基于深度學習的鹽穴儲氣庫油水界面監測方法

陳健

中國石油吐哈油田分公司 銷售事業部(新疆 吐魯番 838202)

鹽穴儲氣庫油水界面狀態反映的是鹽穴儲氣庫腔體形態，鹽穴儲氣庫油水界面實際是指鹽穴儲氣庫腔體阻溶劑界面，為了能夠更好地存儲油氣，在鹽穴儲氣庫腔體內油氣表面使用柴油或者機油等物質作為阻溶劑，由于阻溶劑屬于流體介質，其密度小于鹵水[1-2]。在鹽穴儲氣庫內界面位置容易發生變化和失控，如果鹽穴儲氣庫水油界面位置失去控制，變化幅度超出合理范圍，會導致鹽穴儲氣庫腔體發生變形，最終會影響到鹽穴儲氣庫油氣儲運質量，嚴重的會造成鹽穴儲氣庫腔體垮塌。因此鹽穴儲氣庫油水界面控制和監測是保證鹽穴儲氣庫油氣存儲穩定的關鍵，需要采用有效的鹽穴儲氣庫油水界面監測方法，確定鹽穴儲氣庫油水界面實時動態，為鹽穴儲氣庫油水界面控制提供準確的數據依據[3]。目前現有的鹽穴儲氣庫油水界面監測方法主要有兩種，一種是基于人工智能的鹽穴儲氣庫油水界面監測方法，另一種是基于機器學習的鹽穴儲氣庫油水界面監測方法。前者是采用人工智能算法對鹽穴儲氣庫油水界面參數進行計算和分析，后者是利用機器學習對鹽穴儲氣庫油水界面圖像數據進行模擬計算。這兩種方法在目前鹽穴儲氣庫油水界面監測領域比較常用，雖然提高了鹽穴儲氣庫油水界面監測效率，但是在實際應用中，因成本較高，監測數值與實際情況存在較大差距，且探測范圍不夠廣泛，鹽穴儲氣庫油水界面監測誤差較大，為此提出基于深度學習的鹽穴儲氣庫油水界面監測方法研究。

1 基于深度學習的鹽穴儲氣庫油水界面監測方法設計

1.1 鹽穴儲氣庫油水界面動態數據測量

對于鹽穴儲氣庫油水界面動態數據測量采用光纖油水界面測量儀，根據鹽穴儲氣庫油水界面動態數據測量需求，此次采用SHIADF/S2AF5型號智能光纖油水界面測量儀，該測量裝置主要包括地面測量設備與鹽穴儲氣庫復合光纜兩部分，將鹽穴儲氣庫復合光纜隨著管柱從地面下放到鹽穴儲氣庫中，通過對其進行加熱，測量加熱前后鹽穴儲氣庫油水界面溫度信息。

由于油和水的比熱容不同，鹽穴儲氣庫油水升溫和降溫速率存在一定差異，因此根據鹽穴儲氣庫油水這一物理特征，利用SHIADF/S2AF5型號智能光纖油水界面測量儀對油水界面位置生產的溫度數據進行測量，為后續利用深度學習分析鹽穴儲氣庫油水界面狀態提供數據依據。

SHIADF/S2AF5型號智能光纖油水界面測量儀通過復合光纜向鹽穴儲氣庫油水界面發射光時域反射信號，在鹽穴儲氣庫油水界面時域空間里，由復合光纜發出的入射光經過背向散射返回到復合光纜入射端時間，在該時間段內激光脈沖信號在復合光纜中傳輸路段，是背向散射光纖信號到鹽穴儲氣庫油水界面距離的兩倍，由此可以獲得背向散射光纖信號到鹽穴儲氣庫油水界面距離，其公式表示如下：

式中：h為背向散射光纖信號到鹽穴儲氣庫油水界面距離，m；t為由復合光纜發出的入射光經過背向散射返回到復合光纜入射端時間，s；b為激光脈沖信號在鹽穴儲氣庫腔體的真空環境中的光速，m/s；n為分布式光纖信號在鹽穴儲氣庫油水界面的實際折射率。

利用公式（1）獲取到背向散射光纖信號到鹽穴儲氣庫油水界面距離，在此基礎上，根據拉曼光譜散射效應，鹽穴儲氣庫油水界面上的激光脈沖信號會與復合光纜上的光纖分子相互作用，從而發生熱能量交換，從而在鹽穴儲氣庫油水界面上產生拉曼光譜散射[4-5]。根據量子光學原理，在拉曼光譜散射過程中，一部分激光脈沖能量轉化為熱能量，會發出一個波長較短的斯托克斯光。與此同時，一部分熱能量轉化為激光脈沖能量，此時會形成一個波長較長的反斯托克斯光，因此鹽穴儲氣庫油水界面形成的拉曼光譜散射光主要是由兩種不同波長的光組成。利用鹽穴儲氣庫油水界面形成的斯托克斯光和反斯托克斯光比值調節溫度信號[6-7]。因為反斯托克斯光相比較斯托克斯光對于溫度更加敏感，因此將反斯托克斯光作為光纖信號通道，將斯托克斯光作為光纖信號對比通道，從鹽穴儲氣庫油水界面上任意一點的斯托克斯光與反斯托克斯光的比例，確定鹽穴儲氣庫油水界面上該點的溫度，公式表示如下：

