«Автоматизация и информатизация ТЭК»

Нейросетевой подход к задаче прогнозирования компонентов многофазного потока по данным расходомера Вентури

УДК: 004.85
DOI: 10.33285/2782-604X-2022-8(589)-43-49

Авторы:

¹ Университет ИТМО, Санкт-Петербург, Россия
² Новосибирский государственный университет, Новосибирск, Россия

Ключевые слова: многофазный поток, прогнозирование расходов, расходомер Вентури, нейронные сети, RNN, объемная доля газа, расход нефти, расход газа, рекуррентные нейронные сети, RMLP

Аннотация:

В статье представлен результат экспериментальной проверки разработанной архитектуры рекуррентной нейронной сети для прогнозирования расходов нефти и газа по параметрам расходомера Вентури. Качество прогнозирования, измеренное с помощью коэффициента детерминации, находится на уровне 0,90 для расхода нефти и 0,92 для расхода газа. Помимо расходов компонентов многофазного потока, предложенная архитектура нейронной сети позволяет прогнозировать и объемную долю газа. Проведенные эксперименты показали превосходство данных, полученных с расходомера Вентури, по сравнению с данными плотномера. Нейронная сеть хорошо справляется с прогнозированием возрастающей или убывающей зависимости, но в точках изменения тренда возникают погрешности.

Список литературы:

1. Applications of Artificial Intelligence to Predict Oil Rate for High Gas-Oil Ratio and Water-Cut Wells / A.F. Ibrahim, R. Al-Dhaif, S. Elkatatny, D. Al Shehri // ACS Omega. – 2021. – Vol. 6, Issue 30. – P. 19484–19493. – DOI: 10.1021/acsomega.1c01676
2. Prediction performance advantages of deep machine learning algorithms for two-phase flow rates through wellhead chokes / H.S. Barjouei, H. Ghorbani, N. Mohamadian [et al.] // J. of Petroleum Exploration and Production. – 2021. – Vol. 11, Issue 3. – P. 1233–1261. – DOI: 10.1007/s13202-021-01087-4
3. Improved predictions of wellhead choke liquid critical-flow rates: Modelling based on hybrid neural network training learning based optimization / A. Choubineh, H. Ghorbani, D.A. Wood [et al.] // Fuel. – 2017. – Vol. 207. – P. 547–560. – DOI: 10.1016/j.fuel.2017.06.131
4. Khamis M., Elhaj M., Abdulraheem A. Optimization of choke size for two-phase flow using artificial intelligence // J. of Petroleum Exploration and Production Technology. – 2020. – Vol. 10, Issue 2. – P. 487–500. – DOI: 10.1007/s13202-019-0734-6
5. CNN-Based Volume Flow Rate Prediction of Oil–Gas–Water Three-Phase Intermittent Flow from Multiple Sensors / Jinku Li, Delin Hu, Wei Chen [et al.] // Sensors. – 2021. – Vol. 21, Issue 4. – DOI: 10.3390/s21041245
6. Measurement of the flow rate of oil and water using microwave and Venturi sensors with end-to-end dual convolutional neural network / Xiao Lin, Hongyu Wang, Zhe Chen [et al.] // Measurement: Sensors. – 2020. – Vol. 10-12. – DOI: 10.1016/j.measen.2020.100018