【技术实现步骤摘要】
本专利技术涉及一种油井参数测量方法，特别是涉及一种基于多模态传感器的油井参数测量方法。
技术介绍
1、在石油开采和生产过程中，准确测量油水两相流的含水率等复杂流动参数有助于确定油井的产量和储量，从而有效地规划生产策略和优化采收过程。研究发现多种传感器信号的融合可以提高测量的精度,不同类型的传感器可以检测到不同特性的信息，通过综合这些信息，我们可以更精准地测量油水两相流中的含水率，提高测量的精度、可靠性和实时性，有助于改进工业过程的管理和控制，同时减少潜在的风险和损失，对于工业生产和环境监测都具有重要意义。
2、近年来，深度学习模型因其能够从复杂的传感器数据中提取难以捉摸的模式和信息，广泛应用于传感器信息融合和参数预测，深度学习模型能够识别和利用多层次的数据特征，从而实现比传统方法更准确的含水率测量。基于深度学习的油水两相流含水率软测量方法具备高精度、实时性、数据驱动的决策、成本降低、适应性和自动化等多重优势，具有广泛应用前景。
技术实现思路
1、本专利技术的目的在于提供一种基于多模态传感器的油井参数测量方法。基于多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器对油水两相流进行信号采集，基于多模态传感器信号构建多模态传感器异质图，提出多任务异质图神经网络进行数据特征提取和融合分析，用于实现油水两相流流动状态辨识及含水率测量。
2、本专利技术所采用的技术方案是：一种油井参数测量方法，特别是基于多模态传感器的油井参数测量方法。其特征在于如下步骤：>
3、(1)构建用于测量油水两相流含水率波动信号的多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器。
4、所述的双螺旋高频微波传感器由测量管道、激励电极、接收电极、保护电极和屏蔽层、传感器外壳组成，激励电极和接收电极在测量管道外侧保持对壁式结构旋转360度，激励电极和接收电极间放置两个同步螺旋的保护电极，并在电极外安装屏蔽层，防止电场向边缘扩散，起到保护电场和增强管道内部电场强度的作用。
5、所述的分布式环形电导传感器包括四个激励电极、四个接收电极和测量管道，其中激励电极和接收相邻设置，均匀分布在测量管道外壁同一圆周面，每组相对的激励电极和接收电极构成一组电极对，总共有四组电极对。
6、(2)开展动态实验获取多模态传感器信号，具体是采用双螺旋高频微波传感器测量油水两相流波动信号，并转换为微波差频信号，同时采用分布式多扇区电导传感器测量油水两相流波动信号获取多通道电导信号，双螺旋高频微波传感器和分布式环形电导传感器的采集频率均为2000hz。
7、油水两相流流经双螺旋高频微波传感器测量管道时，正弦激励信号源产生高频激励信号，通过功分器一路送到螺旋高频微波传感器的激励电极，一路送到监测器，激励电极将高频电磁波发射到管道中的油水两相流中，由于油水两相流中极性水分子含量存在差异，导致吸收的波能量不同，感应电极将这个因极性水分子含量差异而导致不同的信号传送到监测器，两路信号在监测器进行信号混频，再经加法器处理后得到一路微波差频信号。
8、油水两相流流经分布式多扇区电导传感器测量管道时，正弦激励信号源产生激励信号，通过参考电阻与每组电极对的激励电极相连，对油水两相流进行激励，每组电极对的接收电极接地，将参考电阻电压和传感器电压经过差分放大和信号调理电路后得到一路电导信号，分布式多电极高频电容传感器的四组电极对共得到四路电导信号。
9、(3)构建数据集，具体是对数据进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集。具体包括：
10、对一路微波差频信号和四路电导信号每一路信号分别进行预处理，公式如下：
11、
12、其中，so代表第o个数据，smean和sstd分别为数据的平均值和标准差，为预处理后的第o个数据；对预处理后的微波差频信号和电导信号共五路信号同时采用滑动窗进行分割，窗口长度为h，长度为p的数据获取个样本，其中，代表向下取整，以实际流型作为类别标签，以实际含水率值为数据标签，共得到n个带有标签值的样本，其中每个样本含有五路信号；随机将n个波动样本划分为具有训练集、验证集和测试集的数据集，具体比例为[训练集：验证集：测试集]＝[8：1：1]。
13、(4)基于多模态传感器信号构建多模态传感器异质图，具体包括：将每路信号作为节点，信号间互信息值作为连边权重构建多模态传感器异质图，两路信号x和y的互信息值i(x，y)计算公式如下：
14、
