欒國華何順利舒紹屹胡景宏王曉梅

（1.中國石油大學石油工程教育部重點實驗室,北京 102249；2.中國石油工程設(shè)計有限公司西南分公司,四川 成都 610017；3.中國地質(zhì)大學能源學院,北京 100083；4.四川省瀘州市龍馬潭區(qū)碳黑廠井下作業(yè)公司,四川 瀘州 646000）

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測氣井積液

欒國華1何順利1舒紹屹2胡景宏3王曉梅4

（1.中國石油大學石油工程教育部重點實驗室,北京 102249；2.中國石油工程設(shè)計有限公司西南分公司,四川 成都 610017；3.中國地質(zhì)大學能源學院,北京 100083；4.四川省瀘州市龍馬潭區(qū)碳黑廠井下作業(yè)公司,四川 瀘州 646000）

氣井井筒積液對天然氣的開采影響極大，準確地計算氣井臨界流量對氣井開發(fā)至關(guān)重要。氣井攜液臨界流量理論計算模型主要有液滴模型和攜液率模型，然而在實際計算過程中往往會出現(xiàn)計算結(jié)果偏差大、不能滿足工程需要等問題。文中提出一種應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測井筒積液的新模型，該模型充分利用了氣井現(xiàn)有的生產(chǎn)測試數(shù)據(jù)，簡化了大量復雜的機理研究，具有更廣泛的實用性。生產(chǎn)井的計算結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測氣井積液的成功率較高，可以用來判斷氣井積液。

神經(jīng)網(wǎng)絡(luò)；氣井積液；液滴模型；持液率模型

1 氣井攜液模型

1.1 液滴模型

氣井開始積液時，井筒內(nèi)氣體的最低流速稱為氣井攜液臨界流速，對應(yīng)的流量稱為氣井攜液臨界流量。Turner在假設(shè)被高速氣流攜帶的液滴是圓球形的前提下，導出了氣井攜液臨界流量和產(chǎn)量計算公式，該模型適用于氣液比非常高（GLR＞1 400）、流態(tài)為霧狀流的產(chǎn)液氣井［1］。其他各種高氣液比的臨界攜液模型都是基于高速氣流攜帶液滴的理論基礎(chǔ)，將液滴的形狀加以修正并重新界定氣體曳力系數(shù)的 “橢球液滴模型”、“球帽形液滴模型”［2-5］。Turner液滴模型假設(shè)，排出氣井積液所需的最低條件是使氣流中的最大液滴能連續(xù)向上運動。根據(jù)最大液滴受力情況確定氣井攜液臨界

式中：ucr為氣井攜液臨界流速，m·s-1；ρl為液體密度，kg·m-3；ρg為氣體密度，kg·m-3；σ為氣、液之間的界面張力，N·m-1；g為重力加速度，m·s-2。

氣井攜液臨界流量為流速，即氣體對液滴的曳力等于液滴的沉降重力。因此，利用Turner液滴模型計算得到攜液臨界流速為

式中：qcr為氣井攜液臨界流量，104m3·d-1；A為油管橫截面積，m2；p為壓力，MPa；T為溫度，K；Z為氣體偏差因子。

Turner的圓球液滴模型攜液公式計算出的臨界流速和最小攜液產(chǎn)量相對較高；橢球液滴的有效迎流面積大，容易被天然氣帶出地面，由橢球液滴模型計算出的臨界流速和最小攜液產(chǎn)量相對圓球模型小得多；球帽液滴模型應(yīng)用了最新的流體力學的成果，認為液滴呈球帽形的可能性最大，該模型的受力面積較李閩模型更大，計算出更小的臨界流速和最小攜液產(chǎn)量。

1.2 攜液率模型

當井筒內(nèi)氣液比低于1 400時，井筒內(nèi)流動的不再是霧狀流體，不能采用液滴模型方法計算。文獻［6］經(jīng)過大量現(xiàn)場試驗,得到了適用于低氣液比氣井兩相流的壓降預(yù)測關(guān)系式，即Hagedorn-Brown方法。

