， ，

(1.中石油 克拉瑪依石化有限責(zé)任公司， 新疆 克拉瑪依 834003；2.中國石油大學(xué)(北京) 過程流體過濾與分離技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 102249)

隨著海洋油氣開發(fā)走向深海，對其水下生產(chǎn)系統(tǒng)的應(yīng)用要求也越來越高[1]。在深海生產(chǎn)條件下，若繼續(xù)使用傳統(tǒng)的多相流量計將會使油氣田開發(fā)成本極大增高，而且其日常維護(hù)、校準(zhǔn)工作也十分困難。20世紀(jì)90年代，虛擬流量計技術(shù)被首次提出用于油氣田開發(fā)，目前該技術(shù)在國外油氣田開發(fā)中應(yīng)用較為廣泛。我國自主研發(fā)的首個海上凝析氣田虛擬流量計系統(tǒng)[2-3]已于2014年在我國南海投入使用，該系統(tǒng)依托多相流模擬技術(shù)，根據(jù)油氣田提供的工藝參數(shù)和生產(chǎn)數(shù)據(jù)，通過計算機(jī)及相應(yīng)的軟件實(shí)時計算所需的流動信息，從而提供相應(yīng)的油氣田管理對策。但該虛擬流量計系統(tǒng)在投產(chǎn)運(yùn)行期間產(chǎn)生了部分時間段精度不高、可靠性低的問題。針對此情況，基于數(shù)據(jù)融合的思想，分別采用D-S證據(jù)理論、不確定度理論及神經(jīng)網(wǎng)絡(luò)理論，設(shè)計了基于多個物理流量模型計算結(jié)果的3種數(shù)據(jù)融合流量估計算法，該算法能極大降低由于單個物理模型結(jié)果偏差過大而對整個流量計系統(tǒng)造成的影響，從而有效提高虛擬流量計系統(tǒng)的可靠性、穩(wěn)定性和精度。

1 數(shù)據(jù)融合技術(shù)

數(shù)據(jù)融合技術(shù)最早出現(xiàn)在20世紀(jì)70年代，經(jīng)過近40 a的發(fā)展，該技術(shù)已被廣泛應(yīng)用于多源圖像合成、智能系統(tǒng)、目標(biāo)跟蹤及多相流等領(lǐng)域[4-6]。數(shù)據(jù)融合的基本原理源自于人腦對信息的處理方式，通過神經(jīng)中樞將感受到的信息傳送到大腦進(jìn)行綜合處理，然后再對外部環(huán)境進(jìn)行判斷和控制[4]。數(shù)據(jù)融合能夠充分利用多個傳感器在不同空間或時間采集到的可融合或者互補(bǔ)的數(shù)據(jù)資源，采用計算機(jī)技術(shù)，對多個傳感器獲得的數(shù)據(jù)，在特定的準(zhǔn)則或算法下進(jìn)行分析、組合、計算，以獲得對被測對象的一致性解釋或描述，從而實(shí)現(xiàn)相應(yīng)的決策與估計，使系統(tǒng)獲得比單一數(shù)據(jù)源更可靠、更準(zhǔn)確的信息[7]。

常用的數(shù)據(jù)融合方法主要包括加權(quán)平均、卡爾曼濾波、貝葉斯估計、D-S證據(jù)理論、模糊推理及神經(jīng)網(wǎng)絡(luò)等，各方法的特點(diǎn)見表1。

表1 各種數(shù)據(jù)融合方法特點(diǎn)

每個物理流量模型的計算精度不同，且當(dāng)某個模型失效時，虛擬流量計系統(tǒng)的可靠性和精度必定會受到影響。為了保證計量的精度和可靠性，根據(jù)虛擬流量計系統(tǒng)對計算速度和計算精度的要求，利用數(shù)據(jù)融合技術(shù)設(shè)計了加權(quán)平均、D-S證據(jù)理論和神經(jīng)網(wǎng)絡(luò)這3種數(shù)據(jù)融合算法進(jìn)行流量估計。

2 物理流量模型

2.1 水下凝析氣田流動系統(tǒng)

