宋尚飛，洪炳沅，史博會*，吳海浩，康琦，王智，宮敬*

1 中國石油大學(xué)(北京)油氣管道輸送安全國家工程實(shí)驗(yàn)室/石油工程教育部重點(diǎn)實(shí)驗(yàn)室/城市油氣輸配技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京102249

2 西安長慶科技工程有限責(zé)任公司，西安 710000

基于人工神經(jīng)網(wǎng)絡(luò)的天然氣井產(chǎn)量計(jì)算方法研究

宋尚飛1，洪炳沅1，史博會1*，吳海浩1，康琦1，王智2，宮敬1*

1 中國石油大學(xué)(北京)油氣管道輸送安全國家工程實(shí)驗(yàn)室/石油工程教育部重點(diǎn)實(shí)驗(yàn)室/城市油氣輸配技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京102249

2 西安長慶科技工程有限責(zé)任公司，西安 710000

隨著石油行業(yè)不斷向海洋發(fā)展，水下油氣生產(chǎn)工藝也隨之誕生，傳統(tǒng)的技術(shù)手段面臨諸多新的問題。虛擬計(jì)量系統(tǒng)已經(jīng)逐步在國內(nèi)外的海上油氣田生產(chǎn)系統(tǒng)中開始應(yīng)用。該技術(shù)利用油氣田的常規(guī)基礎(chǔ)工藝參數(shù)以及從生產(chǎn)控制系統(tǒng)獲取的實(shí)時(shí)儀表數(shù)據(jù)，通過多種模型實(shí)時(shí)計(jì)算出單井油氣水各相的流量。本文主要研究人工神經(jīng)網(wǎng)絡(luò)在虛擬計(jì)量方面的應(yīng)用。由于目前常用的井筒模型不能適應(yīng)產(chǎn)量的瞬時(shí)變化，不能及時(shí)準(zhǔn)確地預(yù)測產(chǎn)量，本文引入具有高度非線性預(yù)測能力的誤差反向傳播的人工神經(jīng)網(wǎng)絡(luò)方法，以人工調(diào)試后的井筒模型結(jié)果作為數(shù)據(jù)樣本庫，模擬各種影響因素與天然氣井產(chǎn)量之間的映射關(guān)系，通過學(xué)習(xí)和訓(xùn)練建立了基于BP神經(jīng)網(wǎng)絡(luò)模型的天然氣井產(chǎn)量計(jì)算模型。預(yù)測結(jié)果表明：該方法的計(jì)算結(jié)果與現(xiàn)場物理流量計(jì)測量值的相對誤差平均值為3.33%，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±5%內(nèi)，預(yù)測精度較高。綜合分析表明，人工神經(jīng)網(wǎng)絡(luò)模型能夠滿足實(shí)際生產(chǎn)需要，且該模型結(jié)構(gòu)簡單，不拘泥于具體的形式，計(jì)算量少。

水下油氣生產(chǎn)工藝；虛擬計(jì)量系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)模型；天然氣—凝析液管道；深海流動安全保障

0 前言

VMS(Virtual Metering System) 技術(shù)早在20世紀(jì)90年代就被提出并首先應(yīng)用于油氣田開發(fā)中[1]。VMS技術(shù)經(jīng)過20多年的發(fā)展，不僅被應(yīng)用于海上油氣田的開發(fā)中，還與目前廣泛使用的流動安全保障及管道管理系統(tǒng)有機(jī)結(jié)合[2]，成為海上油氣開發(fā)與運(yùn)營管理中非常重要的先進(jìn)技術(shù)。VMS技術(shù)具有高度的集成性，為作業(yè)者提供了極大方便，在性價(jià)比方面也有很大優(yōu)勢，還可與實(shí)時(shí)的流動管理系統(tǒng)相結(jié)合。在水下油氣田的開發(fā)中可以部分代替?zhèn)鹘y(tǒng)多相計(jì)量設(shè)備，也可作為實(shí)體流量計(jì)的補(bǔ)充或備用方案[3]。