15、式中，p(x)和p(y)为分别两路信号x和y的概率密度分布函数，p(x，y)为这两路信号的联合概率密度分布函数，x为信号x的索引，y为信号y的索引。五路信号的互信息值构建多模态传感器异质图的邻接矩阵，针对每一路信号基于韦尔奇法计算功率谱，提取每一路信号的：最大值和功率谱的最大值、最小值和功率谱的最小值、平均值和功率谱的平均值、标准差和功率谱的标准差，构成多模态传感器异质图的特征矩阵。
16、(5)提出多任务异质图神经网络进行多模态信号融合和分析，用于实现不同工况下油水两相流流态分类和含水率的测量。
17、多任务异质图神经网络由多层异构图变换器层、一个分类器层和一个预测器层组成的，每层异构图变换器都是由异构特征提取模块和目标特定聚集模块组成的。
18、异构特征提取模块首先计算每个目标节点的注意向量，其元素是每个目标节点与其相邻源节点之间的归一化相似度得分。关键向量k(src)和查询向量q(tgt)计算如下：
19、
20、
21、src和tgt分别为型源节点和型目标节点，为节点类型映射函数，g(l-1)[n]表示第(l-1)个异构图变换器层的节点n的输入特征，和都是与节点类型相关的线性投影函数。其次，关键向量与查询向量之间的相似度得分s(src，e，tgt)通过下面式子得到：
22、
23、其中e表示节点对(src，e，tgt)之间的边类型，d表示k(src)和q(tgt)的维度。是边型映射函数，是权重矩阵，再通过softmax归一化方法计算得到注意向量a(src，e，tgt)。
24、接着进行边的信息传递权重m(src，e)，其计算公式如下：
25、
26、是与节点类型相关的线性映射函数，是与边类型相关的映射函数，最后得到一个加权的特征信息：
27、m′(src，e)＝a(src，e，tgt)·m(src，e)
28、目标特定聚集模块则将来自相邻源节点的消息相加地聚合到每个目标节点，计算公式如下：
29、
30、n(tgt)表示目标节点的相邻源节点集。
31、最后，我们将目标节点映射回其初始特征分布，然后应用非线性激活函数和加权残差连接，计算公式如下：
32本文档来自技高网...
【技术保护点】
1.基于多模态传感器的油井参数测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(1)包括：
3.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(2)包括：
4.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(3)包括：
5.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(4)包括：将每路信号作为节点，信号间互信息值作为连边权重构建多模态传感器异质图，两路信号X和Y的互信息值I(X,Y)计算公式如下：
6.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(5)所述的多任务异质图神经网络由多层异构图变换器层、一个分类器层和一个预测器层组成，每层异构图变换器都是由异构特征提取模块和目标特定聚集模块组成的。
7.根据权利要求6所述的基于多模态传感器的油井参数测量方法，其特征在于，所述的异构特征提取模块首先计算每个目标节点的注意向量，向量组成是每个目标节
8.根据权利要求6所述的基于多模态传感器的油井参数测量方法，其特征在于，所述的预测器层利用sigmoid作为激活函数进行含水率预测，分类器层利用softmax作为激活函数进行流型分类；在含水率预测任务中，使用L1损失函数lP，计算公式如下：
...【技术特征摘要】
1.基于多模态传感器的油井参数测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(1)包括：
3.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(2)包括：
4.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(3)包括：
5.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其特征在于，步骤(4)包括：将每路信号作为节点，信号间互信息值作为连边权重构建多模态传感器异质图，两路信号x和y的互信息值i(x,y)计算公式如下：
6.根据权利要求1所述的基于多模态传感器的油井参数测量方法，其...
【专利技术属性】
技术研发人员：高忠科，李梦宇，陈韩青，王睿奇，李元宗，李晓晨，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。