典型的水下凝析氣田流動系統(tǒng)示意圖見圖1。由圖1可知，流體從井底至平臺分離器的流動存在井筒、油嘴及跨接管的多相流動節(jié)點(diǎn)。根據(jù)流體在管段不同節(jié)點(diǎn)間的多相流動過程，利用各節(jié)點(diǎn)的溫度、壓力及沿線基本參數(shù)，分別建立了用于單井流量計量的井筒、油嘴、筒嘴及跨接管等物理模型。

圖1 典型的水下凝析氣田流動系統(tǒng)示圖

2.2 井筒模型

井筒模型是根據(jù)流體在井筒中的多相流動過程，利用能量、動量及連續(xù)性方程描述井筒穩(wěn)態(tài)流動的算法，給出單井流量的上下限范圍，并根據(jù)井底、井口的壓力、溫度實(shí)測值，利用二分法迭代求解出單井質(zhì)量流量，具體求解過程見文獻(xiàn)[8-9]。

2.3 油嘴模型

油嘴模型是利用多相流體流過油嘴閥門的流動特性而建立的流量預(yù)測算法。文中主要利用Schüller等[10]推導(dǎo)的油嘴模型進(jìn)行凝析氣井單井流量的計算，應(yīng)用該模型時需要對油嘴的流量系數(shù)進(jìn)行定期修正。

2.4 筒嘴模型

筒嘴模型實(shí)質(zhì)是井筒模型和油嘴模型的結(jié)合，其將多相流體在井筒和油嘴中的流動過程作為一個整體來考慮，利用井底和油嘴后的溫度、壓力求解得到流量。

2.5 跨接管模型

跨接管的特點(diǎn)是長度短、壓降小且降溫大。利用流體在跨接管中的穩(wěn)態(tài)熱力算法，根據(jù)跨接管的一段溫度、壓力和管匯處的溫度便可求解得到流量數(shù)值[11]。

3 基于數(shù)據(jù)融合技術(shù)的油氣井流量算法

3.1 基于D-S證據(jù)理論

基于D-S證據(jù)理論的多模型融合算法是D-S證據(jù)理論與加權(quán)融合的結(jié)合，根據(jù)各個物理流量模型的結(jié)果，由D-S證據(jù)理論合成法則來確定各物理流量模型的融合權(quán)重，然后進(jìn)行加權(quán)融合，具體方法見文獻(xiàn)[11-12]。

3.2 基于不確定度理論

基于不確定度理論的多模型融合算法也是利用加權(quán)融合，不同之處在于各模型的權(quán)重是根據(jù)虛擬流量計系統(tǒng)各模型的不確定度大小來確定的。根據(jù)JJF 1059.1—2012《測量不確定度評定與表示》[13]，測量不確定度的定義為根據(jù)所用到的信息，表征賦予被測量分散性的非負(fù)參數(shù)。測量不確定度一般由若干分量組成，每個分量用其概率分布的標(biāo)準(zhǔn)偏差估計值表征，稱為標(biāo)準(zhǔn)不確定度。標(biāo)準(zhǔn)不確定度的評定方法包括A類評定和B類評定。A類評定是在規(guī)定條件下對測得的量值用統(tǒng)計分析的方法進(jìn)行測量不確定度的分量評定。B類評定是根據(jù)有關(guān)的信息或經(jīng)驗(yàn)，判斷被測量的可能值區(qū)間。當(dāng)被測量估計值y由N個其他量x1，x2，…xN通過測量函數(shù)f確定時，被測量的估計值y=f(x1，x2，…xN)，被測量估計值y的合成標(biāo)準(zhǔn)不確定度uc(y)按以下公式計算：

(1)

式中，y為被測量的估計值；xi為輸入量的估計值；?f/?xi為靈敏系數(shù)，為被測量與相關(guān)輸入量之間的函數(shù)；對于輸入量xi的偏導(dǎo)數(shù)，文中取1；u(xi)為輸入量的標(biāo)準(zhǔn)不確定度。

基于上述不確定度理論，對于虛擬流量計系統(tǒng)不確定度的來源主要考慮沿線各儀表的不確定度和物理流量模型的不確定度兩部分。其中儀表部分的不確定度根據(jù)B類評定方法確定，該部分的不確定度一經(jīng)確定，便認(rèn)為其不再發(fā)生改變。各物理流量模型的不確定度根據(jù)其計算結(jié)果利用A類評定方法確定，這就要求在進(jìn)行不確定度計算時，實(shí)際的流量數(shù)據(jù)在小范圍內(nèi)波動或者基本維持不變，否則評價結(jié)果將失去意義。物理流量模型的不確定度會隨著計算結(jié)果準(zhǔn)確性的變化而發(fā)生改變。在確定儀表不確定度和物理流量模型不確定度后，便可對這兩部分進(jìn)行合成得到合成后的不確定度：

