0 引 言

原油含水率检测对确定油井水油层位、估计原油产量、预测油井开发寿命、生产过程工艺优化等具有重要的意义,是油田生产、脱水、储运过程中的重要环节[1-3]。随着石油工业领域大力发展数字化油田和智能井的需求和技术的发展,原油含水率在线检测技术研究及应用得到广泛重视,而且对检测精度和性价比的要求越来越高。

原油含水率受原油的温度、压力、流量等多重因素影响,现有的原油含水在线测量仪在测量的准确性、稳定性和宽量程上已经不能满足石油生产的精确控制需要。同

时一些在线仪表本身存在设计缺陷,使这类仪表在使用过程中存在准确度不高、不能长期稳定工作等问题[4-5],如目前胜利油田某联合站脱水系统虽已在关键脱水设备安装了在线含水分析仪,但受多种因素的影响,部分含水仪测量误差大,甚至无法正常使用。为了提高原油含水率测量的精确度,对在线含水分析仪的测量数值进行修正,使之适合于复杂的现场生产环境是十分必要的。本文以某联合站三相分离器出口在线含水仪参数修正为例,介绍原油含水率的校正方法及其实现。

1 原油含水率影响因素分析

原油含水率是一个复杂的随机系统,由于现场工况复杂,原油含水率测量受到多种因素的影响,如原油的温度、压力、流量、油水两相流流态、原油介质、工况条件、测量仪表等[6-7]。为了建立原油含水率修正模型,首先通过理论分析各种因素对原油含水率的影响。

1)气体、原油介质等的影响,原油的物性参数的改变致使常规的单变量模型仪表测量精度大幅度下降。

2)油水乳化液模态变化的影响,常规含水分析仪表基本上把油水混合物等效为理想均匀混合状态,模态的微小变化将对测量结果产生较大的影响。

3)温度、压力变化时对测量的影响,由于水的介电常数远大于油的介电常数,且随温度变化显著,从而使得油水混合物的介电常数受温度影响很大。

4)其他影响,仪表传感器的结垢等。

从整体上看,影响原油含水率的因素很多,但是针对不同的工况和检测位置,各种影响因素中所起的主次作用各不相同,比如联合站不同的检测位置,原油的物理特性有很大的不同,如图1所示,三相分离器油出口含水率受温度、压力、流量、油水界位等影响较大,而在外输管线的位置上含水率已经比较低了,可以只考虑温度的影响,通过这种思路可以在不影响修正效果的前提下简化修正模型的参数数量[8-9]。

图1 联合站在线含水仪安装节点示意图

2 原油含水率校正模型及方法分析

对在线含水仪测量数据进行修正,主要根据影响在线含水仪精度的关键因素,利用多传感器信息融合技术,针对各个生产节点,建立不同输入参数的在线含水率的修正模型。三相分离器的进油因工艺的调整和来源不同,原油的各种测量参数波动很大,单一的含水率校正模型和方法很难满足现场的复杂工况需求,需要采用多种分析方法对影响原油含水率的因素进行综合分析,通过理论分析和实践验证,拟采用回归分析和人工神经网络相融合的处理方法对原油在线含水率数据进行修正[10-12]。

2.1 多元回归分析方法及影响因素权重估计

在油田联合站生产中,可以检测到温度、压力、流量等参数,根据经验和理论分析,这些参数与原油含水率之间存在一定的联系,可以利用回归分析方法来分析它们之间是如何相互影响的。回归分析用于研究变量之间的影响关系情况,通过多个样本计算获得的回归系数可有效反映一个影响因素或者多个影响因素对某参数的影响程度,如温度、压力、流量等对含水率的影响权重估计与预测等,另外回归分析在样本较少的情况下也能取得较好的效 果。

在实际中,根据变量的个数、变量的类型以及变量之间的相互关系,回归分析通常分为一元线性回归分析、多元线性回归分析、非线性回归分析等[13-14]。

以二元线性回归为例,其模型形式为yi =β0+β1x1i+β2x2i+εi(i = 1,2,…,n),如果记 x·1i= (x1i-x-1),x·2i= (x2i-x-2),y·i= (yi -y-),根据估计可得:

