陳科貴,毛晨飛,董軍,陳愿愿,黃長(zhǎng)兵,王小準(zhǔn)

(1.西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院,四川 成都 610500;2.中國(guó)石油集團(tuán)測(cè)井有限公司華北分公司,河北 任丘 062550;3.中國(guó)石油集團(tuán)川慶鉆探工程有限公司地球物理勘探公司,四川 成都 610213;4.中原油田勘探開發(fā)研究院,河南 鄭州 450000;5.中國(guó)石油集團(tuán)測(cè)井有限公司長(zhǎng)慶分公司,陜西 西安 710100)

0 引 言

在油田的長(zhǎng)期開發(fā)過程中,儲(chǔ)層狀態(tài)往往會(huì)產(chǎn)生較大的變化,油氣水的分布狀況會(huì)變得愈加復(fù)雜[1]。為了更加準(zhǔn)確地分析判斷油田產(chǎn)液剖面形狀,必須要進(jìn)行產(chǎn)出剖面測(cè)量[2]。在產(chǎn)出剖面測(cè)量中,連續(xù)渦輪流量計(jì)由于其結(jié)構(gòu)簡(jiǎn)單、體積較小、上限排量高的優(yōu)點(diǎn)得到了廣泛地應(yīng)用[3-4]。一般情況下,首先獲取電纜上下移動(dòng)時(shí)的測(cè)井速度和與之對(duì)應(yīng)的渦輪流量計(jì)響應(yīng)數(shù)據(jù),再利用最小二乘法或最優(yōu)化法確定渦輪流量計(jì)啟動(dòng)速度。2005年,李鵬舉等[5]對(duì)連續(xù)渦輪流量計(jì)的響應(yīng)方程進(jìn)行了深入研究,并提出了2種連續(xù)渦輪流量計(jì)的定量解釋方法。在依賴于響應(yīng)方程的流體視速度的求取方法中,渦輪啟動(dòng)速度的精確性起著至關(guān)重要的作用[6]。2007年,陳科貴等[7]對(duì)產(chǎn)液剖面流體視速度求取方法的適用條件進(jìn)行了研究。根據(jù)實(shí)際應(yīng)用情況,通常采用上下混合測(cè)量最小二乘法和上下分測(cè)刻度法確定渦輪啟動(dòng)速度[8]。在中、高產(chǎn)油水兩相井中上下混合測(cè)量最小二乘法和上下分測(cè)刻度法均適用,而在低產(chǎn)油水兩相井中,上下分測(cè)刻度法更為適用[7]。渦輪啟動(dòng)速度受到流量、流體黏度、混合流體密度以及渦輪流量計(jì)頂尖與軸承摩阻特性等因素的綜合影響[9-10]。

上述2種求取渦輪啟動(dòng)速度的方法在實(shí)際應(yīng)用中由于忽略了這些因素的影響,其求取的渦輪啟動(dòng)速度存在較大誤差,且會(huì)出現(xiàn)一些異常情況[11]。降低誤差且對(duì)這些異常啟動(dòng)速度進(jìn)行預(yù)測(cè)校正成為準(zhǔn)確求取流體視速度的關(guān)鍵問題。

本文通過分析連續(xù)流量計(jì)渦輪啟動(dòng)速度與各影響因素之間的關(guān)系,以××油田10口井的大量測(cè)量數(shù)據(jù)為基礎(chǔ),應(yīng)用BP神經(jīng)網(wǎng)絡(luò)[12-14]建立了綜合考慮流量、流體黏度和混合流體密度等因素的連續(xù)流量計(jì)渦輪啟動(dòng)速度預(yù)測(cè)模型。

