一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法与流程

本发明属于原油生产领域，涉及低产气油井产液的含水率测量，尤其是一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法。

背景技术：

在原油生产过程中，及时掌握与控制油井产液的含水率参数，不仅是可靠的估算原油净产量的前提，而且是对油井出现问题做出正确诊断及维护的依据，也是油藏开采模式调整的重要指导指标，因此对油井产液含水率参数的检测具有重要意义。当前，油田产液的超高含水特性对油井产液的含水率测量提出了新的要求，如何精确获取高含水油井产液的含水率信息成为了一个亟待解决的问题。目前，油井产液含水率的检测通常由特殊设计的传感器实现，其测量方法包括超声法、光学法、射线法、成像法、电导法和电法等。然而，现有的传感器测量效果在油井产液高含水率工况下尚不能达到要求，表现为传感器响应非线性及含水分辨率较低，且测量结果受矿化度影响较大；另外，油田作业中传统的化验法又受采样条件及采样频率的影响较大，测量周期也较长，难于实现实时测量。虽然通过神经网络或支持向量机等浅层网络，对油水两相流的含水率进行软测量有着广泛的应用，但是浅层网络结构在应用过程中需要对特征进行精心地设计，一般情况下浅层特征具有较强的主观性，模型对含水率的预测结果也会较大程度地受到所设计特征的影响。

通过公开专利文献的检索，发现两篇与本专利申请的目的及技术方案相近的公开专利文献：

1、一种特低渗透砂岩油藏油井投产初期含水率预测方法(109447342a)，该方法包括：收集整理选定特低渗透砂岩油藏计算参数；利用有效应力与含水饱和度之间的函数关系预测特低渗透砂岩油藏油井投产初期含水率。该特低渗透砂岩油藏油井投产初期含水率预测方法为解释揭示该类型油藏油井投产初期即含水及预测油井投产初期含水率提供了理论依据，实现了特低渗透砂岩油藏油井投产初期含水率动态预测之目的，因而具有一定的理论及实际意义。

2、一种基于时间序列的油井油液含水率多模型预测方法(105631554a)，其特征在于，包括如下步骤：1)、利用历史数据建立油井油液含水率数据集为{xi,i＝1,2,…,n}；2)、采用小波分析方法对油井油液含水率数据集{xi,i＝1,2,…,n}中的数据进行预处理；3)、由近邻传播聚类算法将{xi}wave进行分类；4)、将每个聚类中的数据由如下时间序列形式进行表示：5)、根据极端学习机算法建立每个聚类的时间序列模型并利用该时间序列模型得到预测值。其解决了现有油井油液含水率人工取样费时费力、影响生产监控和采油数据的实时性的问题。

通过技术特征的对比，对比文件1中，采用的油藏计算参数及方式也与本发明申请有根本性的不同；而对比文件2，虽然采用了时间序列方式进行含水率的预测，但其含水率模型及方式与本发明申请有根本性的不同，因此不会对本发明申请产生实质性的创造性影响。

技术实现要素：

本发明的目的在于克服现有技术的不足之处，提供一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法，通过该系统及方法可捕获含水率的时序变化信息，可实现对油井产液特别是高含水油井产液的含水率的精确预测。

本发明的目的是这样实现的：

一种基于深度长短时记忆网络的低产气油井井口含水率预测系统，由双环式高频电容传感器、含水率多元时序特征提取模块及基于长短时记忆网络的井口含水率预测网络组成，所述双环式电容传感器用于来获取井口含水率信息，所述含水率多元时序特征提取模块的高频正弦激励信号源产生激励信号，通过功分器送至双环式电容传感器的环状测量电极进行扫频，环状测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后，得到含水率时序特征向量；所述基于深度长短时记忆网络的井口含水率预测网络对获得的含水率多元时序特征向量按照时间顺序进行拼接，作为深度长短时记忆神经网络的输入向量，深度长短时记忆神经网络内部有lstm单元，单元内部又分别有三个函数的:输入门、遗忘门、输出门，深度长短时记忆神经网络单元共有6层，采用softmax分类函数作为输出函数，输出预测值。

