基于深度學習的油氣水多相管流量預測研究

李雪瑩

中國石油大學（北京）

準確測量油氣水混合物[1]的流量對于油氣行業的效率提高、成本降低和管理優化具有重要意義。傳統的測量方法是先使用分離器分離混合物的組分[2-4]，再分別用傳統的單相流量計測量各相的流量。這種方法在實踐中存在許多不足和限制：由于多相流分離過程通常需要幾個小時甚至更長的時間，測量的效率將受到嚴重制約；且分離器昂貴，還占用大量空間，導致成本顯著增加。

近年來，隨著機器學習（machine learning，ML）的發展及其在許多領域的成功應用，越來越多的研究將ML與多相流測量相結合。文獻[5]提出了一種基于多傳感器和支持向量回歸（support vector regression，SVR）算法的油田油氣水多相流量量化檢測方法。該方法基于文丘里和微波檢測手段對氣相、液相流量和液相含水率等多相流關鍵參數進行測量，并結合SVR 進行測量模型構建和評價。然而SVR 模型性能有限，當處理油氣水多相轉移預測時精度較低。文獻[6]以入口體積含氣率、轉速和液相流量作為輸入特征，構建基于線性回歸、BP神經網絡、支持向量機和隨機森林的4種機器學習模型。但該模型主要以研究離心泵氣液兩相壓力升高預測為研究對象，無法直接移植至油氣水三相混合狀態預測中。文獻[7]研究了基于磁共振技術的多相流在線檢測方法，設計高集成磁共振譜儀系統及硬件裝置，并開展室內實驗及現場應用。該方法能實現油、氣、水三相全量程高精度檢測，但該方案中設計的裝置增加了測量的成本。綜合以上分析，盡管目前大部分方法適用于對動態多相流試驗條件下的傳感器數據的分析，但將其成功應用于實際工業過程仍然很困難。大部分研究集中于固定油氣水場景，未考慮兩相及三相之間的轉移場景。為此，建立了一種基于深度學習的多相流量預測模型，從而實現不同場景下的多相流的流量預測。

1 試驗環境

本次試驗所用多相流測試試驗機理如圖1 所示。為了建立盡可能接近工業環境的實驗環境（即帶壓力的密封管道），試驗時關閉釋放閥并啟動空氣壓縮機，為整個系統提供合理的靜態壓力。油水單相流分別由油泵和水泵從分離器中抽出，氣體單相流由循環壓縮機提供。單相流量計記錄所有單相流量的參數，改變控制閥的開度可以調節相應單相流的流量。多組單相流混合形成多相流，并通過測試中的多相流量計（multiphase flow meters，MFM）記錄混合流結果。試驗結束后，多相流將進入分離器分離成單相流，可實現再次循環使用。

圖1 多相流測試實驗機理Fig.1 Experimental mechanism of multiphase flow test

試驗過程中，將文丘里管安裝在圖1 的“MFMs”位置，從而收集通過水平管的多相流信息。多相流信息主要包括：測量并記錄動態壓力p、會聚部分的壓差Δp1、發散部分的壓差Δp2和溫度T。其中，Δp1和Δp2的測量范圍為0～62.2 kPa。帶有4個不同傳感器的文丘里管結構圖如圖2所示。

圖2 帶有4個不同傳感器的文丘里管結構Fig.2 Venturi tube structure with 4 different sensors

2 數據采集

考慮到目前市場上沒有準確可靠的MFM，因此在試驗期間無法獲得多相流瞬時參數的標準值，唯一可用的信息是單相電表記錄的數據。在周期S內，通過單相流量計的單相流液體的總體積非常接近通過文丘里管中多相流的液相總體積因此，本試驗中將數據采集問題轉換為預測周期S內多相流的平均流量，而不是瞬時流量。此時，液相和液體單相流的平均流速之間的絕對誤差εv的絕對值上限如下所示：

式中：r為管道橫截面的半徑，m；l為單相流量計和文丘里管之間試驗管道的長度，m。

|εr|的上界隨著S的增加而減小。因此，當S足夠大時，可以使用來近似。S取5 min。

根據液相介質的不同，將試驗分為3 組：①水-空氣兩相流；②油-空氣兩相流；③油-水-空氣三相流。有關試驗條件的參數設置如表1 所示，其中γ為水液比，計算公式如下：

