基于伽马射线技术的油井含水率神经网络预测

郑永建,张振朝,牛棚满,文鹏荣,曾 桃

(1.中海石油(中国)有限公司湛江分公司，广东 湛江 524057；2.海默科技(集团)股份有限公司，甘肃 兰州 730010)

0 引言

原油含水率在油田生产中非常重要，是油田原油生产和加工过程中的主要计量参数，直接影响原油的钻采、集输、计量等工作，对油田产量与油藏管理有着十分重要的意义[1-2]。当使用伽马射线技术测量原油含水率时，放射源通过产生两束不同能量的伽马射线穿过介质，探测器收集被介质吸收后的伽马计数并结合标定参数对含水率进行计算[3]。

通过计算穿过原油介质前后的高低能射线计数率(强度)，就可以求解出原油中的含水率与含气率[4]。由于伽马射线计数率存在一定的统计误差且设备在标定时引入了一定的误差，因此在实际应用中测量含水率与真实含水率之间存在一定的偏差，且含水仪设备安装在生产管线上，重新进行标定耗时费力。此外，射线计数率与含水率之间难以建立简单的线性关系或者数学模型，无法有效地减少或消除含水率测量的偏差[5]。人工神经网络能够通过对已知数据的训练，实现对结果的预测，从而避免了一些中间过程对结果带来的影响。在这类非线性拟合中问题中，可能会起到意想不到的作用。

1 神经网络算法原理

神经网络由大量的神经元相互连接而成，具有强大的自组织能力和想象力，仅借助一定的样本数据且无需建立系统的数学模型就可以对系统实现非线性拟合[6]。神经网络模型由三层神经元组成，分别为输入层、隐含层和输出层。其中，输入层与输出层的神经元数一般是固定的，隐含层的神经元个数可以根据结果自由设置。每两个神经元间的连接都代表一个对于通过该连接信号的加权值，称之为权重。网络开始学习时随机选取一组权值，按照前反馈方式计算输出值，将输出的误差信号反馈至网络中对其权值和相关系数进行修正，使用修正后的权值计算新的输出值，并判断该值的误差是否满足所需的精度。如果满足，则学习停止；否则将继续对权值进行修正直到收敛为止。

神经网络技术已较多应用在多相流测量领域。如高松巍[7]等提出一种基于反向传播(back propagation,BP)神经网络对传统密度法测量原理进行误差修正的多相流计量方法。段玉波等根据超声波对油水两相流的反馈信号，基于径向基函数(radial basis function,RBF)神经网络建立非线性测量模型，成功预测了油水两相流的含水率，并且测量模型具有良好的适应性。匡世才等[8]采集海洋油气集输立管内气液两相流底部、顶部压力波动信号，并提取其绝对值均值、绝对值方差、偏态系数、峰态系数,结合本征模函数(intrinsic mode function,IMF)的高、中、低3个频段上的能量分数,构建了一个包含7个特征参数的BP神经网络测量模型，成功预测了集输立管内气相液相含率并且平均相对误差均小于6%。

2 油水两相流相分率神经网络结构

伽马射线法在原子层面对油水进行区分，能够满足多数工况条件下的原油含水率测量[9]。使用伽马射线技术测量原油含水率时，放射源通过产生两束不同能量的伽马射线穿过介质，探测器通过接受采集信号后将伽马射线转换为高、低计数进而计算含水率。伽马射线计数测量原理如图1所示。

图1 伽马射线计数测量原理图

以涠洲11-4NB平台的含水率测量结果为例，使用人工神经网络对油、气、水三相混合的原油含水率进行预测。由于伽马射线技术是通过伽马射线强度衰减来反映油气水三相流相分率的，故选择被三相流吸收后的高、低能伽马计数作为输入层，平台手工化验所得的含水率与含水分析仪测量的含气率作为输出层，以完成从输入层到隐含层再到输出层的数据转化[10]。网络输入层与输出层的神经元个数由样本的属性决定，隐含层节的神经元数应小于N-1(N为训练样本数)，否则网络系统误差与训练样本的特性无关而趋于零，所建立的神经网络失去了泛化能力[11]。因此，对于一个输入神经元数为i、输出神经元数为o的网络，隐含层的神经元数h可由经验公式(1)确定[12]。

(1)

预测原油含水率的人工神经网络的输入神经元与输出神经元均为2，a的取值范围为1～10，因此隐含层的神经元数h的取值范围为3～12。对不同神经元数的隐含层与激励函数组合的神经网络进行测试后，选择神经元个数为10的隐含层作为最终预测原油含水率的网络结构。神经网络结构示意图如图2所示，