而且，所述双环式电容传感器由不锈钢金属保护壳和内部传感器管道组成，不锈钢金属保护壳两端设置有左法兰、右法兰，其中右法兰与左法兰所在的金属保护壳为螺纹连接，金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有的引线孔，不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道，在内部传感器管道外壁上间隔安装有两个环状测量电极，在环状测量电极外侧安装有电磁屏蔽层，内部传感器管道通过两侧端面的o型圈与金属外壳压紧密封。

而且，所述含水率多元时序特征提取模块的窗函数采用窗口大小为1000的不重叠窗，以对含水率信号进行多次分割，提取不同时间段的含水率多元特征序列，将含水率多元特征序列的片段采用wvd分布得到时频域矩阵，采用递归图分析方法对信号进行处理，得到递归图矩阵，对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的特征向量共计上述七个特征参数。

一种基于深度长短时记忆神经网络的低产气油井井口含水率的预测方法，包括如下步骤：

⑴双环式高频电容传感器安装和工作参数设定：

将传感器安装于井口下降管道，对传感器进行扫频操作，以确定传感器的最佳工作频率；当传感器最佳工作频率确定之后，采用高频正弦激励信号源对环状测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息；双环式高频电容传感器对井口含率的测量采用连续式测量方式，采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列；

⑵传感器采集信号的预处理

对信号进行加窗分割，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割可提取不同时间段的含水率多元特征序列，将每个串口分割信号中的数值按照时间方向取出得到含水率多元特征序列；特征提取模块将得到的含水率波动序列片段进行时频联合分布与递归图分析，得到时频图矩阵与递归图矩阵，通过计算得到每个片段的对应特征向量；该多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量；这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行wigner-ville分布；首先对信号进行希尔伯特变换，然后通过公式：

其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式，所得到不同时间片段下的时频图，之后，对时频图矩阵求时频能量与时频熵；其中：

时频能量：计算加窗时间片段的时频分布为p(t,f)，则时频能量e可通过

如下方式计算：

时频熵：计算加窗时间片段的时频分布为p(t,f)，将时频平面的划分为n

块大小相等的矩形设每块的能量为pi,整个时频平面的能量为e，则时频熵

可以由以下方式计算：

随后对采集、处理后的信号进行递归域定量分析，递归定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量；其中：

递归率：计算加窗时间片段的递归矩阵rr，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，可由以下方式计算：

它表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵rr，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

式中，为长度为l的线段数，只有对角线方向线段的长度大于预先给定的下限lmin时才开始计数，lmin一般选择为不小于2的整数，det将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来，递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵rr，确定性是对角线方向线段长度的加权平均值，可由以下方式计算：

平均对角线长度l表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内。l越大，表明系统的确定性就越强；

层次性：计算加窗时间片段的递归矩阵rr，层次性是构成垂直方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示

如下：

y(i)＝δu(i)＝x(i+1)-x(i)，1＜i≤n

则时间不可逆量可由以下方式计算：

其中，a表示非线性耗散系统的时间不可逆量，yi为原始时间序列的增量时

间序列，n为信号的长度，h(*)为符号函数；

⑶特征向量的拼接及深度长短时记忆神经网络预测

①对不同信号片段的特征向量按照时间方向进行拼接，组成了含水率多元时序特征向量；

②将含水率多元时序特征向量作为深度长短时记忆神经网络的训练数据，输入网络模型中进行训练；深度长短时记忆神经网络共采用6层lstm单元，设置深度长短时记忆神经网络超参数，通过最大迭代次数10,000次结束训练，其中批尺寸为100，时间步为150，lstm单元数量为128；每一个lstm单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到lstm单元状态中来，遗忘门决定从lstm状态中丢弃多少信息，输出门根据当前lstm单元状态，确定需要输出什么值；其公式分别如下：

inputt＝σ(wi*[ht-1，xt]+bi)

forgett＝σ(wf*[ht-1，xt]+bf)

outputt＝σ(wo*[ht-1，xt]+bo)