β1 =∑ni=1y·ix·1i∑ni=1x·22i-∑ni=1y·ix·2i∑ni=1

x·1ix·2i∑ni=1x·21i∑ni=1x·22i- (∑ni=1x·1ix·2i)2

β2 =∑ni=1y·ix·2i∑ni=1x·21i-∑ni=1y·ix·1i∑ni=1x·1ix·2i∑ni=1x·21i∑ni=1x·22i- (∑ni=1x·1ix·2i)2

而β0=y--β1x-1-β2x-2,这样估计出来3个系数。

而多元线性回归模型的一般表达式为:

Y =β0+β1X1+β2X2+ … +βk Xk +ε (2)

Y=y1y2⋮yn( ), β =β0β1⋮βk( )X=1x11x21… xk11x12x22… xk2⋮ ⋮ ⋮ ⋱ ⋮

1x1nx2n… xkn

|||||, ε=ε1ε2⋮εn( )(3)则k 元线性回归模型的矩阵表示为:Y=Xβ+ε假设已经得到回归系数β 的一个估计,记为β

,则被

解释变量和随机误差项的估计值分别为:

Y =Xβ, ε =Y-Y =Y-Xβ (4)

由估计得到:

β = (XX)-1XY(5)

其中,X 为矩阵旳转置。

2.2 人工神经网络方法及影响因素权重估计

由于原油含水率测量受到多种因素的影响,且与其影响因素具有复杂的非线性关系,一般的算法和模型很难准确表达。而人工神经网络建模时无需事先知道模型的具体形式,只需将辅助变量作为人工神经元网络的输入,主导变量作为其输出,具有自学习、高度容错、任意非线性逼近以及并行计算等能力,能通过网络的自我学习来解决不可测变量的检测问题,特别适合于那类具有不确定性和时变性、机理较为复杂且无法用显性公式描述的高度非线性实际问题,例如原油含水率检测问题,因此在样本数较多的情况下,不仅可以克服和弥补包括传感器在内的各个测量环节中硬件本身的缺陷,而且具有实时在线校正、预测精度高等优点[15-16]。采用神经网络方法实现对含水仪的测量值进行修正的核心是在无法精确描述含水率人工化

验值与含水率测量值及其他参数之间的非线性关系的背景下,通过网络的自我学习,可以在线不断修正影响因素的权重系数,使修正后的含水率的测量值不断逼近人工化验值,直到满足要求为止,从而实现对含水仪的测量值的智能修正。

BP神经网络的建模实质上就是如何正确选定网络的各层节点数,根据实验研究结果,将温度、压力、流量、含水率测量值、含水率人工化验值的关系,转化为大量神经元之间的连接系数,当有一组新的数据时,可以进行新的学习过程,因此选择这些参数作为网络输入节点,即输入层节点数,输出节点为原油实际含水率,其预测模型如图2所示。

图2 原油含水率神经网络模型示意图

图2中圆圈 标 识 神 经 元,神 经 元 模 型 示 意 图 如 图 3所示。

图3 神经元模型示意图

在神经元模型示意图中,x1 ~xn为输入信号,wi1 ~win为相对应的连接权值,f(·)为激活函数。

3 三相分离器原油含水率修正及实现

三相分离器处原油含水率较高,且受温度、小时流量、压力等因素影响较大,故出油含水率以温度、压力、含水率测量值、流量为原油含水率校正模型输入项,以人工化验出油含水率作为原油标准含水率。以实测数据进行分析,包括在现场请化验员化验和取样后至检测中心化验的数据,部分典型数据如表1所示。

表1 三相分离器实测数据

3.1 原油含水率多元回归模型的建立

根据原油取样数据的数量,如果较少时,如样本数<50时,采用多元回归分析建立三相分离器原油在线含水率的线性回归模型:

y人工化验 =β0+β1x温度+β2x流量+β3x压力+β4x含水率

式中:y人工化验 为三相分离器原油的人工化验含水率;x温度为出 油 温 度;x流量 为 出 油 小 时 流 量;x压力 为 出 气 压 力;x含水率为在线含水仪检测的原油含水率;β0、β1、β2、β3和β4为依据式(1)计算获得的偏回归系数。

表2 回归分析结果

应用建立的原油含水率回归模型进行预测误差分析:

y人工化验 =595.832 0-14.399 6x温度+28.397 3x流量+ 418.797 9x压力-0.587 9x含水率(6)