國外有關(guān)技術(shù)公司已經(jīng)開發(fā)出了多種適用于深水油氣田流動安全保障在線監(jiān)測與管理系統(tǒng)，并在北海、墨西哥灣及西非等地區(qū)的一些深水油氣田上得到成功應(yīng)用，取得了良好的結(jié)果。如FMC旗下的FAS系統(tǒng)，提供了在線流動安全保障的一攬子解決方案，包括了虛擬計(jì)量、海底管道動態(tài)監(jiān)測、乙二醇注入量控制、油嘴開度優(yōu)化及地層水監(jiān)測5個(gè)模塊。SPT公司為中國南海的崖城氣田提供了包括虛擬計(jì)量及段塞流跟蹤在內(nèi)的OLGA online系統(tǒng)，另外還有BP的ISIS系統(tǒng)、TOTAL的WPM系統(tǒng)[4]等。一些國際大型石油公司(例如Chevron、Shell、TOTAL等)已將流動安全保障在線監(jiān)測與管理系統(tǒng)列為其新油氣田開發(fā)的標(biāo)準(zhǔn)設(shè)計(jì)，并在已有油氣田上推廣使用[5]。我國目前在該方面的研究才剛剛開始，本研究組依托多相流模擬技術(shù)，自行研發(fā)了流動監(jiān)測與管理系統(tǒng)。2014年1月，該系統(tǒng)已經(jīng)在中國南海某氣田區(qū)塊成功投入使用。經(jīng)過近4年的運(yùn)行，結(jié)果證明自研的VMS 系統(tǒng)整體平穩(wěn)運(yùn)行，硬件設(shè)備未出現(xiàn)故障。對比顯示，VMS所算出的單井流量和總流量與平臺上流量計(jì)的總體測量結(jié)果吻合較好，滿足工程實(shí)際正常生產(chǎn)的精度要求，創(chuàng)造了可觀的經(jīng)濟(jì)效益和價(jià)值[6-9]。

人工神經(jīng)網(wǎng)絡(luò)(Arti fi cial Neutral Networks)是一種類似于人類神經(jīng)系統(tǒng)的信息處理技術(shù)[10]，可以視為一種功能強(qiáng)大、應(yīng)用廣泛的機(jī)器學(xué)習(xí)算法，在解決事物的模糊關(guān)系及非線性預(yù)測方面具有很強(qiáng)的智能化。通過建立合理的神經(jīng)網(wǎng)絡(luò)對系統(tǒng)的輸入輸出樣本進(jìn)行訓(xùn)練和學(xué)習(xí)，能夠在適當(dāng)精度內(nèi)逼近任意復(fù)雜的非線性系統(tǒng)。這一優(yōu)良性能使得人工神經(jīng)網(wǎng)絡(luò)成為多維非線性函數(shù)的通用數(shù)學(xué)模型[11]。近年來，人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，特別是誤差反向傳播算法(BP 算法)的出現(xiàn)，使得人工神經(jīng)網(wǎng)絡(luò)成為一種分析預(yù)測非線性復(fù)雜體系性能的有效方法。目前，人工神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于模式識別、信號處理、優(yōu)化計(jì)算、參數(shù)匹配及預(yù)測、參數(shù)空間分布預(yù)測等研究領(lǐng)域。近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已被引入石油行業(yè)，能很好地解決生產(chǎn)過程中的非線性問題，應(yīng)用范圍較廣[10]，已在儲層參數(shù)預(yù)測、鉆井井下復(fù)雜情況及事故診斷、預(yù)測、儲層裂縫識別、氣井管理及動態(tài)預(yù)測等領(lǐng)域內(nèi)取得了良好的應(yīng)用效果，理論發(fā)展也在不斷完善。

水下油氣生產(chǎn)工藝系統(tǒng)是一個(gè)涉及多學(xué)科、多作業(yè)環(huán)節(jié)的龐大的地下隱藏工程。在天然氣井生產(chǎn)過程中，存在著大量且復(fù)雜的不確定性因素，都會對天然氣井的生產(chǎn)產(chǎn)生影響。目前，國內(nèi)外學(xué)者對虛擬計(jì)量技術(shù)進(jìn)行了廣泛而深入的研究，建立了多種數(shù)學(xué)模型。但這些模型都是通過氣體管流連續(xù)性方程、運(yùn)動方程、能量方程等基本方程推導(dǎo)出來的，同時(shí)，公式也存在一定的假設(shè)條件，比如氣體壓縮因子為常數(shù)、不考慮液體壓縮性、忽略流動過程中摩擦等等，不符合實(shí)際生產(chǎn)情況。因此，這些模型的應(yīng)用均具有一定的局限性，也會產(chǎn)生相應(yīng)的不可避免的系統(tǒng)誤差。

人工神經(jīng)網(wǎng)絡(luò)所擁有的可逼近任意非線性函數(shù)的優(yōu)點(diǎn)非常適用于天然氣井產(chǎn)量的預(yù)測研究，因此本文針對人工神經(jīng)網(wǎng)絡(luò)展開了一系列研究。具體研究思路是：首先，根據(jù)前人的研究成果，尋求與天然氣井流量關(guān)聯(lián)度較大的相關(guān)因素；然后，根據(jù)網(wǎng)絡(luò)的要求，確定網(wǎng)絡(luò)的結(jié)構(gòu)，同時(shí)選取相應(yīng)的算法；最后建立基于人工神經(jīng)網(wǎng)絡(luò)模型的天然氣井產(chǎn)量計(jì)算方法，將人工神經(jīng)網(wǎng)絡(luò)引入虛擬計(jì)量這一新興技術(shù)中。

