专利名称：使用人工神经网络的用于电潜水泵的多相流量计的制作方法
技术领域：
本发明 一般涉及用于地下泵浦设备的测量和控制系统；并且具体 地讲，涉及4吏用神经网络的流量计，所述神经网络被训练为基于从井 下传感器传送的管道和井下压力测量值来输出井下流量特性。
背景技术：
已知大多数仪表化的油井不包括分别的流量计。原因包括高的初 始成本、维护问题、不易接近以及由于流中典型存在的液态油、水和 气相的多相特性所导致的测量值的不准确性。多相流量计是已知的， 但非常昂贵。
还已知可使用神经网络来测试包括与人工举升技术和系统相结合 地使用的电动机和泵的机器的新的设计。具体地讲，请见具有与本申 请共同的发明人并与本申请一同转让的于2005年9月20日提交的题 为 "Neural Network Model for Electrical Submersible Pump System"的美国专利6，947，870。
发明内容
5本发明的实施例提供了 一种与井筒中的电潜水泵系统相结合地使 用的特殊多相流量计，所述多相流量计使得管道和井下压力测量值能 够被用于确定流量。多相流量计包括至少一个人工神经网络装置和放 置在井筒中的至少一个压力传感器。人工神经网络装置被训练为响应 于多相流压力梯度计算以及泵和储层模型结合标准井下压力和管道表 面压力读数，来输出管道和井下流量特性。
已陈述了本发明的一些特征和益处，当与附图相结合时，其它的
特征和益处将在继续描述的同时变得显而易见，其中
图1示例了包括根据本发明的实施例的多相流量计的井下生产系统。
图2是详细描述根据本发明的实施例的神经网络训练算法的高级 流程图。以及
图3是示例了根据本发明的实施例的多相流量计的功能的框图。 尽管关于优选的实施例描述了本发明，应理解不旨在将本发明限
制于所述实施例。相反，旨在覆盖可包括在由所附权利要求定义的本
发明的实质和范围内的所有的变形、改进和等同物。
具体实施例方式
现在，参照其中示出了本发明的实施例的附图在下文中更完全地 描述本发明。然而，本发明可被实现为许多不同的形式，并且不应被 理解为限制于本文中所陈述的示例实施例；而是这些实施例被提供为 使得发明内容更完全和完整，并且将本发明的范围完全地转达给本领 域技术人员。通篇，相似的附图标记表示相似的元件。
本发明的实施例提供了 一种例如确定井筒中的流量特性的方法。 所述方法包括确定与井筒中的电潜水泵系统相关联的一个或多个传感 器的一个或多个压力测量值。所述方法还包括将一个或多个压力测量 值从一个或多个传感器发送至人工神经网络装置。所述方法还包括由
6人工神经网络装置响应于一个或多个发送的压力测量值来输出井筒的 流量特性。所述方法还可包括响应于由人工神经网络装置输出的井筒 的流量特性来控制电潜水泵系统。所述方法还可包括记录来自一个或 多个传感器的一个或多个压力测量值、和来自由人工神经网络装置输 出的井筒的流量特性的数据。
本发明的其它实施例提供了 一种确定井筒中的流量特性的方法。
所述方法包括确定定义泵入口压力的井筒中的电潜水泵系统的入口 处的压力，确定定义泵出口压力的井筒中的电潜水泵系统的出口处的 压力，以及确定定义管道表面压力的井筒的表面处的压力。所述方法 还包括由人工神经网络装置响应于泵入口压力、泵出口压力和管道表 面压力中的一个或多个而输出井筒的流量特性。
本发明的实施例提供了 一种例如用于电潜水泵系统的多相流量 计。所述系统包括位于井筒的表面的压力传感器、位于井筒中的电潜 水泵、位于电潜水泵的入口处的压力传感器、位于电潜水泵的出口处 的压力传感器、以及位于井筒中并与电潜水泵相连接的电动机。所述 系统还包括至少一个人工神经网络装置，所述人工神经网络装置包括 处理器和能够接收从与井筒相关联的压力传感器发送的测量值，并响 应于一个或多个接收的测量值而输出井筒的流量特性的电路。