其中wi、wf和wo分别代表了输入门、遗忘门和输出门对应的权重参数，bi、bf和bo分别对应偏置项，ht-1为上一时刻的lstm单元内部状态，xt为当前时刻的输入值；

含水率多元时序特征向量t1输入第一层lstm单元后，都要经过上述三种门函数的计算，并确定该lstm输出；计算完当前时刻的特征序列后，lstm单元向下一时刻t2移动，重复上述过程并计算输出；计算完第一层lstm单元后，将第一层的输出向量作为第二层lstm单元的输入向量，过程同上；每一层lstm单元的输出为下一层的输入；

训练过程中，多维特征时序信号按照时间依次输入深度长短时记忆网络中的lstm单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比；

③通过softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数；softmax函数它能将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，softmax形式为：

其中，j＝1,…,k，i表示k中的某个分类，zj表示该分类的值；

④训练好的模型可进行含水率预测

预测时，将多维特征时序信号输入深度长短时记忆网络后，softmax函数输出值为当前信号的含水率。

本发明的优点和积极效果是：

1、本发明系统所采用的双环式电容传感器，可快速、准确获得含水率序列波动信号；对信号的加窗处理，可提取不同时间段的含水率多元特征序列；加窗信号的时频域和递归域分析后得到多元特征值，可突出信号的多维特征；深度长短时记忆(lstm)神经网络对多维特征序列的训练，可精确预测出井口含水率值。

2、本发明系统所采用的双环式电容传感器安装在井口下降管道，可直接对尽快够产液的含水率进行计量，所测量值能够较为真实的反应被测量油井的产液情况，对指导油田优化管理具有重要意义。相较于现有传感器具有更强的稳定性，屏蔽层可有效屏蔽微波的散射与外界电磁波干扰，将信号锁定在有范围内。该传感器可有效、精准测量低产气油井管道内部气液流动状况。

3、本发明系统采用深度长短时记忆(lstm)神经网络，非常适合用于处理与时间序列高度相关的问题，其相较于传统识别方式，如支持向量机(svm)、递归神经网络(rnn)等，可有效避免梯度消失和梯度爆炸等问题，同时他内部的三个门函数可增强网络学习能力，可比上述网络模型预测准确率提高5％-10％左右。

4、本发明方法提取传感器测量时序信号进行取值作为特征，并将每一个含水率波动序列片段的特征进行拼接，拼接后的特征即为该信号片段的特征向量，该特征向量蕴含了丰富的井口含水率信息，将该时序特征输入到深度长短时记忆网络，可捕获含水率变化的基本特征与规律，为含水率预测模型的建立提供了丰富的特征，相较于使用原始信号直接进行含水率预测，该特征提取方法能更好的得到信号在不同空间中的特征信息，可突出、强化信号的特征特点。

5、本发明方法从完成了信号采集传感器的设计到使用深度长短时记忆(lstm)神经网络进行井口含水率预测，该流程严谨、可行，得到含水率预测值准确，网络模型较小从而降低了计算资源。由于含水率时序特征蕴含了丰富的流动特征，因此本发明所提出的模型可达到较高的含水率预测精度，预测准确率可达97％以上。相较于传统的含水率预测方法，本发明方法具有速度快、准确度高、计算资源消耗小、消除人为主观因素等优点。