1 VMS應(yīng)用簡介

1.1 VMS系統(tǒng)簡介

根據(jù)在線流動安全保障系統(tǒng)的基本概念，我們課題組開發(fā)了海上凝析氣田流動監(jiān)測系統(tǒng)，這是一套以油氣田的實(shí)時(shí)生產(chǎn)數(shù)據(jù)為依據(jù)的可用于反映生產(chǎn)流動過程的計(jì)算分析系統(tǒng)，可用于水下氣井井口流量測量及海底管道流動在線模擬。其中包括基于井筒模型和油嘴模型的虛擬計(jì)量系統(tǒng)(VMS)，該系統(tǒng)已在我國南海某凝析氣田投入使用。該系統(tǒng)具有以下功能：

(1) 基礎(chǔ)數(shù)據(jù)及主要功能

為完成實(shí)時(shí)井口流量的計(jì)算，VMS需要的參數(shù)分為3部分：流體基礎(chǔ)參數(shù)、流動系統(tǒng)基礎(chǔ)參數(shù)、實(shí)時(shí)生產(chǎn)數(shù)據(jù)。流體基礎(chǔ)參數(shù)主要指天然氣的組分?jǐn)?shù)據(jù)。流動系統(tǒng)基礎(chǔ)參數(shù)指氣藏IPR數(shù)據(jù)、井筒的軌跡和結(jié)構(gòu)、地層溫度分布、油嘴開度與Cv值的對應(yīng)關(guān)系、海底管道參數(shù)等。另外就是從DCS（分布式控制系統(tǒng)，Distributed Control System）獲取的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，這些數(shù)據(jù)包括：井筒底部的壓力及溫度、井口壓力及溫度、油嘴后壓力及溫度、油嘴的開度、采油樹閥門狀態(tài)等。

通過VMS的分析計(jì)算，可以實(shí)時(shí)獲得的數(shù)據(jù)包括：單井的總質(zhì)量流量，氣、油、水三相的體積流量(標(biāo)況)，以及氣田生產(chǎn)井的總流量。另外還可提供各個(gè)生產(chǎn)井的時(shí)、日、周、月時(shí)間范圍的流量累積值。

(2) VMS系統(tǒng)構(gòu)架

VMS系統(tǒng)主要由軟件系統(tǒng)和硬件系統(tǒng)兩部分構(gòu)成。其中硬件系統(tǒng)主要承擔(dān)與現(xiàn)場DCS的數(shù)據(jù)通信，并作為VMS的運(yùn)行平臺；軟件系統(tǒng)是VMS的核心，包括數(shù)據(jù)庫、組態(tài)軟件及核心計(jì)算軟件等部分。VMS的系統(tǒng)結(jié)構(gòu)和基本工作原理參見圖 1。

VMS的軟件部分主要包括組態(tài)軟件、數(shù)據(jù)庫軟件及核心計(jì)算軟件。核心計(jì)算軟件包括所有流量算法及數(shù)據(jù)處理過程，為適應(yīng)同時(shí)計(jì)量多口生產(chǎn)井的要求，采用了多線程的程序開發(fā)技術(shù)。核心計(jì)算模塊采用了多模型同時(shí)計(jì)算的方式，所以即使個(gè)別井的井底或井口噴嘴前、后壓力和溫度傳感器失效，系統(tǒng)依然能夠正常工作。

硬件系統(tǒng)主要包括1臺VMS服務(wù)器，2套冗余配置的通信服務(wù)器和交換機(jī)。在這個(gè)設(shè)計(jì)方案中，系統(tǒng)所需的硬件設(shè)備只是用于獲取實(shí)時(shí)生產(chǎn)數(shù)據(jù)的通用數(shù)字通信設(shè)備，而不需要對原有生產(chǎn)工藝流程及DCS做任何改動。獲取實(shí)時(shí)生產(chǎn)數(shù)據(jù)的方式是被動單向的，因此不會對生產(chǎn)系統(tǒng)產(chǎn)生任何干擾。

(3) 物理模型和計(jì)算方法

圖2為一個(gè)典型的水下氣田流動系統(tǒng)示意圖。根據(jù)節(jié)點(diǎn)分析原理，從井底至采油平臺的流動存在3種流動形式即地層中的滲流、井筒及海管中的多相流動及過油嘴的多相流動。海上凝析氣田流動監(jiān)測系統(tǒng)就是根據(jù)這3種流動的特點(diǎn)及形式，建立相應(yīng)的模型及算法[12-13]，實(shí)現(xiàn)虛擬計(jì)量。目前系統(tǒng)中采用的井筒模型，從2014年1月至今正常運(yùn)行，積累了大量生產(chǎn)數(shù)據(jù)。