(2)

在進(jìn)行加權(quán)融合時，各模型的權(quán)重為：

(3)

基于不確定度理論的多模型融合結(jié)果為：

(4)

式中，Wi為單個物理流量模型的流量計算結(jié)果，n為物理流量模型的個數(shù)。

3.3 基于神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有高度的并行性、較強(qiáng)的容錯能力及非線性自適應(yīng)能力等優(yōu)點(diǎn)[14]，是一種良好的數(shù)據(jù)融合方法。在當(dāng)前人工神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型都是采用BP前饋網(wǎng)絡(luò)或其變形形式。多模型融合反映的各模型數(shù)據(jù)間的關(guān)系很復(fù)雜，非線性模式也多種多樣，多層前饋網(wǎng)絡(luò)能將各物理模型的計算結(jié)果作為輸入非線性組合進(jìn)行建模，若給定足夠的隱藏神經(jīng)元，它可以逼近任何函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)采用誤差反向傳播算法，其把整個學(xué)習(xí)過程分為2個階段，第1階段為正向傳播過程，訓(xùn)練樣本從輸入層輸入，經(jīng)過隱含層處理后傳向輸出層。若在輸出層未得到期望的輸出，則進(jìn)入第2階段，即誤差的反向傳播階段，將輸出層的誤差以某種形式通過隱含層向輸入層反傳，并將誤差分配給各層的所有單元，從而獲得各層單元的誤差信號并將其作為修正各單元權(quán)重的依據(jù)。這2個階段相互交替反復(fù)進(jìn)行，不斷調(diào)整網(wǎng)絡(luò)各單元的權(quán)值，直到網(wǎng)絡(luò)的輸出值誤差達(dá)到要求的標(biāo)準(zhǔn)或預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

本文采用BP神經(jīng)網(wǎng)絡(luò)的輸入層單元有4個，分別為各物理流量模型的計算結(jié)果，輸出層單元有1個，為融合后的流量計算值?；贐P神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法流量估計過程見圖2。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法流量估計過程

將基于神經(jīng)網(wǎng)絡(luò)的多模型數(shù)據(jù)融合方法運(yùn)用在油氣井的流量估計中，是為了得到下一時刻更加準(zhǔn)確、可靠的單井流量值。在線應(yīng)用時，數(shù)據(jù)點(diǎn)較多，為了減小計算量，建議采用時間滾動的訓(xùn)練樣本學(xué)習(xí)方法[15]，即隨著時間的推移，訓(xùn)練集逐漸舍棄距離當(dāng)前時間點(diǎn)較遠(yuǎn)的數(shù)據(jù)，保持樣本數(shù)量始終維持在一個較小的范圍內(nèi)卻又能反映當(dāng)前時間段內(nèi)流量的變化情況。

4 基于數(shù)據(jù)融合技術(shù)的油氣井流量算法應(yīng)用實(shí)例分析

利用虛擬流量計系統(tǒng)在我國南海某凝析氣井投產(chǎn)應(yīng)用時收集到的2015-02～2015-07的生產(chǎn)流量數(shù)據(jù)對各模型的算法進(jìn)行驗(yàn)證，并對計算結(jié)果進(jìn)行分析。

4.1 各物理流量模型均正常運(yùn)行

在單個物理流量模型均正常運(yùn)行，沒有異常情況發(fā)生時，各物理流量模型及融合算法的計算結(jié)果與實(shí)測值對比見圖3，各物理流量模型計算結(jié)果的平均絕對百分比誤差見圖4。

圖3 2015年正常工況下各物理流量模型預(yù)測結(jié)果與實(shí)測值對比

圖4 2015年正常工況下各物理流量模型計算結(jié)果平均絕對百分比誤差

由圖4可以知道，井筒模型計算結(jié)果的平均絕對百分比誤差僅為0.042，是所有物理流量模型中最小的，說明在當(dāng)前時間段內(nèi)各物理流量模型中，井筒模型的整體計算精度最高，波動性最小，最接近實(shí)際工況。

