一种基于Res-TCN神经网络的油井产液伴生气智能预测方法技术

本发明专利技术涉及一种基于Res

【技术实现步骤摘要】
一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法


[0001]本专利技术属于原油生产
，尤其是一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法。

技术介绍

[0002]在原油开采过程中，由于压力的降低，原油中的伴生气会逐渐析出，这导致油井产出液中存在大量、非均匀的气相，而气相的介入会导致现有的油井含水率计量方法失效。因此，准确的对油井产出液中含气率进行测量及预测是准确估算原油产量及油井测量仪器设计的前提条件。然而，由于油井压力及开采条件的不一致性，导致原油产出液中的气相分布及其不规律，呈现出间歇性、不确定性及非线性等特点，导致油井产出液含气率预测困难。
[0003]目前针对油井产液伴生气的测量方法，如专利号201410436242.5的技术方案是通过将被测油井套管伴生气排空，然后憋压Δt时间；憋压结束后对油井套管内伴生气进行检测，获取气体的第一压力值p1、第一温度值T1；排放至少部分套管伴生气，并在排气结束后对套管内伴生气进行第二次检测，获取气体的第二压力值p2、第二温度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：包括以下步骤：步骤1、通过四扇区多电极电导传感器采集井口下降管道中不同工况及不同截面位置含气率波动信号并作为样本数据，同时对井口产液进行采样，化验含气率值作为标签；步骤2、预处理样本数据，构建数据集；步骤3、根据数据集构建Res
‑
TCN神经网络模型；步骤4、对构建的Res
‑
TCN神经网络模型进行训练，优化结构并且调整参数，得到最优模型并以此模型进行伴生气参数预测。2.根据权利要求1所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤1的具体实现方法为：将四扇区多电极电导传感器通过法兰连接垂直安装于井口下降管道上，测量井口下降管道内不同工况及不同截面位置下含气率波动信号数据，并保存采集到的数据，同时通过离线气液分离计测量得到与传感器测量工况对应的含气率数据，共采集G类不同含气率下的样本数据，并作为含气率预测标签。3.根据权利要求1所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2包括以下步骤：步骤2.1、预处理样本数据；步骤2.2、通过无重叠的滑动窗口截取所有工况下的含气率波动样本数据作为单个样本；步骤2.3、随机将样本按比例划分数据集。4.根据权利要求3所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.1的具体实现方法为：标准化样本数据：归一化样本数据：其中，为第j扇区的第i个流体数据，为第j扇区流体数据的平均值，为第j扇区流体数据的标准差，为第j扇区流体数据的最大值，为第j扇区流体数据的最小值，为预处理后的第j扇区的第i个流体信号。5.根据权利要求3所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.2的具体实现方法为：设滑动窗口的长度为H，则在长度为L的流体信号中得到个样本，其中代表向下取整，得到所有工况下流体数据的M个样本。6.根据权利要求3所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤2.3的比例为：训练集∶验证集∶测试集＝6∶2∶2。
7.根据权利要求3所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其特征在于：所述步骤3的Res
‑
TCN神经网络模型包括：第一Res
‑
TCN模块、第二Res
‑
TCN模块、第三Res
‑
TCN模块、第四Res
‑
TCN模块和输出模块，所述第一Res
‑
TCN模块、第二Res
‑
TCN模块、第三Res
‑
TCN模块和第四Res
‑
TCN模块并行连接输出模块。8.根据权利要求7所述的一种基于Res
‑
TCN神经网络的油井产液伴生气智能预测方法，其...

【专利技术属性】
技术研发人员：杜萌，高一样，高忠科，门玉莲，
申请(专利权)人：钧晟天津科技发展有限公司，
类型：发明
国别省市：