附图说明

图1为本发明用于井口产液含率测量的双环式高频电容传感器结构图；

图2为本发明井口含水率电气控制及加窗分割的示意图；

图2-1为图2的信号图的放大示意图；

图3为本发明井口含水率特征提取示意图；

图4为本发明的含水率特征预测的流程图。

具体实施方式

下面结合实施例对本发明进一步说明：下述实施例是说明性的，不是限定性的，不能以下述实施例来限定本发明的保护范围。

一种基于深度长短时记忆网络的低产气油井井口含水率预测系统，由双环式高频电容传感器、含水率多元时序特征提取模块及基于长短时记忆网络的井口含水率预测网络组成。

所述双环式电容传感器用于来获取井口含水率信息，其结构如图1所示，由不锈钢金属保护壳和内部传感器管道3组成，不锈钢金属保护壳两端为公称直径dn50的左法兰1、右法兰9，其中右法兰与左法兰所在的金属保护壳为螺纹8连接，以便于安装内部传感器管道。金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有内径为18mm的引线孔5，用于传感器电极与外部测量计算仪表的连接线通道；不锈钢金属保护壳内部同轴镶装有一内径为50mm的呢绒材质的内部传感器管道，用于井口油水混合液的传输；在内部传感器管道外壁上间隔安装有两个环状测量电极6，用于油水混合液的含水率测量。同时，在环状测量电极外侧安装有电磁屏蔽层4，以提高传感器测量效果。内部传感器管道通过两侧端面的o型圈2与金属外壳压紧密封，用以防止井口产液的泄露。

本实施例中，不锈钢金属保护壳法兰间距为330mm，传感器内的呢绒管道长度为310mm，传感器管道通径为50mm，呢绒管道壁厚80mm，环状测量电极内径80mm，外径85mm，两个环状测量电极间距50mm，电磁屏蔽层为厚度为1mm的金属铜板，卷焊为圆柱筒，长度为90mm，内径为90mm，与呢绒管道之间有有机玻璃环7支撑。

所述含水率多元时序特征提取模块，如图2、3所示。图2中，高频正弦激励信号源产生激励信号，通过功分器送至传感器的环状测量电极进行扫频，环状测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后，得到含水率多元特征序列。本实施例中，信号的窗函数采用窗口大小为1000的不重叠窗，由此可对含水率信号进行多次分割，多次分割可以提取不同时间段的含水率多元特征序列。将含水率多元特征序列的片段采用wvd分布(时频联合分布)即得到时频域矩阵，采用递归图分析方法对信号进行处理，得到递归图矩阵，参见图3。对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的含水率多元时序特征向量共计上述七个特征参数。

提取时频域矩阵与递归图矩阵进行定量分析，具有较强先进性，可将信号在不同维度进行分析，对不同维度的特征进行提取，这相较于直接把信号作为数据源，不仅增加了其维度，而且突出和增强了信号的特征。

所述基于深度长短时记忆网络的井口含水率预测网络，对获得的含水率多元时序特征向量按照时间顺序进行拼接，作为深度长短时记忆(即lstm)神经网络的输入向量，其结构如图4所示。深度长短时记忆(lstm)神经网络内部有lstm单元，单元内部又分别有三个函数的:输入门、遗忘门、输出门。lstm单元共有6层。采用softmax分类函数作为输出函数，输出预测值。预测真值为井口含水率化验值，用于反向修正深度长短时记忆(lstm)网络内部参数，达到预测目的。

一种基于深度长短时记忆(lstm)神经网络的低产气油井井口含水率预测方法，包括如下步骤：

⑴双环式高频电容传感器安装和工作参数设定

将传感器安装于井口下降管道，通过dn50法兰连接接入管道。随后对传感器进行扫频操作，以确定传感器的最佳工作频率。设定传感器的扫频段为0.8ghz-10ghz，为微波波段。当传感器最佳工作频率确定之后，以该频率对环状测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息。双环式高频电容传感器对井口含率的测量采用连续式测量方式，采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列，传感器测量时序值可通过无线传输方式上传到服务器进行存储与分析操作。

⑵传感器采集信号的预处理

对信号进行加窗分割，如图2右侧，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割可提取不同时间段的含水率多元特征序列，将每个串口分割信号中的数值按照时间方向取出得到含水率多元特征序列。特征提取模块将得到的含水率波动序列片段进行时频联合分布与递归图分析如图3所示，得到时频图矩阵与递归图矩阵，通过相应公式计算得到每个片段的对应特征向量；该多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量。这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行wigner-ville分布(wvd)。首先对信号进行希尔伯特变换(hilberttransform)，然后通过公式：

(其中f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式)

