鄭?？疲瑯阌袂?，孟凡宇，王倩

（大慶油田測(cè)試技術(shù)服務(wù)分公司，黑龍江大慶163453）

水平井油水兩相流含水率解釋預(yù)測(cè)

鄭?？?，樸玉琴，孟凡宇，王倩

（大慶油田測(cè)試技術(shù)服務(wù)分公司，黑龍江大慶163453）

水平井油水兩相流產(chǎn)液剖面測(cè)井解釋中流型復(fù)雜，準(zhǔn)確解釋含水率是難點(diǎn)。在進(jìn)行了大量的近水平油水兩相流動(dòng)模擬實(shí)驗(yàn)的基礎(chǔ)上，針對(duì)電容及阻抗含水率計(jì)測(cè)量響應(yīng)特性，建立基于含水率計(jì)響應(yīng)時(shí)域及頻域特征值的支持向量機(jī)回歸模型（SVR Model），采用該模型對(duì)不同傾斜角度的模擬井動(dòng)態(tài)實(shí)驗(yàn)含水率標(biāo)定結(jié)果進(jìn)行模型預(yù)測(cè)，模型驗(yàn)證結(jié)果表明解釋模型可實(shí)現(xiàn)較高的含水率預(yù)測(cè)精度，與室內(nèi)實(shí)驗(yàn)配比含水率比較，達(dá)到預(yù)測(cè)含水率解釋精度目標(biāo)。在解釋方法研究的基礎(chǔ)上，對(duì)實(shí)際測(cè)井資料進(jìn)行解釋。

生產(chǎn)測(cè)井；水平井；含水率；測(cè)井解釋模型；預(yù)測(cè)

0 引 言

水平井開發(fā)技術(shù)的廣泛應(yīng)用迫切需要解決產(chǎn)液剖面測(cè)井等配套技術(shù)。產(chǎn)出剖面測(cè)井解釋利用漂流模型、小波分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等技術(shù)建立產(chǎn)出剖面測(cè)井解釋模型［1－2］，由于水平井井身結(jié)構(gòu)和井筒流動(dòng)狀態(tài)導(dǎo)致了管道內(nèi)流體的流型、流速剖面發(fā)生了根本性的變化，尤其是雖然傾斜角度相同，但不同的傾斜方向可以產(chǎn)生不同的流型，從而導(dǎo)致解釋模型和方法發(fā)生了變化。本文采用基于水平井生產(chǎn)測(cè)井組合儀器在模擬井中的動(dòng)態(tài)實(shí)驗(yàn)結(jié)果，利用測(cè)量得到的電容及阻抗含水率計(jì)瞬態(tài)波動(dòng)信號(hào)，提取了與含水率有關(guān)的時(shí)域及頻域內(nèi)特征向量，采用支持向量機(jī)回歸模型，建立了水平油水兩相流含水率解釋模型，與模擬井標(biāo)定的含水率結(jié)果進(jìn)行了對(duì)比，取得了較好的含水率預(yù)測(cè)效果。

1 水平井油水兩相流含水率預(yù)測(cè)模型建立

1.1 含水率測(cè)量信號(hào)時(shí)域及頻域特征提取

采用支持向量機(jī)回歸模型（SVR）預(yù)測(cè)含水率，輸入變量的特征量選取是關(guān)鍵，提取的特征量要盡可能反映原始信號(hào)特征。研究中共提取11個(gè)特征指標(biāo)構(gòu)成SVR的數(shù)據(jù)集合，從時(shí)域內(nèi)提取了電容波動(dòng)信號(hào)的最大值（Cmax）、最小值（Cmin）、均值、標(biāo)準(zhǔn)偏差（SD）、非對(duì)稱系數(shù)（CS）、峭度函數(shù)（CK）；從頻域內(nèi)提取線性預(yù)測(cè)器的4個(gè)系數(shù)α1、α2、α3、及α4，連同總流量共組成11個(gè)指標(biāo)作為特征向量集。

若用xi表示電容和阻抗波動(dòng)信號(hào)樣本中的數(shù)據(jù)，則可得到該樣本的6個(gè)時(shí)域內(nèi)特征統(tǒng)計(jì)量