低氣液比氣井攜液臨界流量的確定原則為：利用Hagedorn-Brown計算井筒各段的理論持液率、實際持液率，如果各段的理論持液率都大于實際持液率，則氣井在該產(chǎn)氣量條件下能夠正常攜液生產(chǎn)；當理論持液率都小于實際持液率時，氣井攜液困難并開始積液，通過改變氣井產(chǎn)氣量找出氣井正常攜液的最小產(chǎn)氣量，就是低氣液比的攜液臨界流量［7］。

2 氣井積液預(yù)測BP神經(jīng)網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是近年來非常流行的一種系統(tǒng)建模方法，特別是其對非線性系統(tǒng)具有良好的逼進能力，以及并行性、容錯性、自學習和自適應(yīng)等性質(zhì)，使其在系統(tǒng)建模、控制、信號處理、模式識別中得到廣泛應(yīng)用。

在眾多類別的神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)，也稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是一種能從樣本集中有效地學習判別函數(shù)的系統(tǒng)。本文選用三層BP神經(jīng)網(wǎng)絡(luò)方法來設(shè)計構(gòu)造氣井井筒積液預(yù)測分類器［8-9］。

2.2 樣本準備及參數(shù)預(yù)處理

選擇氣井實測生產(chǎn)數(shù)據(jù)為訓練樣本，其中輸入?yún)?shù)有：產(chǎn)層深度、井口壓力、產(chǎn)氣量、產(chǎn)油量、產(chǎn)水量、氣體相對密度、凝析油相對密度、油管尺寸、套管尺寸；輸出參數(shù)是氣井真實的生產(chǎn)狀態(tài)，為實現(xiàn)神經(jīng)網(wǎng)絡(luò)數(shù)值計算，可把氣井生產(chǎn)狀態(tài)抽象為數(shù)值，“1”代表井底有積液，“0”代表井底無積液［10］。為避免由于樣本過少可能導致網(wǎng)絡(luò)外推能力不夠，以及樣本過多增加網(wǎng)絡(luò)的訓練負擔，BP神經(jīng)網(wǎng)絡(luò)訓練采用“交叉驗證”方法，將所有樣本分為訓練樣本、驗證樣本或測試樣本。

由于不同氣井的測試數(shù)據(jù)的精度和量綱可能不一致，在進行分類前，需對數(shù)據(jù)進行預(yù)處理；當各分量的物理意義相同且為同一量綱時，應(yīng)在整個數(shù)據(jù)范圍內(nèi)確定最大值xmax和最小值xmin，進行統(tǒng)一變換處理。將輸入輸出數(shù)據(jù)變換為［0，1］區(qū)間的值常用以下變換式：

式中：xi為輸入或輸出數(shù)據(jù)；xmin為數(shù)據(jù)變化范圍的最小值；xmax為數(shù)據(jù)變化范圍的最大值。

2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

據(jù)上文所述，設(shè)計得到神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目個數(shù)為9，輸出層為1。隱含層神經(jīng)元數(shù)目與網(wǎng)絡(luò)模型的好壞有直接關(guān)系，然而隱含層神經(jīng)元數(shù)目選擇不存在理想的解析式，往往需要根據(jù)設(shè)計者的經(jīng)驗和多次實驗來確定。本文選用的最佳隱含層神經(jīng)元數(shù)目nim的參考公式為：nim=(n+m)/2+a，其中m為輸出單元神經(jīng)元數(shù)，n為輸入單元數(shù)，a為1～10的常數(shù)。最后得到氣井積液預(yù)測三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（見圖1）。

2.4 數(shù)據(jù)訓練及學習

利用BP神經(jīng)網(wǎng)絡(luò)對歸一化的輸入樣本進行學習與訓練，BP網(wǎng)絡(luò)的訓練學習是一種有監(jiān)督的學習，要求每一個輸入模式矢量與表示所期望的輸出模式矢量必須配對。一般來說，網(wǎng)絡(luò)輸出值yiactual與期望輸出值yiexpect是不相等的。對于每一個輸入的模式樣本，其均方誤差為Ek：

