基于深度学习的盐穴储气库油水界面监测方法

陈健

中国石油吐哈油田分公司 销售事业部(新疆 吐鲁番 838202)

盐穴储气库油水界面状态反映的是盐穴储气库腔体形态，盐穴储气库油水界面实际是指盐穴储气库腔体阻溶剂界面，为了能够更好地存储油气，在盐穴储气库腔体内油气表面使用柴油或者机油等物质作为阻溶剂，由于阻溶剂属于流体介质，其密度小于卤水[1-2]。在盐穴储气库内界面位置容易发生变化和失控，如果盐穴储气库水油界面位置失去控制，变化幅度超出合理范围，会导致盐穴储气库腔体发生变形，最终会影响到盐穴储气库油气储运质量，严重的会造成盐穴储气库腔体垮塌。因此盐穴储气库油水界面控制和监测是保证盐穴储气库油气存储稳定的关键，需要采用有效的盐穴储气库油水界面监测方法，确定盐穴储气库油水界面实时动态，为盐穴储气库油水界面控制提供准确的数据依据[3]。目前现有的盐穴储气库油水界面监测方法主要有两种，一种是基于人工智能的盐穴储气库油水界面监测方法，另一种是基于机器学习的盐穴储气库油水界面监测方法。前者是采用人工智能算法对盐穴储气库油水界面参数进行计算和分析，后者是利用机器学习对盐穴储气库油水界面图像数据进行模拟计算。这两种方法在目前盐穴储气库油水界面监测领域比较常用，虽然提高了盐穴储气库油水界面监测效率，但是在实际应用中，因成本较高，监测数值与实际情况存在较大差距，且探测范围不够广泛，盐穴储气库油水界面监测误差较大，为此提出基于深度学习的盐穴储气库油水界面监测方法研究。

1 基于深度学习的盐穴储气库油水界面监测方法设计

1.1 盐穴储气库油水界面动态数据测量

对于盐穴储气库油水界面动态数据测量采用光纤油水界面测量仪，根据盐穴储气库油水界面动态数据测量需求，此次采用SHIADF/S2AF5型号智能光纤油水界面测量仪，该测量装置主要包括地面测量设备与盐穴储气库复合光缆两部分，将盐穴储气库复合光缆随着管柱从地面下放到盐穴储气库中，通过对其进行加热，测量加热前后盐穴储气库油水界面温度信息。

由于油和水的比热容不同，盐穴储气库油水升温和降温速率存在一定差异，因此根据盐穴储气库油水这一物理特征，利用SHIADF/S2AF5型号智能光纤油水界面测量仪对油水界面位置生产的温度数据进行测量，为后续利用深度学习分析盐穴储气库油水界面状态提供数据依据。

SHIADF/S2AF5型号智能光纤油水界面测量仪通过复合光缆向盐穴储气库油水界面发射光时域反射信号，在盐穴储气库油水界面时域空间里，由复合光缆发出的入射光经过背向散射返回到复合光缆入射端时间，在该时间段内激光脉冲信号在复合光缆中传输路段，是背向散射光纤信号到盐穴储气库油水界面距离的两倍，由此可以获得背向散射光纤信号到盐穴储气库油水界面距离，其公式表示如下：

式中：h为背向散射光纤信号到盐穴储气库油水界面距离，m；t为由复合光缆发出的入射光经过背向散射返回到复合光缆入射端时间，s；b为激光脉冲信号在盐穴储气库腔体的真空环境中的光速，m/s；n为分布式光纤信号在盐穴储气库油水界面的实际折射率。

利用公式（1）获取到背向散射光纤信号到盐穴储气库油水界面距离，在此基础上，根据拉曼光谱散射效应，盐穴储气库油水界面上的激光脉冲信号会与复合光缆上的光纤分子相互作用，从而发生热能量交换，从而在盐穴储气库油水界面上产生拉曼光谱散射[4-5]。根据量子光学原理，在拉曼光谱散射过程中，一部分激光脉冲能量转化为热能量，会发出一个波长较短的斯托克斯光。与此同时，一部分热能量转化为激光脉冲能量，此时会形成一个波长较长的反斯托克斯光，因此盐穴储气库油水界面形成的拉曼光谱散射光主要是由两种不同波长的光组成。利用盐穴储气库油水界面形成的斯托克斯光和反斯托克斯光比值调节温度信号[6-7]。因为反斯托克斯光相比较斯托克斯光对于温度更加敏感，因此将反斯托克斯光作为光纤信号通道，将斯托克斯光作为光纤信号对比通道，从盐穴储气库油水界面上任意一点的斯托克斯光与反斯托克斯光的比例，确定盐穴储气库油水界面上该点的温度，公式表示如下：