時(shí)域內(nèi)電容波動(dòng)信號(hào)的最大值、最小值能夠很好地反映兩相流的導(dǎo)電情況，也可反映相含水率的變化；均值反映了電容波動(dòng)信號(hào)的平均值；標(biāo)準(zhǔn)偏差可反映測(cè)量數(shù)據(jù)的離散度；非對(duì)稱系數(shù)反映了樣本圍繞均值的非對(duì)稱程度；峭度函數(shù)用于表示樣本分布與正態(tài)分布的偏離程度。

線性預(yù)測(cè)器中的線性系數(shù)是要抽取的多相流測(cè)量的波動(dòng)信號(hào)的頻域內(nèi)特征。

設(shè)信號(hào)輸出Xt可以表示為

式中，Ut－l為未知輸入信號(hào)；ak（1≤k≤p）、bl（1≤l≤q）及增益G是系統(tǒng)參數(shù)。式（7）說(shuō)明了輸出Xt是過(guò)去輸出及現(xiàn)在和過(guò)去輸入的線性函數(shù)。

由于輸入信號(hào)Ut是完全未知的，輸出信號(hào)Xt只能從先前輸出近似估計(jì)，即

說(shuō)明對(duì)給定的信號(hào)Xt，可由式（9）（p個(gè)方程、p個(gè)未知變量）嚴(yán)格求解得出系數(shù)αk（1≤k≤p）。對(duì)于不同的波動(dòng)信號(hào)，通過(guò)這種方法便可得到不同的表征參數(shù)，所以，系數(shù)αk（1≤k≤p）可以作為兩相流波動(dòng)信號(hào)的特征參數(shù)，一般可取到四階線性預(yù)測(cè)器，故有表征參數(shù)α1、α2、α3、及α4。

1.2 預(yù)測(cè)含水率的支持向量機(jī)回歸模型（SVR Model）

式中，｜yi－f（xi）｜ε＝max｛0，｜yi－f（xi）｜－ε｝為ε不敏感損失函數(shù)；c為懲罰系數(shù)。上述問題轉(zhuǎn)化為求解下列凸二次規(guī)劃問題

解得（α，α＊），得到支持向量回歸方程為

當(dāng)擬合曲線為非線性時(shí)，可以通過(guò)一個(gè)非線性變換φ（x）將其轉(zhuǎn)化為某個(gè)高維特征空間中的線性問題，此時(shí)擬合曲線為

SVR是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，而不是傳統(tǒng)意義上的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，既考慮了訓(xùn)練樣本的擬合性，又考慮了復(fù)雜性，具有較好的泛化能力，但模型參數(shù)選擇將直接影響模型的推廣能力。

1.3 支持向量機(jī)回歸模型最佳參數(shù)選擇方法

支持向量機(jī)（SVR）回歸模型的應(yīng)用依賴于算法參數(shù)的選擇，研究涉及到的2個(gè)參數(shù)分別為懲罰系數(shù)c和RBF核函數(shù)隱含層節(jié)點(diǎn)的寬度σ，由于目前尚沒有理論能夠有效指導(dǎo)支持向量機(jī)模型參數(shù)的確定，參數(shù)選擇問題便成為提高支持向量機(jī)應(yīng)用能力的主要研究問題之一。本文通過(guò)運(yùn)用單純粒子群算法和免疫粒子群優(yōu)化算法（PSO－IM）［3－4］，力求在模型訓(xùn)練的過(guò)程中逐步確定最優(yōu)參數(shù)，達(dá)到建立高精度回歸預(yù)測(cè)模型的目的，取得了令人滿意的結(jié)果。

