基于人工神經網絡的天然氣井產量計算方法研究

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(北京)油氣管道輸送安全國家工程實驗室/石油工程教育部重點實驗室/城市油氣輸配技術北京市重點實驗室，北京102249

2 西安長慶科技工程有限責任公司，西安 710000

基于人工神經網絡的天然氣井產量計算方法研究

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(北京)油氣管道輸送安全國家工程實驗室/石油工程教育部重點實驗室/城市油氣輸配技術北京市重點實驗室，北京102249

2 西安長慶科技工程有限責任公司，西安 710000

隨著石油行業不斷向海洋發展，水下油氣生產工藝也隨之誕生，傳統的技術手段面臨諸多新的問題。虛擬計量系統已經逐步在國內外的海上油氣田生產系統中開始應用。該技術利用油氣田的常規基礎工藝參數以及從生產控制系統獲取的實時儀表數據，通過多種模型實時計算出單井油氣水各相的流量。本文主要研究人工神經網絡在虛擬計量方面的應用。由于目前常用的井筒模型不能適應產量的瞬時變化，不能及時準確地預測產量，本文引入具有高度非線性預測能力的誤差反向傳播的人工神經網絡方法，以人工調試后的井筒模型結果作為數據樣本庫，模擬各種影響因素與天然氣井產量之間的映射關系，通過學習和訓練建立了基于BP神經網絡模型的天然氣井產量計算模型。預測結果表明：該方法的計算結果與現場物理流量計測量值的相對誤差平均值為3.33%，超過80%的數據點相對誤差處于±5%內，預測精度較高。綜合分析表明，人工神經網絡模型能夠滿足實際生產需要，且該模型結構簡單，不拘泥于具體的形式，計算量少。

水下油氣生產工藝；虛擬計量系統；人工神經網絡模型；天然氣—凝析液管道；深海流動安全保障

0 前言

VMS(Virtual Metering System) 技術早在20世紀90年代就被提出并首先應用于油氣田開發中[1]。VMS技術經過20多年的發展，不僅被應用于海上油氣田的開發中，還與目前廣泛使用的流動安全保障及管道管理系統有機結合[2]，成為海上油氣開發與運營管理中非常重要的先進技術。VMS技術具有高度的集成性，為作業者提供了極大方便，在性價比方面也有很大優勢，還可與實時的流動管理系統相結合。在水下油氣田的開發中可以部分代替傳統多相計量設備，也可作為實體流量計的補充或備用方案[3]。

國外有關技術公司已經開發出了多種適用于深水油氣田流動安全保障在線監測與管理系統，并在北海、墨西哥灣及西非等地區的一些深水油氣田上得到成功應用，取得了良好的結果。如FMC旗下的FAS系統，提供了在線流動安全保障的一攬子解決方案，包括了虛擬計量、海底管道動態監測、乙二醇注入量控制、油嘴開度優化及地層水監測5個模塊。SPT公司為中國南海的崖城氣田提供了包括虛擬計量及段塞流跟蹤在內的OLGA online系統，另外還有BP的ISIS系統、TOTAL的WPM系統[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測與管理系統列為其新油氣田開發的標準設計，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，自行研發了流動監測與管理系統。2014年1月，該系統已經在中國南海某氣田區塊成功投入使用。經過近4年的運行，結果證明自研的VMS 系統整體平穩運行，硬件設備未出現故障。對比顯示，VMS所算出的單井流量和總流量與平臺上流量計的總體測量結果吻合較好，滿足工程實際正常生產的精度要求，創造了可觀的經濟效益和價值[6-9]。

人工神經網絡(Arti fi cial Neutral Networks)是一種類似于人類神經系統的信息處理技術[10]，可以視為一種功能強大、應用廣泛的機器學習算法，在解決事物的模糊關系及非線性預測方面具有很強的智能化。通過建立合理的神經網絡對系統的輸入輸出樣本進行訓練和學習，能夠在適當精度內逼近任意復雜的非線性系統。這一優良性能使得人工神經網絡成為多維非線性函數的通用數學模型[11]。近年來，人工神經網絡理論的發展，特別是誤差反向傳播算法(BP 算法)的出現，使得人工神經網絡成為一種分析預測非線性復雜體系性能的有效方法。目前，人工神經網絡已被廣泛應用于模式識別、信號處理、優化計算、參數匹配及預測、參數空間分布預測等研究領域。近年來，人工神經網絡技術已被引入石油行業，能很好地解決生產過程中的非線性問題，應用范圍較廣[10]，已在儲層參數預測、鉆井井下復雜情況及事故診斷、預測、儲層裂縫識別、氣井管理及動態預測等領域內取得了良好的應用效果，理論發展也在不斷完善。