1.2 現(xiàn)場區(qū)塊應(yīng)用

我國南海某盆地的實(shí)際生產(chǎn)區(qū)塊A有兩個(gè)氣井：井A1和井A2，均屬邊際氣田，開發(fā)方式為采用水下生產(chǎn)系統(tǒng)進(jìn)行開發(fā)。平臺上裝有段塞捕集器及分相流量計(jì)對兩口井總產(chǎn)量進(jìn)行計(jì)量，同時(shí)選擇VMS系統(tǒng)對該區(qū)塊進(jìn)行分相計(jì)量。模擬因果變量之間的內(nèi)在關(guān)系，所以其非線性映射功能應(yīng)用十分廣泛，幾乎涉及所有領(lǐng)域。在現(xiàn)實(shí)生活中，許多系統(tǒng)的輸入和輸出之間存在著非常復(fù)雜的非線性關(guān)系，對于這類系統(tǒng)，往往很難用傳統(tǒng)的數(shù)理方法建立起數(shù)學(xué)模型。通過建立合理的神經(jīng)網(wǎng)絡(luò)對系統(tǒng)的輸入輸出樣本進(jìn)行訓(xùn)練和學(xué)習(xí)，能夠在適當(dāng)精度內(nèi)逼近任意復(fù)雜的非線性系統(tǒng)。這一優(yōu)良性能使得人工神經(jīng)網(wǎng)絡(luò)成為多維非線性函數(shù)的通用數(shù)學(xué)模型。該模型的

圖1 VMS系統(tǒng)的基本構(gòu)成Fig. 1 Basic architecture of VMS

2 BP人工神經(jīng)網(wǎng)絡(luò)建模

由于人工神經(jīng)網(wǎng)絡(luò)模型屬于隱式模型，具有自組織、自適應(yīng)性以及學(xué)習(xí)功能，在理論上能夠逼近任意非連續(xù)映射，能夠在各種不確定因素的影響下較好地表達(dá)是非解析的，輸入輸出數(shù)據(jù)之間的映射規(guī)則由神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)階段自動抽取并分布式存儲在網(wǎng)絡(luò)的所有連接中。

圖2 水下凝析氣田生產(chǎn)系統(tǒng)示意圖Fig. 2 Subsea gas production system diagram

網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定的是否合理，直接影響到人工神經(jīng)網(wǎng)絡(luò)模型結(jié)果的適用性和精確性，因此網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定是建立BP人工神經(jīng)網(wǎng)絡(luò)模型的重點(diǎn)工作。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定包括網(wǎng)絡(luò)層數(shù)、輸入層神經(jīng)元數(shù)、隱含層數(shù)、隱含層神經(jīng)元數(shù)、輸出層神經(jīng)元數(shù)等幾個(gè)方面。

本文運(yùn)用MATLAB語言中的神經(jīng)網(wǎng)絡(luò)工具箱對模型進(jìn)行求解。神經(jīng)網(wǎng)絡(luò)工具箱是以神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語言構(gòu)造出典型神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)，如 S 型、線性等傳遞函數(shù)，使設(shè)計(jì)者對所選網(wǎng)絡(luò)輸出的計(jì)算，變成對傳遞函數(shù)的調(diào)用。另外，根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值規(guī)則，加上網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者則可以根據(jù)自己的需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己從繁瑣的編程中解脫出來，提高開發(fā)效率，減少工作量，節(jié)省大量時(shí)間。運(yùn)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱求解BP模型的關(guān)鍵是傳遞函數(shù)和訓(xùn)練函數(shù)的選擇，不同的函數(shù)可以取得不同的預(yù)測效果。

2.1 網(wǎng)絡(luò)層數(shù)和輸入輸出層節(jié)點(diǎn)數(shù)的確定

在BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入層與輸出層是必備的，而隱含層層數(shù)是確定網(wǎng)絡(luò)層數(shù)的關(guān)鍵所在。關(guān)于隱含層的層數(shù)，相關(guān)文獻(xiàn)研究表明[14]，含有2個(gè)隱含層的BP網(wǎng)絡(luò)更易陷入局部極小，更難以訓(xùn)練。因此本文建立的BP神經(jīng)網(wǎng)絡(luò)模型層數(shù)取3層，即由一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層構(gòu)成。

由前敘可知，在天然氣井生產(chǎn)過程中從井底至采油平臺的流動存在3種流動形式即地層中的滲流、井筒及海管中的多相流動及過油嘴的多相流動。3種流動形式都會對氣井產(chǎn)量產(chǎn)生影響，同時(shí)考慮到獲取數(shù)據(jù)的難易程度，確定BP神經(jīng)網(wǎng)絡(luò)的輸入層應(yīng)具有7個(gè)神經(jīng)元，分別是井底溫度、井底壓力、油嘴前溫度、油嘴前壓力、油嘴開度、油嘴后溫度、油嘴后壓力。輸出層僅含1個(gè)神經(jīng)元，輸出網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測的結(jié)果，即與輸入信息相對應(yīng)的天然氣井瞬時(shí)產(chǎn)量。