在各種融合算法中，基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合流量預(yù)測結(jié)果的平均絕對百分比誤差僅為0.039，結(jié)果優(yōu)于井筒模型及其他2種融合算法，這主要是由于人工神經(jīng)網(wǎng)絡(luò)具有高度非線性自適應(yīng)性的優(yōu)點(diǎn)，但該融合算法整體計算速度較慢?；贒-S證據(jù)理論和不確定度理論的多模型數(shù)據(jù)融合算法計算結(jié)果的平均絕對百分比誤差比井筒模型的稍大，但小于其他物理流量模型的。這主要是由于在加權(quán)融合算法中，精度較低的物理流量模型占據(jù)了一部分比例所造成的，但從整體看，2種融合算法與井筒模型的平均絕對百分比誤差相差不到0.005，說明融合流量技術(shù)更加貼近實(shí)際情況，計算結(jié)果的精度能與最優(yōu)物理流量模型相當(dāng)。

4.2 井筒模型異常工況

井筒模型的計算結(jié)果在各物理流量模型中最優(yōu)，如果井筒模型出現(xiàn)異常，對融合流量算法的結(jié)果影響最大。為了驗(yàn)證某物理流量模型運(yùn)行異?；蚴Ω魅诤狭髁款A(yù)測技術(shù)的影響，假設(shè)2015-02-27～2015-03-11井筒模型的流量預(yù)測值比實(shí)際偏小30%，其他物理流量模型結(jié)果保持不變，得到的各模型及融合流量算法計算結(jié)果見圖5，平均絕對百分比誤差見圖6。

圖5 2015年井筒部分時間段異常工況下各物理流量模型預(yù)測結(jié)果與實(shí)測值對比

圖6 2015年井筒部分時間段異常工況下各物理流量模型計算結(jié)果平均絕對百分比誤差

由圖6可知，在井筒模型部分時間段發(fā)生異常工況下，井筒模型計算結(jié)果的平均絕對百分比誤差增加至0.079，在所有物理流量模型中，油嘴模型計算結(jié)果的平均絕對百分比誤差最小。從各數(shù)據(jù)融合流量算法的結(jié)果看，基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合流量算法的平均絕對百分比誤差為0.041，相比其他2種數(shù)據(jù)融合流量算法整體結(jié)果仍是最優(yōu)。基于D-S證據(jù)理論和不確定度理論的多模型數(shù)據(jù)融合算法的計算結(jié)果稍次于基于BP神經(jīng)網(wǎng)絡(luò)的多模型算法，但均優(yōu)于油嘴模型。其中基于不確定度理論的多模型數(shù)據(jù)融合算法平均絕對百分比誤差比油嘴模型小2%，精度與穩(wěn)定性均較好。說明在某物理流量模型異常的情況下，多模型數(shù)據(jù)融合算法相比單個物理流量模型仍能保證較高的可靠性和精度，達(dá)到算法最初的設(shè)計要求。

在3種數(shù)據(jù)融合算法中，基于BP神經(jīng)網(wǎng)絡(luò)的融合流量預(yù)測方法雖然精度最高，但是計算速度比較慢；基于D-S證據(jù)理論和不確定度理論的數(shù)據(jù)融合算法精度稍低，但是計算速度比較快。在實(shí)際應(yīng)用時，可以根據(jù)應(yīng)用要求選擇其中的1種或者2種數(shù)據(jù)融合算法。

5 結(jié)語

基于數(shù)據(jù)融合技術(shù)，設(shè)計了3種用于水下油氣井生產(chǎn)計量虛擬流量計系統(tǒng)的融合流量預(yù)測算法，現(xiàn)場測試結(jié)果表明，采用融合流量算法得到的計算結(jié)果的平均誤差維持在5%以內(nèi)，整體上比基于多相流模擬技術(shù)的物理流量模型小3%，所估計的流量更貼近實(shí)際工況。在某個物理流量模型失效的情況下，數(shù)據(jù)融合流量技術(shù)仍能給出比當(dāng)前最優(yōu)物理流量模型更加精確的流量預(yù)測結(jié)果，極大降低了單個物理流量模型異常對虛擬流量計系統(tǒng)計量結(jié)果的影響，有效保證了整個系統(tǒng)在線應(yīng)用時的可靠性、穩(wěn)定性和精度。