水下油氣生產工藝系統是一個涉及多學科、多作業環節的龐大的地下隱藏工程。在天然氣井生產過程中，存在著大量且復雜的不確定性因素，都會對天然氣井的生產產生影響。目前，國內外學者對虛擬計量技術進行了廣泛而深入的研究，建立了多種數學模型。但這些模型都是通過氣體管流連續性方程、運動方程、能量方程等基本方程推導出來的，同時，公式也存在一定的假設條件，比如氣體壓縮因子為常數、不考慮液體壓縮性、忽略流動過程中摩擦等等，不符合實際生產情況。因此，這些模型的應用均具有一定的局限性，也會產生相應的不可避免的系統誤差。

人工神經網絡所擁有的可逼近任意非線性函數的優點非常適用于天然氣井產量的預測研究，因此本文針對人工神經網絡展開了一系列研究。具體研究思路是：首先，根據前人的研究成果，尋求與天然氣井流量關聯度較大的相關因素；然后，根據網絡的要求，確定網絡的結構，同時選取相應的算法；最后建立基于人工神經網絡模型的天然氣井產量計算方法，將人工神經網絡引入虛擬計量這一新興技術中。

1 VMS應用簡介

1.1 VMS系統簡介

根據在線流動安全保障系統的基本概念，我們課題組開發了海上凝析氣田流動監測系統，這是一套以油氣田的實時生產數據為依據的可用于反映生產流動過程的計算分析系統，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量系統(VMS)，該系統已在我國南海某凝析氣田投入使用。該系統具有以下功能：

(1) 基礎數據及主要功能

為完成實時井口流量的計算，VMS需要的參數分為3部分：流體基礎參數、流動系統基礎參數、實時生產數據。流體基礎參數主要指天然氣的組分數據。流動系統基礎參數指氣藏IPR數據、井筒的軌跡和結構、地層溫度分布、油嘴開度與Cv值的對應關系、海底管道參數等。另外就是從DCS（分布式控制系統，Distributed Control System）獲取的實時生產數據，這些數據包括：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、采油樹閥門狀態等。

通過VMS的分析計算，可以實時獲得的數據包括：單井的總質量流量，氣、油、水三相的體積流量(標況)，以及氣田生產井的總流量。另外還可提供各個生產井的時、日、周、月時間范圍的流量累積值。

(2) VMS系統構架

VMS系統主要由軟件系統和硬件系統兩部分構成。其中硬件系統主要承擔與現場DCS的數據通信，并作為VMS的運行平臺；軟件系統是VMS的核心，包括數據庫、組態軟件及核心計算軟件等部分。VMS的系統結構和基本工作原理參見圖 1。

VMS的軟件部分主要包括組態軟件、數據庫軟件及核心計算軟件。核心計算軟件包括所有流量算法及數據處理過程，為適應同時計量多口生產井的要求，采用了多線程的程序開發技術。核心計算模塊采用了多模型同時計算的方式，所以即使個別井的井底或井口噴嘴前、后壓力和溫度傳感器失效，系統依然能夠正常工作。

硬件系統主要包括1臺VMS服務器，2套冗余配置的通信服務器和交換機。在這個設計方案中，系統所需的硬件設備只是用于獲取實時生產數據的通用數字通信設備，而不需要對原有生產工藝流程及DCS做任何改動。獲取實時生產數據的方式是被動單向的，因此不會對生產系統產生任何干擾。

(3) 物理模型和計算方法

圖2為一個典型的水下氣田流動系統示意圖。根據節點分析原理，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測系統就是根據這3種流動的特點及形式，建立相應的模型及算法[12-13]，實現虛擬計量。目前系統中采用的井筒模型，從2014年1月至今正常運行，積累了大量生產數據。