误差计算结果如表3所示,可以看出,如果采用原油含水率回归模型进行预测原油含水率,与人工化验的原油含水率相比误差小于5%。

表3 误差计算结果

3.2 原油含水率人工神经网络模型的建立

当系统原油采样数据较多时,可充分利用神经网络自主学习、能够不断减小误差、修正完善的能力,实现含水率的预测和校正。神经网络输入层节点有温度、气体压力、流量、含水率在线测量值,激活函数f(·)采用双曲正切 S形函数(Bipolar Sigmid函数):

f(x)=2/(1+e-αx)-1 (7)

函数输出范围是[-1, 1]。在学习率0.1,要求精度 0.0004的设置下,训练原油含水率神经网络模型,原油含水率神经网络模型的性能如图4所示。

图4 原油含水率神经网络模型的性能

在建立原油含水率神经网络模型后,利用更多的现场数据进行验证分析,将数据带入建立的原油含水率模型后,比较预测输出的原油含水率值与人工检测的原油含水

率值,如图5所示。

图5 原油含水率神经网络模型的预测输出

从图5可以看出,通过选取恰当数量的可信样本,可以比较得出三相分离器出口原油含水率估计值与实际值之间的误差小于3%,原油含水率预测值与人工检测原油含水率值十分接近,预测结果良好。

3.3 三相分离器原油含水率修正方法完善与优化

随着老油田的二次开发甚至三次开发,原油的含水率和其他物性参数差异很大,如原来的三相分离器来液各测量参数范围如下:温度T 为30 ℃~50℃; 流量F 为3~

5m3/h;压力P 为0.18~0.3MPa;在线含水率为30%~60%。

在这种物况下,可以充分发挥神经网络的算法优势,而且随着样本数的增加神经网络的训练效果越好。在这种情况下,以神经网络的算法的校正结果为准,多元回归的校正结果为辅,仅作为参考。

如果三相分离器来液各测量参数范围变化很大,超出了上述测量范围,原来训练的神经网络的模型和参数已经不适合当前的工况,尤其是在原油人工化验样本数较少的情况下,在线含水率人工神经网络模型由于样本数较少无法训练得出,这时以多元回归的校正结果为准,神经网络的算法的校正结果为辅仅作参考。而这种情况多出现在流程调整等非长期的过程,多元回归具有需要样本少,调节方便的优点。

神经网络的校正算法和多元回归校正算法并行运行,两者校正的结果进行实时比较,如果校正的结果数据相差很大,报警提示操作人员注意,需要人工干预,通过人工取样化验,查明故障原因,以防影响下一流程的处理。

为了能更好地适应三相分离器来液温度、压力、流量的大范围的变化,根据实际情况,采用分段校正的思路,根据温度、压力、流量的变化范围及对含水率的影响,分区间进行多元回归和神经网络训练,同时定时进行人工检验,把人工 检 验 的 数 据 加 入 到 训 练 模 型 中,不 断 丰 富 样 本数量。

4 在线含水率修正软件设计

对油田联合站脱水系统含水率进行在线监测修正,需要根据含水率模型的输入参数需求,获得现场仪表所检测的数据,包括在线含水仪、温度、压力等。由于与现场仪表的通信是由监控系统独占的,在不额外增加硬件投入的前提下,借助于 OPC通信从联合站监控系统中获得数据,进行联合站脱水系统含水率在线监测修正,软件结构示意图

如图6所示。

图6 在线含水率修正软件结构示意图

5 结 论

油田原油生产和储运的过程中原油含水率检测占有重要的地位,原油含水率的在线检测,对于确定油井出水、出油层位、估计原油产量、预测油井的开发寿命等具有重要意义。不同形式的原油含水仪由于工艺和技术水平原因,其稳定性、准确性、实时性、可靠性不能够保证,因此,联合站脱水系统含水率在线监测修正技术的研究,具有重要的实用价值。经过在胜利油田某联合站进行现场测试验证,在不影响联合站原监控系统的正常运行的前提下,含水率在线监测修正软件正常运行并可实时获取联合站脱水监控系统的数据,经修正后的在线含水仪数据与人工化验数据进行对比验证,误差小于3%,大大减轻了人工定时取样化验的工作量,应用前景广阔。