式中：w為鹽穴儲氣庫油水界面上某一點的溫度，℃；e為普朗克常數；q為鹽穴儲氣庫油水界面某一點反斯托克斯光信號偏移波數；p為玻爾茲曼常數；o為鹽穴儲氣庫油水界面上某一點的反斯托克斯光信號強度；o*為鹽穴儲氣庫油水界面上某一點的斯托克斯光信號強度；y為鹽穴儲氣庫油水界面上某一點的反斯托克斯光波長；y*為鹽穴儲氣庫油水界面上某一點的斯托克斯光波長。

利用式（2）計算出鹽穴儲氣庫油水界面溫度，以此獲取到鹽穴儲氣庫油水界面動態溫度信息，完成鹽穴儲氣庫油水界面動態數據測量。

1.2 鹽穴儲氣庫油水界面數據預處理

以上獲取到的鹽穴儲氣庫油水界面動態數據包括鹽穴儲氣庫內深度處復合電纜介質的初始溫度、利用伴熱控制電源加熱后復合電纜介質的加熱后溫度，鹽穴儲氣庫油水界面的實際深度是根據復合電纜加熱前后溫差確定，采集到的這兩種數據對確定鹽穴儲氣庫油水界面狀態具有重要作用，因此將獲取到的鹽穴儲氣庫油水界面動態數據進行處理[8-9]。首先將獲取的動態數據中無效數據、屬性殘缺數據以及重復數據進行剔除，然后按照溫度加熱前后的對應關系將鹽穴儲氣庫油水界面同一地點的溫度數據建立數據集，將數據進行標準化處理，并進行分類存儲。最后將數據轉化為二維矩陣，并附加其理想輸出值，在此基礎上根據復合電纜加熱前后溫差來確定鹽穴儲氣庫油水界的實際深度，其公式表示如下：

式中：v為鹽穴儲氣庫油水界面的實際深度，m；t為鹽穴儲氣庫油水界面監測時間，h；w1為伴熱控制電源對復合電纜加熱后鹽穴儲氣庫油水界面溫度，℃；w2為伴熱控制電源對復合電纜加熱前鹽穴儲氣庫油水界面溫度，℃。

利用式（3）計算到鹽穴儲氣庫油水界面的實際深度，并將其與相對應的溫度數據文件中進行存儲，以此完成鹽穴儲氣庫油水界面數據預處理。

1.3 基于深度學習的鹽穴儲氣庫油水界面監測分析

利用深度學習算法對鹽穴儲氣庫油水界面狀態進行深入分析，其主要是利用深度學習算法對鹽穴儲氣庫油水界面數據樣本進行訓練和學習，確定鹽穴儲氣庫油水界面狀態理想值，將其作為參照對當前鹽穴儲氣庫油水界面狀態進行確定，其具體過程如下。

首先建立鹽穴儲氣庫油水界面監測深度學習網絡，根據鹽穴儲氣庫油水界面監測需求，建立的深度學習網絡包括一個數據輸入層、一個卷積層以及一個輸出層，通過自定義的組合系數將數據輸入層、卷積層以及輸出層之間進行全連接[10]。將預處理后的鹽穴儲氣庫油水界面數據輸入到深度學習網絡輸入層，為了方便后續計算分析，在深度學習網絡輸入層中對鹽穴儲氣庫油水界面數據進行降噪處理，并在輸入層中對鹽穴儲氣庫油水界面特征進行提取，其公式如下：

式中：k為獲得的鹽穴儲氣庫油水界面特征信息；f為深度學習網絡輸入層激活函數；u為輸入的鹽穴儲氣庫油水界面數據；d為深度學習網絡輸入層迭代次數，次；m為深度學習網絡輸入層數據特征可訓練加性偏置。

利用上述公式對鹽穴儲氣庫油水界面數據進行不斷訓練，并且在數據不斷訓練和學習中調整深度學習網絡輸入層迭代次數參數和深度學習網絡輸入層數據特征可訓練加性偏置參數。得到鹽穴儲氣庫油水界面特征信息后，將特征信息輸入到深度學習網絡卷積層，在卷積層中進行鹽穴儲氣庫油水界面特征采樣，其公式如下：

式中：n為深度學習網絡卷積層獲得的鹽穴儲氣庫油水界面特征采樣數據；α為特征采樣函數；g為深度學習網絡卷積層乘性偏置；b為深度學習網絡卷積層中鹽穴儲氣庫油水界面特征數據可訓練加性偏置。

