一种油田原油含水率的近红外光谱检测与分析方法

刘宏明，刘玉娟，仲志成，宋 莹，李 哲，徐 洋

1.吉林大学仪器科学与电气工程学院，地球信息探测仪器教育部重点实验室， 国家地球物理探测仪器工程技术研究中心，吉林 长春 130012 2.通化师范学院，吉林 通化 134000

引 言

原油作为一种重要的战略储备及化石燃料资源，其储量以及生产技术都对国家经济有重要的影响[1-2]。为了对油井的开采必要性作科学的评估，需要在生产、测井中对油井内原油组分进行准确、高效地检测，评价新油井产能，从而制定科学高效的原油开采策略[3]。原油组分的实时、精确测量对油井生产评估管理具有重要意义，错误的原油组分数据会导致生产过程出现差错，造成不必要的损失[4]。研究原油组分在线实时监测新方法、新手段，提高原油组分检测的精度和稳定性，解决目前各种原油组分检测手段在技术及成本上存在的问题，可使我国原油组分检测技术达到更高水平。

目前，对原油组分分析检测，尤其是对水含量的检测手段有很多种，其中大多都是实时检测手段，主要包括电容法[5]、射频法[6]、高频电磁涡流法[7]、超声波检测法[8]，这些方法精度不一，也各有优点，在使用条件上也有限制。解决传统检测方法精度低、效率低等问题，近年来在原油组分检测技术中引入了在测量领域得到广泛、有效应用的近红外光谱测量技术[9]。近红外光谱分析因其具有操作简单、测试效率高、分析速度快、能够无损测量、无污染、测量精度高等优点在农业、化工生产等领域已取得广泛应用。近红外光谱测量技术能快速、便捷测得原油的近红外光谱，但对于光谱数据的处理还需要结合化学计量学方法。由于光谱测量过程中不可避免地会受到各种噪声的干扰，故对实验测得的光谱数据进行预处理消除噪声等干扰就十分必要。而为了最终建立原油组分分析预测模型，还需要利用数学建模的方法对预处理后的光谱数据进行建模[10]，以最终达成利用此模型对原油组分进行分析检测的目的。根据现阶段我国油井资源开发的实际情况，研究基于近红外光谱测量技术原理并结合化学计量学方法的原油组分检测方法，具有重要的现实意义和经济价值。

1 近红外光谱检测原油含水率基本原理

近红外光谱透射法通过检测光源发出的光在经过样品后强度的衰减来确定样品组分。透射光强度与样品组分中吸光成分浓度遵循Lambert-Beer定律

(1)

其中，A为吸光度，T为透射比，k为摩尔吸收系数(L·mol-1·cm-1)，b为样品吸收层厚度(一般称kb为“消光系数”)，c为吸光样品浓度[11]。

近红外光谱分析技术通过测得不同组分样品近红外光谱，能够建立分析预测模型，实现对原油组分的在线检测。

2 原油含水率近红外光谱检测系统设计

近红外光谱透射法基本原理为由光源发出的光经光纤传输至样品架，照射在盛放样品的试管上，光线透过试管，再由光纤传输至光谱仪。原油样品近红外光谱测量实验系统设计如图1所示。

图1 原油样品近红外光谱测量实验系统设计图Fig.1 Experimental system design of near infrared spectroscopy for crude oil samples

2.1 检测系统参数设计

确定原油样品中所测组分的特征化学键及其近红外特征吸收波长是近红外光谱透射方法检测原油样品的关键，原油中常见组分包含的化学键为C—H键和N—H键。在近红外光谱波长范围内，C—H键的特征峰体现在CH3的第二组合频即1 360和1 400 nm附近，CH2的第二组合频即1 391和1 412 nm附近，N—H键的特征峰体现在1 486，1 530和1 625 nm附近，水的特征峰选择在1 480 nm。

2.2 系统标准化光源选择及校准

实验用光源为台湾超微光学生产的卤素灯源。卤素光源能提供均衡且稳定的宽带光谱输出，且能与光谱仪匹配，其具体参数如表1所示。

表1 卤素光源参数表Table 1 Parameters of halogen light source

校准用光源为北京卓立汉光生产的LHM254型汞灯。LHM254汞灯是冷阴极低压水银放电灯，可提供253.65，313.2，365.48，404.72，435.84和546.07 nm等多条汞的特征谱线[13]，且特征波长带宽较窄，是实验室常用的标定光源。