表1 有關試驗條件的參數設置Tab.1 Parameter settings related to test conditions

式中：vw為水的體積，L；vl為液相體積，L。

在兩相流試驗中，每個單相流的流量每2 min改變一次；在三相流試驗中，每個單相流的流量每3 min 改變一次。同時，在每個試驗條件下收集由穩定單相流和瞬態單相流形成的多相流的數據。

本試驗選擇多通道壓力信號（p、Δp1和Δp2）的時間序列數據作為預測模型的輸入，可以通過測量文丘里管的多相流的流量來獲取數據。傳感器的采樣頻率為6 Hz，周期S的長度為300 s。每個時間序列數據都是一個1 800×3 的矩陣。試驗數據采集過程耗時約100 h，共采集3 500 個水-空氣兩相流動樣本、3 500 個油-空氣兩相流動樣本和2 500個油-水-空氣三相流動樣本。

3 流對抗網絡

3.1 模型約束

本研究的目標是建立一個流量預測模型，該模型可以根據pt準確預測。一般情況下，預測模型通常包括2 個部分：特征提取器E(p;θt)和標簽預測器P(f;θp)。輸入信號p可通過特征提取器E(p;θt)映射為特征向量f，具體描述如下：

式中：θe為特征提取器的參數。

P(f;θp)可以根據特征向量f預測標簽（流量），公式如下：

3.2 模型結構

源域數據集ps和目標域數據集pt可以通過特征提取器E(p;θe)分別映射到源域特征向量fs和目標域特征向量ft。同時，fs和ft分別服從源域特征分布fs和目標域特征分布ft，即fs～Fs(f)和ft～Ft(f)。如果E(p;θe)僅通過源域樣本學習，則由于源域和目標域的數據分布之間的差異，特征提取器很難捕獲目標域樣本的正確描述。當標簽預測器P(f;θp)根據f確定流量時，該誤差將導致目標域預測精度下降。因此，本研究期望E(p;θe)產生域不變和流量辨別特征。Fs(f)和Ft(f)應盡可能相似。P(f;θp)可以在f的基礎上準確地預測流量。

為此，引入域鑒別器D(f;θd) 來幫助特征提取器采集域不變特征。域鑒別器中的輸入為特征f，則域鑒別器函數定義如下：

參考生成對抗網絡[8]（generative adversarial network，GAN），所提流對抗網絡中的鑒別器也可以測量Fs(f)和Ft(f)之間的距離。如果域鑒別器產生的域標簽d^ 與實域標簽d相同，則表明fs和ft之間存在較大差異；相反，如果域鑒別器不能正確地對fs和ft進行分類，則表明fs和ft之間的差異可忽略。流對抗網絡框架如圖3所示。

圖3 流對抗網絡框架Fig.3 Flow adversarial network framework

該網絡包括3 個部分：特征提取器E(p;θt)、標簽預測器P(f;θp)和域鑒別器D(f;θd)。模型執行過程中，可通過最小化損失函數實現域鑒別器D(f;θd)區分源域和目標域特征。該過程中損失函數定義如下：

特征提取器、標簽預測器和域鑒別器網絡配置如表2 所示。conv 表示卷積層；max-pool 表示最大池化層；fc 表示全連接層；SELU為自歸一化神經網絡激活函數；LINEAR為線性激活函數。

表2 特征提取器、標簽預測器和域鑒別器網絡配置Tab.2 Network configuration of feature extractor，tag predictor and domain discriminator

4 實驗與分析

4.1 數據集與實驗環境

為驗證基于深度學習的多相流量預測模型有效性，對多相流測試試驗及采集的數據進行試驗分析。試驗過程中軟件環境為pycharm 搭建算法框架，并由python 基于tensorflow 搭建基礎網絡。算法運行硬件環境為酷睿i7 CPU；內存為128 G ARM的聯想服務器；操作系統為Ubuntu 18.04 64位；顯卡為NVIDIA RTX2080Ti 11G。

