水平井油水兩相流含水率解釋預測

鄭希科，樸玉琴，孟凡宇，王倩

（大慶油田測試技術服務分公司，黑龍江大慶163453）

水平井油水兩相流含水率解釋預測

鄭希科，樸玉琴，孟凡宇，王倩

（大慶油田測試技術服務分公司，黑龍江大慶163453）

水平井油水兩相流產液剖面測井解釋中流型復雜，準確解釋含水率是難點。在進行了大量的近水平油水兩相流動模擬實驗的基礎上，針對電容及阻抗含水率計測量響應特性，建立基于含水率計響應時域及頻域特征值的支持向量機回歸模型（SVR Model），采用該模型對不同傾斜角度的模擬井動態實驗含水率標定結果進行模型預測，模型驗證結果表明解釋模型可實現較高的含水率預測精度，與室內實驗配比含水率比較，達到預測含水率解釋精度目標。在解釋方法研究的基礎上，對實際測井資料進行解釋。

生產測井；水平井；含水率；測井解釋模型；預測

0 引 言

水平井開發技術的廣泛應用迫切需要解決產液剖面測井等配套技術。產出剖面測井解釋利用漂流模型、小波分析、神經網絡、支持向量機等技術建立產出剖面測井解釋模型［1－2］，由于水平井井身結構和井筒流動狀態導致了管道內流體的流型、流速剖面發生了根本性的變化，尤其是雖然傾斜角度相同，但不同的傾斜方向可以產生不同的流型，從而導致解釋模型和方法發生了變化。本文采用基于水平井生產測井組合儀器在模擬井中的動態實驗結果，利用測量得到的電容及阻抗含水率計瞬態波動信號，提取了與含水率有關的時域及頻域內特征向量，采用支持向量機回歸模型，建立了水平油水兩相流含水率解釋模型，與模擬井標定的含水率結果進行了對比，取得了較好的含水率預測效果。

1 水平井油水兩相流含水率預測模型建立

1.1 含水率測量信號時域及頻域特征提取

采用支持向量機回歸模型（SVR）預測含水率，輸入變量的特征量選取是關鍵，提取的特征量要盡可能反映原始信號特征。研究中共提取11個特征指標構成SVR的數據集合，從時域內提取了電容波動信號的最大值（Cmax）、最小值（Cmin）、均值、標準偏差（SD）、非對稱系數（CS）、峭度函數（CK）；從頻域內提取線性預測器的4個系數α1、α2、α3、及α4，連同總流量共組成11個指標作為特征向量集。

若用xi表示電容和阻抗波動信號樣本中的數據，則可得到該樣本的6個時域內特征統計量

時域內電容波動信號的最大值、最小值能夠很好地反映兩相流的導電情況，也可反映相含水率的變化；均值反映了電容波動信號的平均值；標準偏差可反映測量數據的離散度；非對稱系數反映了樣本圍繞均值的非對稱程度；峭度函數用于表示樣本分布與正態分布的偏離程度。

線性預測器中的線性系數是要抽取的多相流測量的波動信號的頻域內特征。

設信號輸出Xt可以表示為

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

由于輸入信號Ut是完全未知的，輸出信號Xt只能從先前輸出近似估計，即

說明對給定的信號Xt，可由式（9）（p個方程、p個未知變量）嚴格求解得出系數αk（1≤k≤p）。對于不同的波動信號，通過這種方法便可得到不同的表征參數，所以，系數αk（1≤k≤p）可以作為兩相流波動信號的特征參數，一般可取到四階線性預測器，故有表征參數α1、α2、α3、及α4。

1.2 預測含水率的支持向量機回歸模型（SVR Model）

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

解得（α，α＊），得到支持向量回歸方程為

當擬合曲線為非線性時，可以通過一個非線性變換φ（x）將其轉化為某個高維特征空間中的線性問題，此時擬合曲線為

SVR是基于結構風險最小化原則，而不是傳統意義上的經驗風險最小化，既考慮了訓練樣本的擬合性，又考慮了復雜性，具有較好的泛化能力，但模型參數選擇將直接影響模型的推廣能力。

1.3 支持向量機回歸模型最佳參數選擇方法

支持向量機（SVR）回歸模型的應用依賴于算法參數的選擇，研究涉及到的2個參數分別為懲罰系數c和RBF核函數隱含層節點的寬度σ，由于目前尚沒有理論能夠有效指導支持向量機模型參數的確定，參數選擇問題便成為提高支持向量機應用能力的主要研究問題之一。本文通過運用單純粒子群算法和免疫粒子群優化算法（PSO－IM）［3－4］，力求在模型訓練的過程中逐步確定最優參數，達到建立高精度回歸預測模型的目的，取得了令人滿意的結果。

2 含水率解釋模型精度考察

利用室內動態模擬實驗數據［5］對算法進行了考察。采用動態模型進行含水率預測時，無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。電導含水率測井解釋最大平均絕對誤差小于4%（見圖1），電容含水率測井解釋最大平均絕對誤差小于5%（見圖2），其中水平角度時預測含水率精度最高（小于2%）。隨傾斜角度變化，含水率預測精度有所下降。表明了基于2種進化算法的支持向量機回歸模型預測含水率的有效性。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測精度，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象，跳出局部極值點，進一步接近全局最優點，這種基于進化算法尋優最佳參數，以SVR為核心建立的含水率預測模型，為實際處理電容含水率計動態測試資料提供了較好的途徑。

3 結 論

（1）基于水平井生產測井組合儀器在模擬井中的動態實驗結果，利用測量得到的電容及阻抗含水率計瞬態波動信號，提取了與含水率有關的時域及頻域內特征向量。

（2）采用支持向量機回歸模型建立了水平井油水兩相流含水率解釋模型，與模擬井標定的含水率結果進行了對比，取得了較好的含水率預測效果。

［1］ 梁法春，王棟，林宗虎.基于神經網絡的水平管三相分層流相分率測量［J］.西安交通大學學報，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量方法［J］.化工學報，2005，56（10）：1875－1879.

［3］ 雷開友.粒子群算法及其應用研究［D］.成都：西南大學，2006.

［4］ 羅國娟.階梯式預測控制器的參數整定研究［D］.合肥：中國科學技術大學，2006.

［5］ 鄭希科，劉興斌，樸玉琴，等.水平井油水兩相管流流量和含水率測量方法實驗研究［J］.測井技術，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

項目來源：國家高技術研究發展863計劃項目水平井產液剖面測試技術（編號：2007AA06Z231）

鄭希科，男，1963年生，高級工程師，博士，從事生產測井科研與管理工作。