油井产液分布式光纤声波传感监测的应用与研究进展

＊胡春余

（中石化新疆新春石油开发有限责任公司 山东 257000）

井下多相流体流动监测可获得油井中各相流体分数，是优化油井生产的关键。纵观最新井下监测技术发展趋势，分布式光纤声波传感（Distributed Acoustic Sensing，DAS）已成为油井产液监测的最新技术手段。流体从储层进入井底以及从井底向井口流动过程中会产生各种振动信号，将DAS捕捉到的各种振动信号进行不同频段的特征提取分析就可以了解井下生产情况。目前，DAS已成功应用于井筒流动监测、水力压裂监测等[1]。

在实际应用中，DAS采集的原始数据量通常可以超过1GB/s。Ajo-Franklin等人[2]在3个月的油井生产期间采集了128TB的数据。在油井多相流测量中实时分析如此大的数据量具有很大的挑战性。近年来，人们开始探索利用机器学习算法来对DAS数据进行处理。例如，各种神经网络算法被用于流型分类和多相流估计[3-4]。

本文将在简要阐述分布式光纤声波传感技术原理的基础上，重点总结分析分布式光纤声波传感监测技术结合人工智能技术在油井产液方面的应用和研究进展情况，为了解DAS技术在产液剖面监测中的应用情况提供帮助。

1.分布式光纤声波传感机理

分布式光纤传感技术所利用的后向散射光包括拉曼散射、布里渊散射和瑞利散射三种（图1），其中瑞利散射被用于分布式光纤声波传感探测。其传感机理是：由于瑞利散射光对外部振动引起的应变非常敏感，当外界物理场环境（如振动、声波、应变、温度等）作用在传感光纤某个位置时，会在光纤中产生弹光效应和热光效应，导致光纤长度、直径和折射率发生变化，从而引起该位置的后向瑞利散射光相位发生变化，进而引起检测到的瑞利散射光相位差和强度发生变化。通过对这些变化参数进行分析就能获取造成光纤外部应变的相关信息[1]。

图1 分布式光纤传感后向散射现象

2.油井多相流动监测解释方法

在油井生产过程中，存在流速变化和声速变化等物理现象。DAS技术可以实时采集井筒沿程的上述物理现象变化，从而实现井下产液的监测与分析。其分析步骤如下：

（1）数据采集。由于DAS采集的数据量大，通常将数据分成一系列的“块”进行处理。“块”的大小代表流量剖面的空间和时间分辨率。为了提高空间分辨率和重复性，在数据提取过程中前后两个“块”的数据在空间上要有重复。

（2）数据提取。声音以不同的速度传播，这取决于传播介质中的密度、压力、温度和分子结构。声速（SoS）衡量声音在介质中传播的速度。利用二维傅里叶变换算法将DAS数据从时间-空间域转换到频率-波数域，提取频率-波数域图中V字型图像的直线斜率，即可获得上行声速和下行声速，如图2所示。

图2 二维傅里叶变换后的频率-波数域图及线性拟合[5]

（3）流速估计。求出上行声速和下行声速后，利用多普勒效应原理，即可求出流速。

（4）多相流参数估计。结合单相流体在不同温度、压力下的黏度、密度等参数对这些数据进行校准，即可计算出含水率、气液比等多相流参数。

3.油井多相流动监测应用

（1）基于物理模型的多相流动分析。Johannessen等人[6]开展了使用DAS数据提取有关流动状态、声速和流速定性信息的早期工作，将井的声学特征和井的生产动态联系在了一起。Xiao等人[7]根据生产井中获取的DAS数据，提出了声能均方根、振幅估计、FFT变换和声速分析等数据分析技术。研究认为，随着DAS数据空间通道数的增加，声速计算的精度和准确度也会提高，从而影响流体流速估算的整体精度。Finfer等人[8]开展了单相和多相流动DAS测试实验，以评估DAS监测流体速度和流体成分的适用性，并对如何建立DAS系统进行多相流实时测量提出了相关建议。Fidaner等人[9]开发了一种正演模型，利用物理流动机制、声信号传播以及压力变化引起的光信号的相位变化等解析表达式，将井筒中的两相流与DAS数据联系起来。采用小波分析方法捕获DAS数据中最相关的分量，用于多相流量估计；然后使用人工神经网络对这些样本进行训练，以获得更真实的流量估计模型。

