＊胡春余

（中石化新疆新春石油開發(fā)有限責(zé)任公司 山東 257000）

井下多相流體流動監(jiān)測可獲得油井中各相流體分?jǐn)?shù)，是優(yōu)化油井生產(chǎn)的關(guān)鍵?？v觀最新井下監(jiān)測技術(shù)發(fā)展趨勢，分布式光纖聲波傳感（Distributed Acoustic Sensing，DAS）已成為油井產(chǎn)液監(jiān)測的最新技術(shù)手段。流體從儲層進(jìn)入井底以及從井底向井口流動過程中會產(chǎn)生各種振動信號，將DAS捕捉到的各種振動信號進(jìn)行不同頻段的特征提取分析就可以了解井下生產(chǎn)情況。目前，DAS已成功應(yīng)用于井筒流動監(jiān)測、水力壓裂監(jiān)測等[1]。

在實際應(yīng)用中，DAS采集的原始數(shù)據(jù)量通?？梢猿^1GB/s。Ajo-Franklin等人[2]在3個月的油井生產(chǎn)期間采集了128TB的數(shù)據(jù)。在油井多相流測量中實時分析如此大的數(shù)據(jù)量具有很大的挑戰(zhàn)性。近年來，人們開始探索利用機(jī)器學(xué)習(xí)算法來對DAS數(shù)據(jù)進(jìn)行處理。例如，各種神經(jīng)網(wǎng)絡(luò)算法被用于流型分類和多相流估計[3-4]。

本文將在簡要闡述分布式光纖聲波傳感技術(shù)原理的基礎(chǔ)上，重點總結(jié)分析分布式光纖聲波傳感監(jiān)測技術(shù)結(jié)合人工智能技術(shù)在油井產(chǎn)液方面的應(yīng)用和研究進(jìn)展情況，為了解DAS技術(shù)在產(chǎn)液剖面監(jiān)測中的應(yīng)用情況提供幫助。

1.分布式光纖聲波傳感機(jī)理

分布式光纖傳感技術(shù)所利用的后向散射光包括拉曼散射、布里淵散射和瑞利散射三種（圖1），其中瑞利散射被用于分布式光纖聲波傳感探測。其傳感機(jī)理是：由于瑞利散射光對外部振動引起的應(yīng)變非常敏感，當(dāng)外界物理場環(huán)境（如振動、聲波、應(yīng)變、溫度等）作用在傳感光纖某個位置時，會在光纖中產(chǎn)生彈光效應(yīng)和熱光效應(yīng)，導(dǎo)致光纖長度、直徑和折射率發(fā)生變化，從而引起該位置的后向瑞利散射光相位發(fā)生變化，進(jìn)而引起檢測到的瑞利散射光相位差和強(qiáng)度發(fā)生變化。通過對這些變化參數(shù)進(jìn)行分析就能獲取造成光纖外部應(yīng)變的相關(guān)信息[1]。

圖1 分布式光纖傳感后向散射現(xiàn)象

2.油井多相流動監(jiān)測解釋方法

在油井生產(chǎn)過程中，存在流速變化和聲速變化等物理現(xiàn)象。DAS技術(shù)可以實時采集井筒沿程的上述物理現(xiàn)象變化，從而實現(xiàn)井下產(chǎn)液的監(jiān)測與分析。其分析步驟如下：

（1）數(shù)據(jù)采集。由于DAS采集的數(shù)據(jù)量大，通常將數(shù)據(jù)分成一系列的“塊”進(jìn)行處理。“塊”的大小代表流量剖面的空間和時間分辨率。為了提高空間分辨率和重復(fù)性，在數(shù)據(jù)提取過程中前后兩個“塊”的數(shù)據(jù)在空間上要有重復(fù)。

