[发明专利]一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法

权利要求书

1.一种基于深度长短时记忆网络的低产气油井井口含水率预测系统，其特征在于：由双环式高频电容传感器、含水率多元时序特征提取模块及基于长短时记忆网络的井口含水率预测网络组成，所述双环式高频电容传感器用于来获取井口含水率信息，所述含水率多元时序特征提取模块的高频正弦激励信号源产生激励信号，通过功分器送至双环式电容传感器的环状测量电极进行扫频，环状测量电极将扫频测得的含水率数据经激励后进入混频器进行信号混频，混频后的信号经加法器及电压偏置后，得到含水率多元时序特征；所述基于长短时记忆网络的井口含水率预测网络对获得的含水率多元时序特征向量按照时间顺序进行拼接，作为深度长短时记忆神经网络的输入向量，深度长短时记忆神经网络内部有LSTM单元，单元内部又分别有输入门、遗忘门、输出门三个函数，深度长短时记忆神经网络单元共有6层，采用Softmax分类函数作为输出函数，输出预测值；

所述双环式高频电容传感器由不锈钢金属保护壳和内部传感器管道组成，不锈钢金属保护壳两端设置有左法兰、右法兰，其中右法兰与左法兰所在的金属保护壳为螺纹连接，金属保护壳两端与井口管道连接，在不锈钢金属保护壳侧壁径向开有引线孔，不锈钢金属保护壳内部同轴镶装有一呢绒材质的内部传感器管道，在内部传感器管道外壁上间隔安装有两个环状测量电极，在环状测量电极外侧安装有电磁屏蔽层，内部传感器管道通过两侧端面的O型圈与金属外壳压紧密封；

所述含水率多元时序特征提取模块的窗函数采用窗口大小为1000的不重叠窗，以对含水率信号进行多次分割，提取不同时间段的含水率多元特征序列，将含水率多元时序特征序列的片段采用WVD分布得到时频域矩阵，采用递归图分析方法对信号进行处理，得到递归图矩阵，对时频域矩阵分别提取时频能量、时频熵特征，对递归图矩阵分别提取递归率、确定性、平均对角线长度、层次性、时间不可逆量特征，所提取的特征向量共计上述七个特征参数。

2.一种采用如权利要求1所述系统对基于深度长短时记忆神经网络的低产气油井井口含水率的预测方法，其特征在于：包括如下步骤：

⑴双环式高频电容传感器安装和工作参数设定：

将传感器安装于井口下降管道，对传感器进行扫频操作，以确定传感器的最佳工作频率；当传感器最佳工作频率确定之后，采用高频正弦激励信号源对环状测量电极进行激励，测量微波信号经过传感器后的幅值衰减和相位衰减作为含水率原始测量信息；双环式高频电容传感器对井口含率的测量采用连续式测量方式，采样频率设定为每分钟10次，测量数据为典型的反应含率变化的时间序列；

⑵传感器采集信号的预处理

对信号进行加窗分割，窗函数分割信号设置窗口大小为1000，窗口之间无重叠窗口，分割得到的即为当前时间段的一维时间序列，多次分割提取不同时间段的含水率多元时序特征序列，将每个串口分割信号中的数值按照时间方向取出得到含水率多元时序特征序列；特征提取模块将得到的含水率多元时序特征序列片段进行时频联合分布与递归图分析，得到时频图矩阵与递归图矩阵，通过计算得到每个片段的对应特征向量；该含水率多元时序特征向量包含7个维度，分别是时频能量、时频熵、递归率、递归确定性、递归平均对角线长度、递归层次性、时间不可逆量；这7个维度的特征提取方法如下：

首先对采集、处理后的信号进行时频域分析，对每个加窗分割后的时序片段进行Wigner-Ville分布；首先对信号进行希尔伯特变换，然后通过公式：

其中WVD(t,f)为含水率多元时序特征，f为频率，t为时间，τ为时延，z(t)为原始信号的解析形式，z^*(t)为z(t)的共轭函数形式，所得到不同时间片段下的时频图，之后，对时频图矩阵求时频能量与时频熵；其中：