得到不同时间片段下的时频图，之后，对时频图矩阵求时频能量与时频熵。

其中：

时频能量：计算加窗时间片段的时频分布为p(t,f)，则时频能量e可通过

如下方式计算：

2、时频熵：计算加窗时间片段的时频分布为p(t,f)，将时频平面的划分为

n块大小相等的矩形设每块的能量为pi,整个时频平面的能量为e，则时

频熵可以由以下方式计算：

针对定量分析低流速高含水垂直油水两相流时频联合分布特性，二次型时频分布能更加合理直观的反应了流体特征，其中时频能量与时频熵可直接反应时频图特征，是时频分布的重要特征。

随后对采集、处理后的信号进行递归域定量分析，递归定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量。其中：

递归率：计算加窗时间片段的递归矩阵rr，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，可由以下方式计算：

它表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵rr，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

式中，为长度为l的线段数。只有对角线方向线段的长度大于预先给定的下限lmin时才开始计数。lmin一般选择为不小于2的整数。det将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来。递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵rr，确定性是对角线方向线段长度的加权平均值，可由以下方式计算：

平均对角线长度l表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内。l越大，表明系统的确定性就越强。

层次性：计算加窗时间片段的递归矩阵rr，层次性是构成垂直方向线段的递归点占所有递归点数的百分比，可由以下方式计算：

式中，p(v)为长度为v的线段数。只有对角线方向线段的长度大于预先给定的下限vmin时才开始计数。vmin一般选择为不小于2的整数。lam代表了系统中分层状态的递归点的概率，递归图中孤立得递归点多于垂直方向线段结构时,lam会降低。本发明设定vmin为2。

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示

如下：

y(i)＝δu(i)＝x(i+1)-x(i)，1＜i≤n

则时间不可逆量可由以下方式计算：

其中，a表示非线性耗散系统的时间不可逆量，yi为原始时间序列的增量时间序列，n为信号的长度，h(*)为符号函数。

递归图定量分析对揭示具有复杂性、不确定性、很难用数学模型精确描述的两相流流型转化机理是有益的补充与探索。

⑶特征向量的拼接及深度长短时记忆(lstm)神经网络预测

①对不同信号片段的特征向量按照时间方向进行拼接(t1，t2......tn)，组成了含水率多元时序特征向量，如图4左侧所示。因该特征向量是在时间方向上拼接而成，所以保留了时间维度特征，其次该向量能直观反映出序列特征。

②随后将含水率多元时序特征向量作为深度长短时记忆(lstm)神经网络的训练数据，输入网络模型中进行训练。深度长短时记忆(lstm)神经网络共采用6层lstm单元，设置深度长短时记忆(lstm)神经网络超参数，通过最大迭代次数10,000次结束训练，其中批尺寸为100，时间步为150，lstm单元数量为128。每一个lstm单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到lstm单元状态中来，遗忘门决定从lstm状态中丢弃多少信息，输出门根据当前lstm单元状态，确定需要输出什么值。其公式分别如下：

inputt＝σ(wi*[ht-1，xt]+bi)

forgett＝σ(wf*[ht-1，xt]+bf)

outputt＝σ(wo*[ht-1，xt]+bo)

其中wi、wf和wo分别代表了输入门、遗忘门和输出门对应的权重参数，bi、bf和bo分别对应偏置项，ht-1为上一时刻的lstm单元内部状态，xt为当前时刻的输入值。

含水率多元时序特征向量t1输入第一层lstm单元后，都要经过上述三种门函数的计算，并确定该lstm输出。计算完当前时刻的特征序列后，lstm单元向下一时刻t2移动，重复上述过程并计算输出。计算完第一层lstm单元后，将第一层的输出向量作为第二层lstm单元的输入向量，过程同上。每一层lstm单元的输出为下一层的输入。

训练过程中，多维特征时序信号按照时间(t1,t2......tn)依次输入深度长短时记忆网络中的lstm单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比。

③通过softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数。softmax函数它能将一个含任意实数的k维向量z“压缩”到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0，1)之间，并且所有元素的和为1，softmax形式为：

其中，j＝1,…,k，j表示k中的某个分类，zj表示该分类的值。

④训练好的模型可进行含水率预测。

预测时，将多维特征时序信号输入深度长短时记忆网络后，softmax函数输出值为当前信号的含水率。