基于多模态传感器的油井参数测量方法

技术领域

本发明涉及一种油井参数测量方法，特别是涉及一种基于多模态传感器的油井参数测量方法。

背景技术

在石油开采和生产过程中，准确测量油水两相流的含水率等复杂流动参数有助于确定油井的产量和储量，从而有效地规划生产策略和优化采收过程。研究发现多种传感器信号的融合可以提高测量的精度,不同类型的传感器可以检测到不同特性的信息，通过综合这些信息，我们可以更精准地测量油水两相流中的含水率，提高测量的精度、可靠性和实时性，有助于改进工业过程的管理和控制，同时减少潜在的风险和损失，对于工业生产和环境监测都具有重要意义。

近年来，深度学习模型因其能够从复杂的传感器数据中提取难以捉摸的模式和信息，广泛应用于传感器信息融合和参数预测，深度学习模型能够识别和利用多层次的数据特征，从而实现比传统方法更准确的含水率测量。基于深度学习的油水两相流含水率软测量方法具备高精度、实时性、数据驱动的决策、成本降低、适应性和自动化等多重优势，具有广泛应用前景。

发明内容

本发明的目的在于提供一种基于多模态传感器的油井参数测量方法。基于多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器对油水两相流进行信号采集，基于多模态传感器信号构建多模态传感器异质图，提出多任务异质图神经网络进行数据特征提取和融合分析，用于实现油水两相流流动状态辨识及含水率测量。

本发明所采用的技术方案是：一种油井参数测量方法，特别是基于多模态传感器的油井参数测量方法。其特征在于如下步骤：

(1)构建用于测量油水两相流含水率波动信号的多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器。

所述的双螺旋高频微波传感器由测量管道、激励电极、接收电极、保护电极和屏蔽层、传感器外壳组成，激励电极和接收电极在测量管道外侧保持对壁式结构旋转360度，激励电极和接收电极间放置两个同步螺旋的保护电极，并在电极外安装屏蔽层，防止电场向边缘扩散，起到保护电场和增强管道内部电场强度的作用。

所述的分布式环形电导传感器包括四个激励电极、四个接收电极和测量管道，其中激励电极和接收相邻设置，均匀分布在测量管道外壁同一圆周面，每组相对的激励电极和接收电极构成一组电极对，总共有四组电极对。

(2)开展动态实验获取多模态传感器信号，具体是采用双螺旋高频微波传感器测量油水两相流波动信号，并转换为微波差频信号，同时采用分布式多扇区电导传感器测量油水两相流波动信号获取多通道电导信号，双螺旋高频微波传感器和分布式环形电导传感器的采集频率均为2000Hz。

油水两相流流经双螺旋高频微波传感器测量管道时，正弦激励信号源产生高频激励信号，通过功分器一路送到螺旋高频微波传感器的激励电极，一路送到监测器，激励电极将高频电磁波发射到管道中的油水两相流中，由于油水两相流中极性水分子含量存在差异，导致吸收的波能量不同，感应电极将这个因极性水分子含量差异而导致不同的信号传送到监测器，两路信号在监测器进行信号混频，再经加法器处理后得到一路微波差频信号。

油水两相流流经分布式多扇区电导传感器测量管道时，正弦激励信号源产生激励信号，通过参考电阻与每组电极对的激励电极相连，对油水两相流进行激励，每组电极对的接收电极接地，将参考电阻电压和传感器电压经过差分放大和信号调理电路后得到一路电导信号，分布式多电极高频电容传感器的四组电极对共得到四路电导信号。

(3)构建数据集，具体是对数据进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集。具体包括：

对一路微波差频信号和四路电导信号每一路信号分别进行预处理，公式如下：

其中，S

(4)基于多模态传感器信号构建多模态传感器异质图，具体包括：将每路信号作为节点，信号间互信息值作为连边权重构建多模态传感器异质图，两路信号X和Y的互信息值I(X，Y)计算公式如下：

式中，P(x)和P(y)为分别两路信号X和Y的概率密度分布函数，P(x，y)为这两路信号的联合概率密度分布函数，x为信号X的索引，y为信号Y的索引。五路信号的互信息值构建多模态传感器异质图的邻接矩阵，针对每一路信号基于韦尔奇法计算功率谱，提取每一路信号的：最大值和功率谱的最大值、最小值和功率谱的最小值、平均值和功率谱的平均值、标准差和功率谱的标准差，构成多模态传感器异质图的特征矩阵。

(5)提出多任务异质图神经网络进行多模态信号融合和分析，用于实现不同工况下油水两相流流态分类和含水率的测量。

多任务异质图神经网络由多层异构图变换器层、一个分类器层和一个预测器层组成的，每层异构图变换器都是由异构特征提取模块和目标特定聚集模块组成的。

异构特征提取模块首先计算每个目标节点的注意向量，其元素是每个目标节点与其相邻源节点之间的归一化相似度得分。关键向量K(src)和查询向量Q(tgt)计算如下：

src和tgt分别为

其中e表示节点对(src，e，tgt)之间的边类型，d表示K(src)和Q(tgt)的维度。

接着进行边的信息传递权重M(src，e)，其计算公式如下：

是与节点类型相关的线性映射函数，/>

M′(src，e)＝A(src，e，tgt)·M(src，e)