4.2 試驗過程

訓練時采用SGD 優化器[9]訓練模型，試驗時部分參數定義如下：深度學習網絡中批量大小設置為32；初始學習率為10-2；學習率衰減率為10-1；學習率衰減周期設置為1 000；最大迭代次數設置為30 000。

4.3 性能分析

4.3.1 訓練性能

對比了主流CNN[10]、域對抗網絡[11]（domain adversarial network，DAN）和基于深度學習的多相流量預測模型在水-空氣兩相流轉移到油-水-空氣三相流場景中的訓練性能。對比指標為平均絕對百分比誤差（mean absolute percentage error，MAPE）。水-空氣兩相流轉移到油-水-空氣三相流場景訓練曲線如圖4所示。該場景下，CNN在源域數據集上的最小MAPE在15%以上，在目標域數據集上的MAPE在20%以上。分析原因，CNN學習了許多源域數據集的特征，這有助于提高源域樣本的準確性，但降低了目標域樣本的性能。與之相反，基于深度學習的多相流量預測模型在源域樣本上產生的MAPE 約為7%，但在目標域樣本上的相對誤差約為10%。根據MAPE曲線的物理含義，其值越低表明模型擬合能力越好。實驗結果表明，所提基于深度學習的多相流量預測模型具有較強的泛化能力和學習能力。域鑒別器使特征提取器有效學習域不變特征，從而獲得更優的訓練性能。

圖4 水-空氣兩相流轉移到油-水-空氣三相流場景訓練曲線Fig.4 Training curve of water-air two-phase flow transferring to oil-water-air three-phase flow scene

4.3.2 綜合性能

為了評估所提流對抗網絡有效性，考慮了3種不同的轉移場景，即從水-空氣兩相流轉移到油-水-空氣三相流（試驗1），從水-空氣兩相流轉移到油-空氣兩相流（試驗2），以及從油-空氣兩相流轉移到油-水-空氣三相流（試驗3）。為消除隨機誤差帶來的干擾，每組試驗分別是進行10 次，取平均值作為最終結果。

試驗時分別對比了CNN、DAN在3個評估指標中的綜合性能性能：平均絕對誤差（mean absolute error，MAE）、平均絕對百分比誤差和均方根誤差（root mean squared error，RMSE）。其中，MAE 反映了實際值和預測值之間的差異，且對異常值非常敏感；MAPE 是衡量系統準確性的評估指標；RMSE可根據平方誤差和結果值的相對大小來描述模型擬合性能。3 個誤差度量分別根據以公下式計算：

式中：yt為時間t時的實際值時間t時的預測值；N為樣本數量。

不同場景下各模型綜合性能如表3所示。可以看出，基于深度學習的多相流量預測模型性能最優。3個試驗場景中，基于深度學習的多相流量預測模型MAPE 分別為8.41%、11.05%和9.08%，與CNN 和DNN 相比，基于深度學習的多相流量預測模型MAPE 減少約2%至10%。同理，MAE 與RMSE指標，基于深度學習的多相流量預測模型均為最優。因多相流數據特征復雜，傳統CNN 模型以及DAN 模型無法更深層次理解特征與特征之間的關系。而基于深度學習的多相流量預測模型可以有效提升提取特征之間的關鍵信息。試驗結果驗證了基于深度學習的多相流量預測模型的可行性和有效性。

表3 不同場景下各模型綜合性能Tab.3 Comprehensive performance of each model under different scenarios

5 結論

為準確測量油氣水混合物的流量，對油氣水多相管流量預測進行了研究與分析，建立了一種基于深度學的多相流預測模型。設計了試驗環境與數據采集方案，為多相管流量預測提供數據基礎。提出了一種流對抗網絡模型，實現了水-空氣兩相流轉移到油-水-空氣三相流，水-空氣兩相流轉移到油-空氣兩相流，以及從油-空氣兩相流轉移到油-水-空氣三相流3 種場景下的流量預測。該模型為多相流數據分析及流量預測的發展提供了一定借鑒作用。

未來可對數據安全管理領域進行研究，如引入區塊鏈、云計算等技術提高多相流數據交互可靠性及效率。此外，可對深度學習網絡參數優化及網絡壓縮等方向進行研究，從而減輕模型計算壓力，節省計算開銷。