油井產液分布式光纖聲波傳感監測的應用與研究進展

＊胡春余

（中石化新疆新春石油開發有限責任公司 山東 257000）

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

在實際應用中，DAS采集的原始數據量通常可以超過1GB/s。Ajo-Franklin等人[2]在3個月的油井生產期間采集了128TB的數據。在油井多相流測量中實時分析如此大的數據量具有很大的挑戰性。近年來，人們開始探索利用機器學習算法來對DAS數據進行處理。例如，各種神經網絡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原理的基礎上，重點總結分析分布式光纖聲波傳感監測技術結合人工智能技術在油井產液方面的應用和研究進展情況，為了解DAS技術在產液剖面監測中的應用情況提供幫助。

1.分布式光纖聲波傳感機理

分布式光纖傳感技術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。其傳感機理是：由于瑞利散射光對外部振動引起的應變非常敏感，當外界物理場環境（如振動、聲波、應變、溫度等）作用在傳感光纖某個位置時，會在光纖中產生彈光效應和熱光效應，導致光纖長度、直徑和折射率發生變化，從而引起該位置的后向瑞利散射光相位發生變化，進而引起檢測到的瑞利散射光相位差和強度發生變化。通過對這些變化參數進行分析就能獲取造成光纖外部應變的相關信息[1]。

圖1 分布式光纖傳感后向散射現象

2.油井多相流動監測解釋方法

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

（1）數據采集。由于DAS采集的數據量大，通常將數據分成一系列的“塊”進行處理。“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性，在數據提取過程中前后兩個“塊”的數據在空間上要有重復。

（2）數據提取。聲音以不同的速度傳播，這取決于傳播介質中的密度、壓力、溫度和分子結構。聲速（SoS）衡量聲音在介質中傳播的速度。利用二維傅里葉變換算法將DAS數據從時間-空間域轉換到頻率-波數域，提取頻率-波數域圖中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，利用多普勒效應原理，即可求出流速。

（4）多相流參數估計。結合單相流體在不同溫度、壓力下的黏度、密度等參數對這些數據進行校準，即可計算出含水率、氣液比等多相流參數。

3.油井多相流動監測應用

（1）基于物理模型的多相流動分析。Johannessen等人[6]開展了使用DAS數據提取有關流動狀態、聲速和流速定性信息的早期工作，將井的聲學特征和井的生產動態聯系在了一起。Xiao等人[7]根據生產井中獲取的DAS數據，提出了聲能均方根、振幅估計、FFT變換和聲速分析等數據分析技術。研究認為，隨著DAS數據空間通道數的增加，聲速計算的精度和準確度也會提高，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監測流體速度和流體成分的適用性，并對如何建立DAS系統進行多相流實時測量提出了相關建議。Fidaner等人[9]開發了一種正演模型，利用物理流動機制、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式，將井筒中的兩相流與DAS數據聯系起來。采用小波分析方法捕獲DAS數據中最相關的分量，用于多相流量估計；然后使用人工神經網絡對這些樣本進行訓練，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-湯姆遜系數相結合，可以得到更準確的多相流估計結果。Soroush等人[10]提出了一種實驗與仿真模型，重點分析光纖技術在多相流測量方面的潛力。結果表明，利用DAS數據的信號頻率特征可以判斷流體流型和是否存在氣相。這些結果對于SAGD井筒監測和蒸汽突破監測具有重要意義。Cerrahoglu等人[11]研究了DAS和DTS在高溫高壓水平氣井中識別產氣段的方法。通過對聲速進行分析，發現近50%的產氣量來自下部層位，如果對全部通道進行聲速計算分析，結果會出現較大偏差。

表1總結了用于流量和多相流分類估計的分布式光纖傳感數據分析技術[12]。盡管DTS和熱模型已經發展比較成熟，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象，提供更豐富的信息，未來將更傾向于采用DAS數據來估算井下多相流動。

表1 DAS數據流量和多相流分類分析技術

（2）基于機器學習的多相流動分析。近年來，機器學習領域的發展引起了人們對油氣工業中潛在應用的極大興趣。人工神經網絡（ANN）、遞歸神經網絡（RNN）、支持向量機（SVM）、隨機森林（RF）等方法被用于DAS數據進行流量和多相流動研究。聲學數據的小波分量、低頻聲信號、頻譜圖、F-K圖以及DAS數據時間窗的均值和方差通常被用作DAS數據機器學習建模的主要特征。

Bhattacharya等人[13]以DAS和DTS數據和其他數據集為基礎，利用ANN、SVM和RF預測每日產氣量，采用18個特征對RF模型進行預測，準確率達到96%。Vahabi等人[4]從海上實際的油、水、氣井中收集DAS數據，用于識別流體類型，并使用機器學習算法估計流體流速。CNN可以達到99.3%的準確率，這表明在實際生產環境下使用DAS數據進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、K均值等其他機器學習算法用來確定管道中的流體流速，根據頻率-波數變換導出的輸入數據也能準確地估計出流速。

表2總結了用于流量和多相流估計的DAS數據機器學習算法。總的來看，基于神經網絡的機器學習算法能夠從大量數據中提取有用的特征，同時提供高精度的預測，獲取與多相流體流動特征相關的數據是加速該領域發展的關鍵。

表2 DAS數據流量和多相流分類的機器學習算法

4.結論

（1）多普勒效應技術被廣泛用作DAS數據的流量估計方法，而基于人工神經網絡的機器學習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來估計多相流動參數，受到一定局限性；機器學習使用所謂的學習算法從數據中提取模式，理論上可以精確地對任何復雜系統進行建模，在解決利用DAS數據估計多相流動方面具有很大潛力和精確的預測結果。（2）通過將DAS數據和機器學習技術相結合來估計多相流的研究非常有限，一方面是由于物理系統的復雜性，另一方面是缺乏相關DAS數據集支撐。機器學習算法是一種數據密集型技術，當有足夠的數據可供訓練時才能提供更精準的結果。（3）將物理模型參數作為機器學習算法的輸入、使用物理模型結果進行機器學習自校正預測，可在一定程度上克服機器學習算法中的“黑匣子”問題，物理模型與機器學習的結合有望提供更高精度和可靠的解釋結果。