（2）數(shù)據(jù)提取。聲音以不同的速度傳播，這取決于傳播介質(zhì)中的密度、壓力、溫度和分子結(jié)構(gòu)。聲速（SoS）衡量聲音在介質(zhì)中傳播的速度。利用二維傅里葉變換算法將DAS數(shù)據(jù)從時間-空間域轉(zhuǎn)換到頻率-波數(shù)域，提取頻率-波數(shù)域圖中V字型圖像的直線斜率，即可獲得上行聲速和下行聲速，如圖2所示。

圖2 二維傅里葉變換后的頻率-波數(shù)域圖及線性擬合[5]

（3）流速估計。求出上行聲速和下行聲速后，利用多普勒效應(yīng)原理，即可求出流速。

（4）多相流參數(shù)估計。結(jié)合單相流體在不同溫度、壓力下的黏度、密度等參數(shù)對這些數(shù)據(jù)進(jìn)行校準(zhǔn)，即可計算出含水率、氣液比等多相流參數(shù)。

3.油井多相流動監(jiān)測應(yīng)用

（1）基于物理模型的多相流動分析。Johannessen等人[6]開展了使用DAS數(shù)據(jù)提取有關(guān)流動狀態(tài)、聲速和流速定性信息的早期工作，將井的聲學(xué)特征和井的生產(chǎn)動態(tài)聯(lián)系在了一起。Xiao等人[7]根據(jù)生產(chǎn)井中獲取的DAS數(shù)據(jù)，提出了聲能均方根、振幅估計、FFT變換和聲速分析等數(shù)據(jù)分析技術(shù)。研究認(rèn)為，隨著DAS數(shù)據(jù)空間通道數(shù)的增加，聲速計算的精度和準(zhǔn)確度也會提高，從而影響流體流速估算的整體精度。Finfer等人[8]開展了單相和多相流動DAS測試實驗，以評估DAS監(jiān)測流體速度和流體成分的適用性，并對如何建立DAS系統(tǒng)進(jìn)行多相流實時測量提出了相關(guān)建議。Fidaner等人[9]開發(fā)了一種正演模型，利用物理流動機(jī)制、聲信號傳播以及壓力變化引起的光信號的相位變化等解析表達(dá)式，將井筒中的兩相流與DAS數(shù)據(jù)聯(lián)系起來。采用小波分析方法捕獲DAS數(shù)據(jù)中最相關(guān)的分量，用于多相流量估計；然后使用人工神經(jīng)網(wǎng)絡(luò)對這些樣本進(jìn)行訓(xùn)練，以獲得更真實的流量估計模型。

Abukhamsin[5]討論了使用DAS、DTS（分布式光纖溫度監(jiān)測，Distributed Temperature Sensing）以及兩者耦合來解決三相流體流動的問題。研究表明，將DAS的聲速與DTS的焦耳-湯姆遜系數(shù)相結(jié)合，可以得到更準(zhǔn)確的多相流估計結(jié)果。Soroush等人[10]提出了一種實驗與仿真模型，重點分析光纖技術(shù)在多相流測量方面的潛力。結(jié)果表明，利用DAS數(shù)據(jù)的信號頻率特征可以判斷流體流型和是否存在氣相。這些結(jié)果對于SAGD井筒監(jiān)測和蒸汽突破監(jiān)測具有重要意義。Cerrahoglu等人[11]研究了DAS和DTS在高溫高壓水平氣井中識別產(chǎn)氣段的方法。通過對聲速進(jìn)行分析，發(fā)現(xiàn)近50%的產(chǎn)氣量來自下部層位，如果對全部通道進(jìn)行聲速計算分析，結(jié)果會出現(xiàn)較大偏差。

表1總結(jié)了用于流量和多相流分類估計的分布式光纖傳感數(shù)據(jù)分析技術(shù)[12]。盡管DTS和熱模型已經(jīng)發(fā)展比較成熟，但在表征三相流體流動方面仍有很大的局限性。DAS能夠測量快速變化的物理現(xiàn)象，提供更豐富的信息，未來將更傾向于采用DAS數(shù)據(jù)來估算井下多相流動。