图1示例了井下生产系统10的示范性实施例，所述生产系统包 括多相流量计12。井下生产系统10包括电源14，所述电源14包括 诸如电源线(电耦合至电力企业设备)的交流电源、或电耦合至电动 机控制器16并且向电动4几控制器16提供三相电力的发电机。电动机 控制器16可以是任何公知的类型，诸如脉宽调制变频驱动器、配电 板或其它已知的控制器。电源14和电动机控制器16两者都位于井眼 的地表层，并且都经由三相电缆18电耦合至感应电动机20。可在电 动才几控制器16和感应电动才几20之间电耦合可选的变压器21，以便 按照需要升压或降压。
再参照图1的示范性实施例，井下生产系统IO还包括用于辅助 生产的人工举升i殳备，所述人工举升设备包括感应电动才几20和电潜水泵22( "ESP"),所述电潜水泵可以是美国专利No.5，845，709中 〃^开的类型。电动机20被机电地耦合至泵22并驱动泵22，这使得 气体和液体流从井眼升至地表以供进一步处理。三相电缆18、电动
机20和泵22形成ESP系统。
井下生产系统10还包括多相流量计12，所述多相流量计包括传 感器24a-24n。多相流量计12还可以包括允许流量计12基于由流 量计12确定的流量特性来控制井下系统的数据获取、记录和控制系 统。传感器24a-24n位于井下在感应电动机20、 ESP 22内或附近 或位于井眼内的任何其它位置。可按照需要使用任何数量的传感器。
传感器24a-24n监一见和测量井眼内的各种状况，诸如泵出口压 力、泵入口压力、管道表面压力、振动、周边井筒流体温度、电动机 电压、电动机电流、电动机油温等。传感器24a-24n使用诸如例如 美国专利6,587,037和6,798,338中公开的技术，至少周期性地经由井 下链路13来将各个测量值传送至流量计12.在可供替换的实施例 中，流量计12可使用技术领域中已知的任何种类的通信技术相似地 将控制信号传送至电动机20、 ESP22或其它井下元件。这样的控制 信号将管理井下元件的操作，以最优化井的产出。
再参照图1的示范性实施例，流量计12包含电耦合至三个可编 程人工神经网络12a、 12b和12c的处理器26,所述可编程人工神经 网络基于从传感器24a-24n接收到的井下数据来计算井下流量特 性。然而，可按照需要在处理器26内使用任何数量的神经网络。
流量计12可被构造为具有CPU 26和可编程存储器(闪存等) 的独立装置，所述流量计12处理所有必要的数据计算，诸如浮点数 学计算。流量计12还包含允许数据获取控制器经由神经网络12a-c 所使用的双向通信链路13来交换井下数据的通信端口。这些端口还 允许经由双向通信链路30从训练软件28向神经网络12a- c发送训 练参数(例如，权重、尺度和偏移量)。
如上所述，经由训练软件28对神经网络12a-c进行编程(或训 练)，所述训练软件周期性地经由链路30将训练数据(例如，权
8重、偏移量和标量)下载至处理器26。训练软件28负责产生训练组 和训练神经网络12a-c输出按照所需测量单位的所需流量特性。训 练软件28可包括例如用于基于ESP模型来确定流量特性的软件，所 述ESP模型包括用于计算多相流状况下管道中的摩擦损失和压力梯 度的数学计算，诸如Hagedom&Brown相关、Beggs&Bri11、 Kermit E. Brown的"The Technology of Artificial Lift Methods"中讨论的 或美国专利No.6，585，041或6,947,870中讨论的。此外，用户可对软 件模型进行手动调整，以反映来自其它井的信息。
为了执行训练，流量计12经由双向链路30被周期性地耦合至训 练软件28，所述双向链路可以是例如有线或无线连接。然而，在替 换实施例中，可由处理器28本身在内部执行也被称为反向传播 (back propagation)的这个训练，而不需要外部训练软件28。链路 30也可用于从可形成流量计12的一部分的数据记录存储器下载数 据。经由井下链路13从传感器24a-24n接收到的周期测量值也可被 传送至训练软件28,所述训练软件28再使用测量值来训练或重新训 练神经网络12a-12c。