式中：w为盐穴储气库油水界面上某一点的温度，℃；e为普朗克常数；q为盐穴储气库油水界面某一点反斯托克斯光信号偏移波数；p为玻尔兹曼常数；o为盐穴储气库油水界面上某一点的反斯托克斯光信号强度；o*为盐穴储气库油水界面上某一点的斯托克斯光信号强度；y为盐穴储气库油水界面上某一点的反斯托克斯光波长；y*为盐穴储气库油水界面上某一点的斯托克斯光波长。

利用式（2）计算出盐穴储气库油水界面温度，以此获取到盐穴储气库油水界面动态温度信息，完成盐穴储气库油水界面动态数据测量。

1.2 盐穴储气库油水界面数据预处理

以上获取到的盐穴储气库油水界面动态数据包括盐穴储气库内深度处复合电缆介质的初始温度、利用伴热控制电源加热后复合电缆介质的加热后温度，盐穴储气库油水界面的实际深度是根据复合电缆加热前后温差确定，采集到的这两种数据对确定盐穴储气库油水界面状态具有重要作用，因此将获取到的盐穴储气库油水界面动态数据进行处理[8-9]。首先将获取的动态数据中无效数据、属性残缺数据以及重复数据进行剔除，然后按照温度加热前后的对应关系将盐穴储气库油水界面同一地点的温度数据建立数据集，将数据进行标准化处理，并进行分类存储。最后将数据转化为二维矩阵，并附加其理想输出值，在此基础上根据复合电缆加热前后温差来确定盐穴储气库油水界的实际深度，其公式表示如下：

式中：v为盐穴储气库油水界面的实际深度，m；t为盐穴储气库油水界面监测时间，h；w1为伴热控制电源对复合电缆加热后盐穴储气库油水界面温度，℃；w2为伴热控制电源对复合电缆加热前盐穴储气库油水界面温度，℃。

利用式（3）计算到盐穴储气库油水界面的实际深度，并将其与相对应的温度数据文件中进行存储，以此完成盐穴储气库油水界面数据预处理。

1.3 基于深度学习的盐穴储气库油水界面监测分析

利用深度学习算法对盐穴储气库油水界面状态进行深入分析，其主要是利用深度学习算法对盐穴储气库油水界面数据样本进行训练和学习，确定盐穴储气库油水界面状态理想值，将其作为参照对当前盐穴储气库油水界面状态进行确定，其具体过程如下。

首先建立盐穴储气库油水界面监测深度学习网络，根据盐穴储气库油水界面监测需求，建立的深度学习网络包括一个数据输入层、一个卷积层以及一个输出层，通过自定义的组合系数将数据输入层、卷积层以及输出层之间进行全连接[10]。将预处理后的盐穴储气库油水界面数据输入到深度学习网络输入层，为了方便后续计算分析，在深度学习网络输入层中对盐穴储气库油水界面数据进行降噪处理，并在输入层中对盐穴储气库油水界面特征进行提取，其公式如下：

式中：k为获得的盐穴储气库油水界面特征信息；f为深度学习网络输入层激活函数；u为输入的盐穴储气库油水界面数据；d为深度学习网络输入层迭代次数，次；m为深度学习网络输入层数据特征可训练加性偏置。

利用上述公式对盐穴储气库油水界面数据进行不断训练，并且在数据不断训练和学习中调整深度学习网络输入层迭代次数参数和深度学习网络输入层数据特征可训练加性偏置参数。得到盐穴储气库油水界面特征信息后，将特征信息输入到深度学习网络卷积层，在卷积层中进行盐穴储气库油水界面特征采样，其公式如下：

式中：n为深度学习网络卷积层获得的盐穴储气库油水界面特征采样数据；α为特征采样函数；g为深度学习网络卷积层乘性偏置；b为深度学习网络卷积层中盐穴储气库油水界面特征数据可训练加性偏置。