表1 DAS數(shù)據(jù)流量和多相流分類分析技術(shù)

（2）基于機(jī)器學(xué)習(xí)的多相流動分析。近年來，機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展引起了人們對油氣工業(yè)中潛在應(yīng)用的極大興趣。人工神經(jīng)網(wǎng)絡(luò)（ANN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）等方法被用于DAS數(shù)據(jù)進(jìn)行流量和多相流動研究。聲學(xué)數(shù)據(jù)的小波分量、低頻聲信號、頻譜圖、F-K圖以及DAS數(shù)據(jù)時間窗的均值和方差通常被用作DAS數(shù)據(jù)機(jī)器學(xué)習(xí)建模的主要特征。

Bhattacharya等人[13]以DAS和DTS數(shù)據(jù)和其他數(shù)據(jù)集為基礎(chǔ)，利用ANN、SVM和RF預(yù)測每日產(chǎn)氣量，采用18個特征對RF模型進(jìn)行預(yù)測，準(zhǔn)確率達(dá)到96%。Vahabi等人[4]從海上實際的油、水、氣井中收集DAS數(shù)據(jù)，用于識別流體類型，并使用機(jī)器學(xué)習(xí)算法估計流體流速。CNN可以達(dá)到99.3%的準(zhǔn)確率，這表明在實際生產(chǎn)環(huán)境下使用DAS數(shù)據(jù)進(jìn)行流體類型分類識別具有巨大的潛力。他們以井口流速作為真實輸出，利用互相關(guān)、K均值等其他機(jī)器學(xué)習(xí)算法用來確定管道中的流體流速，根據(jù)頻率-波數(shù)變換導(dǎo)出的輸入數(shù)據(jù)也能準(zhǔn)確地估計出流速。

表2總結(jié)了用于流量和多相流估計的DAS數(shù)據(jù)機(jī)器學(xué)習(xí)算法?？偟膩砜?，基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法能夠從大量數(shù)據(jù)中提取有用的特征，同時提供高精度的預(yù)測，獲取與多相流體流動特征相關(guān)的數(shù)據(jù)是加速該領(lǐng)域發(fā)展的關(guān)鍵。

表2 DAS數(shù)據(jù)流量和多相流分類的機(jī)器學(xué)習(xí)算法

4.結(jié)論

（1）多普勒效應(yīng)技術(shù)被廣泛用作DAS數(shù)據(jù)的流量估計方法，而基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法常被用于流型和多相流分類。物理模型使用烴類混合物的物理性質(zhì)來估計多相流動參數(shù)，受到一定局限性；機(jī)器學(xué)習(xí)使用所謂的學(xué)習(xí)算法從數(shù)據(jù)中提取模式，理論上可以精確地對任何復(fù)雜系統(tǒng)進(jìn)行建模，在解決利用DAS數(shù)據(jù)估計多相流動方面具有很大潛力和精確的預(yù)測結(jié)果。（2）通過將DAS數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)相結(jié)合來估計多相流的研究非常有限，一方面是由于物理系統(tǒng)的復(fù)雜性，另一方面是缺乏相關(guān)DAS數(shù)據(jù)集支撐。機(jī)器學(xué)習(xí)算法是一種數(shù)據(jù)密集型技術(shù)，當(dāng)有足夠的數(shù)據(jù)可供訓(xùn)練時才能提供更精準(zhǔn)的結(jié)果。（3）將物理模型參數(shù)作為機(jī)器學(xué)習(xí)算法的輸入、使用物理模型結(jié)果進(jìn)行機(jī)器學(xué)習(xí)自校正預(yù)測，可在一定程度上克服機(jī)器學(xué)習(xí)算法中的“黑匣子”問題，物理模型與機(jī)器學(xué)習(xí)的結(jié)合有望提供更高精度和可靠的解釋結(jié)果。