應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)氣井積液

欒國(guó)華何順利舒紹屹胡景宏王曉梅

（1.中國(guó)石油大學(xué)石油工程教育部重點(diǎn)實(shí)驗(yàn)室,北京 102249；2.中國(guó)石油工程設(shè)計(jì)有限公司西南分公司,四川 成都 610017；3.中國(guó)地質(zhì)大學(xué)能源學(xué)院,北京 100083；4.四川省瀘州市龍馬潭區(qū)碳黑廠井下作業(yè)公司,四川 瀘州 646000）

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)氣井積液

欒國(guó)華1何順利1舒紹屹2胡景宏3王曉梅4

（1.中國(guó)石油大學(xué)石油工程教育部重點(diǎn)實(shí)驗(yàn)室,北京 102249；2.中國(guó)石油工程設(shè)計(jì)有限公司西南分公司,四川 成都 610017；3.中國(guó)地質(zhì)大學(xué)能源學(xué)院,北京 100083；4.四川省瀘州市龍馬潭區(qū)碳黑廠井下作業(yè)公司,四川 瀘州 646000）

氣井井筒積液對(duì)天然氣的開采影響極大，準(zhǔn)確地計(jì)算氣井臨界流量對(duì)氣井開發(fā)至關(guān)重要。氣井?dāng)y液臨界流量理論計(jì)算模型主要有液滴模型和攜液率模型，然而在實(shí)際計(jì)算過程中往往會(huì)出現(xiàn)計(jì)算結(jié)果偏差大、不能滿足工程需要等問題。文中提出一種應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)井筒積液的新模型，該模型充分利用了氣井現(xiàn)有的生產(chǎn)測(cè)試數(shù)據(jù)，簡(jiǎn)化了大量復(fù)雜的機(jī)理研究，具有更廣泛的實(shí)用性。生產(chǎn)井的計(jì)算結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣井積液的成功率較高，可以用來判斷氣井積液。

神經(jīng)網(wǎng)絡(luò)；氣井積液；液滴模型；持液率模型

1 氣井?dāng)y液模型

1.1 液滴模型

氣井開始積液時(shí)，井筒內(nèi)氣體的最低流速稱為氣井?dāng)y液臨界流速，對(duì)應(yīng)的流量稱為氣井?dāng)y液臨界流量。Turner在假設(shè)被高速氣流攜帶的液滴是圓球形的前提下，導(dǎo)出了氣井?dāng)y液臨界流量和產(chǎn)量計(jì)算公式，該模型適用于氣液比非常高（GLR＞1 400）、流態(tài)為霧狀流的產(chǎn)液氣井［1］。其他各種高氣液比的臨界攜液模型都是基于高速氣流攜帶液滴的理論基礎(chǔ)，將液滴的形狀加以修正并重新界定氣體曳力系數(shù)的 “橢球液滴模型”、“球帽形液滴模型”［2-5］。Turner液滴模型假設(shè)，排出氣井積液所需的最低條件是使氣流中的最大液滴能連續(xù)向上運(yùn)動(dòng)。根據(jù)最大液滴受力情況確定氣井?dāng)y液臨界

式中：ucr為氣井?dāng)y液臨界流速，m·s-1；ρl為液體密度，kg·m-3；ρg為氣體密度，kg·m-3；σ為氣、液之間的界面張力，N·m-1；g為重力加速度，m·s-2。

氣井?dāng)y液臨界流量為流速，即氣體對(duì)液滴的曳力等于液滴的沉降重力。因此，利用Turner液滴模型計(jì)算得到攜液臨界流速為

式中：qcr為氣井?dāng)y液臨界流量，104m3·d-1；A為油管橫截面積，m2；p為壓力，MPa；T為溫度，K；Z為氣體偏差因子。

Turner的圓球液滴模型攜液公式計(jì)算出的臨界流速和最小攜液產(chǎn)量相對(duì)較高；橢球液滴的有效迎流面積大，容易被天然氣帶出地面，由橢球液滴模型計(jì)算出的臨界流速和最小攜液產(chǎn)量相對(duì)圓球模型小得多；球帽液滴模型應(yīng)用了最新的流體力學(xué)的成果，認(rèn)為液滴呈球帽形的可能性最大，該模型的受力面積較李閩模型更大，計(jì)算出更小的臨界流速和最小攜液產(chǎn)量。

