日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

文獻標識碼：B文章編號：1003-0492（2024）04-070-04中圖分類號：TP216

★許海豐（昆侖數智科技有限責任公司，北京100007）

★武同山（中國石油工程建設有限公司西非公司，北京100085）

★孫國寶（昆侖數智科技有限責任公司，北京100007）

★李志輝（北京興油工程項目管理有限公司，北京100083）

★陳冰（昆侖數智科技有限責任公司，北京100007）

關鍵詞：虛擬流量計量；深度學習；電潛泵

1　研究現狀

虛擬流量計量系統的技術發展有兩條技術路線：一條路線是基于一般的生產系統的物理模型進行建模，并在過去20年中發展出了商用級別的虛擬流量計量系統，誤差可以控制在±10%左右[1]；另一條路線是基于數據驅動的虛擬計量系統，經過十余年的高速發展，誤差也可控制在±10%左右[2]。

由于非線性多相流研究的復雜性，機理建模方法的效果高度依賴所選的策略和應用的計算方法，在某一些條件下得出的結論可能與實際結果一致，而另一些結論則可能出現很大的誤差，該方法對于所處的不同PVT條件和測量的靈敏度條件高度敏感[3]。

基于數據驅動的虛擬流量計量系統主要采用穩態人工神經網絡模型和動態人工神經網絡模型，其中前饋神經網絡模型是穩態模型中一個比較流行的方法，其優點在于可以近似變量之間的任何關系和模式，輸入和輸出沒有任何遞歸反饋聯系，缺點則在于對瞬態流動行為的預測可能不太準確[4,5]。

動態人工神經網絡模型可以使用過去的數據來預測當前的變量，而前反饋模型只能使用當前數據執行穩態映射，在啟動和關閉井的動態條件下動態神經網絡模型具有更好的效果，因此該方法比較適用于存在大量瞬態行為的頁巖油氣井產量計量[6]。

本文研究的虛擬流量計量系統重點針對油氣工業計量領域，通過數據收集處理，建立半監督的自學習算法產量計量模型，實現油氣工業計量的低成本、精準運行，可逐步替代硬件計量工具的使用，實現生產數據統一采集、統一處理、統一管理、統一監控，實現油田生產數據的智能化、可視化、精準化發展。

2　基于深度學習方法的電潛泵虛擬流量計量系統

本文研究的虛擬流量計量系統采用數據驅動模型，在單井生產運營階段，利用生產數據、電參、標定數據等不斷完善模型，采用“差壓法”“自學習”等手段，形成逐漸完善的單井數據分析體系及高精度模型，最終實現對所有單井的精確計量，如圖1所示。

圖1 虛擬流量計量系統應用場景

2.1　系統總體架構

虛擬流量計量系統整體架構分為三部分，分別是應用層、算法層和數據層，如圖2所示。應用層主要包含該系統的六個主要功能模塊，分別是數據輸入、產量展示、工況監控、數據管理、功能配置和診斷維護，應用層為向用戶展示的軟件界面，其中展示的各種數據主要通過OPC等通訊方式與算法層進行交互獲得。算法層主要包含四個主要功能，分別是實時產量預測、輸入參數存儲、平均產量計算以及累計產量計算，通過使用機器學習、人工神經網絡等智能算法形成的半監督的自學習產量計量模型來支持。數據層主要使用關系數據庫和時序數據庫兩種數據庫對虛擬流量計量軟件中使用的各種參數提供數據支持。

圖2 系統總體架構圖

2.2　系統功能架構

虛擬流量計量系統的功能主要分為四大塊，分別是生產管理、數據管理、安全管理和系統管理，功能架構圖如圖3所示。生產管理的功能主要包括油田現場的產量計算與展示、產量趨勢分析、工況監控和數據的收集與記錄；數據管理的功能主要包括數據庫管理和報告打印；安全管理的功能主要包括對報警信息的生成、推送、處理和記錄；系統管理的功能主要包含對算法模型的不斷完善和系統運行穩定性的監控及維護。

圖3 系統功能架構圖

2.3　系統數據架構

虛擬流量計量系統的數據傳輸流程如圖4所示，通過應用層獲得的三類數據：RTU實時采集的壓力數據、手動錄入的靜態數據、標定獲得的數據，主要通過OPC傳輸到算法層，通過算法模型進行產量計算，得出各項產量數據、中間參數、標定系數、平均產量數據、累計產量數據等參數再傳輸到應用層的各功能界面進行展示。

圖4 系統數據架構圖

2.4　系統界面

虛擬流量計量系統支持多樣化部署，自建有Web端（如圖5所示），可以通過各種集成方式集成到現有平臺，部署多樣化，使用方便簡單。

圖5 虛擬流量計量系統界面

虛擬計量系統能夠提供所有實時數據的采集監控和產量計量等功能，包括但不限于油、氣、水三相流量的數據采集和計算、趨勢分析、報警處理、生成報告、系統控制命令、與數據庫和前臺應用的交互以及系統性能監控。

其中，產量展示功能能夠實現單井產量展示、多井產量展示及趨勢分析。如圖6所示，系統會實時采集并展示油井或氣井的生產數據，使得工程師可以遠程查看設備的運行狀態，及時發現并解決潛在問題，減少了現場巡查和維護的工作量。

圖6 單井產量展示界面

工況監控功能能夠實現單井工況和場站多井工況查看，以及報警處理。場站多井工況界面能夠將場站或者油田的所有單井和管道、場站的狀態集合展示在一起，通過對關鍵參數和指標進行持續監控，幫助用戶及時了解設備的運行狀態，從而做出相應的調整和優化，以確保設備的正常運行和生產效率。

