控制阀开启度预测模型训练预测方法、装置、设备及系统与流程

1.本发明涉及油气开采技术领域，具体涉及一种控制阀开启度预测模型训练预测方法、装置、设备及系统。


背景技术：

2.控制阀是油气开采的智能井生产系统的核心设备之一，其主要作用在于改变井下油管与环空之间的流体通过的面积，从而控制井下流体的流动状态。
3.目前通常是在控制阀调节过程中通过地面施压时间、施压大小和位置传感器读取参数来确定调节操作结束时控制阀的开启度。由于实际作业过程中井下工况复杂，控制阀存在堵塞、表面结垢等情况会导致控制阀实际开启度未达预期，而现有方法无法实时、准确地检测控制阀调节过程中的开启状态。


技术实现要素：

4.鉴于上述问题，本发明提供一种控制阀开启度预测模型训练预测方法、装置、设备及系统，能够实时检测控制阀调节过程中的开启状态。
5.根据本发明的一个方面，提供一种控制阀开启度预测模型训练方法，包括：获取标注有控制阀开启度标签的样本声波信号，样本声波信号为流体流过控制阀的声波信号；提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边；将由样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型。
6.本发明实施例提供的控制阀开启度预测模型训练方法中，利用采集到的流体流过控制阀的声波信号作为原始数据进行分析处理，具体地，通过获取标注控制阀开启度标签的样本声波信号，并对样本声波信号进行时域特征和频域特征的提取，时域特征具体为样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数和样本过零率，频域特征具体为样本频谱流量和样本频谱滚边，以便于后续神经网络的分析识别，通过将由提取出来的具有控制阀开启度标签的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型，进而在将控制阀开启度预测模型应用于实际智能井生产系统当中时，通过实时采集流体流过控制阀的声波信号，便可以实时、准确地检测控制阀的开启度，有利于提高智能井生产系统的管理水平。
7.在一种可选的方式中，获取标注有控制阀开启度标签的样本声波信号之后，方法还包括：对样本声波信号进行能量归一化处理，得到样本声波信号归一化结果；提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边，包括：提取样本声波信号归一化结果的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流
量和样本频谱滚边。由于在不同条件下获得的样本声波信号的幅值差异较大，因此通过对样本声波信号进行能量归一化处理，并提取得到的样本声波信号归一化结果的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边，可以降低幅值差异为后续数据处理带来的分散性问题，保证后续控制阀开启度预测模型训练时训练数据的可靠性，进而提升控制阀开启度预测模型应用时预测结果的准确性。
8.在一种可选的方式中，样本声波信号通过样本采集设备获取，样本采集设备包括控制阀、控制装置和声波检测装置，控制阀用于调节流体的流量，控制装置用于控制控制阀的开启度，声波检测装置用于检测流过控制阀的流体的声波信号；获取标注有控制阀开启度标签的样本声波信号，包括：设定开启度：通过控制装置将控制阀开启度设定为第一开启度；获取标签：通过控制装置获取第一开启度；获取训练数据：通过声波检测装置获取在控制阀开启度处于第一开启度时的第一样本声波信号；训练数据标注：将获取的第一开启度标注为第一样本声波信号的标签；遍历其他开启度：重复进行设定开启度、获取标签、获取训练数据和训练数据标注，直至遍历所有开启度节点。通过上述方式，可以获取标注有不同开启度标签的样本声波信号，模拟井下不同开启度工况，增加训练数据的多样性，进而提升控制阀开启度预测模型的训练效果。
9.在一种可选的方式中，控制阀的两端之间连通有循环管线，循环管线上设置有恒流泵装置；设定开启度之前，方法还包括：设定排量：通过恒流泵装置将由循环管线流入控制阀的流体的排量设置为第一排量；训练数据标注，包括：获取第一排量，将获取的第一排量和第一开启度标注为第一样本声波信号的标签；遍历其他开启度之后，方法还包括：遍历其他排量：重复进行设定排量、设定开启度、获取标签、获取训练数据、训练数据标注和遍历其他开启度，直至遍历所有排量节点。通过上述方式，可以获取标注有每个排量节点分别于对应不同开启度的标签的样本声波信号，模拟井下多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
10.在一种可选的方式中，循环管线上在恒流泵装置上游的位置设置有回压控制装置；设定排量之前，方法还包括：设定回压：通过回压控制装置将由控制阀流入循环管线的流体的回压设置为第一回压；训练数据标注，包括：获取第一回压，将获取的第一回压、第一排量和第一开启度标注为第一样本声波信号的标签；遍历其他排量之后，方法还包括：遍历其他回压：重复进行设定回压、设定排量、设定开启度、获取标签、获取训练数据、训练数据标注、遍历其他开启度和遍历其他排量，直至遍历所有回压节点。通过上述方式，可以获取标注有每个回压节点对应每个排量节点以及每个开启度节点的标签的样本声波信号，模拟井下多种回压、多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