2.2 隱含層神經(jīng)元數(shù)的確定

對于如何選擇隱含層神經(jīng)元的個(gè)數(shù)，至今為止尚未找到一個(gè)很好的解析式，隱含層神經(jīng)元數(shù)往往根據(jù)前人的設(shè)計(jì)經(jīng)驗(yàn)和自己試驗(yàn)來確定。本文根據(jù)Kolmogorov定理[14]，先初步確定隱含層神經(jīng)元數(shù)，再經(jīng)過反復(fù)測試調(diào)整隱含層神經(jīng)元數(shù)，最終選擇隱含層的節(jié)點(diǎn)個(gè)數(shù)為20個(gè)。

2.3 網(wǎng)絡(luò)傳遞函數(shù)的確定

BP人工神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)有很多種[15-16]。包括對數(shù)S型、正切S型、線性傳遞函數(shù)等。BP人工神經(jīng)網(wǎng)絡(luò)通常有一個(gè)或多個(gè)隱層，該層中的神經(jīng)元均采用sigmoid型傳遞函數(shù)，輸出層的神經(jīng)元?jiǎng)t采用線性傳遞函數(shù)，整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。3種典型傳遞函數(shù)的輸入輸出特性如圖3所示。

根據(jù)不同傳遞函數(shù)的特點(diǎn)，經(jīng)過網(wǎng)絡(luò)的學(xué)習(xí)和測試發(fā)現(xiàn)：當(dāng)隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin時(shí)，網(wǎng)絡(luò)能夠在規(guī)定迭代次數(shù)內(nèi)收斂，且誤差較小，認(rèn)為此時(shí)網(wǎng)絡(luò)達(dá)到最佳。所以，確定隱層的傳遞函數(shù)為 tansig，輸出層的傳遞函數(shù)為 purelin。

圖3 三種典型傳遞函數(shù)的輸入輸出特性Fig. 3 The input and output characteristics of three kinds of typical transfer function

2.4 樣本庫的建立

神經(jīng)網(wǎng)絡(luò)的參數(shù)獲取是建立在大量樣本庫數(shù)據(jù)的基礎(chǔ)上的，只有通過大量準(zhǔn)確的歷史數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，才能使神經(jīng)網(wǎng)絡(luò)更逼近實(shí)際的非線性映射。

本文擬以我國南海某盆地生產(chǎn)區(qū)塊的氣井A1 和井A2的生產(chǎn)數(shù)據(jù)作為樣本庫。但是在該凝析氣田現(xiàn)場僅有一臺超聲波流量計(jì)對A1井、A2井進(jìn)行合并計(jì)量，不能直接得到相應(yīng)的單井流量數(shù)據(jù)。目前主要用虛擬計(jì)量系統(tǒng)的井筒模型計(jì)算單井流量，計(jì)算結(jié)果基本可滿足工程要求。但其中井筒傳熱系數(shù)等重要的參數(shù)需要考慮不同的工況進(jìn)行校核，為建立樣本庫，首先應(yīng)對井筒模型的參數(shù)進(jìn)行人工調(diào)試與參數(shù)調(diào)整，使之與實(shí)際相吻合。本文首先根據(jù)現(xiàn)場實(shí)際數(shù)據(jù)對井筒模型的相關(guān)參數(shù)進(jìn)行反算，得到較為準(zhǔn)確的油氣水三相單井流量值，結(jié)果如圖4所示。井筒模型的結(jié)果與現(xiàn)場流量計(jì)結(jié)果對比誤差較小，相對誤差平均值為3.29%，處于可接受范圍，可認(rèn)為本數(shù)據(jù)庫數(shù)據(jù)較為準(zhǔn)確。

樣本庫的容量和準(zhǔn)確性直接影響著神經(jīng)網(wǎng)絡(luò)模型的結(jié)果和性能，在樣本庫的建立過程，充分考慮海洋工程實(shí)際情況，優(yōu)選油氣生產(chǎn)過程中可能出現(xiàn)的不同油嘴開度、不同產(chǎn)量等信息，力求所建立的樣本庫能夠涵蓋實(shí)際工程所有可能出現(xiàn)的情況。通過對數(shù)據(jù)的篩選和選擇，最終確定12 424組數(shù)據(jù)作為樣本庫對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)。但是，樣本庫中數(shù)據(jù)個(gè)數(shù)不是恒定不變的，隨著現(xiàn)場數(shù)據(jù)的進(jìn)一步收集和整理，在后續(xù)研究中會不斷對樣本庫進(jìn)行修正和豐富，力求可以完整地反映該水下生產(chǎn)系統(tǒng)的信息，以供模型學(xué)習(xí)和訓(xùn)練，提高模型的適應(yīng)性。