参照图1和2，现在将描述神经网络12a-12c的训练算法的示 范性实施例。如之前描述的，训练软件28训练神经网络12a-c使用 井下压力读数来确定井下流量特性。这可使用各种训练算法或确定性 模型来完成。现有技术中已知成为人工神经网络的基础的基本概念。
参照图2,在步骤100，使用实际的SCADA测量数椐(例如， 泵入口压力、泵出口压力、流量等)来校准确定性模型。在步骤 101，训练软件28产生管道表面压力(Ptbg)和电动机频率(Freq) 的随才几值。此外，可由软件28随机地产生或在步骤101手动地输入 生产指数(PI)、含水率(wc%)、气油比(GOR)、井底温度 (BHT)、静压(Pr)或任何其它变量的值，并在训练算法中使用 这些值。
一旦在步骤101产生了所述值，在步骤103，软件28对于每组 Ptbg和Fr叫使用井和泵的确定性模型来计算不限于泵流量(Qpmp)、泵入口压力(Pip)和泵出口压力(Pdp)的值。训练软 件28取这些输入值和计算值并创建包含任何数量的值的表格。此 后，在步骤105a,在训练软件28内复制神经网络12a,并利用将
神经网络12a。在步骤105b，在训练软件28内复制神经网络12b， 并利用使用Freq、 Pdp和Pip作为输入以及使用Qpmp作为输出的 相同表格来训练所述神经网络12b。在步骤105c,在训练软件28内 复制神经网络12c，并利用使用Pip作为输入以及使用Qpmp作为输 出的相同表格来训练所述神经网络12c。
在训练步骤105a-c期间，每个复制的神经网络扫描表格多次， 按照需要调整其权重以最小化误差。这被称为反向传播。 一旦被训练 为所需的准确度百分比，就可稍后在步骤107经由双向链路30将得 到的权重、偏移量和标量下载至流量计12内的神经网络12a-c。
一旦已经在步骤105中将训练值下栽至神经网络12a-c,每个 神经网络12a-c现在准备接收实际井下测量值并计算流量特性。如 图3所示，被训练的神经网络12a基于经由井下链路13从传感器 24a-n接收到的Pdp的测量值和管道表面压力(Ptbg)的测量值来 输出管道流量(Qtbg)。请注意，这些井下测量值(Ptbg和Pdp) 要求相对长的管道，以确保可测量的由摩擦导致的压力损失。
被训练的神经网络12b基于经由链路13从传感器24a-n接收 到的电动才几的频率(Freq)或泵RPM、入口压力(Pip)和出口压力 (Pdp)测量值来输出泵流量(Qpmp)。为了^(吏神经网络12b准确 地随时间输出Qpmp，需要泵性能的近似知识，在技术领域中也被称 为泵特性曲线。这样的数据可在执行训练之前被手动地更新(或传 送)到训练软件28中。通过考虑泵特性，将使得软件28能够随时间 被连续地校准，从而这将使得能够随时间进行神经网络12b的准确训 练。
Qtbg和Qpmp的测量值可纟皮处理器26比较或被发送至其它地 方用于记录，用于发现和修理ESP系统的故障，或用于校准目的。
10被训练的神经网络12c基于已知的井的静压(Pr)和生产指数(PI) 和由传感器24a-24n获得的泵入口压力(PI)读数，来输出射孔处 的流量(Qperfs)。 一旦已分别由神经网络12a、 12b和12c计算了 Qtbg、 Qpmp和Qperfs，流量计12就可将流量特性发送至外部装置 用于诸如电动机控制、泵控制或进一步分析的各种原因，
在上述示范性实施例中，可向流量计提供多达四个输入值 (Pip、 Pdp、 Ptbg和Freq)并且多达三个输出值(Qtbg、 Qpmp和 Qperfs)是可能的。然而，可基于设计要求而使用更多或更少的输 入，诸如例如，电流、PI、 Pr、 wc%、 BHT和GOR。可包括电动才几 电流或控制器电流作为附加的输入，以更好地对抗改变的流体特性或 井生产率变化。当正确地校准时，Qpmp-Qtbg，并且这两个值之间 的任何差值可被用来发现并修理诸如管道或泵堵塞或磨损的问题。例 如，在启动后长时间时，当达到稳定状态时，所有的三个流量应相同 (Qperfs=Qpmp=Qtbg)。因此，如果不是这样，则表明存在井下问 题或流量计内的4交准问题。