1.2 現場區塊應用

我國南海某盆地的實際生產區塊A有兩個氣井：井A1和井A2，均屬邊際氣田，開發方式為采用水下生產系統進行開發。平臺上裝有段塞捕集器及分相流量計對兩口井總產量進行計量，同時選擇VMS系統對該區塊進行分相計量。模擬因果變量之間的內在關系，所以其非線性映射功能應用十分廣泛，幾乎涉及所有領域。在現實生活中，許多系統的輸入和輸出之間存在著非常復雜的非線性關系，對于這類系統，往往很難用傳統的數理方法建立起數學模型。通過建立合理的神經網絡對系統的輸入輸出樣本進行訓練和學習，能夠在適當精度內逼近任意復雜的非線性系統。這一優良性能使得人工神經網絡成為多維非線性函數的通用數學模型。該模型的

圖1 VMS系統的基本構成Fig. 1 Basic architecture of VMS

2 BP人工神經網絡建模

由于人工神經網絡模型屬于隱式模型，具有自組織、自適應性以及學習功能，在理論上能夠逼近任意非連續映射，能夠在各種不確定因素的影響下較好地表達是非解析的，輸入輸出數據之間的映射規則由神經網絡在學習階段自動抽取并分布式存儲在網絡的所有連接中。

圖2 水下凝析氣田生產系統示意圖Fig. 2 Subsea gas production system diagram

網絡拓撲結構確定的是否合理，直接影響到人工神經網絡模型結果的適用性和精確性，因此網絡拓撲結構的確定是建立BP人工神經網絡模型的重點工作。網絡拓撲結構的確定包括網絡層數、輸入層神經元數、隱含層數、隱含層神經元數、輸出層神經元數等幾個方面。

本文運用MATLAB語言中的神經網絡工具箱對模型進行求解。神經網絡工具箱是以神經網絡理論為基礎，用MATLAB語言構造出典型神經網絡的傳遞函數，如 S 型、線性等傳遞函數，使設計者對所選網絡輸出的計算，變成對傳遞函數的調用。另外，根據各種典型的修正網絡權值規則，加上網絡的訓練過程，用MATLAB編寫出各種網絡設計與訓練的子程序，網絡的設計者則可以根據自己的需要去調用工具箱中有關神經網絡的設計訓練程序，使自己從繁瑣的編程中解脫出來，提高開發效率，減少工作量，節省大量時間。運用MATLAB神經網絡工具箱求解BP模型的關鍵是傳遞函數和訓練函數的選擇，不同的函數可以取得不同的預測效果。

2.1 網絡層數和輸入輸出層節點數的確定

在BP人工神經網絡拓撲結構中，輸入層與輸出層是必備的，而隱含層層數是確定網絡層數的關鍵所在。關于隱含層的層數，相關文獻研究表明[14]，含有2個隱含層的BP網絡更易陷入局部極小，更難以訓練。因此本文建立的BP神經網絡模型層數取3層，即由一個輸入層，一個隱含層和一個輸出層構成。

由前敘可知，在天然氣井生產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量產生影響，同時考慮到獲取數據的難易程度，確定BP神經網絡的輸入層應具有7個神經元，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個神經元，輸出網絡學習和預測的結果，即與輸入信息相對應的天然氣井瞬時產量。

2.2 隱含層神經元數的確定

對于如何選擇隱含層神經元的個數，至今為止尚未找到一個很好的解析式，隱含層神經元數往往根據前人的設計經驗和自己試驗來確定。本文根據Kolmogorov定理[14]，先初步確定隱含層神經元數，再經過反復測試調整隱含層神經元數，最終選擇隱含層的節點個數為20個。

2.3 網絡傳遞函數的確定

BP人工神經網絡的傳遞函數有很多種[15-16]。包括對數S型、正切S型、線性傳遞函數等。BP人工神經網絡通常有一個或多個隱層，該層中的神經元均采用sigmoid型傳遞函數，輸出層的神經元則采用線性傳遞函數，整個網絡的輸出可以取任意值。3種典型傳遞函數的輸入輸出特性如圖3所示。