Abukhamsin[5]讨论了使用DAS、DTS（分布式光纤温度监测，Distributed Temperature Sensing）以及两者耦合来解决三相流体流动的问题。研究表明，将DAS的声速与DTS的焦耳-汤姆逊系数相结合，可以得到更准确的多相流估计结果。Soroush等人[10]提出了一种实验与仿真模型，重点分析光纤技术在多相流测量方面的潜力。结果表明，利用DAS数据的信号频率特征可以判断流体流型和是否存在气相。这些结果对于SAGD井筒监测和蒸汽突破监测具有重要意义。Cerrahoglu等人[11]研究了DAS和DTS在高温高压水平气井中识别产气段的方法。通过对声速进行分析，发现近50%的产气量来自下部层位，如果对全部通道进行声速计算分析，结果会出现较大偏差。

表1总结了用于流量和多相流分类估计的分布式光纤传感数据分析技术[12]。尽管DTS和热模型已经发展比较成熟，但在表征三相流体流动方面仍有很大的局限性。DAS能够测量快速变化的物理现象，提供更丰富的信息，未来将更倾向于采用DAS数据来估算井下多相流动。

表1 DAS数据流量和多相流分类分析技术

（2）基于机器学习的多相流动分析。近年来，机器学习领域的发展引起了人们对油气工业中潜在应用的极大兴趣。人工神经网络（ANN）、递归神经网络（RNN）、支持向量机（SVM）、随机森林（RF）等方法被用于DAS数据进行流量和多相流动研究。声学数据的小波分量、低频声信号、频谱图、F-K图以及DAS数据时间窗的均值和方差通常被用作DAS数据机器学习建模的主要特征。

Bhattacharya等人[13]以DAS和DTS数据和其他数据集为基础，利用ANN、SVM和RF预测每日产气量，采用18个特征对RF模型进行预测，准确率达到96%。Vahabi等人[4]从海上实际的油、水、气井中收集DAS数据，用于识别流体类型，并使用机器学习算法估计流体流速。CNN可以达到99.3%的准确率，这表明在实际生产环境下使用DAS数据进行流体类型分类识别具有巨大的潜力。他们以井口流速作为真实输出，利用互相关、K均值等其他机器学习算法用来确定管道中的流体流速，根据频率-波数变换导出的输入数据也能准确地估计出流速。

表2总结了用于流量和多相流估计的DAS数据机器学习算法。总的来看，基于神经网络的机器学习算法能够从大量数据中提取有用的特征，同时提供高精度的预测，获取与多相流体流动特征相关的数据是加速该领域发展的关键。

表2 DAS数据流量和多相流分类的机器学习算法

4.结论

（1）多普勒效应技术被广泛用作DAS数据的流量估计方法，而基于人工神经网络的机器学习算法常被用于流型和多相流分类。物理模型使用烃类混合物的物理性质来估计多相流动参数，受到一定局限性；机器学习使用所谓的学习算法从数据中提取模式，理论上可以精确地对任何复杂系统进行建模，在解决利用DAS数据估计多相流动方面具有很大潜力和精确的预测结果。（2）通过将DAS数据和机器学习技术相结合来估计多相流的研究非常有限，一方面是由于物理系统的复杂性，另一方面是缺乏相关DAS数据集支撑。机器学习算法是一种数据密集型技术，当有足够的数据可供训练时才能提供更精准的结果。（3）将物理模型参数作为机器学习算法的输入、使用物理模型结果进行机器学习自校正预测，可在一定程度上克服机器学习算法中的“黑匣子”问题，物理模型与机器学习的结合有望提供更高精度和可靠的解释结果。