【技术实现步骤摘要】
本专利技术涉及多探头阵列生产测井数据处理与产出剖面计算领域，具体涉及一种基于机器学习的多探头阵列生产测井数据处理与解释方法。
技术介绍
1、在油田生产开发过程中，对生产井进行生产动态监测，特别是针对水平及大斜度井生产油气井由于重力引起井筒内多相流体分层的现象，一般需要采用多探头阵列生产测井仪器进行测井，并对阵列成像生产测井数据进行处理从而计算各生产层各相流体的产出量。针对水平井大多是分层流的流动状况下，测量油水有明显差异的物理参数的阵列持水率仪器是通过在过流截面上多个(4、8或12)微小电容、电导或光学探头实现局部位置持水率测量和多个(4、6)微小涡轮实现局部流速的测量。由于探头之间存在相当大距离的位置差，只能探测探头所在位置处局部流体的相态分布和流速信息，整个过流截面上分相流体的流动信息很难探测到，这样对于整个过流截面分相流量的精确计算带来较大误差。另外，常规产出剖面解释是基于直井中平均流速和井筒过流截面持水率确定的情况下，经过典型的流体力学模型计算的。但由于水平及大斜度井相态和速度场分布的变化，平局流速和持水率准确计算带来困难，直井中的常规解释模型也不适用于水平井。因此需要找到一种新的可以代替常规计算持水率和平均流速以及分相流量的方法。
2、多探头阵列生产测井主要应用于水平及大斜度井中，基本上满足生产动态监测的要求，并且经过反复实验测试和理论分析，发现其各探头测量值能够反应过流截面上流体的相态和速度场的分布，这个分布规律是油水混合流体流量和油水分布状况的综合反应，油水分布及流动状况的直接结果就是过流截面上的阵列多
技术实现思路
1、本专利技术基于多探头阵列生产测井实验数据为样本，利用机器学习的方法首先识别流型，在流型识别的基础上进一步根据不同流型的测井数据建立分相流量预测模型，最终实现产出剖面的计算的基于机器学习的多探头阵列生产测井数据处理与解释方法。
2、本专利技术具体采用如下技术方案：
3、基于机器学习的多探头阵列生产测井数据处理与解释方法，包括以下步骤：
4、步骤1)：持水率数据概率密度值计算；根据多探头阵列生产测井组合仪中阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度pdf，pdf将一段测量时间内的持水率数据分离为20个区间，每个区间的宽度为0.05，对应一个有20个代表性特征的向量，这个特征向量转化为每个区间内数据点的相对频率rf；
5、步骤2)：识别流型，将步骤1)处理后的具有代表性的20个相对频率特征投影到由实验样本训练好的支持向量机分类平面,确定两相流的流型；
6、步骤3)：对阵列涡轮流量计和全井眼流量计的测量数据进行刻度计算；把每个涡轮测量的转速数据根据涡轮响应方程转换为流速值；
7、步骤4)：分量流量回归预测；基于流型分类指导的基础上，使用bp人工神经网络对各流型下的油水表观流速进行回归计算；
8、将每个阵列涡轮流量计sat和全井眼流量计cfb的流速值vi、每个阵列持水率计的归一化持水率值ywi、井斜角度dev、阵列涡轮方位角satrot、阵列持水率计方位角catrot作为输入特征向量代入由对应流型的实验样本训练好的多层神经网络模型，实现油水分相流量的预测；
9、在预测模型中，将bp人工神经网络的隐藏层数设为10，学习率为0.1，训练目标最小误差为0.001，训练迭代次数设置为1000次；
10、分别使用bp人工神经网络计算5种流型下的油水表观速度，共训练了6个人工神经网络，包括1个用于笼统预测的人工网络和分别对应5个流型的人工网络，其输入层包括输入独立特征数量的节点，输出为油的表观速度vso和水的表观速度vsw(或油的流量qo和水的流量qw)。
11、优选地，步骤2)中，实验样本的训练过程如下：
12、具体过程为：向模拟井筒中注入油水混合物，在不同的井斜角度dev下，设置不同油水混合物总流量qm和油水比例及含水率cw；每个井斜角度下，一个总流量和含水率对应一个实验工况点；每个实验工况点观察井内流体流动稳定后，采用高速流体摄像机对透明玻璃井筒流体的流动状态进行拍照、录像记录各实验点的流型，并采集对应工况点多探头阵列生产测井组合仪器的测量数据；总流量从10m3/d，逐步增加至600m3/d，含水率从0.1逐步增至1.0，井斜角为水平方向90°、85°、75°、60°、45°、105°、120°、135°；
13、对每个工况点记录的流型影响资料，对照trallero流型分类方法并结合实验观察结果，将实验中出现的流型划分为以下五种：分层流st，下层水上层水包油的分散流do/w&w、水包油o/w、下层水上层油包水的分散流dw/o&w以及油包水w/o分散流，对应工况点的仪器测量数据也分为五个小样本库；
14、对每个工况点的阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度pdf，提取该实验点代表性的20个相对频率rf作为样本的属性数据，与对应实验点的流型特征为样本标签，所有实验数据处理后形成五个流型特征样本库，作为训练样本集；
15、特征代表性的20个相对频率rf参数、井斜角度dev信息作为支持向量机svm的样本的属性数据，对应工况点的流型作为样本标签训练svm模型，形成实验样本训练好的支持向量机分类平面。
16、优选地，建立样本所用的多探头阵列生产测井组合仪由阵列涡轮sat、阵列电容传感器cat或阵列电导传感器rat组合测量和全井眼流量计cfb组成；
17、实验装置为多相流模拟生产试验平台，模拟流动实验井筒由两排12m长透明玻璃管组成的u形管道，井筒内径分别为124mm和159mm；油和水由油泵和水泵分别从储油罐和储水罐中抽出，并由各自流量计量管路上的流量计和定位调节阀精确控制各自流量进入油水混合罐混合后进入模拟井筒；混合流体经过模拟测试井筒后回到另一井筒并从底部管道排放到油水分离罐，油水分离后分别进入储油罐和储水罐，循环使用。
18、优选地，步骤3)中，涡轮流量计响应方程为
19、n＝k(vf+vl-vth) (1)
20、式中，n为涡轮的转速，r/s；k为涡轮的仪器常数，r/m；vf为流体速度，m/s；vl为仪器运动速度m/s；vth为涡轮的启动速度，m/s。
21、本专利技术具有如下有益效果：
22、本方案基于多探头阵列生产测井实验数据为样本，利用机器学习的方法首先识别流型，在流型识别的基础上进一步根据不同流型的测井数据建立分相流量预测模型，最终实现产出剖面的计算，计算值与实验刻度结果对比具有很好的精度，为水平井生产测井数据处理与产出剖面解释评价提供新的技术支持。
23、方法利用阵列持水率计测量值时间序列上的波动特征识别流型，较传统的流型识别方法更准确、有效，更适合于水平井生产测本文档来自技高网...
【技术保护点】
1.基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，步骤2)中，实验样本的训练过程如下：
3.如权利要求2所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，建立样本所用的多探头阵列生产测井组合仪由阵列涡轮SAT、阵列电容传感器CAT或阵列电导传感器RAT组合测量和全井眼流量计CFB组成；
4.如权利要求1所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，步骤3)中，涡轮流量计响应方程为
【技术特征摘要】
1.基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，步骤2)中，实验样本的训练过程如下：
3.如权利要求2所述的基于机器学习的多探头阵列生产测井数据处...
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。