水平井油水两相流含水率解释预测

郑希科，朴玉琴，孟凡宇，王倩

（大庆油田测试技术服务分公司，黑龙江大庆163453）

水平井油水两相流含水率解释预测

郑希科，朴玉琴，孟凡宇，王倩

（大庆油田测试技术服务分公司，黑龙江大庆163453）

水平井油水两相流产液剖面测井解释中流型复杂，准确解释含水率是难点。在进行了大量的近水平油水两相流动模拟实验的基础上，针对电容及阻抗含水率计测量响应特性，建立基于含水率计响应时域及频域特征值的支持向量机回归模型（SVR Model），采用该模型对不同倾斜角度的模拟井动态实验含水率标定结果进行模型预测，模型验证结果表明解释模型可实现较高的含水率预测精度，与室内实验配比含水率比较，达到预测含水率解释精度目标。在解释方法研究的基础上，对实际测井资料进行解释。

生产测井；水平井；含水率；测井解释模型；预测

0 引 言

水平井开发技术的广泛应用迫切需要解决产液剖面测井等配套技术。产出剖面测井解释利用漂流模型、小波分析、神经网络、支持向量机等技术建立产出剖面测井解释模型［1－2］，由于水平井井身结构和井筒流动状态导致了管道内流体的流型、流速剖面发生了根本性的变化，尤其是虽然倾斜角度相同，但不同的倾斜方向可以产生不同的流型，从而导致解释模型和方法发生了变化。本文采用基于水平井生产测井组合仪器在模拟井中的动态实验结果，利用测量得到的电容及阻抗含水率计瞬态波动信号，提取了与含水率有关的时域及频域内特征向量，采用支持向量机回归模型，建立了水平油水两相流含水率解释模型，与模拟井标定的含水率结果进行了对比，取得了较好的含水率预测效果。

1 水平井油水两相流含水率预测模型建立

1.1 含水率测量信号时域及频域特征提取

采用支持向量机回归模型（SVR）预测含水率，输入变量的特征量选取是关键，提取的特征量要尽可能反映原始信号特征。研究中共提取11个特征指标构成SVR的数据集合，从时域内提取了电容波动信号的最大值（Cmax）、最小值（Cmin）、均值、标准偏差（SD）、非对称系数（CS）、峭度函数（CK）；从频域内提取线性预测器的4个系数α1、α2、α3、及α4，连同总流量共组成11个指标作为特征向量集。

若用xi表示电容和阻抗波动信号样本中的数据，则可得到该样本的6个时域内特征统计量

时域内电容波动信号的最大值、最小值能够很好地反映两相流的导电情况，也可反映相含水率的变化；均值反映了电容波动信号的平均值；标准偏差可反映测量数据的离散度；非对称系数反映了样本围绕均值的非对称程度；峭度函数用于表示样本分布与正态分布的偏离程度。

线性预测器中的线性系数是要抽取的多相流测量的波动信号的频域内特征。

设信号输出Xt可以表示为

式中，Ut－l为未知输入信号；ak（1≤k≤p）、bl（1≤l≤q）及增益G是系统参数。式（7）说明了输出Xt是过去输出及现在和过去输入的线性函数。

由于输入信号Ut是完全未知的，输出信号Xt只能从先前输出近似估计，即

说明对给定的信号Xt，可由式（9）（p个方程、p个未知变量）严格求解得出系数αk（1≤k≤p）。对于不同的波动信号，通过这种方法便可得到不同的表征参数，所以，系数αk（1≤k≤p）可以作为两相流波动信号的特征参数，一般可取到四阶线性预测器，故有表征参数α1、α2、α3、及α4。

1.2 预测含水率的支持向量机回归模型（SVR Model）

式中，｜yi－f（xi）｜ε＝max｛0，｜yi－f（xi）｜－ε｝为ε不敏感损失函数；c为惩罚系数。上述问题转化为求解下列凸二次规划问题

解得（α，α＊），得到支持向量回归方程为

当拟合曲线为非线性时，可以通过一个非线性变换φ（x）将其转化为某个高维特征空间中的线性问题，此时拟合曲线为

SVR是基于结构风险最小化原则，而不是传统意义上的经验风险最小化，既考虑了训练样本的拟合性，又考虑了复杂性，具有较好的泛化能力，但模型参数选择将直接影响模型的推广能力。

