， ，

(1.中石油 克拉瑪依石化有限責任公司， 新疆 克拉瑪依 834003；2.中國石油大學(北京) 過程流體過濾與分離技術北京市重點實驗室， 北京 102249)

隨著海洋油氣開發(fā)走向深海，對其水下生產系統(tǒng)的應用要求也越來越高[1]。在深海生產條件下，若繼續(xù)使用傳統(tǒng)的多相流量計將會使油氣田開發(fā)成本極大增高，而且其日常維護、校準工作也十分困難。20世紀90年代，虛擬流量計技術被首次提出用于油氣田開發(fā)，目前該技術在國外油氣田開發(fā)中應用較為廣泛。我國自主研發(fā)的首個海上凝析氣田虛擬流量計系統(tǒng)[2-3]已于2014年在我國南海投入使用，該系統(tǒng)依托多相流模擬技術，根據油氣田提供的工藝參數和生產數據，通過計算機及相應的軟件實時計算所需的流動信息，從而提供相應的油氣田管理對策。但該虛擬流量計系統(tǒng)在投產運行期間產生了部分時間段精度不高、可靠性低的問題。針對此情況，基于數據融合的思想，分別采用D-S證據理論、不確定度理論及神經網絡理論，設計了基于多個物理流量模型計算結果的3種數據融合流量估計算法，該算法能極大降低由于單個物理模型結果偏差過大而對整個流量計系統(tǒng)造成的影響，從而有效提高虛擬流量計系統(tǒng)的可靠性、穩(wěn)定性和精度。

1 數據融合技術

數據融合技術最早出現在20世紀70年代，經過近40 a的發(fā)展，該技術已被廣泛應用于多源圖像合成、智能系統(tǒng)、目標跟蹤及多相流等領域[4-6]。數據融合的基本原理源自于人腦對信息的處理方式，通過神經中樞將感受到的信息傳送到大腦進行綜合處理，然后再對外部環(huán)境進行判斷和控制[4]。數據融合能夠充分利用多個傳感器在不同空間或時間采集到的可融合或者互補的數據資源，采用計算機技術，對多個傳感器獲得的數據，在特定的準則或算法下進行分析、組合、計算，以獲得對被測對象的一致性解釋或描述，從而實現相應的決策與估計，使系統(tǒng)獲得比單一數據源更可靠、更準確的信息[7]。

常用的數據融合方法主要包括加權平均、卡爾曼濾波、貝葉斯估計、D-S證據理論、模糊推理及神經網絡等，各方法的特點見表1。

表1 各種數據融合方法特點

每個物理流量模型的計算精度不同，且當某個模型失效時，虛擬流量計系統(tǒng)的可靠性和精度必定會受到影響。為了保證計量的精度和可靠性，根據虛擬流量計系統(tǒng)對計算速度和計算精度的要求，利用數據融合技術設計了加權平均、D-S證據理論和神經網絡這3種數據融合算法進行流量估計。

2 物理流量模型

2.1 水下凝析氣田流動系統(tǒng)

典型的水下凝析氣田流動系統(tǒng)示意圖見圖1。由圖1可知，流體從井底至平臺分離器的流動存在井筒、油嘴及跨接管的多相流動節(jié)點。根據流體在管段不同節(jié)點間的多相流動過程，利用各節(jié)點的溫度、壓力及沿線基本參數，分別建立了用于單井流量計量的井筒、油嘴、筒嘴及跨接管等物理模型。

圖1 典型的水下凝析氣田流動系統(tǒng)示圖

2.2 井筒模型

井筒模型是根據流體在井筒中的多相流動過程，利用能量、動量及連續(xù)性方程描述井筒穩(wěn)態(tài)流動的算法，給出單井流量的上下限范圍，并根據井底、井口的壓力、溫度實測值，利用二分法迭代求解出單井質量流量，具體求解過程見文獻[8-9]。

2.3 油嘴模型

油嘴模型是利用多相流體流過油嘴閥門的流動特性而建立的流量預測算法。文中主要利用Schüller等[10]推導的油嘴模型進行凝析氣井單井流量的計算，應用該模型時需要對油嘴的流量系數進行定期修正。

2.4 筒嘴模型

筒嘴模型實質是井筒模型和油嘴模型的結合，其將多相流體在井筒和油嘴中的流動過程作為一個整體來考慮，利用井底和油嘴后的溫度、壓力求解得到流量。

2.5 跨接管模型

跨接管的特點是長度短、壓降小且降溫大。利用流體在跨接管中的穩(wěn)態(tài)熱力算法，根據跨接管的一段溫度、壓力和管匯處的溫度便可求解得到流量數值[11]。