根據不同傳遞函數的特點，經過網絡的學習和測試發現：當隱層傳遞函數為tansig，輸出層傳遞函數為purelin時，網絡能夠在規定迭代次數內收斂，且誤差較小，認為此時網絡達到最佳。所以，確定隱層的傳遞函數為 tansig，輸出層的傳遞函數為 purelin。

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

2.4 樣本庫的建立

神經網絡的參數獲取是建立在大量樣本庫數據的基礎上的，只有通過大量準確的歷史數據的訓練和學習，才能使神經網絡更逼近實際的非線性映射。

本文擬以我國南海某盆地生產區塊的氣井A1 和井A2的生產數據作為樣本庫。但是在該凝析氣田現場僅有一臺超聲波流量計對A1井、A2井進行合并計量，不能直接得到相應的單井流量數據。目前主要用虛擬計量系統的井筒模型計算單井流量，計算結果基本可滿足工程要求。但其中井筒傳熱系數等重要的參數需要考慮不同的工況進行校核，為建立樣本庫，首先應對井筒模型的參數進行人工調試與參數調整，使之與實際相吻合。本文首先根據現場實際數據對井筒模型的相關參數進行反算，得到較為準確的油氣水三相單井流量值，結果如圖4所示。井筒模型的結果與現場流量計結果對比誤差較小，相對誤差平均值為3.29%，處于可接受范圍，可認為本數據庫數據較為準確。

樣本庫的容量和準確性直接影響著神經網絡模型的結果和性能，在樣本庫的建立過程，充分考慮海洋工程實際情況，優選油氣生產過程中可能出現的不同油嘴開度、不同產量等信息，力求所建立的樣本庫能夠涵蓋實際工程所有可能出現的情況。通過對數據的篩選和選擇，最終確定12 424組數據作為樣本庫對人工神經網絡進行訓練和學習。但是，樣本庫中數據個數不是恒定不變的，隨著現場數據的進一步收集和整理，在后續研究中會不斷對樣本庫進行修正和豐富，力求可以完整地反映該水下生產系統的信息，以供模型學習和訓練，提高模型的適應性。

圖4 人工修正后井筒模型與現場流量計結果對比Fig. 4 Compared with arti fi cial modi fi ed wellbore model and lf owmeter of A1 and A2

2.5 BP神經網絡模型的求解

本文利用MATLAB神經網絡工具箱建立相應的BP神經網絡，如圖5所示該神經網絡具有7×20×1的網絡結構，隱含層采用tansig傳遞函數，輸出層采用purelin傳遞函數，用已建好的樣本庫對該網絡進行學習和訓練，獲得相應的結構參數。

3 模型誤差分析

3.1 BP神經網絡模型與井筒模型對比

利用訓練后的BP神經網絡分別計算兩井的流量。圖6所示為A1單井BP神經網絡模型與井筒模型計算結果的對比，可知BP神經網絡模型與井筒模型計算結果的吻合度較高，相對誤差絕對值平均為0.66%，只有不超過0.1%的數據點誤差較大，如圖7所示。相對誤差服從正態分布，均值為-0.031%，標準差為0.011 0。99.74%的數據點相對誤差處于±3%內，超過80%的數據點相對誤差處于±1%內。

圖5 BP神經網絡結構示意圖Fig. 5 Schematic diagram of the structure of BP neural network

圖6 A1井神經網絡模型與井筒模型計算結果Fig. 6 The results of A1 by neural network model and wellbore model

圖8所示為A2單井BP神經網絡模型與井筒模型計算結果的對比，可知BP神經網絡模型與井筒模型計算結果的吻合度較高，相對誤差絕對值平均為1.14%，只有不超過0.1%的數據點誤差較大，如圖9所示。相對誤差服從正態分布，均值為-0.052 2%，標準差為0.020 7。99.74%的數據點相對誤差處于±6.0%內，超過80%的數據點相對誤差處于±2%內。

圖7 A1井神經網絡模型與井筒模型計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井神經網絡模型與井筒模型計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 單井生產時BP神經網絡模型與現場流量計對比