1.2 攜液率模型

當(dāng)井筒內(nèi)氣液比低于1 400時(shí)，井筒內(nèi)流動(dòng)的不再是霧狀流體，不能采用液滴模型方法計(jì)算。文獻(xiàn)［6］經(jīng)過大量現(xiàn)場(chǎng)試驗(yàn),得到了適用于低氣液比氣井兩相流的壓降預(yù)測(cè)關(guān)系式，即Hagedorn-Brown方法。

低氣液比氣井?dāng)y液臨界流量的確定原則為：利用Hagedorn-Brown計(jì)算井筒各段的理論持液率、實(shí)際持液率，如果各段的理論持液率都大于實(shí)際持液率，則氣井在該產(chǎn)氣量條件下能夠正常攜液生產(chǎn)；當(dāng)理論持液率都小于實(shí)際持液率時(shí)，氣井?dāng)y液困難并開始積液，通過改變氣井產(chǎn)氣量找出氣井正常攜液的最小產(chǎn)氣量，就是低氣液比的攜液臨界流量［7］。

2 氣井積液預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)是近年來非常流行的一種系統(tǒng)建模方法，特別是其對(duì)非線性系統(tǒng)具有良好的逼進(jìn)能力，以及并行性、容錯(cuò)性、自學(xué)習(xí)和自適應(yīng)等性質(zhì)，使其在系統(tǒng)建模、控制、信號(hào)處理、模式識(shí)別中得到廣泛應(yīng)用。

在眾多類別的神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)，也稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是一種能從樣本集中有效地學(xué)習(xí)判別函數(shù)的系統(tǒng)。本文選用三層BP神經(jīng)網(wǎng)絡(luò)方法來設(shè)計(jì)構(gòu)造氣井井筒積液預(yù)測(cè)分類器［8-9］。

2.2 樣本準(zhǔn)備及參數(shù)預(yù)處理

選擇氣井實(shí)測(cè)生產(chǎn)數(shù)據(jù)為訓(xùn)練樣本，其中輸入?yún)?shù)有：產(chǎn)層深度、井口壓力、產(chǎn)氣量、產(chǎn)油量、產(chǎn)水量、氣體相對(duì)密度、凝析油相對(duì)密度、油管尺寸、套管尺寸；輸出參數(shù)是氣井真實(shí)的生產(chǎn)狀態(tài)，為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)數(shù)值計(jì)算，可把氣井生產(chǎn)狀態(tài)抽象為數(shù)值，“1”代表井底有積液，“0”代表井底無積液［10］。為避免由于樣本過少可能導(dǎo)致網(wǎng)絡(luò)外推能力不夠，以及樣本過多增加網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用“交叉驗(yàn)證”方法，將所有樣本分為訓(xùn)練樣本、驗(yàn)證樣本或測(cè)試樣本。

由于不同氣井的測(cè)試數(shù)據(jù)的精度和量綱可能不一致，在進(jìn)行分類前，需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；當(dāng)各分量的物理意義相同且為同一量綱時(shí)，應(yīng)在整個(gè)數(shù)據(jù)范圍內(nèi)確定最大值xmax和最小值xmin，進(jìn)行統(tǒng)一變換處理。將輸入輸出數(shù)據(jù)變換為［0，1］區(qū)間的值常用以下變換式：

式中：xi為輸入或輸出數(shù)據(jù)；xmin為數(shù)據(jù)變化范圍的最小值；xmax為數(shù)據(jù)變化范圍的最大值。

2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

據(jù)上文所述，設(shè)計(jì)得到神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目個(gè)數(shù)為9，輸出層為1。隱含層神經(jīng)元數(shù)目與網(wǎng)絡(luò)模型的好壞有直接關(guān)系，然而隱含層神經(jīng)元數(shù)目選擇不存在理想的解析式，往往需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)來確定。本文選用的最佳隱含層神經(jīng)元數(shù)目nim的參考公式為：nim=(n+m)/2+a，其中m為輸出單元神經(jīng)元數(shù)，n為輸入單元數(shù)，a為1～10的常數(shù)。最后得到氣井積液預(yù)測(cè)三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（見圖1）。

2.4 數(shù)據(jù)訓(xùn)練及學(xué)習(xí)

利用BP神經(jīng)網(wǎng)絡(luò)對(duì)歸一化的輸入樣本進(jìn)行學(xué)習(xí)與訓(xùn)練，BP網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是一種有監(jiān)督的學(xué)習(xí)，要求每一個(gè)輸入模式矢量與表示所期望的輸出模式矢量必須配對(duì)。一般來說，網(wǎng)絡(luò)輸出值yiactual與期望輸出值yiexpect是不相等的。對(duì)于每一個(gè)輸入的模式樣本，其均方誤差為Ek：