對于所有p個學習樣本，網(wǎng)絡(luò)的均方誤差為E：

訓練學習過程由2部分組成：1）網(wǎng)絡(luò)內(nèi)部的前向計算，2）誤差的反向傳播計算。其主要目的就是通過逐步調(diào)整網(wǎng)絡(luò)的內(nèi)部連接權(quán)按均方誤差減小的方向進行，以達到指定的要求。網(wǎng)絡(luò)內(nèi)部連接權(quán)值是采用推廣的規(guī)則完成的。采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進行編程計算，神經(jīng)網(wǎng)絡(luò)訓練框圖見圖2。

由于神經(jīng)網(wǎng)絡(luò)輸入和輸出之間存在著非線性關(guān)系，在計算氣井臨界流量時采用試湊法。

計算原則為：1）設(shè)置相應(yīng)的產(chǎn)氣量為固定步長；2）假如判斷氣井為積液狀態(tài)，則逐步增加當前產(chǎn)氣量，然后重新歸一化計算，直到判斷結(jié)果為不積液為止，氣井不積液時情況相反。

3 實例分析

選取具有代表性的某氣田實測數(shù)據(jù)300組，歸一化處理得到BP神經(jīng)網(wǎng)絡(luò)的訓練樣本參數(shù)200組、驗證樣本參數(shù)100組、測試樣本參數(shù)15組（見表1）。

分別應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型、理論計算模型(Turner模型+持液率模型)對測試樣本進行計算，計算得到的臨界流量結(jié)果見表2。

如表2所示，當氣井處在臨界積液狀態(tài)時，即計算得到的攜液臨界流量與實際的產(chǎn)氣量相接近時，應(yīng)用理論模型對氣井生產(chǎn)狀態(tài)進行判斷則會出現(xiàn)誤差，相比之下，神經(jīng)網(wǎng)絡(luò)方法能夠較好地判斷氣井是否處在臨界積液狀態(tài)下。

對于已經(jīng)積液的氣井或者遠離積液危險的氣井而言，理論模型的計算結(jié)果與神經(jīng)網(wǎng)絡(luò)模型的計算結(jié)果之間的差值很小，都能夠用來對氣井的生產(chǎn)狀態(tài)進行判斷。實際應(yīng)用結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型具有廣泛的適用性。

通過上述分析，可知理論模型適用于處在完全積液狀態(tài)或完全無積液狀態(tài)的生產(chǎn)氣井；神經(jīng)網(wǎng)絡(luò)模型可用于任何條件下的氣井生產(chǎn)狀況的判斷，并有較高的預(yù)測精度；在進行實際氣井生產(chǎn)狀態(tài)判斷時，可以結(jié)合采用2種方法，采用相互驗證、相互檢驗的方法，使得判斷結(jié)果更加準確。

表1 歸一化的BP神經(jīng)網(wǎng)絡(luò)訓練、驗證樣本參數(shù)

表2 2種模型計算結(jié)果對比

4 結(jié)論

1）總結(jié)了氣井井筒積液的幾種判斷方法，著重分析了氣井積液預(yù)判理論計算模型，給出了液滴模型的適用范圍及使用效果。

2）提出應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測氣井井底積液的新方法，建立了氣井井筒積液預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型，并給出具體的設(shè)計步驟。

3）應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型對實際生產(chǎn)氣井進行積液預(yù)測，得到的預(yù)測精度較高。

［1］ Turner R G，Hubbard M G，Dukler A E.Analysis and prediction of minimum flow rate for the continuous removeal of liquids from gas wells［J］.JPT，1969，21（11）：1475-1482.

［2］ Coleman S B，Clay H B，McCurdy D G，et al.A new look at predicting gas-well load-up［J］.JPT，1991，43（3）：329-333.

［3］ Li M，Li S L，Sun L T.New view on continuous-removal liquids from gas wells［A］.SPE 75455，2001.

［4］ 李閩，郭平，譚光天.氣井攜液新觀點［J］.石油勘探與開發(fā)，2001，28（5）：105-106.