时频能量：计算加窗时间片段的时频分布为P(t,f)，则时频能量E通过如下方式计算：

时频熵：计算加窗时间片段的时频分布为P(t,f)，将时频平面划分为N块大小相等的矩形，设每块的能量为P_i,整个时频平面的能量为E，则时频熵由以下方式计算：

随后对采集、处理后的信号进行递归域定量分析，递归域定量分析指标包括递归率、确定性、平均对角线长度、层次性和时间不可逆量；其中：

递归率：计算加窗时间片段的递归矩阵RR，则递归率为递归图平面中递归点占平面可容纳总点数的百分比，由以下方式计算：

上式中，RR表示递归矩阵，R_i,j为递归矩阵中第i行第j列的元素值，i为递归矩阵第i行索引，j为递归矩阵第j列索引，N为递归矩阵维度；

RR递归率表明了在m维相空间中彼此靠近的相空间点占总点数的比例；

确定性：计算加窗时间片段的递归矩阵RR，则确定性为构成沿对角线方向线段的递归点占所有递归点数的百分比，由以下方式计算：

式中，P(l)为长度为l的线段数，只有对角线方向线段的长度大于预先给定的下限l_min时才开始计数；l_min选择为不小于2的整数；DET将递归图中孤立的递归点和有组织的形成连续对角线方向线段的递归点区分开来；递归图中沿主对角线的线条纹理越发育，表明系统的确定性就越强；

平均对角线长度：计算加窗时间片段的递归矩阵RR，平均对角线长度是对角线方向线段长度的加权平均值，由以下方式计算：

平均对角线长度L表示相空间轨迹中互相靠近的两段相轨迹的时间长度，或者表示为系统的平均周期，主对角线并不计算在内，L越大，表明系统的确定性就越强；

层次性：计算加窗时间片段的递归矩阵RR，层次性是构成垂直方向线段的递归点占所有递归点数的分比，由以下方式计算：

式中，P(v)为长度为v的线段数，只有对角线方向线段的长度大于预先给定的下限v_min时才开始计数，v_min选择为不小于2的整数，LAM代表了系统中分层状态的递归点的概率，递归图中孤立的递归点多于垂直方向线段结构时，LAM会降低；

时间不可逆量：首先将原始时间序列x(t)转换为增量时间序列y(t)，其表示如下：

y(i)＝Δu(i)＝x(i+1)-x(i)，1＜i≤N

则时间不可逆量由以下方式计算：

其中，A表示非线性耗散系统的时间不可逆量，y_i为原始时间序列的增量时间序列，N为信号的长度，H(*)为符号函数；

⑶特征向量的拼接及深度长短时记忆神经网络预测

①对不同信号片段的特征向量按照时间方向进行拼接，组成了含水率多元时序特征向量；

②将含水率多元时序特征向量作为深度长短时记忆神经网络的训练数据，输入网络模型中进行训练；深度长短时记忆神经网络共采用6层LSTM单元，设置深度长短时记忆神经网络超参数，通过最大迭代次数10，000次结束训练，其中批尺寸为100，时间步为150，LSTM单元数量为128；每一个LSTM单元内部存在三个函数，分别为输入门函数、遗忘门函数与输出门函数，其中输入门决定让多少当前时刻输入值信息加入到LSTM单元状态中来，遗忘门决定从LSTM状态中丢弃多少信息，输出门根据当前LSTM单元状态，确定需要输出什么值；其公式分别如下：

input_t＝σ(W_i*[h_t-1，x_t]+b_i)

forget_t＝σ(W_f*[h_t-1，x_t]+b_f)

output_t＝σ(W_o*[h_t-1，x_t]+b_o)

其中W_i、W_f和W_o分别代表了输入门、遗忘门和输出门对应的权重参数，b_i、b_f和b_o分别对应偏置项，h_t-1为上一时刻的LSTM单元内部状态，x_t为当前时刻的输入值；

含水率多元时序特征向量t1输入第一层LSTM单元后，都要经过上述三种门函数的计算，并确定该LSTM输出；计算完当前时刻的特征序列后，LSTM单元向下一时刻t2移动，重复上述过程并计算输出；计算完第一层LSTM单元后，将第一层的输出向量作为第二层LSTM单元的输入向量，过程同上；每一层LSTM单元的输出为下一层的输入；

训练过程中，含水率多元时序特征信号按照时间依次输入深度长短时记忆网络中的LSTM单元内进行训练，训练过程通过深度长短时记忆神经网络预测分类值，并与实际井口含水率化验值进行对比；

③通过Softmax函数进行评判，将评判结果反向传递回深度长短时记忆神经网络并逐层更新网络参数；Softmax函数能将一个含任意实数的K维向量Z压缩到另一个K维实向量σ(Z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1，Softmax形式为：

其中，σ(z)为含水率预测网络中Softmax函数的输出值，也为含水率的预测值；j＝1,…,K，i表示K中的某个分类，zj表示该分类的值；

④训练好的模型进行含水率预测

预测时，将含水率多元时序特征信号输入深度长短时记忆网络后，Softmax函数输出值为当前信号的含水率。