對(duì)于所有p個(gè)學(xué)習(xí)樣本，網(wǎng)絡(luò)的均方誤差為E：

訓(xùn)練學(xué)習(xí)過程由2部分組成：1）網(wǎng)絡(luò)內(nèi)部的前向計(jì)算，2）誤差的反向傳播計(jì)算。其主要目的就是通過逐步調(diào)整網(wǎng)絡(luò)的內(nèi)部連接權(quán)按均方誤差減小的方向進(jìn)行，以達(dá)到指定的要求。網(wǎng)絡(luò)內(nèi)部連接權(quán)值是采用推廣的規(guī)則完成的。采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程計(jì)算，神經(jīng)網(wǎng)絡(luò)訓(xùn)練框圖見圖2。

由于神經(jīng)網(wǎng)絡(luò)輸入和輸出之間存在著非線性關(guān)系，在計(jì)算氣井臨界流量時(shí)采用試湊法。

計(jì)算原則為：1）設(shè)置相應(yīng)的產(chǎn)氣量為固定步長(zhǎng)；2）假如判斷氣井為積液狀態(tài)，則逐步增加當(dāng)前產(chǎn)氣量，然后重新歸一化計(jì)算，直到判斷結(jié)果為不積液為止，氣井不積液時(shí)情況相反。

3 實(shí)例分析

選取具有代表性的某氣田實(shí)測(cè)數(shù)據(jù)300組，歸一化處理得到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本參數(shù)200組、驗(yàn)證樣本參數(shù)100組、測(cè)試樣本參數(shù)15組（見表1）。

分別應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型、理論計(jì)算模型(Turner模型+持液率模型)對(duì)測(cè)試樣本進(jìn)行計(jì)算，計(jì)算得到的臨界流量結(jié)果見表2。

如表2所示，當(dāng)氣井處在臨界積液狀態(tài)時(shí)，即計(jì)算得到的攜液臨界流量與實(shí)際的產(chǎn)氣量相接近時(shí)，應(yīng)用理論模型對(duì)氣井生產(chǎn)狀態(tài)進(jìn)行判斷則會(huì)出現(xiàn)誤差，相比之下，神經(jīng)網(wǎng)絡(luò)方法能夠較好地判斷氣井是否處在臨界積液狀態(tài)下。

對(duì)于已經(jīng)積液的氣井或者遠(yuǎn)離積液危險(xiǎn)的氣井而言，理論模型的計(jì)算結(jié)果與神經(jīng)網(wǎng)絡(luò)模型的計(jì)算結(jié)果之間的差值很小，都能夠用來對(duì)氣井的生產(chǎn)狀態(tài)進(jìn)行判斷。實(shí)際應(yīng)用結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型具有廣泛的適用性。

通過上述分析，可知理論模型適用于處在完全積液狀態(tài)或完全無積液狀態(tài)的生產(chǎn)氣井；神經(jīng)網(wǎng)絡(luò)模型可用于任何條件下的氣井生產(chǎn)狀況的判斷，并有較高的預(yù)測(cè)精度；在進(jìn)行實(shí)際氣井生產(chǎn)狀態(tài)判斷時(shí)，可以結(jié)合采用2種方法，采用相互驗(yàn)證、相互檢驗(yàn)的方法，使得判斷結(jié)果更加準(zhǔn)確。

表1 歸一化的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練、驗(yàn)證樣本參數(shù)

表2 2種模型計(jì)算結(jié)果對(duì)比

4 結(jié)論

1）總結(jié)了氣井井筒積液的幾種判斷方法，著重分析了氣井積液預(yù)判理論計(jì)算模型，給出了液滴模型的適用范圍及使用效果。

2）提出應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)氣井井底積液的新方法，建立了氣井井筒積液預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型，并給出具體的設(shè)計(jì)步驟。

3）應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)際生產(chǎn)氣井進(jìn)行積液預(yù)測(cè)，得到的預(yù)測(cè)精度較高。

［1］ Turner R G，Hubbard M G，Dukler A E.Analysis and prediction of minimum flow rate for the continuous removeal of liquids from gas wells［J］.JPT，1969，21（11）：1475-1482.

［2］ Coleman S B，Clay H B，McCurdy D G，et al.A new look at predicting gas-well load-up［J］.JPT，1991，43（3）：329-333.