此外，如果需要，则流量计12可将这三个流量的平均值作为单 个输出值来处理。在最优选的实施例中，仅将流量计12的处理器26 编程为进行神经网络12a- c的前向传播，因为在训练软件28中外部 地进行更强化的反向传播训练更加实际。
流量计12可采取各种实施例的形式。其可以是位于井场的硬件 的一部分，包括在可编程ESP控制器、配电板或变速驱动的软件 中，或者可以是其自己的CPU和存储器耦合至这样的元件的单独的 盒。并且流量计12甚至可以位于网络上作为在服务器中运行的一条 软件代码，所述服务器经由服务器和井下钻孔之间的通信链路接收井 下读数。
重要的是要注意，尽管已经在全功能系统和实现本发明的方法的 上下文中描述了本发明的实施例，但本领域技术人员应理解，本发明 的机制及其各方面能够以指令的计算机可读介质的形式被分发，所述 指令为在一个或多个处理器等上执行的各种形式，并且本发明同等地
ii应用而不管用于实际执行分发的信号承载介质的具体类型。计算机可
读介质的例子包括但不限于诸如只读存储器(ROM) 、 CD-ROM和DVD-ROM的非易失性硬编码型介质；或可擦写电可编程 只读存储器(EEPROM);诸如软盘、硬盘驱动器、CD-R/RW、 DVD-RAM、 DVD-R/RW、 DVD + R/RW、闪存驱动器和其它较 新的类型的存储器的可记录型介质；以及诸如数字和模拟通信链路的 传输型介质。例如，这样的介质可包括操作指令、与系统和上面描述 的方法步骤相关的指令。
也应理解，本发明不限于所示出和描述的构造、确定性或训练算 法、操作、准确的材料或实施例的准确细节，因为改进和等同物对于 本领域技术人员是显而易见的。例如，流量计12可被编程为以不同 的组合来使用任何数量的井下测量值输入。因此，如果不具有出口压 力读数，则本发明可使用Freq、 Pip和Ptbg来估算Qpmp。并且， 如果不存在入口压力读数，则可使用Ptbg和Pdp来估算Qtbg。最 后，如果仅具有Pip，则可对神经网络编程来估算Qperfs。其它实施 例可包括4象电流、PI、含水率和GOR的附加输入。
在图和说明书中，已公开了本发明的示例性实施例，并且尽管使 用具体术语，它们仅用于广义和描述性目的，而不是为了限制的目 的。因此，本发明仅由所附权利要求的范围限制。
权利要求
1.一种确定井筒中的流量特性的方法，所述方法包括确定与井筒中的电潜水泵系统相关联的一个或多个传感器处的一个或多个压力测量值；从所述一个或多个传感器向人工神经网络装置发送所述一个或多个压力测量值；由人工神经网络装置响应于所述一个或多个发送的压力测量值来输出井筒的流量特性。
2、 如权利要求1所述的方法，其中，所述一个或多个传感器处 的一个或多个压力测量值包括泵出口压力和管道表面压力，并且其 中，由人工神经网络装置输出的井筒的流量特性包括管道流量。
3、 如权利要求1所述的方法，其中，所述一个或多个传感器处 的一个或多个压力测量值包括泵出口压力和泵入口压力，并且其中， 由人工神经网络装置输出的井筒的流量特性包括响应于泵出口压力测 量值、泵入口压力测量值和电动机频率的泵流量。
4、 如权利要求1所述的方法，其中，所述一个或多个传感器处 的一个或多个压力测量值包括泵入口压力，并且其中，由人工神经网 络装置输出的井筒的流量特性包括射孔处的流量。
5、 如权利要求1所述的方法，还包括使用下述内容之一来训练 人工神经网络装置外部训练软件和人工神经网络装置上的内部剩练 软件。
6、 如权利要求1所述的方法，还包括响应于由人工神经网络装 置输出的井筒的流量特性来控制电潜水泵系统。
7、 如权利要求1所述的方法，其中，由人工神经网络装置输出 井筒的流量特性的步骤也响应于下述内容中的一项或多项的电流测量 值电动机电流和控制器电流。
8、 一种确定井筒中的流量特性的方法，所述方法包括 确定定义泵入口压力的井筒中的电潜水泵系统的入口处的压力；确定定义泵出口压力的井筒中的电潜水泵系统的出口处的压力； 确定定义管道表面压力的井筒的表面处的压力； 由人工神经网络装置响应于下述内容中的一个或多个输出井筒的 流量特性泵入口压力、泵出口压力和管道表面压力.
