基于伽馬射線技術的油井含水率神經網絡預測

鄭永建,張振朝,牛棚滿,文鵬榮,曾 桃

(1.中海石油(中國)有限公司湛江分公司，廣東 湛江 524057；2.海默科技(集團)股份有限公司，甘肅 蘭州 730010)

0 引言

原油含水率在油田生產中非常重要，是油田原油生產和加工過程中的主要計量參數，直接影響原油的鉆采、集輸、計量等工作，對油田產量與油藏管理有著十分重要的意義[1-2]。當使用伽馬射線技術測量原油含水率時，放射源通過產生兩束不同能量的伽馬射線穿過介質，探測器收集被介質吸收后的伽馬計數并結合標定參數對含水率進行計算[3]。

通過計算穿過原油介質前后的高低能射線計數率(強度)，就可以求解出原油中的含水率與含氣率[4]。由于伽馬射線計數率存在一定的統計誤差且設備在標定時引入了一定的誤差，因此在實際應用中測量含水率與真實含水率之間存在一定的偏差，且含水儀設備安裝在生產管線上，重新進行標定耗時費力。此外，射線計數率與含水率之間難以建立簡單的線性關系或者數學模型，無法有效地減少或消除含水率測量的偏差[5]。人工神經網絡能夠通過對已知數據的訓練，實現對結果的預測，從而避免了一些中間過程對結果帶來的影響。在這類非線性擬合中問題中，可能會起到意想不到的作用。

1 神經網絡算法原理

神經網絡由大量的神經元相互連接而成，具有強大的自組織能力和想象力，僅借助一定的樣本數據且無需建立系統的數學模型就可以對系統實現非線性擬合[6]。神經網絡模型由三層神經元組成，分別為輸入層、隱含層和輸出層。其中，輸入層與輸出層的神經元數一般是固定的，隱含層的神經元個數可以根據結果自由設置。每兩個神經元間的連接都代表一個對于通過該連接信號的加權值，稱之為權重。網絡開始學習時隨機選取一組權值，按照前反饋方式計算輸出值，將輸出的誤差信號反饋至網絡中對其權值和相關系數進行修正，使用修正后的權值計算新的輸出值，并判斷該值的誤差是否滿足所需的精度。如果滿足，則學習停止；否則將繼續對權值進行修正直到收斂為止。

神經網絡技術已較多應用在多相流測量領域。如高松巍[7]等提出一種基于反向傳播(back propagation,BP)神經網絡對傳統密度法測量原理進行誤差修正的多相流計量方法。段玉波等根據超聲波對油水兩相流的反饋信號，基于徑向基函數(radial basis function,RBF)神經網絡建立非線性測量模型，成功預測了油水兩相流的含水率，并且測量模型具有良好的適應性。匡世才等[8]采集海洋油氣集輸立管內氣液兩相流底部、頂部壓力波動信號，并提取其絕對值均值、絕對值方差、偏態系數、峰態系數,結合本征模函數(intrinsic mode function,IMF)的高、中、低3個頻段上的能量分數,構建了一個包含7個特征參數的BP神經網絡測量模型，成功預測了集輸立管內氣相液相含率并且平均相對誤差均小于6%。

2 油水兩相流相分率神經網絡結構

伽馬射線法在原子層面對油水進行區分，能夠滿足多數工況條件下的原油含水率測量[9]。使用伽馬射線技術測量原油含水率時，放射源通過產生兩束不同能量的伽馬射線穿過介質，探測器通過接受采集信號后將伽馬射線轉換為高、低計數進而計算含水率。伽馬射線計數測量原理如圖1所示。

圖1 伽馬射線計數測量原理圖

以潿洲11-4NB平臺的含水率測量結果為例，使用人工神經網絡對油、氣、水三相混合的原油含水率進行預測。由于伽馬射線技術是通過伽馬射線強度衰減來反映油氣水三相流相分率的，故選擇被三相流吸收后的高、低能伽馬計數作為輸入層，平臺手工化驗所得的含水率與含水分析儀測量的含氣率作為輸出層，以完成從輸入層到隱含層再到輸出層的數據轉化[10]。網絡輸入層與輸出層的神經元個數由樣本的屬性決定，隱含層節的神經元數應小于N-1(N為訓練樣本數)，否則網絡系統誤差與訓練樣本的特性無關而趨于零，所建立的神經網絡失去了泛化能力[11]。因此，對于一個輸入神經元數為i、輸出神經元數為o的網絡，隱含層的神經元數h可由經驗公式(1)確定[12]。

(1)

預測原油含水率的人工神經網絡的輸入神經元與輸出神經元均為2，a的取值范圍為1～10，因此隱含層的神經元數h的取值范圍為3～12。對不同神經元數的隱含層與激勵函數組合的神經網絡進行測試后，選擇神經元個數為10的隱含層作為最終預測原油含水率的網絡結構。神經網絡結構示意圖如圖2所示，