當監控系統檢測到異常情況，如設備故障、參數超出設定范圍等，會立即觸發報警機制。此時，報警處理功能會自動啟動，通過多種方式通知相關人員，如聲音報警、發送短信或郵件等，確保相關人員能夠迅速獲知并采取相應的處理措施。首先，系統會對報警信息進行確認，確保報警信息的準確性和可靠性。然后，根據報警等級的不同，系統會對報警信息進行分類處理。緊急報警信息會優先處理，通過更直接、更快速的方式通知相關人員，以便他們能夠迅速采取應對措施。對于非緊急報警信息，系統則會記錄并提醒相關人員注意，以便他們能夠在合適的時間進行處理。

3　關鍵技術研究

（1）基于差壓法的虛擬流量計量算法模型

虛擬流量計量系統算法模型基于最常用的節流器流量模型來設計，由于節流器上的壓降取決于流速，因此可以使用節流器來估算流量。此外，在單井生產運營階段，利用生產數據、電參、標定數據等不斷完善模型，形成逐漸完善的單井數據分析體系及高精度模型，最終實現對所有單井的精確計量。在后續研究過程中考慮結合地層的IPR曲線模型和井筒舉升模型，可使產量計算結果更加準確。

圖7 節流器模型圖

（2）半監督自學習輔助計量模塊

虛擬流量輔助計量模塊對生產數據進行建模分析，得到井的產油、氣、水規律，進而與采油井現場采集的電參數據和生產運行、地質油藏等數據進行結合，形成采油井的智能管理數據庫，利用專家模型、大數據、機器學習等系列新技術實現精確產量計量功能，建立LSTM神經網絡計量模型，不斷優化和提高產量計量精度，形成油井現場標定數據分析體系，通過每次標定對模型進行修正。最終實現生產數據統一采集、處理、管理、監控，實現油田生產數據的智能化、可視化和精準化發展。

（3）虛擬計量微服務架構搭建

虛擬流量計量系統自有開發Web端平臺，平臺支持多應用，方便配置、集成；支持單機部署、分布式集群部署、云架構部署。

部署多樣化可以提高企業運行管理的效率，也有效地降低了企業信息管理的運營成本。部署多樣化也方便了企業自有軟件后續的開發和擴展。虛擬流量計量系統部署中算法模型復雜，部署規模大，對于這種復雜且部署規模大的情況，多樣化部署使得人工參與部署的時間大幅度縮小，同時能夠保證產品部署的質量，實現了虛擬流量計量系統中算法模型的標準化，有效降低了產品部署和后續維護的工作量。

（4）復雜情況下計量誤差處理技術

對于含氣量較大的油井，間開油井，差壓會有較大幅度的波動，如果直接將其代入流量計算公式會造成流量波動較大，將油氣比與間開時間加入模型，采用Spearman模型對其進行處理，可以減少差壓波動帶來的誤差。

多相流混合流體的密度以及粘度的確定，以及如何將其進行近似化處理，同時滿足模型計算處理速度和精度的需求是本系統的算法模型中主要考慮的問題。

在本模型中，結合各類文獻中對多相流體的各種物理模型的近似處理方法，我們對混合物粘度及密度分布進行了線性化處理，使得該模型能夠在充分考慮算法計算可行性的情況下也能夠盡量減少產生的誤差。

4　結論

虛擬流體計量系統的應用將減少油氣田的地面建設計量儀表/間站等硬件基礎設施建設費用，減少油氣田的開發成本，提升計量的精準度，節省人工成本。不同舉升方式需要不同虛擬計量方法，電潛泵井的虛擬計量系統通過壓差法對電潛泵采油現場的電參數據、生產運行中的油水流量、氣體流量數據和地質油藏等數據建立適合當前井的半監督的自學習產量計量模型，實現油井數據的精準計量。當前各油氣田都在大力發展智能化建設，對計量手段也隨之提出了更高的要求，傳統的計量手段已經滿足不了當前智能化油田的計量要求，虛擬流量計量系統是一種行之有效的替代方案。

作者簡介：

許海豐（1980-），男，河北廊坊人，工程師，現就職于昆侖數智科技有限責任公司，從事海外市場拓展工作。

參考文獻：

[1] Amin A. Evaluation of Commercially Available Virtual Flow Meters(VFMs)[J]. 2015.

[2] Bikmukhametov T, Jschke J. First Principles and Machine Learning Virtual Flow Metering: A Literature Review[J]. Journal of Petroleum Science and Engineering, 2019, 184 : 106487.

[3] 唐圣來, 閆正和, 楊鵬, 等. 基于混合模型的井虛擬計量方法與應用[J]. 油氣儲運, 2023, 42 (5) : 592 - 600.

[4] 韋宏. 基于神經網絡的虛擬計量系統[J]. 中國計量, 2018 (5) : 4.

[5] Andrianov N. A Machine Learning Approach for Virtual Flow Metering and Forecasting[J]. IFAC-PapersOnLine, 2018, 51 (8) : 191 - 196.

[6] Model-Constrained Multi-Phase Virtual Flow Metering and Forecasting with Machine Learning: US17571907; US202200017571907; US202217571907A; US202217571907[P]. US20230221460A1; US2023000221460A1; US2023221460A1; US2023221460[2024-03-28].

摘自《自動化博覽》2024年4月刊