基于分布式光纤声波监测数据的井筒流体类型识别方法、系统技术方案

一种基于分布式光纤声波监测数据的井筒流体类型识别方法，对DAS系统采集的声波监测数据进行处理，得到相关的滤波和归一化处理之后的声波数据；进行声波特征参数提取，得到与井筒流体类型相关的声波特征；将低方差散射特征集a和短时时频特征集b融合形成的融合特征集c；将得到的声波特征输入至分类算法中进行训练为识别模型；将声波监测数据输入识别模型，输出井筒流体类型。本发明专利技术将低方差散射特征与短时时频特征相结合形成融合特征用于流体类型识别，融合特征属于多源特征，综合了低方差散射特征与短时时频特征中包含的信息，为井筒流体类型的准确识别提供了更多数据源，有效解决单一特征识别流体类型准确率低的问题，极大提高了识别精度。极大提高了识别精度。极大提高了识别精度。

【技术实现步骤摘要】
基于分布式光纤声波监测数据的井筒流体类型识别方法、系统


[0001]本专利技术公开一种基于分布式光纤声波监测数据的井筒流体类型识别方法、系统，属于油气田开发的


技术介绍

[0002]油气生产过程中，井筒中多相流体流动的实时监测是观测油气井生产状况、评价油气井产能和分析储层动态变化的重要依据，对保障油气田安全和高效生产具有重要意义。目前，国内外采用层析成像技术和超声检测技术以及高速摄像机、差压传感器、电导率传感器、射线衰减、粒子成像测速等技术对井筒多相流体的流型进行识别，确定井筒中流动流体的分布状态，如纯液流、泡流、段塞流、环状流、雾流。
[0003]近年来，分布式光纤声波监测(DAS)技术快速发展，为井筒多相流体流动状态的连续、长距离实时监测提供了一种新的手段。DAS技术利用相干光时域反射测量的原理，通过检测井下事件前后的瑞利散射光信号的强度变化，探测并精确定位正在发生的井下流体流动事件，从而实现井下生产动态的实时监测。光纤传感技术具有的抗电磁干扰能力强、耐腐蚀、耐高温、空间分辨率高和实时性好等优点，使得其在井下多相流体生产动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式光纤声波监测数据的井筒流体类型识别方法，其特征在于，包括，步骤一：对DAS系统采集的声波监测数据进行预处理，用于得到与井筒流体类型相关的滤波和归一化处理之后的声波数据；步骤二：对步骤一预处理后的数据进行声波特征参数提取，得到与井筒流体类型相关的声波特征；所述与井筒流体类型相关的声波特征包括：低方差散射特征集a和短时时频特征集b融合形成的融合特征集c；步骤三：将步骤二得到的声波特征输入至分类算法中进行训练，得到井筒流体类型识别模型；步骤四：将实时DAS系统声波监测数据输入至所述步骤三所述井筒流体类型识别模型中，输出结果即为对应的井筒流体类型。2.根据权利要求1所述的一种基于分布式光纤声波监测数据的井筒流体类型识别方法，其特征在于，所述步骤一中所述预处理方法，包括：1
‑
1采用滤波器对井筒流体流动过程中声波监测数据进行处理，得到频率范围在[200Hz，2000Hz]的声波幅值；1
‑
2将经步骤1
‑
1得到的声波幅值，进行Z
‑
score归一化处理，所述的Z
‑
score归一化公式表示为：其中，x为声波幅值；x
′
为归一化后的结果，即DAS声波数据集；μ为x的平均值，σ为x的标准差。3.根据权利要求1所述的一种基于分布式光纤声波监测数据的井筒流体类型识别方法，其特征在于，所述步骤二中，进行声波特征参数提取，得到与井筒流体类型相关的声波特征的方法，包括：2
‑
1利用小波时间散射变换提取DAS声波数据集的低方差散射特征集a；其中，所述低方差散射特征集a的维度为(w*k)
×
p，k为DAS声波数据集的个数，p为信号经散射变换后得到的散射路径的个数，w为每条散射路径对应的时间窗口的个数，p和w与DAS系统的采样频率有关；同时，利用短时傅里叶变换对DAS声波数据集进行处理，得到DAS的时频数据集，将时频数据集输入到主成分分析算法中进行处理，提取DAS声波数据集的短时时频特征集b；其中，短时时频特征集b的维度为k
×
r，r为短时傅里叶变换处理声波数据时采用的窗口重叠宽度加1，所述窗口重叠宽度为窗口宽度的一半，所述短时傅里叶变换是关于时间和频率的二维函数：在公式(2)中，N表示DAS声波数据时间序列维数；t为时间参数；k
’
为频率参数；fs为DAS系统的采样频率；m＝1，2.....N；j为虚数单位，x(t)为需要处理的时域DAS声波数据；w(t
‑
m/fs)代表中心位于m/fs时刻的窗口函数；
2
‑
2将低方差散射特征集a与短时时频特征集b融合形成融合特征集c：低方差散射特征集a的数据维度为(w*k)
×
p，短时时频特征集b的数据维度为k
×
r，重复短时时频特征集b的数据，将其维度扩展到(w*k)
×
r；利用顺序排列的方式得到融合特征集c，融合特征集c的维度为(w*k)
×
(p+r)；2
‑
3利用分类算法训练形成井筒流体类型识别模块：所述融合特征集c作为输入，将融合特征集c对应的已知流体类型作为输出；所述分类算法包括BP神经网络、决策树和随机森林；2
‑
4对BP神经网络、决策树和随机森林分别进行训练并分别形成BP神经网络训练模型、决策树训练模型和随机森林训练模型。4.利用权利要求3所述的一种基于分布式光纤声波监测数据的井筒流体类型识别方法，识别井筒内油水两相流中含水范围的方法，其特征在于，所述步骤二中，进行声波特征参数提取，得到与油水两相流中不同含水范围相关的声波特征的方法，包括：3
‑
1利用DAS系统实时采集目标待测的井筒内油水两相流中，不同含水范围所对应的声波数据，构建样本数据库；3
‑
2将油水两相流中的含水范围分为Y组，并分别标注为1到Y；3
‑
3利用小波时间散射变换提取DAS声波数据集的低方差散射特征集a；其中，所述低方差散射特征集a的维度为(w*k)
×
p，k为DAS声波数据集的个数，p为信号经散射变换后得到的散射路径的个数，w为每条散射路径对应的时间窗口的个数，p和w与DAS系统的采样频率有关；同时，利用短时傅里叶变换对DAS声波数据集进行处理，得到DAS的时频数据集，将时频数据集输入到主成分分析算法中进行处理，提取DAS声波数据集的短时时频特征集b；其中，短时时频特征集b的维度为k
×
r，r为短时傅里叶变换处理声波数据时采用的窗口重叠宽度加1，所述窗口重叠宽度为窗口宽度的一半，所述短时傅里叶变换是关于时间和频率的二维函数：在公式(2)中，N表示DAS声波数据时间序列维数；...

【专利技术属性】
技术研发人员：刘均荣，韩艳慧，
申请(专利权)人：朴牛山东能源科技发展有限责任公司，
类型：发明
国别省市：