圖10所示為A1單井生產時BP神經網絡模型與現場流量計結果的對比，BP神經網絡模型與現場流量計數據結果基本吻合，相對誤差絕對值平均為3.25%，只有少量的數據點誤差較大。如圖 11所示，相對誤差服從正態分布，均值為-5.520 5×10-7，標準差為0.045 9。99.74%的數據點相對誤差處于±10%內，超過80%的數據點相對誤差處于±5%內。

圖8 A2井神經網絡模型與井筒模型計算結果Fig. 8 The results of A2 by neural network model and wellbore model

圖10 A1單井生產時神經網絡與流量計結果對比Fig. 10 Comparison of neural network and the fl owmeter of A1

圖12所示為A2單井生產時BP神經網絡模型與現場流量計結果的對比，可知BP神經網絡模型與現場流量計數據結果的吻合度較高，相對誤差絕對值平均為4.65%，因為現場流量計數據波動性較大，有少量的數據點誤差較大。如圖 13所示，相對誤差服從正態分布，均值為-0.18%，標準差為0.0715。99.74%的數據點相對誤差處于±20%內，超過80%的數據點相對誤差處于±5%內。

3.3 兩井同時生產時BP神經網絡模型與現場流量計對比

如圖14所示為兩井同時生產時BP神經網絡模型與現場流量計結果的對比，可知BP神經網絡模型與現場流量計數據結果的吻合度較高，相對誤差絕對值平均為3.33%，因為現場流量計數據波動性較大，有少量的數據點誤差較大。如圖15所示，99.74%的數據點相對誤差處于±15%內，超過80%的數據點相對誤差處于±5%內，相對誤差標準差為0.050 8。

圖11 A1單井生產時BP神經網絡計算結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單井生產時神經網絡與流量計結果對比Fig. 12 Comparison of neural network and the fl owmeter of A2

圖13ｃA2單井生產時BP神經網絡與流量計結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 兩井同時生產時神經網絡模型與流量計結果對比Fig. 14 Comparison of neural network and the fl owmeter of A1 and A2

圖15 兩井同時生產時BP神經網絡與流量計結果誤差頻率分布直方圖Fig. 15 Histogram of frequency distribution of BP neural network calculation error

4 結論

本文主要研究人工神經網絡在天然氣井計量方面的應用。由于目前井筒模型并不能適應產量的瞬時變化，并及時準確預測，本文以人工調試后的井筒模型結果作為數據樣本庫，建立了多因素影響下非線性的天然氣井流量計算模型。預測結果表明，該方法的計算結果與現場物理流量計相比相對平均誤差為3.33%，超過80%的數據點相對誤差在±5%內，相對誤差方差為0.050 8。綜合分析表明：人工神經網絡模型能夠滿足實際生產需要，且該模型結構簡單，計算量小。人工神經網絡模型的引用，為虛擬計量技術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研究現狀與應用[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. 基于虛擬計量技術的單井計量系統設計[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. 水下油氣田虛擬計量技術應用[J]. 艦船科學技術, 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. 虛擬流量計系統的研制及應用[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. 人工神經網絡原理及應用[M]. 北京: 科學出版社, 2006. [ZHU D Q, SHI H. Principle and application of arti fi cial neural network [M]. Beijing: Science Press, 2006.]

[11] 蔣宗禮. 人工神經網絡導論[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. 水下油氣田虛擬計量中的井筒傳熱計算[C]. 中國工程熱物理學會論文, 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. 人工神經網絡的模型及應用[M]. 上海: 復旦大學出版社, 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 神經網絡工具箱BP算法比較[J]. 計算機仿真, 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 神經網絡工具箱在河流水質預測中的應用[J]. 五邑大學學報, 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(2016ZX05028-004-001)、國家自然科學基金(51534007)、國家科技重大專項(2016ZX05066005-001)、國家重點研發計劃(2016YFS0303704、2016YFS0303708)和中國石油大學( 北京) 科研基金(C201602) 聯合資助

宋尚飛, 洪炳沅, 史博會, 吳海浩, 康琦, 王智, 宮敬. 基于人工神經網絡的天然氣井產量計算方法研究. 石油科學通報, 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