圖2 神經網絡結構示意圖

神經網絡參數如表1所示。

表1 神經網絡參數

3 預測結果

訓練網絡時，使用雙能射線含水儀的探頭高、低能計數作為輸入值，參與訓練的試驗數據含水率范圍為0～100%，含氣率范圍為0～10%。為了保證網絡收斂性，有必要對數據進行歸一化處理。數據歸一化處理如式(2)所示:

(2)

式中:yi為歸一化后的輸入數據；xi為訓練數據；xmin為訓練數據中的最小值；xmax為訓練數據中的最大值。

人工神經網絡預測含水率結果如表2所示。

表2 人工神經網絡預測含水率結果

使用316組數據對網絡進行訓練，并將需要預測含水率的高低能伽馬射線計數代入網絡中，對原油含水率進行預測。預測結果示意圖如圖3所示。

圖3 預測結果示意圖

從圖3能夠看出，預測含水率與參考含水率之間存在很好的線性關系，使用人工神經網絡預測的含水率與參考含水率十分接近；預測含氣率與參考含氣率部分點之間的偏差較大，整體上預測含氣率與參考含氣率比較接近。絕對誤差如圖4所示。

圖4 絕對誤差示意圖

從圖4可以看出，使用所訓練的人工神經網絡預測的含水率與參考含水率之間的絕對誤差在±2%的范圍內波動；預測含氣率與參考含氣率之間的絕對誤差在±1%的范圍內波動；整體上使用神經網絡預測的含水率與含氣率與參考值絕對誤差較小，網絡的預測結果較好。不同預測含水率誤差分布如圖5所示。

圖5 不同預測含水率誤差分布圖

從圖5可以看出，不同參考含水率下對應的誤差各不相同，但誤差的分布與含水率并無明顯的關系。不同參考含水率下的誤差基本圍繞誤差零點上下波動，參考含水率對應的誤差分布比較均勻，系統誤差較小。整體上，在不同的參考含水率下使用神經網絡預測的含水率誤差在±2%以內，含水率誤差較小。在相同含水率下(或同一口油井)，由神經網絡預測的含水率與參考含水率誤差在零點附近波動。

為了驗證神經網絡對同一口井在不同時期的含水率預測結果，將該井在不同時期的高、低能伽馬計數作為網絡模型的輸入，使用網絡對該井不同時期的含水率進行預測，并與參考含水率進行對比。含水率預測結果及誤差分布圖如圖6所示。

圖6 含水率預測結果及誤差分布圖

從圖6可以看出，人工神經網絡對于同一口井在不同時期時的預測含水率與該時期下的參考含水率變化趨勢是一致的，預測含水率隨著參考含水率的變化而變化，兩者的變化趨勢整體上一致。預測含水率與參考含水率的絕對誤差在±2%的范圍內波動。在整個測量周期內，預測含水率絕對誤差中的負偏差較多，預測含水率較低。這可能與伽馬射線計數的統計漲落和放射源自身衰變有關。

含水率與伽馬射線計數有對應的關系。隨著原油中預測含水率的下降，伽馬射線的高能與低能計數相應的升高；隨著預測含水率的上升，高能計數與低能計數相應的下降；當含水率在0～92%的范圍內變化時，高能計數在80 000～87 000/min的范圍內變化，低能計數在110 000～180 000/min的范圍內變化，低能計數的變化率對含水率的變化更加敏感。出現這種現象的主要原因是高、低能射線對礦化水和原油的穿透能力不同。低能射線的穿透能力較低，低能射線穿過礦化水后被吸收的份額較高；高能射線的穿透能力相對于低能射線較強，高能射線穿過礦化水后被吸收的份額相對較少。因此，當原油中含水率變化時，低能射線計數比高能射線計數的變化更加敏感。

因為含水率與高低能伽馬射線計數之間存在這種關系，神經網絡模型能根據高、低能計數準確地預測出原油中的含水率。當放射性核素隨時間衰變，探測器采集的高低能計數隨時間下降，因此預測含水率也跟隨高低能計數的變化而變化，預測含水率與參考含水率之間的誤差也因此而變大。

4 結論

通過潿洲平臺伽馬射線含水分析儀對原油含水率測量的數據，訓練并生成了一個與高低能伽馬計數為輸入，對原油含水率進行了預測。預測結果與參考值很接近，說明人工神經網絡在原油含水率預測上具有一定的可行性。

使用所訓練的神經網絡預測的原油含水率和含氣率與參考值十分接近，二者在0%～95%的含水率范圍內有著良好的線性關系。人工神經網絡預測的含水率與參考含水率誤差約為±2%，預測含氣率誤差與參考含氣率誤差在1%以內。對不同時期的含水率進行預測時，網絡的預測含水率會受到放射性核素自然衰變的影響。