Li Min，Guo Ping，Tan Guangtian.New look on removing liquids from gas wells［J］.Petroleum Exploration and Development，2001，28（5）：105-106.

［5］ 王毅忠，劉慶文.計算氣井最小攜液臨界流量的新方法［J］.大慶石油地質(zhì)與開發(fā)開發(fā)，2007，26（6）：82-85.

WangYizhong，Liu Qingwen.A new method tocalculatethe minimum critical liquids carrying flow rate for gas wells［J］. Petroleum Geology& Oilfield Development in Daqing，2007，26（6）：82-85.

［6］ 李安，萬邦烈，樓浩良.鉛直氣井兩相管流研究現(xiàn)狀綜述［J］.石油鉆采工藝，2000，22（4）：45-47.

Li An，Wan Banglie，Lou Haoliang.A Summary of present studies on gas liquid two-phase flow in vertical tubes［J］.Oil Drilling and Production Technology，2000，22（4）：45-47.

［7］ 吳志均，何順利.低氣液比攜液臨界流量的確定方法［J］.石油勘探與開發(fā)，2004，31（4）：108-111.

Wu Zhijun，He Shunli.Determination of the critical liquid carrying flow rate at low gas liquid ratio［J］.Petroleum Exploration and Development，2004，31（4）：108-111.

［8］ 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計［M］.北京：機械工業(yè)出版社，2009.

Zhang Defeng.MATLAB neural network application design［M］. Beijing：China Machine Press，2009.

［9］ 張際先.神經(jīng)網(wǎng)絡(luò)及其在工程中的應(yīng)用［M］.北京:機械工業(yè)出版社，1996.

Zhang Jixian.Neural network and its application in engineering［M］.Beijing：China Machine Press，1996.

［10］Sayed E A.Prediction ofcritical gas flow rate for gas wells unloading［A］.SPE 78568，2002.

Using artificial neural network method to predict liquid loading in gas well

Luan Guohua1He Shunli1Shu Shaoyi2Hu Jinghong3Wang Xiaomei4
(1.MOE Key Laboratory for Petroleum Engineering in China University of Petroleum,Beijing 102249,China;2.Southwest Company,China Petroleum Engineering Co.Ltd.,PetroChina,Chengdu 610017,China;3.School of Energy Resources,China University of Geosciences,Beijing 100083,China;4.Longmatan District Carbon Black Company in Luzhou City,Sichuan Province, Luzhou 646000,China)

Liquid loading in gas well can pose a serious threat to the exploitation of natural gas.To accurately calculate the critical flow rate of gas well is vital to gas reservoir development.Currently,engineering technicians use the liquid drop model and liquid holdup model to calculate the critical flow rate for liquid loading in gas well.However,the above two old models have a significant shortcoming that the calculated result is far from the reality and can not meet the requirement of gas well development.This paper presents an artificial neural network model for predicting the minimum flow rate for continuous removal of liquids from the wellbore. The model is developed taking full advantage of the test data in gas wells,and the new model can also simplify the complex mechanism studies of liquid loading,which has a wider range of practical application.The new model has been used to calculate the actual production of gas well.The results show that the developed model can provide high accuracy in predicting liquid loading in gas well and can also determine whether there is liquid loading in gas well or not.

neural network,liquid loading in gas well,liquid drop model,liquid holdup model.

國家科技重大專項子課題“（特）低滲透油藏工程新理論與新方法”（2009ZX05009-004）資助

TE319

A

2009-12-18；改回日期：2010-07-12。

欒國華，男，1985年生，在讀博士研究生，2009年畢業(yè)于西南石油大學，主要從事油氣田開發(fā)方面的研究工作。E-mail：yimu851114@yahoo.com.cn。

（編輯 劉 麗）

1005-8907（2010）05-575-04

欒國華，何順利，舒紹屹，等.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測氣井積液［J］.斷塊油氣田，2010，17（5）：575-578.

Luan Guohua，He Shunli，Shu Shaoyi，et al.Using artificial neural network method to predict liquid loading in gas well［J］.Fault-Block Oil&Gas Field，2010，17（5）：575-578.