1 連續(xù)流量計(jì)啟動(dòng)速度的影響因素

連續(xù)流量計(jì)的實(shí)際應(yīng)用中,渦輪轉(zhuǎn)動(dòng)必須滿足的條件是渦輪的驅(qū)動(dòng)力矩大于軸承的靜摩擦阻力距[15]。將連續(xù)流量計(jì)的渦輪克服靜摩擦阻力距轉(zhuǎn)動(dòng)時(shí),通過渦輪流通截面的最小流量值稱為該連續(xù)流量計(jì)的啟動(dòng)流量閾值Qmin,此時(shí)通過渦輪流通截面的流體所具有的平均速度稱為啟動(dòng)速度vmin[16]。根據(jù)連續(xù)流量計(jì)的基本原理,并進(jìn)行分析推導(dǎo)后可知,在渦輪啟動(dòng)時(shí),其啟動(dòng)速度為[7]

(1)

式中,vmin為電纜速度為0時(shí)連續(xù)流量計(jì)的渦輪啟動(dòng)速度;Qmin為連續(xù)流量計(jì)渦輪的啟動(dòng)流量閾值;T2為機(jī)械摩擦阻力矩;ρ為流體密度;C1為與儀器結(jié)構(gòu)相關(guān)的常數(shù);A為流道面積。

從式(1)中可以得出,渦輪的啟動(dòng)速度受到井筒內(nèi)流體流量、混合流體密度和機(jī)械摩擦阻力矩的影響。雖然從連續(xù)流量計(jì)的工作原理中已推導(dǎo)出渦輪啟動(dòng)速度的計(jì)算公式,但公式中的機(jī)械摩擦阻力矩T2難以得到,因此無法通過式(1)定量求解啟動(dòng)速度和流量、密度和機(jī)械摩擦阻力矩之間的響應(yīng)關(guān)系。

在前人對(duì)連續(xù)流量計(jì)渦輪受到的摩擦阻力矩進(jìn)行的研究分析的基礎(chǔ)上可知,渦輪摩擦阻力矩主要由流體黏滯性摩擦阻力矩T1和機(jī)械摩擦阻力矩T2組成[16]。其表達(dá)式為

T1=C1ηQ+C2ρQ2

(2)

式中,C1和C2為與流型有關(guān)的比例常數(shù);η為流體的黏度;ρ為混合流體的密度;Q為流量。

(3)

式中,T0為無負(fù)荷時(shí)的機(jī)械摩擦阻力矩;μ為軸承的摩擦系數(shù);d0為軸承中滾珠的直徑;α為渦輪葉片的傾斜角度。

從式(2)和式(3)中可知,機(jī)械摩擦阻力矩T2是流體黏度和混合流體密度的函數(shù)。因此可以通過研究流量、流體黏度、混合流體密度和啟動(dòng)速度之間的映射關(guān)系準(zhǔn)確地求解渦輪啟動(dòng)速度。

2 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)類似于一個(gè)非線性原件[17-19],其具有多個(gè)輸入節(jié)點(diǎn),在經(jīng)由隱含層加權(quán)計(jì)算后,將誤差反向傳播,對(duì)非線性結(jié)構(gòu)不斷進(jìn)行優(yōu)化,從而將復(fù)雜的輸入?yún)?shù)和輸出參數(shù)之間的非線性映射關(guān)系簡(jiǎn)化,最終實(shí)現(xiàn)輸入?yún)?shù)和輸出參數(shù)之間的完美映射[20]。該網(wǎng)絡(luò)的運(yùn)行過程主要分為3部分,信號(hào)輸入后逐層加權(quán)計(jì)算并向前傳輸,將輸出值與期望值對(duì)比計(jì)算誤差,最后再將誤差逐層反饋調(diào)整計(jì)算權(quán)值[21-22]。信號(hào)向前傳輸?shù)倪^程中,每個(gè)輸入信號(hào)都要經(jīng)過隱含層的加權(quán)計(jì)算。逐層處理時(shí),每層的神經(jīng)元輸出結(jié)果只會(huì)受到上一層神經(jīng)元輸出結(jié)果的影響。輸出值與期望值對(duì)比后的誤差如果大于設(shè)置的目標(biāo)誤差,則將誤差再逐層反饋,根據(jù)反饋的誤差對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行不斷的調(diào)整,使誤差不斷減小[23],直到誤差小于設(shè)置的目標(biāo)誤差或達(dá)到最大運(yùn)算次數(shù),則網(wǎng)絡(luò)運(yùn)行結(jié)束[24]。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3 連續(xù)流量計(jì)啟動(dòng)速度預(yù)測(cè)模型