图2 神经网络结构示意图

神经网络参数如表1所示。

表1 神经网络参数

3 预测结果

训练网络时，使用双能射线含水仪的探头高、低能计数作为输入值，参与训练的试验数据含水率范围为0～100%，含气率范围为0～10%。为了保证网络收敛性，有必要对数据进行归一化处理。数据归一化处理如式(2)所示:

(2)

式中:yi为归一化后的输入数据；xi为训练数据；xmin为训练数据中的最小值；xmax为训练数据中的最大值。

人工神经网络预测含水率结果如表2所示。

表2 人工神经网络预测含水率结果

使用316组数据对网络进行训练，并将需要预测含水率的高低能伽马射线计数代入网络中，对原油含水率进行预测。预测结果示意图如图3所示。

图3 预测结果示意图

从图3能够看出，预测含水率与参考含水率之间存在很好的线性关系，使用人工神经网络预测的含水率与参考含水率十分接近；预测含气率与参考含气率部分点之间的偏差较大，整体上预测含气率与参考含气率比较接近。绝对误差如图4所示。

图4 绝对误差示意图

从图4可以看出，使用所训练的人工神经网络预测的含水率与参考含水率之间的绝对误差在±2%的范围内波动；预测含气率与参考含气率之间的绝对误差在±1%的范围内波动；整体上使用神经网络预测的含水率与含气率与参考值绝对误差较小，网络的预测结果较好。不同预测含水率误差分布如图5所示。

图5 不同预测含水率误差分布图

从图5可以看出，不同参考含水率下对应的误差各不相同，但误差的分布与含水率并无明显的关系。不同参考含水率下的误差基本围绕误差零点上下波动，参考含水率对应的误差分布比较均匀，系统误差较小。整体上，在不同的参考含水率下使用神经网络预测的含水率误差在±2%以内，含水率误差较小。在相同含水率下(或同一口油井)，由神经网络预测的含水率与参考含水率误差在零点附近波动。

为了验证神经网络对同一口井在不同时期的含水率预测结果，将该井在不同时期的高、低能伽马计数作为网络模型的输入，使用网络对该井不同时期的含水率进行预测，并与参考含水率进行对比。含水率预测结果及误差分布图如图6所示。

图6 含水率预测结果及误差分布图

从图6可以看出，人工神经网络对于同一口井在不同时期时的预测含水率与该时期下的参考含水率变化趋势是一致的，预测含水率随着参考含水率的变化而变化，两者的变化趋势整体上一致。预测含水率与参考含水率的绝对误差在±2%的范围内波动。在整个测量周期内，预测含水率绝对误差中的负偏差较多，预测含水率较低。这可能与伽马射线计数的统计涨落和放射源自身衰变有关。

含水率与伽马射线计数有对应的关系。随着原油中预测含水率的下降，伽马射线的高能与低能计数相应的升高；随着预测含水率的上升，高能计数与低能计数相应的下降；当含水率在0～92%的范围内变化时，高能计数在80 000～87 000/min的范围内变化，低能计数在110 000～180 000/min的范围内变化，低能计数的变化率对含水率的变化更加敏感。出现这种现象的主要原因是高、低能射线对矿化水和原油的穿透能力不同。低能射线的穿透能力较低，低能射线穿过矿化水后被吸收的份额较高；高能射线的穿透能力相对于低能射线较强，高能射线穿过矿化水后被吸收的份额相对较少。因此，当原油中含水率变化时，低能射线计数比高能射线计数的变化更加敏感。

因为含水率与高低能伽马射线计数之间存在这种关系，神经网络模型能根据高、低能计数准确地预测出原油中的含水率。当放射性核素随时间衰变，探测器采集的高低能计数随时间下降，因此预测含水率也跟随高低能计数的变化而变化，预测含水率与参考含水率之间的误差也因此而变大。

4 结论

通过涠洲平台伽马射线含水分析仪对原油含水率测量的数据，训练并生成了一个与高低能伽马计数为输入，对原油含水率进行了预测。预测结果与参考值很接近，说明人工神经网络在原油含水率预测上具有一定的可行性。

使用所训练的神经网络预测的原油含水率和含气率与参考值十分接近，二者在0%～95%的含水率范围内有着良好的线性关系。人工神经网络预测的含水率与参考含水率误差约为±2%，预测含气率误差与参考含气率误差在1%以内。对不同时期的含水率进行预测时，网络的预测含水率会受到放射性核素自然衰变的影响。