1.3 支持向量机回归模型最佳参数选择方法

支持向量机（SVR）回归模型的应用依赖于算法参数的选择，研究涉及到的2个参数分别为惩罚系数c和RBF核函数隐含层节点的宽度σ，由于目前尚没有理论能够有效指导支持向量机模型参数的确定，参数选择问题便成为提高支持向量机应用能力的主要研究问题之一。本文通过运用单纯粒子群算法和免疫粒子群优化算法（PSO－IM）［3－4］，力求在模型训练的过程中逐步确定最优参数，达到建立高精度回归预测模型的目的，取得了令人满意的结果。

2 含水率解释模型精度考察

利用室内动态模拟实验数据［5］对算法进行了考察。采用动态模型进行含水率预测时，无论是单纯粒子群算法还是免疫粒子群算法，都保持了较高的含水率解释精度。电导含水率测井解释最大平均绝对误差小于4%（见图1），电容含水率测井解释最大平均绝对误差小于5%（见图2），其中水平角度时预测含水率精度最高（小于2%）。随倾斜角度变化，含水率预测精度有所下降。表明了基于2种进化算法的支持向量机回归模型预测含水率的有效性。另外，免疫粒子群算法仍然保持了高于单纯粒子群算法的含水率预测精度，免疫粒子群算法能够避免单纯粒子群算法所固有的早熟收敛现象，跳出局部极值点，进一步接近全局最优点，这种基于进化算法寻优最佳参数，以SVR为核心建立的含水率预测模型，为实际处理电容含水率计动态测试资料提供了较好的途径。

3 结 论

（1）基于水平井生产测井组合仪器在模拟井中的动态实验结果，利用测量得到的电容及阻抗含水率计瞬态波动信号，提取了与含水率有关的时域及频域内特征向量。

（2）采用支持向量机回归模型建立了水平井油水两相流含水率解释模型，与模拟井标定的含水率结果进行了对比，取得了较好的含水率预测效果。

［1］ 梁法春，王栋，林宗虎.基于神经网络的水平管三相分层流相分率测量［J］.西安交通大学学报，2004，38（7）：750－753.

［2］ 赵鑫，金宁德，李伟波.油水两相流相含率的软测量方法［J］.化工学报，2005，56（10）：1875－1879.

［3］ 雷开友.粒子群算法及其应用研究［D］.成都：西南大学，2006.

［4］ 罗国娟.阶梯式预测控制器的参数整定研究［D］.合肥：中国科学技术大学，2006.

［5］ 郑希科，刘兴斌，朴玉琴，等.水平井油水两相管流流量和含水率测量方法实验研究［J］.测井技术，2010，34（4）：323－326.

Water Cut Prediction of Oil－water Two－phase Flow in Horizontal Well

ZHENG Xike，PIAO Yuqin，MENG Fanyu，WANG Qian
（Logging ＆Testing Services Company，Daqing Oilfield Company LTD.，Daqing，Heilongjiang 163453，China）

Because of complex flow types，it is difficult to accurately interpret water cut of oil－water two－phase flow of production profile logging in horizontal wells.On the basis of a large number of simulation experiments on nearly horizontal oil－water two－phase flow and the measuring response characteristics of water cut meter of capacitance and resistance，SVR model（support vector machine regression model）is established based on frequency domain eigenvalue of water cut meter response，and this model is used to predict the calibration results of water cut for simulation wells with different angles.Validation results show that higher prediction accuracy can be obtained by using this log interpretation model.Compared with the matching water cut of laboratory experiment，prediction accuracy of water cut can be achieved by using SVR model.In addition，the actual log data is interpreted on the basis of the development of interpretation methods.

production log，horizontal well，water cut，log interpretation model，prediction

P631.84

A

2012－01－16 本文编辑 余迎）

1004－1338（2012）03－0318－03

项目来源：国家高技术研究发展863计划项目水平井产液剖面测试技术（编号：2007AA06Z231）

郑希科，男，1963年生，高级工程师，博士，从事生产测井科研与管理工作。