將BP神經(jīng)網(wǎng)絡(luò)用于非線性函數(shù)擬合時(shí),具體過程可以分為建立網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練網(wǎng)絡(luò)單元和預(yù)測(cè)結(jié)果對(duì)比3步[25]。本文利用3層神經(jīng)網(wǎng)絡(luò)構(gòu)建連續(xù)流量計(jì)渦輪啟動(dòng)速度預(yù)測(cè)模型,將流量、流體黏度和混合流體密度作為輸入層的神經(jīng)元節(jié)點(diǎn),將連續(xù)流量計(jì)渦輪啟動(dòng)速度作為輸出層的神經(jīng)元節(jié)點(diǎn),隱含層節(jié)點(diǎn)數(shù)設(shè)置為8,對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并進(jìn)行啟動(dòng)速度的預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)啟動(dòng)速度預(yù)測(cè)模型的結(jié)構(gòu)如圖2所示。

圖2 啟動(dòng)速度預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.1 樣本數(shù)據(jù)

××油田處于低產(chǎn)量中含水開發(fā)階段,研究區(qū)塊的井普遍存在脫氣現(xiàn)象,導(dǎo)致井筒內(nèi)流型變化復(fù)雜,在井筒內(nèi)流體流型改變的同時(shí),流體的黏度和混合流體的密度將伴隨流型的改變而產(chǎn)生相應(yīng)的變化,并且井筒內(nèi)流量較低,渦輪轉(zhuǎn)速較小。不同測(cè)速、不同流量的測(cè)量條件下,儀器響應(yīng)相關(guān)性較差,常常為非穩(wěn)態(tài)響應(yīng)。根據(jù)流量測(cè)井資料,采用上下分測(cè)刻度法求取流體視速度時(shí),啟動(dòng)速度異常和截距異?，F(xiàn)象往往會(huì)同時(shí)且頻繁出現(xiàn)[7]。本文以××油田10口井中的50組流量測(cè)井資料為依據(jù),對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè),進(jìn)而對(duì)啟動(dòng)速度進(jìn)行預(yù)測(cè),最終實(shí)現(xiàn)對(duì)異常啟動(dòng)速度的校正。

3.2 樣本數(shù)據(jù)訓(xùn)練與預(yù)測(cè)

本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建主要用到newff函數(shù)(BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置函數(shù))、train函數(shù)(BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù))和sim函數(shù)(BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)函數(shù))。為防止數(shù)據(jù)本身的差異對(duì)計(jì)算結(jié)果造成影響,需要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理,因此在輸入樣本數(shù)據(jù)時(shí)還調(diào)用了歸一化函數(shù)mapminmax,其數(shù)據(jù)分布在[-1～1]之間。網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差為0.000 1,將學(xué)習(xí)率設(shè)為0.01,限定最大循環(huán)次數(shù)為500次,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)為3×8×1。為了使樣本的輸入順序?qū)︻A(yù)測(cè)結(jié)果不會(huì)產(chǎn)生影響,本文從表1中的50組輸入數(shù)據(jù)中隨機(jī)抽取40組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù),剩余的10組數(shù)據(jù)作為網(wǎng)絡(luò)測(cè)試數(shù)據(jù)。

將BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置完畢后,根據(jù)表1對(duì)其進(jìn)行訓(xùn)練,訓(xùn)練收斂之后,對(duì)該神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析?？傮w擬合優(yōu)度為0.917,該模型具有很好的擬合優(yōu)度(見圖3)。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型經(jīng)過訓(xùn)練后,將該模型所得的實(shí)際輸出與期望輸出進(jìn)行對(duì)比,相對(duì)誤差見圖4。該模型預(yù)測(cè)結(jié)果的最大相對(duì)誤差為2.0%。以上結(jié)果說明,針對(duì)連續(xù)流量計(jì)渦輪啟動(dòng)速度預(yù)測(cè)所建立的BP神經(jīng)網(wǎng)絡(luò)模型可以很好地反映出連續(xù)流量計(jì)啟動(dòng)速度和流量、流體黏度以及混合流體密度之間的內(nèi)在聯(lián)系和相關(guān)規(guī)律。

由圖4可知,通過BP神經(jīng)網(wǎng)絡(luò)所得到的連續(xù)流量計(jì)啟動(dòng)速度具有很高的可靠性,且該方法具有很強(qiáng)的實(shí)用性。對(duì)于不同研究區(qū)塊內(nèi),不同條件下的流量測(cè)井,只需根據(jù)研究區(qū)內(nèi)各種條件下的實(shí)際觀測(cè)值對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行重新訓(xùn)練,便可建立適用于各種條件下的預(yù)測(cè)模型來預(yù)測(cè)連續(xù)流量計(jì)啟動(dòng)速度,并且預(yù)測(cè)結(jié)果具有很高的準(zhǔn)確性,也可對(duì)其他方法求取的異常啟動(dòng)速度進(jìn)行有效校正。

綜上所述,BP神經(jīng)網(wǎng)絡(luò)在解決連續(xù)流量計(jì)啟動(dòng)速度預(yù)測(cè)的問題時(shí),具有很強(qiáng)的可行性和實(shí)用性。在實(shí)際的流量測(cè)井解釋中,可根據(jù)實(shí)際測(cè)量到的產(chǎn)量,再與流體黏度和混合流體密度相結(jié)合,通過訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,對(duì)整個(gè)流量層的啟動(dòng)速度進(jìn)行預(yù)測(cè)并校正異常啟動(dòng)速度,最終提高流體視速度的求解精度。

表1 樣本數(shù)據(jù)(部分)

圖3 BP神經(jīng)網(wǎng)絡(luò)回歸分析圖*數(shù)據(jù)歸一化處理后分布在[-1～1]之間

圖4 連續(xù)流量計(jì)啟動(dòng)速度預(yù)測(cè)結(jié)果誤差百分比

4 結(jié) 論

(1) 對(duì)連續(xù)流量計(jì)啟動(dòng)速度的主要影響因素為流量、流體黏度和混合流體密度等,并以此為基礎(chǔ)建立了預(yù)測(cè)連續(xù)流量計(jì)渦輪啟動(dòng)速度的BP神經(jīng)網(wǎng)絡(luò)模型。

(2) 用BP神經(jīng)網(wǎng)絡(luò)解決連續(xù)流量計(jì)啟動(dòng)速度的預(yù)測(cè),經(jīng)驗(yàn)證是可行且可靠的。BP神經(jīng)網(wǎng)絡(luò)連續(xù)流量計(jì)啟動(dòng)速度預(yù)測(cè)模型的總擬合優(yōu)度為0.917,最大相對(duì)誤差為2.0%。這說明該預(yù)測(cè)模型對(duì)連續(xù)流量計(jì)啟動(dòng)速度的預(yù)測(cè)具有較高精度。使產(chǎn)液剖面的解釋更加準(zhǔn)確,可進(jìn)一步提高油田采收率。

(3) 油田實(shí)測(cè)的地面流量、流體黏度和混合流體密度是建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ),對(duì)于不同研究區(qū)塊,不同測(cè)量條件,可應(yīng)用不同區(qū)塊的實(shí)測(cè)值建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,該方法具有很強(qiáng)的適用性。