圖4 人工修正后井筒模型與現(xiàn)場流量計(jì)結(jié)果對比Fig. 4 Compared with arti fi cial modi fi ed wellbore model and lf owmeter of A1 and A2

2.5 BP神經(jīng)網(wǎng)絡(luò)模型的求解

本文利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，如圖5所示該神經(jīng)網(wǎng)絡(luò)具有7×20×1的網(wǎng)絡(luò)結(jié)構(gòu)，隱含層采用tansig傳遞函數(shù)，輸出層采用purelin傳遞函數(shù)，用已建好的樣本庫對該網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，獲得相應(yīng)的結(jié)構(gòu)參數(shù)。

3 模型誤差分析

3.1 BP神經(jīng)網(wǎng)絡(luò)模型與井筒模型對比

利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)分別計(jì)算兩井的流量。圖6所示為A1單井BP神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果的對比，可知BP神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果的吻合度較高，相對誤差絕對值平均為0.66%，只有不超過0.1%的數(shù)據(jù)點(diǎn)誤差較大，如圖7所示。相對誤差服從正態(tài)分布，均值為-0.031%，標(biāo)準(zhǔn)差為0.011 0。99.74%的數(shù)據(jù)點(diǎn)相對誤差處于±3%內(nèi)，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±1%內(nèi)。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig. 5 Schematic diagram of the structure of BP neural network

圖6 A1井神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果Fig. 6 The results of A1 by neural network model and wellbore model

圖8所示為A2單井BP神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果的對比，可知BP神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果的吻合度較高，相對誤差絕對值平均為1.14%，只有不超過0.1%的數(shù)據(jù)點(diǎn)誤差較大，如圖9所示。相對誤差服從正態(tài)分布，均值為-0.052 2%，標(biāo)準(zhǔn)差為0.020 7。99.74%的數(shù)據(jù)點(diǎn)相對誤差處于±6.0%內(nèi)，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±2%內(nèi)。

圖7 A1井神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算誤差頻率分布直方圖Fig. 7 Histogram of frequency distribution of A1 calculation error by neural network model

圖9 A2井神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算誤差頻率分布直方圖Fig. 9 Histogram of frequency distribution of A2 calculation error by neural network model

3.2 單井生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)對比

圖10所示為A1單井生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)結(jié)果的對比，BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)數(shù)據(jù)結(jié)果基本吻合，相對誤差絕對值平均為3.25%，只有少量的數(shù)據(jù)點(diǎn)誤差較大。如圖 11所示，相對誤差服從正態(tài)分布，均值為-5.520 5×10-7，標(biāo)準(zhǔn)差為0.045 9。99.74%的數(shù)據(jù)點(diǎn)相對誤差處于±10%內(nèi)，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±5%內(nèi)。

圖8 A2井神經(jīng)網(wǎng)絡(luò)模型與井筒模型計(jì)算結(jié)果Fig. 8 The results of A2 by neural network model and wellbore model

圖10 A1單井生產(chǎn)時(shí)神經(jīng)網(wǎng)絡(luò)與流量計(jì)結(jié)果對比Fig. 10 Comparison of neural network and the fl owmeter of A1

圖12所示為A2單井生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)結(jié)果的對比，可知BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)數(shù)據(jù)結(jié)果的吻合度較高，相對誤差絕對值平均為4.65%，因?yàn)楝F(xiàn)場流量計(jì)數(shù)據(jù)波動性較大，有少量的數(shù)據(jù)點(diǎn)誤差較大。如圖 13所示，相對誤差服從正態(tài)分布，均值為-0.18%，標(biāo)準(zhǔn)差為0.0715。99.74%的數(shù)據(jù)點(diǎn)相對誤差處于±20%內(nèi)，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±5%內(nèi)。

3.3 兩井同時(shí)生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)對比

如圖14所示為兩井同時(shí)生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)結(jié)果的對比，可知BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)場流量計(jì)數(shù)據(jù)結(jié)果的吻合度較高，相對誤差絕對值平均為3.33%，因?yàn)楝F(xiàn)場流量計(jì)數(shù)據(jù)波動性較大，有少量的數(shù)據(jù)點(diǎn)誤差較大。如圖15所示，99.74%的數(shù)據(jù)點(diǎn)相對誤差處于±15%內(nèi)，超過80%的數(shù)據(jù)點(diǎn)相對誤差處于±5%內(nèi)，相對誤差標(biāo)準(zhǔn)差為0.050 8。

圖11 A1單井生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果誤差頻率分布直方圖Fig. 11 A1 Histogram of frequency distribution of BP neural network calculation error

圖12 A2單井生產(chǎn)時(shí)神經(jīng)網(wǎng)絡(luò)與流量計(jì)結(jié)果對比Fig. 12 Comparison of neural network and the fl owmeter of A2

圖13ｃA2單井生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)與流量計(jì)結(jié)果誤差頻率分布直方圖Fig. 13 A2 Histogram of frequency distribution of BP neural network calculation error