3 基于數據融合技術的油氣井流量算法

3.1 基于D-S證據理論

基于D-S證據理論的多模型融合算法是D-S證據理論與加權融合的結合，根據各個物理流量模型的結果，由D-S證據理論合成法則來確定各物理流量模型的融合權重，然后進行加權融合，具體方法見文獻[11-12]。

3.2 基于不確定度理論

基于不確定度理論的多模型融合算法也是利用加權融合，不同之處在于各模型的權重是根據虛擬流量計系統(tǒng)各模型的不確定度大小來確定的。根據JJF 1059.1—2012《測量不確定度評定與表示》[13]，測量不確定度的定義為根據所用到的信息，表征賦予被測量分散性的非負參數。測量不確定度一般由若干分量組成，每個分量用其概率分布的標準偏差估計值表征，稱為標準不確定度。標準不確定度的評定方法包括A類評定和B類評定。A類評定是在規(guī)定條件下對測得的量值用統(tǒng)計分析的方法進行測量不確定度的分量評定。B類評定是根據有關的信息或經驗，判斷被測量的可能值區(qū)間。當被測量估計值y由N個其他量x1，x2，…xN通過測量函數f確定時，被測量的估計值y=f(x1，x2，…xN)，被測量估計值y的合成標準不確定度uc(y)按以下公式計算：

(1)

式中，y為被測量的估計值；xi為輸入量的估計值；?f/?xi為靈敏系數，為被測量與相關輸入量之間的函數；對于輸入量xi的偏導數，文中取1；u(xi)為輸入量的標準不確定度。

基于上述不確定度理論，對于虛擬流量計系統(tǒng)不確定度的來源主要考慮沿線各儀表的不確定度和物理流量模型的不確定度兩部分。其中儀表部分的不確定度根據B類評定方法確定，該部分的不確定度一經確定，便認為其不再發(fā)生改變。各物理流量模型的不確定度根據其計算結果利用A類評定方法確定，這就要求在進行不確定度計算時，實際的流量數據在小范圍內波動或者基本維持不變，否則評價結果將失去意義。物理流量模型的不確定度會隨著計算結果準確性的變化而發(fā)生改變。在確定儀表不確定度和物理流量模型不確定度后，便可對這兩部分進行合成得到合成后的不確定度：

(2)

在進行加權融合時，各模型的權重為：

(3)

基于不確定度理論的多模型融合結果為：

(4)

式中，Wi為單個物理流量模型的流量計算結果，n為物理流量模型的個數。

3.3 基于神經網絡

人工神經網絡具有高度的并行性、較強的容錯能力及非線性自適應能力等優(yōu)點[14]，是一種良好的數據融合方法。在當前人工神經網絡實際應用中，80%～90%的人工神經網絡模型都是采用BP前饋網絡或其變形形式。多模型融合反映的各模型數據間的關系很復雜，非線性模式也多種多樣，多層前饋網絡能將各物理模型的計算結果作為輸入非線性組合進行建模，若給定足夠的隱藏神經元，它可以逼近任何函數。BP神經網絡的學習采用誤差反向傳播算法，其把整個學習過程分為2個階段，第1階段為正向傳播過程，訓練樣本從輸入層輸入，經過隱含層處理后傳向輸出層。若在輸出層未得到期望的輸出，則進入第2階段，即誤差的反向傳播階段，將輸出層的誤差以某種形式通過隱含層向輸入層反傳，并將誤差分配給各層的所有單元，從而獲得各層單元的誤差信號并將其作為修正各單元權重的依據。這2個階段相互交替反復進行，不斷調整網絡各單元的權值，直到網絡的輸出值誤差達到要求的標準或預先設定的學習次數為止。

本文采用BP神經網絡的輸入層單元有4個，分別為各物理流量模型的計算結果，輸出層單元有1個，為融合后的流量計算值。基于BP神經網絡的數據融合算法流量估計過程見圖2。

圖2 基于BP神經網絡的數據融合算法流量估計過程

將基于神經網絡的多模型數據融合方法運用在油氣井的流量估計中，是為了得到下一時刻更加準確、可靠的單井流量值。在線應用時，數據點較多，為了減小計算量，建議采用時間滾動的訓練樣本學習方法[15]，即隨著時間的推移，訓練集逐漸舍棄距離當前時間點較遠的數據，保持樣本數量始終維持在一個較小的范圍內卻又能反映當前時間段內流量的變化情況。

