本发明专利技术公开了一种多变量时序图卷积多相流虚拟计量方法，首先获取n组相对应的压力、差压、温度，液流量、水流量、油流量、气流量，再计算其输入与输出间的两两关联程度，其次根据关联程度对对应的压力、差压、温度进行数据增强，训练并测试虚拟计量模型，得到流量计量模型。其对应的系统包含数据探索性分析模块，算法模块和预测性分析输出值模块。采用本发明专利技术的显著效果是，通过图神经网络迭代算法改善了虚拟流量计在测量多相流体时的液量测量精度，比阻抗含水仪在含气工况下测量精度更高，调试方便，且可有效降低油田多相流量计采购和维护成本，实现多相流的连续实时计量，对于油田的生产动态监控，流动保障和油藏管理具有较高的数据参考价值。考价值。考价值。
【技术实现步骤摘要】
一种多变量时序图卷积多相流虚拟计量方法及系统
[0001]本专利技术涉及油气工程，具体涉及石油工程中的虚拟计量技术。
技术介绍
[0002]随着人工智能技术和大数据算法的发展应用，并且受全球油价低迷及放射源安全管控的影响，国内外油田市场对于低成本非放型的多相流量计有迫切而旺盛的需求。当前的在线多相流量计(MPFM)测量大部分是基于总体流量使用放射性、电磁电子、超声波等技术结合相分率测量组合进行的。然而，这些相分率测量技术具有一定的局限性，一方面，虽然迄今为止放射性技术仍然是最准确可靠的多相流测量方法，但是全球范围内很多国家对放射源技术使用严格限制；另一方面，在技术层面，当介质中的气体含量达到一定限度后流量计的测量误差会急剧恶化，即使采用特殊设计的也不例外。因而可以采用特殊的低成本设计方案，使其能够满足流量计测量范围。
技术实现思路
[0003]有鉴于此，本专利技术提供了一种基于软件系统的数学算法计量模型，该模型可以输入特征和预测值数据学习非线性关系从而求得计量结果。
[0004]其技术方案如下：
[0005]一种多变量时序图卷积多相流虚拟计量方法，其特征在于按以下步骤进行：
[0006]步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据；
[0007]步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X
i
，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y
i
，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r
X
→
Y
；
[0008][0009]其中：
[0010]n为每列数据的数据总量；
[0011]为对应列数据的算数平均值；
[0012][0013]为对应列数据的算数平均值；
[0014][0015]步骤三、根据相关系数r
X
→
Y
的大小评价X
i
中的每列数据对Y
i
中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；
[0016]步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；
[0017]步骤五、以修订压力a*P、修订差压b*DP、修订温度c*T作为输入，以液流量L、水流量W、油流量O、气流量G作为输出，训练并测试虚拟计量模型，得到流量计量模型：L,W,O,G＝F(P,T,DP)。
[0018]同时，本专利技术提供一种多变量时序图卷积多相流虚拟计量系统，其要点在于：包含依次设置的数据探索性分析模块，算法模块和预测性分析输出值模块；
[0019]所述数据探索性分析模块用于获取与流量相关的历史数据，所述算法模块用于计算相关系数r
X
→
Y
，所述预测性分析输出值模块用于训练并测试虚拟计量模型。
附图说明
[0020]图1为本专利技术涉及到的原理图；
[0021]图2为本专利技术涉及到的流程图。
具体实施方式
[0022]以下结合实施例和附图对本专利技术作进一步说明。
[0023]一种多变量时序图卷积多相流虚拟计量方法，按以下步骤进行：
[0024]步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据，分别验算每列数据的连续性，然后再分别进行离散数据连续数据的序列化，最后将数据读取以直方图的形式初步定性，分析数据的类间距离和数量差异指标；
[0025]步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X
i
，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y
i
，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r
X
→
Y
；
[0026][0027]其中：
[0028]n为每列数据的数据总量；
[0029]为对应列数据的算数平均值；
[0030][0031]为对应列数据的算数平均值；
[0032][0033]步骤三、根据相关系数r
X
→
Y
的大小评价X
i
中的每列数据对Y
i
中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；
[0034]步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；
[0035]步骤五、以修订压力a*P、修订差压b*DP、修订温度c*T作为输入，以液流量L、水流量W、油流量O、气流量G作为输出，训练并测试虚拟计量模型，得到流量计量模型：L,W,O,G＝F(P,T,DP)。
[0036]所述虚拟计量模型可选择多种现有模型，本案中以图卷积神经网络模型为例：首先根据修订压力a*P、修订差压b*DP、修订温度c*T、液流量L、水流量W、油流量O、气流量G读入邻接矩阵，再通过图卷积神经网络向下计算以实现图网络间数据传播，最后通过全连接回归的方式输出相关系数，从而训练得到流量计量模型：L,W,O,G＝F(P,T,DP)。
[0037]实施例2：
[0038]一种基于实施例1的多变量时序图卷积多相流虚拟计量系统，包含依次设置的数据探索性分析模块，算法模块和预测性分析输出值模块；
[0039]所述数据探索性分析模块用于获取与流量相关的历史数据，所述算法模块用于计算相关系数r
X
→
Y
，所述预测性分析输出值模块用于训练并测试虚拟计量模型。
[0040]实施例3：
[0041]图卷积神经网络模型总共分为三个模块：空间关联图学习模块、时间关联图多步Transformer模块，损失函数和全连接模块，其核心思想是通过邻接矩阵和系数矩阵的非线性映射加权实现边随机游走找到最佳预测点构建有效图然后通过全连接方式输出预测值。图学习模块通常是为了学习到一个邻接矩阵从而实现时序数据中自适应获取变量之间时间和空间的变化关系。
[0042]由于图卷积网络是基于邻接矩阵描述边和顶点之间的关系，该计算核心为如下频率响应矩阵。
[0043]X＝σ(v
·
diag[θ
N
]v
T
x)
[0044]在上面式子中v表示点，diag表示对角矩阵，X表示输出层特征图，x表示输入层特征图，[θ
N...
【技术保护点】
【技术特征摘要】
1.一种多变量时序图卷积多相流虚拟计量方法，其特征在于按以下步骤进行：步骤一、获取与流量相关的历史数据，包括n组相互对应的压力P、差压DP、温度T、液流量L、水流量W、油流量O、气流量G共七列数据；步骤二、分别从压力P、差压DP、温度T三列数据中单独取出每一列数据X
i
，分别从液流量L、水流量W、油流量O、气流量G四列数据中单独取出每一列数据Y
i
，X＝P,DP,T，Y＝L,W,O,G，i＝1,2,3,...,n，使用以下公式计算其两两关联程度，得到相关系数r
X
→
Y
；其中：n为每列数据的数据总量；为对应列数据的算数平均值；为对应列数据的算数平均值；为对应列数据的算数平均值；步骤三、根据相关系数r
X
→
Y
的大小评价X
i
中的每列数据对Y
i
中的每列数据的重要程度，并根据重要程度分别赋予压力P、差压DP、温度T各自的权重系数a、b、c；步骤四、将压力P、差压DP、温度T中的每个数据乘以各自对应的权重系数，得到修订压力a*P、修订差压b*DP、修订温度c*T；步骤五、以修订压力a*P、修订差压b*DP、修订温度c*...
【专利技术属性】
技术研发人员：周建峰，李晓芳，安军刚，朱运周，田小凯，刘凯，
申请(专利权)人：海默潘多拉数据科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。