一种气井出砂信息智能识别和预测方法技术

本发明专利技术涉及气井开发工程领域，尤其涉及一种气井出砂信息智能识别和预测方法

【技术实现步骤摘要】
一种气井出砂信息智能识别和预测方法


[0001]本专利技术涉及气井开发工程领域，尤其涉及一种气井出砂信息智能识别和预测方法
。

技术介绍

[0002]出砂监测是实现全寿命生产周期内出砂管理的关键步骤之一，复杂多相流动体系中砂粒信息的准确识别与预测是出砂监测中亟待解决的难题
。
气体湍流扰动下的砂粒精准监测是气井开发中面临的重大挑战之一
。
由于出砂导致的生产设备损坏
、
堵塞
、
砂埋等问题极大地限制了油气的安全高效开发，因此，实现井筒出砂信息的实时预警监测对于及时调整生产制度和降本增效具有重要指导意义
。
[0003]CN110344816A
公开了一种基于分布式光纤声音监测的油气井出砂监测方法，通过在待监测出砂油气井安装分布式光纤声音监测装置来监测油气井出砂状况
。
该方法可以对所有生产层段的出砂状况进行实时监测，但缺点在于其只能定性判断各层段的出砂程度，无法对出砂量进行定量预测
。
[0004]CN111305814A
公开了一种深水油气井水下出砂监测方法，通过将采集的信号与预设的流体版图进行比对，以实现对流体噪声信号的滤除和出砂信号的提取，该方法优势在于可以简单快捷的区分噪声信号与出砂信号，但缺点在于噪声信号的滤除受限于预设图版的精度，同时出砂信号特征的提取缺乏自适应性
。
此外，现有基于声
、
振监测法的油气井出砂预测方法普遍使用单轴传感器，导致在监测强流体噪声干扰下细微砂粒信号时存在信息丢失问题
。
[0005]本专利技术的目的在于构建一种气井出砂信息智能识别和预测方法
。
通过融合系列多频多尺度三轴振动信号分析法与
CNN
‑
LSTM
，实现对气体湍流扰动下出砂量的实时精准预测，为出砂气井的安全高效生产提供技术支撑
。
目前，未见有与所述基于多频多尺度三轴振动信号分析和
CNN
‑
LSTM
相融合的气井出砂信息智能识别和预测方法的相关报道
。