4 基于數據融合技術的油氣井流量算法應用實例分析

利用虛擬流量計系統(tǒng)在我國南海某凝析氣井投產應用時收集到的2015-02～2015-07的生產流量數據對各模型的算法進行驗證，并對計算結果進行分析。

4.1 各物理流量模型均正常運行

在單個物理流量模型均正常運行，沒有異常情況發(fā)生時，各物理流量模型及融合算法的計算結果與實測值對比見圖3，各物理流量模型計算結果的平均絕對百分比誤差見圖4。

圖3 2015年正常工況下各物理流量模型預測結果與實測值對比

圖4 2015年正常工況下各物理流量模型計算結果平均絕對百分比誤差

由圖4可以知道，井筒模型計算結果的平均絕對百分比誤差僅為0.042，是所有物理流量模型中最小的，說明在當前時間段內各物理流量模型中，井筒模型的整體計算精度最高，波動性最小，最接近實際工況。

在各種融合算法中，基于BP神經網絡的數據融合流量預測結果的平均絕對百分比誤差僅為0.039，結果優(yōu)于井筒模型及其他2種融合算法，這主要是由于人工神經網絡具有高度非線性自適應性的優(yōu)點，但該融合算法整體計算速度較慢?；贒-S證據理論和不確定度理論的多模型數據融合算法計算結果的平均絕對百分比誤差比井筒模型的稍大，但小于其他物理流量模型的。這主要是由于在加權融合算法中，精度較低的物理流量模型占據了一部分比例所造成的，但從整體看，2種融合算法與井筒模型的平均絕對百分比誤差相差不到0.005，說明融合流量技術更加貼近實際情況，計算結果的精度能與最優(yōu)物理流量模型相當。

4.2 井筒模型異常工況

井筒模型的計算結果在各物理流量模型中最優(yōu)，如果井筒模型出現異常，對融合流量算法的結果影響最大。為了驗證某物理流量模型運行異?；蚴Ω魅诤狭髁款A測技術的影響，假設2015-02-27～2015-03-11井筒模型的流量預測值比實際偏小30%，其他物理流量模型結果保持不變，得到的各模型及融合流量算法計算結果見圖5，平均絕對百分比誤差見圖6。

圖5 2015年井筒部分時間段異常工況下各物理流量模型預測結果與實測值對比

圖6 2015年井筒部分時間段異常工況下各物理流量模型計算結果平均絕對百分比誤差

由圖6可知，在井筒模型部分時間段發(fā)生異常工況下，井筒模型計算結果的平均絕對百分比誤差增加至0.079，在所有物理流量模型中，油嘴模型計算結果的平均絕對百分比誤差最小。從各數據融合流量算法的結果看，基于BP神經網絡的數據融合流量算法的平均絕對百分比誤差為0.041，相比其他2種數據融合流量算法整體結果仍是最優(yōu)?；贒-S證據理論和不確定度理論的多模型數據融合算法的計算結果稍次于基于BP神經網絡的多模型算法，但均優(yōu)于油嘴模型。其中基于不確定度理論的多模型數據融合算法平均絕對百分比誤差比油嘴模型小2%，精度與穩(wěn)定性均較好。說明在某物理流量模型異常的情況下，多模型數據融合算法相比單個物理流量模型仍能保證較高的可靠性和精度，達到算法最初的設計要求。

在3種數據融合算法中，基于BP神經網絡的融合流量預測方法雖然精度最高，但是計算速度比較慢；基于D-S證據理論和不確定度理論的數據融合算法精度稍低，但是計算速度比較快。在實際應用時，可以根據應用要求選擇其中的1種或者2種數據融合算法。

5 結語

基于數據融合技術，設計了3種用于水下油氣井生產計量虛擬流量計系統(tǒng)的融合流量預測算法，現場測試結果表明，采用融合流量算法得到的計算結果的平均誤差維持在5%以內，整體上比基于多相流模擬技術的物理流量模型小3%，所估計的流量更貼近實際工況。在某個物理流量模型失效的情況下，數據融合流量技術仍能給出比當前最優(yōu)物理流量模型更加精確的流量預測結果，極大降低了單個物理流量模型異常對虛擬流量計系統(tǒng)計量結果的影響，有效保證了整個系統(tǒng)在線應用時的可靠性、穩(wěn)定性和精度。