采用涡轮流量，液体采用涡轮流量计、计液位计或者称重法来获得时间T内的准确的气体和液体流量标签。


3.根据权利要求1所述的气液两相流动态流动过程的瞬时流量测量模型构建方法，其特征在于：所述步骤3中M≥5分钟。


4.根据权利要求1所述的气液两相流动态流动过程的瞬时流量测量模型构建方法，其特征在于：所述步骤5的具体过程为：
步骤5.1，输入数据input(s，3)；
s为瞬时模型的时间长度，3为数据样本特征维度dP1、dP2、ρ；
步骤5.2，卷积Conv1D(k0,j0,relu)，Conv1D表示一维卷积，k0为卷积核的数量，j0为卷积核的大小，采用“relu”作为激活函数；
步骤5.3，池化；
Maxpooling1D(2)表示在池化层，计算相邻两个区域中的最大值作为该区域池化后的值；
步骤5.4，卷积Conv1D(k1,j1,relu)；
Conv1D表示一维卷积，k1大于k0；
步骤5.5，平滑过程Flatten；
Flatten用于将池化层输出的多维数据转化成一维数据给入到全连接层；
步骤5.6，...

【专利技术属性】
技术研发人员：张海峰，李轶，杨鸣，
申请(专利权)人：清华大学深圳国际研究生院，深圳市联恒星科技有限公司，
类型：发明
国别省市：广东;44