圖14 兩井同時(shí)生產(chǎn)時(shí)神經(jīng)網(wǎng)絡(luò)模型與流量計(jì)結(jié)果對比Fig. 14 Comparison of neural network and the fl owmeter of A1 and A2

圖15 兩井同時(shí)生產(chǎn)時(shí)BP神經(jīng)網(wǎng)絡(luò)與流量計(jì)結(jié)果誤差頻率分布直方圖Fig. 15 Histogram of frequency distribution of BP neural network calculation error

4 結(jié)論

本文主要研究人工神經(jīng)網(wǎng)絡(luò)在天然氣井計(jì)量方面的應(yīng)用。由于目前井筒模型并不能適應(yīng)產(chǎn)量的瞬時(shí)變化，并及時(shí)準(zhǔn)確預(yù)測，本文以人工調(diào)試后的井筒模型結(jié)果作為數(shù)據(jù)樣本庫，建立了多因素影響下非線性的天然氣井流量計(jì)算模型。預(yù)測結(jié)果表明，該方法的計(jì)算結(jié)果與現(xiàn)場物理流量計(jì)相比相對平均誤差為3.33%，超過80%的數(shù)據(jù)點(diǎn)相對誤差在±5%內(nèi)，相對誤差方差為0.050 8。綜合分析表明：人工神經(jīng)網(wǎng)絡(luò)模型能夠滿足實(shí)際生產(chǎn)需要，且該模型結(jié)構(gòu)簡單，計(jì)算量小。人工神經(jīng)網(wǎng)絡(luò)模型的引用，為虛擬計(jì)量技術(shù)提供了一種新的工具和方法。

[1] NERBY G, SAETHER G, VELLA O J. A cost effective technique for production well testing[C]. Offshore Technology Conference,Houston, U.S.A, May1- 4, 1995, OTC-7 750.

[2] HALDIPUR P, METCALF G. Virtual metering technology fi eld experience examples[C]. Offshore Technology Conference, Houston,U.S.A, May5-8, 2008.

[3] 吳海浩, 王博, 王智, 等. 深水流動安全管理系統(tǒng)研究現(xiàn)狀與應(yīng)用[J]. 中國海洋平臺, 2015, 30(2):4-9. [WU H H, WANG B, WANG Z, et al. The research situation and application of deepwater fl ow assurance and maragement system[J]. China Offshore Platform, 2015,30(2):4-9.]

[4] HAOUCHE M, TESSIER A, DEFFOUS Y, et al. Virtual fl ow meter pilot: Based on data validation and reconciliation approach[C]. SPE International Production and Operations Conference & Exhibition, Doha, Qatar, May 14-16, 2012, SPE-157 283.

[5] AJAYI A, FASASI T, OKUNS G. Real time fl ow estimation using virtual fl ow measurement techniques: A fi eld application in intelligent well completion[C]. Nigerian Annular International Conference and Exhibition, Lagos, Nigeria, August 6-8, 2012, SPE-162 948.

[6] WANG Z, GONG J, WU H H, et al. The development and application of virtual fl ow metering system in offshore gas fi eld[C]. International Pipeline Conference, 2014:V001T09A019.

[7] 吳永鵬. 基于虛擬計(jì)量技術(shù)的單井計(jì)量系統(tǒng)設(shè)計(jì)[J]. 船海工程, 2015, 44(5):56-58. [WU Y P. Design of single well measurement system based on the virtual measurement technology [J]. Ship & Ocean Engineering, 2015, 44(5):56-58.]

[8] 王玨, 李清平, 王凱, 等. 水下油氣田虛擬計(jì)量技術(shù)應(yīng)用[J]. 艦船科學(xué)技術(shù), 2013, 35(9):118-122. [WANG J, LI Q P, WANG K, et al.Virtual metering technology for subsea fi elds [J]. Ship Science and Technology, 2013, 35(9):118-122.]

[9] 吳海浩, 王智, 宮敬, 等. 虛擬流量計(jì)系統(tǒng)的研制及應(yīng)用[J]. 中國海上油氣, 2015, 27(3):154-158. [WU H H, WANG Z, GONG J, et al. Development and application of a virtual fl ow meteing system [J]. China Offshore oil and Gas, 2015, 27(3):154-158.]

[10] 朱大奇, 史慧. 人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M]. 北京: 科學(xué)出版社, 2006. [ZHU D Q, SHI H. Principle and application of arti fi cial neural network [M]. Beijing: Science Press, 2006.]

[11] 蔣宗禮. 人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M]. 北京: 高等教育出版社, 2006, 15-69. [JIANG Z L. Introduction to arti fi cial neural network [M].Beijing: Higher Education Press, 2006, 15-69.]