11.在一种可选的方式中，循环管线上在恒流泵装置和回压控制装置之间设置有伴热储存装置，伴热储存装置用于储存流体；设定回压之前，方法还包括：设定温度：通过伴热储存装置将由循环管线输入控制阀的流体的温度设定为第一温度；训练数据标注，包括：获取第一温度，将获取的第一温度、第一回压、第一排量和第一开启度标注为第一样本声波信号的标签；遍历其他回压之后，方法还包括：遍历其他温度：重复进行设定回压、设定排量、设定开启度、获取标签、获取训练数据、训练数据标注、遍历其他开启度、遍历其他排量和遍历
其他回压，直至遍历所有温度节点。通过上述方式，可以获取标注有每个温度节点对应每个回压节点、每个排量节点以及每个开启度节点的标签的样本声波信号，模拟井下多种温度、多种回压、多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
12.根据本发明的另一个方面，提供一种控制阀开启度预测方法，包括：获取声波信号；提取声波信号的能量熵、信号平均振幅、短时能量、短时能量自相关系数、过零率、频谱流量和频谱滚边；将能量熵、信号平均振幅、短时能量、短时能量自相关系数、过零率、频谱流量和频谱滚边输入控制阀开启度预测模型中，得到预测的控制阀开启度。
13.本发明实施例提供的控制阀开启度预测方法中，通过控制阀开启度预测模型对智能井实际生产作业过程中采集到的控制阀通道处的声波信号进行分析和处理，可以实时、准确地检测控制阀的开启度，从而提高井下生产的控制精度，提升智能井生产系统的管理水平。
14.根据本发明的另一个方面，提供一种控制阀开启度预测模型训练装置，包括：获取单元，用于获取标注有控制阀开启度标签的样本声波信号，样本声波信号为流体流过控制阀的声波信号；提取单元，用于提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边；训练单元，用于将由样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型。
15.根据本发明的另一个方面，提供一种控制阀开启度预测模型训练设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行如上任意一项中的控制阀开启度预测模型训练方法的操作。
16.根据本发明的另一个方面，提供一种控制阀开启度预测模型训练系统，包括控制阀开启度预测模型训练设备和样本采集设备，样本采集设备包括：套管；油管，设置于套管内，油管内的顶部与套管内的底部之间通过循环管线连通；控制阀，设置于油管上，控制阀具有连通油管内部和套管内部的阀孔，控制阀上滑动设置有用于遮盖阀孔的滑套，流体依次进入套管、控制阀、油管后通过循环管线再次进入套管形成循环流动；控制装置，与控制阀在套管的外部电连接，控制装置用于通过控制滑套滑动以控制阀孔的开启度；光缆，绕设于控制阀上阀孔处的外壁；声波检测装置，在套管的外部与光缆连接，用于通过光缆检测流体流过阀孔的声波信号；控制阀开启度预测模型训练设备分别与控制装置和声波检测装置电连接，控制阀开启度预测模型训练设备用于通过控制装置获取控制阀的开启度，还用于通过声波检测装置获取在控制阀处于开启度时流体流过阀孔的样本声波信号。
17.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
18.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通
技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
19.图1为本发明实施例提供的控制阀开启度预测模型训练方法的流程图；
20.图2为本发明另一实施例提供的控制阀开启度预测模型训练方法的流程图；
21.图3为图1或图2中步骤s110的子步骤流程图；；
22.图4为本发明实施例提供的控制阀开启度预测方法的流程图；
23.图5为本发明实施例提供的控制阀开启度预测模型训练装置的结构示意图；
24.图6为本发明实施例提供的控制阀开启度预测模型训练设备的结构示意图；
25.图7为本发明实施例提供的控制阀开启度预测模型训练系统的结构示意图。
具体实施方式
26.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
27.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
28.在本发明实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。
29.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
30.在本发明实施例的描述中，术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)，“多片”指的是两片以上(包括两片)。