目标特定聚集模块则将来自相邻源节点的消息相加地聚合到每个目标节点，计算公式如下：

N(tgt)表示目标节点的相邻源节点集。

最后，我们将

其中

经过多个多层异构图变换器后，预测器层利用sigmoid作为激活函数进行含水率预测，分类器层利用softmax作为激活函数进行流型分类。在含水率预测任务中，使用L

式中，N为样本个数，y

对于流型分类任务，采用交叉熵损失函数l

其中M是类别的个数，p

总损失l

L

λ是控制L

本发明由于采取以上技术方案，具有以下优点：

本发明提出一种基于多模态传感器的油井参数测量方法，基于多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器对不同工况下的油水两相流分别进行信号采集，融合不同传感器特性信息，基于微波、电导法多角度捕捉流动信息，提高测量的精度、可靠性和实时性。

本发明基于多模态传感器信号构建多模态传感器异质图，并提出多任务异质图神经网络进行多模态信号融合和分析，考虑多传感器信息的异质性和交互性，充分提取信号特征，提升测量精度。

附图说明

图1是双螺旋高频微波传感器示意图；

图2是分布式环形电导传感器示意图；

图3是动态实验结构图；

图4是多任务异质图神经网络框架图。

具体实施方式

下面结合实施例和附图对本发明做出详细说明。本发明的基于多模态传感器的油井参数测量方法，基于多模态传感器，包括双螺旋高频微波传感器和分布式环形电导传感器对不同工况下的油水两相流分别进行信号采集，构建多任务异质图神经网络进行数据融合和分析，用于实现不同工况下油水两相流流态分类及含水率的测量。

本发明的基于多模态传感器的油井参数测量方法，包括如下步骤：

(1)构建用于测量油水两相流含水率波动信号的如图1所示的双螺旋高频微波传感器和如图2所示的分布式环形电导传感器；

所述的双螺旋高频微波传感器由测量管道、激励电极、接收电极、保护电极和屏蔽层、传感器外壳组成，激励电极和接收电极在测量管道外侧保持对壁式结构旋转360度，激励电极和接收电极间放置两个同步螺旋的保护电极，并在电极外安装屏蔽层，防止电场向边缘扩散，起到保护电场和增强管道内部电场强度的作用。

所述的分布式环形电导传感器包括四个激励电极、四个接收电极和测量管道，其中激励电极和接收相邻设置，均匀分布在测量管道外壁同一圆周面，每组相对的激励电极和接收电极构成一组电极对，总共有四组电极对。

(2)开展动态实验获取多模态传感器信号，具体是采用双螺旋高频微波传感器测量油水两相流波动信号，并转换为微波差频信号，同时采用分布式多扇区电导传感器测量油水两相流波动信号获取多通道电导信号，双螺旋高频微波传感器和分布式环形电导传感器的采集频率均为2000Hz；

油水两相流流经双螺旋高频微波传感器测量管道时，正弦激励信号源产生高频激励信号，通过功分器一路送到螺旋高频微波传感器的激励电极，一路送到监测器，激励电极将高频电磁波发射到管道中的油水两相流中，由于油水两相流中极性水分子含量存在差异，导致吸收的波能量不同，感应电极将这个因极性水分子含量差异而导致不同的信号传送到监测器，两路信号在监测器进行信号混频，再经加法器处理后得到一路微波差频信号。

油水两相流流经分布式多扇区电导传感器测量管道时，正弦激励信号源产生激励信号，通过参考电阻与每组电极对的激励电极相连，对油水两相流进行激励，每组电极对的接收电极接地，将参考电阻电压和传感器电压经过差分放大和信号调理电路后得到一路电导信号，分布式多电极高频电容传感器的四组电极对共得到四路电导信号。

(3)构建数据集，具体是对数据进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集。具体包括：

对一路微波差频信号和四路电导信号每一路信号分别进行预处理，公式如下：

其中，S

(4)基于多模态传感器信号构建多模态传感器异质图，具体包括：具体包括：将每路信号作为节点，信号间互信息值作为连边权重构建多模态传感器异质图，两路信号X和Y的互信息值I(X，Y)计算公式如下：

式中，P(x)和P(y)为分别两路信号X和Y的概率密度分布函数，P(x，y)为这两路信号的联合概率密度分布函数，x为信号X的索引，y为信号Y的索引。五路信号的互信息值构建多模态传感器异质图的邻接矩阵，针对每一路信号基于韦尔奇法计算功率谱，提取每一路信号的：最大值和功率谱的最大值、最小值和功率谱的最小值、平均值和功率谱的平均值、标准差和功率谱的标准差，构成多模态传感器异质图的特征矩阵。

(5)提出如图4所示的多任务异质图神经网络进行多模态信号融合和分析，用于实现不同工况下油水两相流流态分类和含水率的测量。多任务异质图神经网络由多层异构图变换器层、一个分类器层和一个预测器层组成的，每层异构图变换器都是由异构特征提取模块和目标特定聚集模块组成的。

异构特征提取模块首先计算每个目标节点的注意向量，其元素是每个目标节点与其相邻源节点之间的归一化相似度得分。关键向量K(src)和查询向量Q(tgt)计算如下：

src和tgt分别为

其中e表示节点对(src，e，tgt)之间的边类型，d表示K(src)和Q(tgt)的维度。

接着进行边的信息传递权重M(src，e)，其计算公式如下：

是与节点类型相关的线性映射函数，/>

M′(src，e)＝A(src，e，tgt)·M(src，e)

目标特定聚集模块则将来自相邻源节点的消息相加地聚合到每个目标节点，计算公式如下：

N(tgt)表示目标节点的相邻源节点集。

最后，我们将

其中

经过多个多层异构图变换器后，预测器层利用sigmoid作为激活函数进行含水率预测，分类器层利用softmax作为激活函数进行流型分类。在含水率预测任务中，使用L

式中，N为样本个数，y

对于流型分类任务，采用交叉熵损失函数l

其中M是类别的个数，p

总损失l

L

λ是控制L