對于輸入到深度學習網絡中的任意一個鹽穴儲氣庫油水界面數據信息，都會存在一個與其對應的實際值和預測值，在深度學習網絡中利用誤差函數來表示鹽穴儲氣庫油水界面當前狀態與實際狀態的特征區別，公式表示如下：

式中：f(x)為深度學習網絡中鹽穴儲氣庫油水界面學習特征與實際特征的誤差函數；κ表示鹽穴儲氣庫油水界面特征樣本的損失函數；n?(x,y)表示為權重為ωˉ的鹽穴儲氣庫油水界面特征樣本的預測值。

利用上述公式對鹽穴儲氣庫油水界面數據進行迭代計算，獲取到目前鹽穴儲氣庫油水界面與理想值誤差，將其傳輸到深度學習網絡輸出層，在深度學習網絡輸出層中設置一個最大界面誤差限值。如果卷積層計算的鹽穴儲氣庫油水界面學習特征與實際特征的誤差大于最大界面誤差限值，則判定目前鹽穴儲氣庫油水界面位置失控，需要采取相應措施；如果卷積層計算的鹽穴儲氣庫油水界面學習特征與實際特征的誤差小于最大界面誤差限值，則判定目前鹽穴儲氣庫油水界面位置處于穩定狀態，根據對比結果對訓練結果進行輸出，以此完成基于深度學習的鹽穴儲氣庫油水界面監測。

2 實驗論證分析

實驗以某鹽穴儲氣庫為實驗對象，該鹽穴儲氣庫溶腔井生產套管下深1 264.15 m，鹽穴儲氣庫油氣儲運體積為126 559.48 L，鹽穴儲氣庫溶腔外管下深1 364.48 m，鹽穴儲氣庫溶腔內管下深1 264.86 m，鹽穴儲氣庫阻溶劑為柴油，柴油的比熱容為2 100 J/（kg·℃），鹵水的比熱容為1 036 J（/kg·℃），空氣的比熱容為1 569 J（/kg·℃），實驗利用此次設計方法與傳統方法對該鹽穴儲氣庫水油界面進行監測。實驗將SHIADF/S2AF5型號智能光纖油水界面測量儀在監測現場進行安裝，并進行施工作業，將SHIADF/S2AF5型號智能光纖油水界面測量儀測量頻率設定為1.36 GHz，測量周期設定為0.1 ns，測量范圍定位為0～500 m。根據該鹽穴儲氣庫實際情況，布設了1 000個監測點，將SHIADF/S2AF5型號智能光纖油水界面測量儀經過現場的調試和深度校正后，測量光纖加熱前后鹽穴儲氣庫水油界面溫度差，并利用公式（3）確定鹽穴儲氣庫水油界面深度，其監測數據見表1。

表1 鹽穴儲氣庫水油界面測量數據

實驗共采集了2 000個數據樣本，在Intel Coer 2.65平臺上建立深度學習網絡。將深度學習網絡卷積層的迭代次數設定為5，利用深度學習網絡提取到的特征參數，根據該鹽穴儲氣庫實際情況，在深度學習網絡輸出層設置的最大油水界面誤差為0.25 m，對該鹽穴儲氣庫油水界面進行監測，監測時間為12 h。利用HSIFA軟件對兩種方法的監測結果與鹽穴儲氣庫油水界面實際深度進行分析，確定兩種方法的鹽穴儲氣庫油水界面監測誤差，將其作為檢驗兩種方法有效性指標，利用電子表格對兩種方法檢查誤差進行記錄，從中隨機抽取8次監測誤差數據，見表2。

表2 兩種方法鹽穴儲氣庫油水界面監測誤差對比

從表2數據中可以看出，設計方法對于鹽穴儲氣庫油水界面監測誤差均小于最大允許誤差，最小監測誤差為0.001 1 m，平均監測誤差為0.018 m，符合鹽穴儲氣庫油水界面監測精度要求；而傳統方法對于鹽穴儲氣庫油水界面監測誤差均超過最大允許誤差，最大監測誤差為0.168 1 m，遠遠高于設計方法。因此實驗結果證明了基于深度學習的鹽穴儲氣庫油水界面監測方法能夠準確監測到鹽穴儲氣庫油水界面的深度和狀態，相比較傳統方法更適用于鹽穴儲氣庫油水界面監測。

3 結束語

結合鹽穴儲氣庫地面建設和油氣儲運方向理論與工程實踐，針對傳統方法存在的弊端，利用深度學習算法設計了一種新的鹽穴儲氣庫油水界面監測方法，并利用現場實驗驗證了該方法的可行性和可靠性，此次研究有效提高了鹽穴儲氣庫油水界面監測精度，為基于深度學習的鹽穴儲氣庫油水界面監測提供了理論依據。