2 含水率解釋模型精度考察

利用室內(nèi)動(dòng)態(tài)模擬實(shí)驗(yàn)數(shù)據(jù)［5］對(duì)算法進(jìn)行了考察。采用動(dòng)態(tài)模型進(jìn)行含水率預(yù)測(cè)時(shí)，無(wú)論是單純粒子群算法還是免疫粒子群算法，都保持了較高的含水率解釋精度。電導(dǎo)含水率測(cè)井解釋最大平均絕對(duì)誤差小于4%（見圖1），電容含水率測(cè)井解釋最大平均絕對(duì)誤差小于5%（見圖2），其中水平角度時(shí)預(yù)測(cè)含水率精度最高（小于2%）。隨傾斜角度變化，含水率預(yù)測(cè)精度有所下降。表明了基于2種進(jìn)化算法的支持向量機(jī)回歸模型預(yù)測(cè)含水率的有效性。另外，免疫粒子群算法仍然保持了高于單純粒子群算法的含水率預(yù)測(cè)精度，免疫粒子群算法能夠避免單純粒子群算法所固有的早熟收斂現(xiàn)象，跳出局部極值點(diǎn)，進(jìn)一步接近全局最優(yōu)點(diǎn)，這種基于進(jìn)化算法尋優(yōu)最佳參數(shù)，以SVR為核心建立的含水率預(yù)測(cè)模型，為實(shí)際處理電容含水率計(jì)動(dòng)態(tài)測(cè)試資料提供了較好的途徑。

3 結(jié) 論

（1）基于水平井生產(chǎn)測(cè)井組合儀器在模擬井中的動(dòng)態(tài)實(shí)驗(yàn)結(jié)果，利用測(cè)量得到的電容及阻抗含水率計(jì)瞬態(tài)波動(dòng)信號(hào)，提取了與含水率有關(guān)的時(shí)域及頻域內(nèi)特征向量。

（2）采用支持向量機(jī)回歸模型建立了水平井油水兩相流含水率解釋模型，與模擬井標(biāo)定的含水率結(jié)果進(jìn)行了對(duì)比，取得了較好的含水率預(yù)測(cè)效果。

［1］ 梁法春，王棟，林宗虎.基于神經(jīng)網(wǎng)絡(luò)的水平管三相分層流相分率測(cè)量［J］.西安交通大學(xué)學(xué)報(bào)，2004，38（7）：750－753.

［2］ 趙鑫，金寧德，李偉波.油水兩相流相含率的軟測(cè)量方法［J］.化工學(xué)報(bào)，2005，56（10）：1875－1879.

［3］ 雷開友.粒子群算法及其應(yīng)用研究［D］.成都：西南大學(xué)，2006.

［4］ 羅國(guó)娟.階梯式預(yù)測(cè)控制器的參數(shù)整定研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2006.

［5］ 鄭?？?，劉興斌，樸玉琴，等.水平井油水兩相管流流量和含水率測(cè)量方法實(shí)驗(yàn)研究［J］.測(cè)井技術(shù)，2010，34（4）：323－326.

Water Cut Prediction of Oil－water Two－phase Flow in Horizontal Well

ZHENG Xike，PIAO Yuqin，MENG Fanyu，WANG Qian
（Logging ＆Testing Services Company，Daqing Oilfield Company LTD.，Daqing，Heilongjiang 163453，China）

Because of complex flow types，it is difficult to accurately interpret water cut of oil－water two－phase flow of production profile logging in horizontal wells.On the basis of a large number of simulation experiments on nearly horizontal oil－water two－phase flow and the measuring response characteristics of water cut meter of capacitance and resistance，SVR model（support vector machine regression model）is established based on frequency domain eigenvalue of water cut meter response，and this model is used to predict the calibration results of water cut for simulation wells with different angles.Validation results show that higher prediction accuracy can be obtained by using this log interpretation model.Compared with the matching water cut of laboratory experiment，prediction accuracy of water cut can be achieved by using SVR model.In addition，the actual log data is interpreted on the basis of the development of interpretation methods.

production log，horizontal well，water cut，log interpretation model，prediction

P631.84

A

2012－01－16 本文編輯 余迎）

1004－1338（2012）03－0318－03

項(xiàng)目來(lái)源：國(guó)家高技術(shù)研究發(fā)展863計(jì)劃項(xiàng)目水平井產(chǎn)液剖面測(cè)試技術(shù)（編號(hào)：2007AA06Z231）

鄭?？?，男，1963年生，高級(jí)工程師，博士，從事生產(chǎn)測(cè)井科研與管理工作。