2.3 近红外光谱仪

系统检测所用近红外光谱仪为台湾超微光学的SW2520型近红外光谱仪，SW2520采用C-T结构光学设计，测量性能十分稳定且准确，在光学分辨率及波长飘移上有优异的抗干扰能力，在温度、湿度变化，震动、撞击等环境干扰以及外力干扰的情况下稳定性较好。系统采用InGaAs线型传感器，32位RISC微控制器(MCU)并针对光谱分析核心功能做出优化，架构精简，能够满足本工作测试指标要求，其具体参数如表2所示。

表2 SW2520光谱仪参数表Table 2 Parameters of SW2520 spectrometer

2.4 原油含水率检测系统标准化实验

标准化是利用设计的原油近红外光谱测量系统检测样品近红外光谱数据的前提和关键，以确保测得的原油组分光谱数据的可靠性。利用近红外光谱仪测量标准汞灯的光谱如图2所示。由图可见，在1 017.53 nm处测得一特征谱线，判定为253.65 nm的四级光谱[11]，波长误差为0.29%。造成误差的部分原因是SW2520采用16位A/D，这就造成其只能测得1 010.82和1 017.53 nm处的光谱数据，无法准确测得1 014.6 nm处的数据。但这一误差值较小，不影响测得光谱的准确性。利用汞灯光源进行波长校准完毕后，利用SW2520测量卤素光源的光谱，在不放置比色皿和任何实验样品的情况下测得的光谱数据与理论上的光谱数据一致，说明利用此实验系统可以准确地测量原油的近红外光谱。

3 试验样品的配置及光谱测量

大庆油田产出的原油常见性质为：外观呈黑色，密度为0.859 1～0.865 0 g·cm-3，凝点25.3～32.0 ℃，粘度22.27～24.54 mm2·s-1，硫含量919.8～1 203.2 μg·g-1，氮含量1 519.8～2 040.8 μg·g-1，残炭2.74%～3.21%，按硫含量和关键馏分分类法，属低硫石蜡基原油[12]。采用如图3所示大庆油田生产的提纯原油作为实验用油，提纯原油除去了水、砂砾等其他杂质，保留了原油的所有组分，能够最大限度地保证对井下原油组分及性质的模拟。

图3 大庆油田生产的提纯原油Fig.3 Purified crude oil produced in Daqing Oilfield

选用3 mm光程石英比色皿，比色皿适用波长200～2 500 nm，透光率>80%,耐酸碱，耐高温600 ℃，耐有机溶剂。在测样品近红外光谱时，先按组分配制原油样品集与预测集，原油样品参数如表3所示。

表3 39个组分样品配制材料含量(原油/水)Table 3 Content of materials prepared from 39 component samples (crude oil/water)

为了减少测量误差，各个组分的原油样品均重复测量10次，在光谱数据处理前，先将各个组分的10组数据求平均后作为该组分原油样品的近红外光谱数据，如图4(a)所示为1.5%组分测量得到的10组光谱数据，经过求平均处理后的光谱数据如图4(b)所示；将每个组分的10份光谱数据都进行相同的求平均处理，以剔除粗大误差，实验测得的所有390份数据经求平均处理即得到39个组分的原油样品光谱数据，如图4(c)所示。

图4 样品求平均处理曲线(a)：10份光谱数据；(b)：平均后光谱数据；(c)：求平均后的所有原油样品光谱Fig.4 Sample average processing curve(a)：10 spectral datas；(b)：Average spectral data；(c)：Average spectra of all samples

由图4可以看出，测得的所有光谱在1 478 nm处均出现了明显的吸收峰，这个吸收峰即为水的特征峰，其他波长处未见明显吸收峰，造成这一现象的原因是原油中沥青、胶质包裹住原油液滴；原油中的C—H键、N—H键的吸收峰未在测得的原油样品光谱有明显表现，因此利用测得的广谱数据中水的特征吸收峰来判断出水的组分含量。