技术实现思路

[0006]本专利技术要解决的技术问题是如何克服现有技术不足，提供一种适合于气体湍流噪声干扰下的砂粒信号特征分析
、
提取以及出砂信息智能识别和预测方法
。
[0007]为达到上述目的，本专利技术采用的技术方案为：
[0008]一种气井出砂信息智能识别和预测方法，包括：
[0009]使用高频三轴加速度振动传感器采集出砂信号
。
[0010]作为本专利技术的进一步优化，对出砂振动信号进行基于多频相干分析和统计特征融合驱动优化的小波包阈值降噪，依据出砂信号频域响应范围，手动设置小波包降噪阈值，精准滤除与出砂信号混叠的流体噪声信号
。
[0011]进一步地，对所述经小波包阈值降噪后的出砂信号进行
EMD
自适应分解
。
[0012]作为本专利技术的进一步优化，计算并绘制各
IMF
分量的二维
HHT
时频谱，定性确定不
同
IMF
分量所表征的不同砂粒运移信息和噪声响应信息
。
[0013]作为本专利技术的进一步优化，计算各
IMF
分量的能量占比
、
冲击强度
、
信息复杂度以及序列稳定指标，对具有相似分形特征和响应特征的
IMF
分量进行多尺度重构
。
[0014]具体地
,
将表征气体直接携带砂粒运移信息的
IMF
分量重构为微尺度序列
。
[0015]具体地，将表征其余砂粒运移行为信息的
IMF
分量重构为中尺度序列
。
[0016]具体地
,
将表征具有动态稳定噪声响应特征的
IMF
分量重构为宏观尺度序列
。
[0017]将所述微
、
中尺度序列的功率谱沿时间轴进行能量积分
。
若所述微尺度序列的振动能量值随气体速度呈正相关，所述中尺度时间序列积分能量值随气体速度几乎不变或动态稳定，则说明不同尺度序列划分准确；否则，重新进行多尺度序列的划分与重构
。
[0018]将所述微尺度序列转化为二维灰度图像输入本专利技术所构建的
CNN
‑
LSTM
出砂信息识别与预测模块的
CNN
分支
。
[0019]作为本专利技术的进一步优化，所述
CNN
分支为一种深层纯卷积神经网络，其与现有成熟
CNN
模型相比优势在于，包括：
[0020]1)
引入“Leaky ReLU”型激活函数以替代常用的
ReLU、ELU
型激活函数，有效缓解了使用
ReLU
等激活函数带来的神经元死亡和梯度消失问题
。
[0021]2)
摈弃了传统
CNN
分类模型所必备的全连接层，采用全局平均池化运算代替全连接层，降低了传统
CNN
分类模型中由于全连接层的高参数量所带来的模型过拟合风险
。
[0022]进一步地，通过所述
CNN
分支提取所输入的微尺度序列的特征，识别其所对应的砂粒粒径，最后，通过自动检索匹配得到不同砂粒粒径所对应的出砂量修正系数
A。
[0023]作为本专利技术的进一步优化，所述
LSTM
分支为一种浅层
SLTM
网络，其优势在于，包括：
[0024]1)
引入
Dropout
正则化技术对
LSTM
进行优化，有效降低神经元之间的强依赖关系，缓解了远距离时间步信息难以传递的问题
。
[0025]2)
浅层
LSTM
网络结构，极大提升了模型运行效率
。
[0026]进一步地，将所述中尺度序列输入所述
LSTM
分支，预测得到出砂信号的功率谱，并将预测得到的功率谱沿时间轴积分得到出砂振动能量水平
Q
i
。
[0027]作为本专利技术的进一步优化，基于熵权法确定不同监测方向振动能量对出砂量的影响权重
S
i
。
[0028]作为本专利技术的进一步优化，本专利技术提出了一种气井出砂量计算模型，如下：
[0029]式中，
C
sand
为出砂量，
g。
[0030]将所述
C
sand
值与预设出砂量阈值进行比对，若超过预设阈值，则发出报警
。
[0031]与现有技术相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种气井出砂信息智能识别和预测方法，其特征在于，包括：出砂信号采集单元：包括采集参数设定模块和振动信号采集模块，用于采集气
‑
砂两相流激励的出砂振动信号，包括一种高频三轴加速度振动传感器；出砂信号降噪单元：包括小波包降噪模块和
EMD
多尺度分解与重构模块，用于滤除出砂信号中所包含的噪声信号，包括一种基于统计特征与多频相干分析融合优化的自定义小波包阈值降噪方法及其驱动优化的
EMD
自适应降噪算法；基于
CNN
的砂粒粒径智能识别单元：包括一种融合全局平均池化运算和“Leaky ReLU”型激活函数的深层卷积神经网络，用于对气
‑
砂两相流中的砂粒粒径进行智能识别，并依据所识别的砂粒粒径自动检索确定不同粒径砂粒对应的出砂量修正系数
A
；基于
LSTM
的出砂信号功率谱预测单元：包括一种基于
Dropout
正则化技术优化的浅层
LSTM
神经网络，其在气
‑
砂两相流激励的中尺度振动响应序列的驱动下对实时出砂信号的功率谱进行预测，并将所预测的功率谱进行积分得到不同监测方向的振动能量水平；气井出砂量计算与预测单元：包括一种基于熵权法修正的出砂量计算模型，其通过将砂粒粒径智能识别模块所得到的砂量修正系数与出砂信号功率谱预测模块得到的不同监测方向的振动能量水平输入所构建的出砂量计算模型，即可实现对气井出砂量的准确计算与预测
。2.
如权利1所述的出砂信号降噪单元，其包括基于统计特征和多频相干分析驱动优化的自定义小波包阈值降噪方法：
S1
：基于
FFT
变换确定气
‑
砂两相流激励出砂振动信号的频域响应范围；
S2
：将所采集的出砂振动信号进行多层小波包分解，并计算各子频带的能量占比
、
信噪比
、
峭度和多频相干系数；
S3
：通过前述
S1
和
S2
确定表征噪声信号的子频带，并将其小波包系数手动设置为0，然后将各子频带进行重构；
S4
：计算重构信号与原始信号的能量比
、
波形相似系数以及均方根误差
。
若能量比大于
0.85、
波形相似系数大于
0.9
且均方根误差小于
0.05
，则说明降噪效果良好；否则，重新设置分解层数
、
小波包基等并...

【专利技术属性】
技术研发人员：王锴，常子昂，李祎宸，田佳棋，付光明，王刚，鲁佳琦，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：