［3］ Li M，Li S L，Sun L T.New view on continuous-removal liquids from gas wells［A］.SPE 75455，2001.

［4］ 李閩，郭平，譚光天.氣井?dāng)y液新觀點(diǎn)［J］.石油勘探與開發(fā)，2001，28（5）：105-106.

Li Min，Guo Ping，Tan Guangtian.New look on removing liquids from gas wells［J］.Petroleum Exploration and Development，2001，28（5）：105-106.

［5］ 王毅忠，劉慶文.計(jì)算氣井最小攜液臨界流量的新方法［J］.大慶石油地質(zhì)與開發(fā)開發(fā)，2007，26（6）：82-85.

WangYizhong，Liu Qingwen.A new method tocalculatethe minimum critical liquids carrying flow rate for gas wells［J］. Petroleum Geology& Oilfield Development in Daqing，2007，26（6）：82-85.

［6］ 李安，萬邦烈，樓浩良.鉛直氣井兩相管流研究現(xiàn)狀綜述［J］.石油鉆采工藝，2000，22（4）：45-47.

Li An，Wan Banglie，Lou Haoliang.A Summary of present studies on gas liquid two-phase flow in vertical tubes［J］.Oil Drilling and Production Technology，2000，22（4）：45-47.

［7］ 吳志均，何順利.低氣液比攜液臨界流量的確定方法［J］.石油勘探與開發(fā)，2004，31（4）：108-111.

Wu Zhijun，He Shunli.Determination of the critical liquid carrying flow rate at low gas liquid ratio［J］.Petroleum Exploration and Development，2004，31（4）：108-111.

［8］ 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2009.

Zhang Defeng.MATLAB neural network application design［M］. Beijing：China Machine Press，2009.

［9］ 張際先.神經(jīng)網(wǎng)絡(luò)及其在工程中的應(yīng)用［M］.北京:機(jī)械工業(yè)出版社，1996.

Zhang Jixian.Neural network and its application in engineering［M］.Beijing：China Machine Press，1996.

［10］Sayed E A.Prediction ofcritical gas flow rate for gas wells unloading［A］.SPE 78568，2002.

Using artificial neural network method to predict liquid loading in gas well

Luan Guohua1He Shunli1Shu Shaoyi2Hu Jinghong3Wang Xiaomei4
(1.MOE Key Laboratory for Petroleum Engineering in China University of Petroleum,Beijing 102249,China;2.Southwest Company,China Petroleum Engineering Co.Ltd.,PetroChina,Chengdu 610017,China;3.School of Energy Resources,China University of Geosciences,Beijing 100083,China;4.Longmatan District Carbon Black Company in Luzhou City,Sichuan Province, Luzhou 646000,China)

Liquid loading in gas well can pose a serious threat to the exploitation of natural gas.To accurately calculate the critical flow rate of gas well is vital to gas reservoir development.Currently,engineering technicians use the liquid drop model and liquid holdup model to calculate the critical flow rate for liquid loading in gas well.However,the above two old models have a significant shortcoming that the calculated result is far from the reality and can not meet the requirement of gas well development.This paper presents an artificial neural network model for predicting the minimum flow rate for continuous removal of liquids from the wellbore. The model is developed taking full advantage of the test data in gas wells,and the new model can also simplify the complex mechanism studies of liquid loading,which has a wider range of practical application.The new model has been used to calculate the actual production of gas well.The results show that the developed model can provide high accuracy in predicting liquid loading in gas well and can also determine whether there is liquid loading in gas well or not.

neural network,liquid loading in gas well,liquid drop model,liquid holdup model.

國(guó)家科技重大專項(xiàng)子課題“（特）低滲透油藏工程新理論與新方法”（2009ZX05009-004）資助

TE319

A

2009-12-18；改回日期：2010-07-12。

欒國(guó)華，男，1985年生，在讀博士研究生，2009年畢業(yè)于西南石油大學(xué)，主要從事油氣田開發(fā)方面的研究工作。E-mail：yimu851114@yahoo.com.cn。

（編輯 劉 麗）

1005-8907（2010）05-575-04

欒國(guó)華，何順利，舒紹屹，等.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)氣井積液［J］.斷塊油氣田，2010，17（5）：575-578.

Luan Guohua，He Shunli，Shu Shaoyi，et al.Using artificial neural network method to predict liquid loading in gas well［J］.Fault-Block Oil&Gas Field，2010，17（5）：575-578.