4 光谱数据的建模与模型分析

4.1 数据预处理

平滑是被广泛应用的消除杂散光及小幅值噪声的预处理方法，其基本原理就是通过多次测量求平均值的方式来降低噪声，分别采用移动平均平滑和Savitzky-Golay卷积平滑法两种方法进行预处理[13]。

(1)移动平均平滑法

(1)

由上述原理及式(1)可以看出，窗口的选择对移动平滑平均法的处理过程是十分重要的。根据测得的原油样品光谱数据特征和多次实验结果，窗口宽度设置为11时既避免了因窗口过小而使平滑去噪效果不理想，又避免了窗口过大将有用信息也随着噪声平滑掉，使得光谱数据产生失真的情况。对实验测得的39个原油样品组分进行移动平滑平均处理后光谱曲线如图5所示。由图5可以看出，经移动平均平滑法后的光谱数据消除了杂散光等噪声，光谱数据曲线十分光滑，有利于之后的模型建立。

图5 移动平均平滑法处理后光谱曲线图Fig.5 Spectral curves after moving average smoothing

(2) Savitzky-Golay卷积平滑法

Savitzky-Golay卷积平滑(S-G平滑)也被称为多项式平滑[14]，波长点处经平滑后的平均值为

(2)

图6 S-G平滑法处理后光谱曲线图Fig.6 Spectral curves after S-G smoothing

由图6可以看出，S-G平滑法对实验测得的原油样品光谱数据的处理效果也比较理想。由图5和图6对比可以看出，这两种方法均对原油样品光谱信号中的杂散光等小幅值噪声信号进行了消除。但也可以看出，经过S-G平滑后的光谱数据的峰值被强调了，这对接下来的原油组分分析预测模型的建立过程是有帮助的，故最终选用S-G平滑法处理后得到的结果作为原油样品预处理结果。

4.2 建模

分别利用偏最小二乘法(PLS)、支持向量机回归方法(SVR)对经过Savitzky-Golay卷积平滑后的原油样品光谱数据建立定量分析预测模型。将预处理后的光谱数据分为校正集和预测集两个集合，以更好地检验建立的分析预测模型的精度。随机选取2%，5.5%，6.5%，8.5%，10%，12.5%，13.5%，16.5%，18.5%这9个组分的原油样品光谱作为验证集组分，将剩余的30个组分样品光谱作为校正集组分，然后建立校正模型，利用所建模型进行预测效果如表4所示。

如表4所示，PLS模型预测均方根误差为0.003 755 14，决定系数R2为0.999 999，预测效果较好。SVR模型预测均方根误差为0.042 005 8，决定系数R2为0.999 949，说明预测效果比PLS方法稍差。曲线拟合结果如图7所示，由图7(a)可知，PLS拟合直线斜率几乎为1，拟合效果较好。由图7(b)可以看出，SVR拟合直线斜率几乎为1，拟合效果与PLS方法相比近似。由表4所示模型预测的结果可知，SVR模型2%组分预测值的相对误差>0.1%，其余组分优于0.1%满足指标要求，但相对误差比PLS方法稍大，说明SVR方法建立的分析预测模型效果比PLS方法稍差，但PLS和SVR两种预测值的相对误差均优于0.1%，满足实际应用中指标要求。

图7 算法预测模型拟合结果(a)：PLS分析预测模型拟合结果； (b)：SVR分析预测模型拟合结果Fig.7 Algorithm prediction model fitting results(a)：PLS；(b)：SVR

表4 PLS分析预测模型的预测数据Table 4 Prediction data of PLS analysis prediction model

5 结 论

以大庆井下原油作为研究对象，采用近红外光谱分析技术研究了原油组分检测方法。根据测试需求设计了原油组分近红外光谱检测系统，利用波长校准光源对检测系统进行了标准化后对全部39个组分的原油样品进行检测，采用移动窗口平滑法和Savitzky-Golay卷积平滑法分别进行了光谱预处理，分别对PLS和SVR两种分析方法预处理后的原油样品近红外光谱进行建模。研究结果表明PLS方法建立的模型效果更好。近红外光谱技术对配制的不同比例的井下原油模拟测试样品进行测试建模和分析为井下原油现场组份检测提供了一种新的思路，为开发油田现场实时原油检测分析装备提供技术支撑。