对于输入到深度学习网络中的任意一个盐穴储气库油水界面数据信息，都会存在一个与其对应的实际值和预测值，在深度学习网络中利用误差函数来表示盐穴储气库油水界面当前状态与实际状态的特征区别，公式表示如下：

式中：f(x)为深度学习网络中盐穴储气库油水界面学习特征与实际特征的误差函数；κ表示盐穴储气库油水界面特征样本的损失函数；nϖ(x,y)表示为权重为ωˉ的盐穴储气库油水界面特征样本的预测值。

利用上述公式对盐穴储气库油水界面数据进行迭代计算，获取到目前盐穴储气库油水界面与理想值误差，将其传输到深度学习网络输出层，在深度学习网络输出层中设置一个最大界面误差限值。如果卷积层计算的盐穴储气库油水界面学习特征与实际特征的误差大于最大界面误差限值，则判定目前盐穴储气库油水界面位置失控，需要采取相应措施；如果卷积层计算的盐穴储气库油水界面学习特征与实际特征的误差小于最大界面误差限值，则判定目前盐穴储气库油水界面位置处于稳定状态，根据对比结果对训练结果进行输出，以此完成基于深度学习的盐穴储气库油水界面监测。

2 实验论证分析

实验以某盐穴储气库为实验对象，该盐穴储气库溶腔井生产套管下深1 264.15 m，盐穴储气库油气储运体积为126 559.48 L，盐穴储气库溶腔外管下深1 364.48 m，盐穴储气库溶腔内管下深1 264.86 m，盐穴储气库阻溶剂为柴油，柴油的比热容为2 100 J/（kg·℃），卤水的比热容为1 036 J（/kg·℃），空气的比热容为1 569 J（/kg·℃），实验利用此次设计方法与传统方法对该盐穴储气库水油界面进行监测。实验将SHIADF/S2AF5型号智能光纤油水界面测量仪在监测现场进行安装，并进行施工作业，将SHIADF/S2AF5型号智能光纤油水界面测量仪测量频率设定为1.36 GHz，测量周期设定为0.1 ns，测量范围定位为0～500 m。根据该盐穴储气库实际情况，布设了1 000个监测点，将SHIADF/S2AF5型号智能光纤油水界面测量仪经过现场的调试和深度校正后，测量光纤加热前后盐穴储气库水油界面温度差，并利用公式（3）确定盐穴储气库水油界面深度，其监测数据见表1。

表1 盐穴储气库水油界面测量数据

实验共采集了2 000个数据样本，在Intel Coer 2.65平台上建立深度学习网络。将深度学习网络卷积层的迭代次数设定为5，利用深度学习网络提取到的特征参数，根据该盐穴储气库实际情况，在深度学习网络输出层设置的最大油水界面误差为0.25 m，对该盐穴储气库油水界面进行监测，监测时间为12 h。利用HSIFA软件对两种方法的监测结果与盐穴储气库油水界面实际深度进行分析，确定两种方法的盐穴储气库油水界面监测误差，将其作为检验两种方法有效性指标，利用电子表格对两种方法检查误差进行记录，从中随机抽取8次监测误差数据，见表2。

表2 两种方法盐穴储气库油水界面监测误差对比

从表2数据中可以看出，设计方法对于盐穴储气库油水界面监测误差均小于最大允许误差，最小监测误差为0.001 1 m，平均监测误差为0.018 m，符合盐穴储气库油水界面监测精度要求；而传统方法对于盐穴储气库油水界面监测误差均超过最大允许误差，最大监测误差为0.168 1 m，远远高于设计方法。因此实验结果证明了基于深度学习的盐穴储气库油水界面监测方法能够准确监测到盐穴储气库油水界面的深度和状态，相比较传统方法更适用于盐穴储气库油水界面监测。

3 结束语

结合盐穴储气库地面建设和油气储运方向理论与工程实践，针对传统方法存在的弊端，利用深度学习算法设计了一种新的盐穴储气库油水界面监测方法，并利用现场实验验证了该方法的可行性和可靠性，此次研究有效提高了盐穴储气库油水界面监测精度，为基于深度学习的盐穴储气库油水界面监测提供了理论依据。