[12] 王智, 宮敬, 吳海浩, 等. 天然氣井井口油嘴的兩相流動特性及流量預(yù)測[J]. 油氣田地面工程, 2013,(12):1-2,3. [WANG Z, GONG J, WU H H, et al. The fl ow characteristics of two-phase fl ow and prediction of natural gas wellhead choke [J]. Oil and Gas Field Surface Engineering, 2013,(12):1-2,3.]

[13] 王艷芝, 宮敬, 吳海浩. 水下油氣田虛擬計(jì)量中的井筒傳熱計(jì)算[C]. 中國工程熱物理學(xué)會論文, 2015.[WANG Y Z, GONG J, WU H H. Wellbore heat transfer calculation in virtual measurement of underwater oil and gas fi eld [C]. Proceedings of the Chinese Society of Engineering Thermophysics, 2015]

[14] 張立明. 人工神經(jīng)網(wǎng)絡(luò)的模型及應(yīng)用[M]. 上海: 復(fù)旦大學(xué)出版社, 1993. [ZHANG L M. Model and application of arti fi cial neural network [M]. Shanghai: Fudan University Press, 1993. ]

[15] 蒲春, 孫政順, 等. MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱BP算法比較[J]. 計(jì)算機(jī)仿真, 2006, 23(5): 142-144. [PU C, SUN Z S, et al. Comparison of BP algorithms in Matlab NN toolbox [J]. Computer Simulation, 2006, 23(5): 142-144.]

[16] 陳龍, 張新政, 袁從. MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱在河流水質(zhì)預(yù)測中的應(yīng)用[J]. 五邑大學(xué)學(xué)報(bào), 2009, 23(1). [CHEN L, ZHANG X Z, YUAN C G, et al. Application of MATLAB neural network’ tool-box in river water quality prediction [J]. Journal of Wuyi University(Natural Science Edition), 2009, 23(1).]

AbstractWith the development of the oil industry to the deep water, underwater oil and gas production process have emerged and the traditional technology is facing many new problems. An alternative method for production estimation is represented by a Virtual Metering System (VMS) based on the analysis of the standard process parameters, available in almost all production system. The software is based on a methodology in which several models are included. This article mainly studies the application of an arti fi cial neural network in gas well measurement. Because the existing wellbore models cannot adjust to changes of production in a timely manner nor predict accurately, this article introduced an error back propagation arti fi cial neural network with highly nonlinear predictive ability. Arti fi cially debugged wellbore model results served as a data sample library to simulate the mapping relationship between all kinds of in fl uence factors and the gas well production. A gas well fl ow calculation model based on a back propagation neural network is set up by learning and training. Predicted results show that compared with a physical fl ow meter, the average relative error of the calculation results is 3.33%. More than 80% of the data points have a relative error within plus or minus 5%, which indicates a high prediction accuracy. Comprehensive analysis shows that the arti fi cial neural network model can meet the demands of practical production with the advantages of a simple model structure, fl exible form and less calculation. Application of the arti fi cial neural network model provides a new tool and method for virtual measurement technology.

Keywordssubsea production system; VMS; Arti fi cial Neural Network; gas-condensate pipeline; deepsea fl ow assurance

(編輯 馬桂霞)

Research into calculation of natural gas well production based on an arti fi cial neural network

SONG Shangfei1, HONG Bingyuan1, SHI Bohui1, WU Haihao1, KANG Qi1, WANG Zhi2, GONG Jing1
1 National Engineering Laboratory for Pipeline Safety/ MOE Key Laboratory of Petroleum Engineering /Beijing Key Laboratory of Urban Oil and Gas Distribution Technology, China University of Petroleum-Beijing, Beijing 102249, China
2 Xi'an Changqing Science and Technology Engineering Co Ltd, Xi'an 710000, China

*通信作者，ydgj@cup.edu.cn; bh.shi@cup.edu.cn

2017-05-24

國家科技重大專項(xiàng)(2016ZX05028-004-001)、國家自然科學(xué)基金(51534007)、國家科技重大專項(xiàng)(2016ZX05066005-001)、國家重點(diǎn)研發(fā)計(jì)劃(2016YFS0303704、2016YFS0303708)和中國石油大學(xué)( 北京) 科研基金(C201602) 聯(lián)合資助

宋尚飛, 洪炳沅, 史博會, 吳海浩, 康琦, 王智, 宮敬. 基于人工神經(jīng)網(wǎng)絡(luò)的天然氣井產(chǎn)量計(jì)算方法研究. 石油科學(xué)通報(bào), 2017, 03:413-421

SONG Shangfei, HONG Bingyuan, SHI Bohui, WU Haihao, KANG Qi, WANG Zhi, GONG Jing. Research into calculation of natural gas well production based on an arti fi cial neural network. Petroleum Science Bulletin, 2017, 03: 413-421. doi: 10.3969/j.issn. 2096-1693.2017.03.038

10.3969/j.issn.2096-1693.2017.03.038