9、 如权利要求8所述的方法，其中，由人工神经网络装置输出 的井筒的流量特性包括响应于泵出口压力和管道表面压力的管道流 量。
10、 如权利要求8所述的方法，其中，由人工神经网络装置输出 的井筒的流量特性包括响应于泵出口压力、泵入口压力和与电潜水泵 系统相关联的电动机的频率的泵流量。
11、 如权利要求8所述的方法，其中，由人工神经网络装置输出 的井筒的流量特性包括响应于泵入口压力的射孔处的流量。
12、 如权利要求8所述的方法，其中，使用确定性模型来训练人 工神经网络装置，并且其中，对人工神经网络装置的附加输入包括与 电潜水泵系统相关联的电动机的频率和下述内容中的一项或多项的电 流测量值电动机电流和控制器电流。
13、 如权利要求8所述的方法，还包括使用下述内容之一来训练 人工神经网络装置外部训练软件和人工神经网络装置上的内部训练 软件。
14、 如权利要求8所述的方法，还包括响应于由人工神经网络装 置输出的井筒的流量特性来控制电潜水泵系统。
15、 一种用于电潜水泵系统的多相流量计，包括 位于井筒的表面的压力传感器； 位于井筒中的电潜水泵； 位于电潜水泵的入口处的压力传感器； 位于电潜水泵的出口处的压力传感器；位于井筒中并与电潜水泵相连接的电动机；以及 至少一个人工神经网络装置，所述人工神经网络装置包括处理器和电路，所述电路能够接收从与井筒相关联的压力传感器发送的测量值，并能够响应于一个或多个接收的测量值来输出井筒的流量特性。
16、 如权利要求15所述的多相流量计，其中，井筒的流量特性 包括管道流量，并且其中，所述人工神经网络装置响应于来自电潜水 泵的出口处的压力传感器的定义泵出口压力的测量值、和来自井筒的 表面处的压力传感器的定义管道表面压力的测量值，来输出管道流 量。
17、 如权利要求15所述的多相流量计，其中，井筒的流量特性 包括泵流量，并且其中，所述人工神经网络装置响应于来自电潜水泵 的出口处的压力传感器的定义泵出口压力的测量值、和来自电潜水泵 的入口处的压力传感器的定义入口压力的测量值以及电动机的频率， 来输出泵流量。
18、 如权利要求15所述的多相流量计，其中，井筒的流量特性 包括射孔处的流量，并且其中，所述人工神经网络装置响应于来自电 潜水泵的入口处的压力传感器的定义入口压力的测量值来输出泵流 量。
19、 如权利要求15所述的多相流量计，还包括周期性地连接至 神经网络装置并且能够外部地进行神经网络装置的反向传播的训练软 件。
20、 如;K利要求15所述的多相流量计，其中，至少一个人工神 经网络装置包括内部训练软件。
全文摘要
一种与井筒中的电潜水泵系统相结合地使用的多相流量计，所述多相流量计包括传感器来确定和发送井筒压力测量值，所述井筒压力测量值包括管道和井下压力测量值。所述多相流量计还包括至少一个用于输出井筒的流量特性的人工神经网络装置。所述人工神经网络装置被训练为响应于多相流压力梯度计算以及泵和储层模型，结合标准井下压力、管道表面压力读数和施加于电潜水泵电动机的频率来输出管道和井下流量特性。
文档编号G01F1/34GK101680793SQ200880019967
公开日2010年3月24日 申请日期2008年6月11日 优先权日2007年6月11日
发明者A·W·克罗斯利, J·R·里德, 朱德浩 申请人:贝克休斯公司