31.近年来，在油气开采领域当中，智能井生产系统受到越来越多的关注，与传统的井下生产系统相比，智能井生产系统井下配置有封隔器、传感器、控制阀等监测和完井设备，能够实现远程生产控制，从而优化生产、提高采收率，常用于海上水平井和多分支井生产。
32.控制阀，例如井下流量控制阀，是智能井生产系统的核心设备之一，通过地面液力或电力方式调节控制阀在井下的开启度，从而实现井下生产层段的流量控制。控制阀的主要作用为改变油管与环空之间的流体通过面积，从而控制井下流体的流动状态。在井下流量控制阀调节过程中，通过地面施压时间、施压大小和位置传感器读取参数确定调节结束时井下流量控制阀的开启度。
33.本技术发明人注意到，由于井下实际工况复杂，井下流量控制阀存在通道堵塞、通道存在砂粒、阀体表面结垢等情况引起的阀芯移动阻力变大，从而出现控制阀开启度未达预期以及控制阀控制信号故障等问题，并且控制阀调节完成后由于井下压力波动容易造成控制阀在后期生产过程中发生漂移而影响开启度。而目前的方法仅能确定控制阀调节结束
后的开启度，无法实时、准确地检测控制阀调节过程中的开启度。
34.基于此，本发明实施例一方面提供了一种控制阀开启度预测模型训练方法，在该方法中，利用采集到的流体流过控制阀的声波信号作为原始数据进行分析处理，具体地，通过获取标注控制阀开启度标签的样本声波信号，并对样本声波信号进行时域特征和频域特征的提取，时域特征具体为样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数和样本过零率，频域特征具体为样本频谱流量和样本频谱滚边，以便于后续神经网络的分析识别，通过将由提取出来的具有控制阀开启度标签的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型，进而在将控制阀开启度预测模型应用于实际智能井生产系统当中时，通过实时采集流体流过控制阀的声波信号，便可以实时、准确地检测控制阀的开启度，有利于提高智能井生产系统的管理水平。
35.请参阅图1，图中示出了本发明一实施例提供的控制阀开启度预测模型训练方法的流程，该方法由需要进行控制阀开启度预测模型训练的计算设备执行，例如手机、计算机、服务器等。如图中所示，该方法包括：
36.s110：获取标注有控制阀开启度标签的样本声波信号，样本声波信号为流体流过控制阀的声波信号。
37.在本步骤中，流体流过控制阀的声波信号可以通过声波传感器检测获取。
38.s130：提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边。
39.在本步骤中，样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数和样本过零率为样本声波信号的时域特征，样本频谱流量和样本频谱滚边为样本声波信号的频域特征，通过提取样本声波信号的这些特征，有助于后续神经网络在时域和频域方面对样本声波信号的进行准确、可靠地分析识别，进而确保控制阀开启度预测模型预测数据的准确性。
40.需要说明的是，在本步骤中，从样本声波信号中提取的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边均具有该样本声波信号上标注的控制阀开启度。
41.s150：将由样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型。
42.在本步骤中，采用bp人工神经网络算法工具模块搭建学习网络模型，网络结构包括输入层、隐藏层和输出层，其中输入层包含神经元个数等于从样本声波信号中提取的特征的个数，即输入层包含7个神经元，输出层包含1个神经元，用于输出预测的控制阀开启度结果，隐藏层的层数和隐藏层内包含神经元的个数可以在训练过程中根据训练效果进行优化调整。通过损失函数评价模型效果，损失函数可以采用均方误差损失函数、平均绝对误差损失函数、分位数损失函数、交叉熵损失函数、hinge损失函数等。
43.本发明实施例提供的控制阀开启度预测模型训练方法中，利用采集到的流体流过控制阀的声波信号作为原始数据进行分析处理，具体地，通过获取标注控制阀开启度标签
的样本声波信号，并对样本声波信号进行时域特征和频域特征的提取，时域特征具体为样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数和样本过零率，频域特征具体为样本频谱流量和样本频谱滚边，以便于后续神经网络的分析识别，通过将由提取出来的具有控制阀开启度标签的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型，进而在将控制阀开启度预测模型应用于实际智能井生产系统当中时，通过实时采集流体流过控制阀的声波信号，便可以实时、准确地检测控制阀的开启度，有利于提高智能井生产系统的管理水平。
44.为了提升控制阀开启度预测模型预测结果的准确性，本发明进一步提出一种实施方式，具体请参阅图2，图中示出了另一实施例提供的控制阀开启度预测模型训练方法的步骤。如图中所示，上述步骤s110之后，该方法还包括：
45.s120：对样本声波信号进行能量归一化处理，得到样本声波信号归一化结果。
46.在本步骤中，对样本声波信号进行能量归一化处理的公式为：
[0047][0048]
其中，x为样本声波信号，为声波信号平均值，x’为样本声波信号归一化结果。
[0049]
在一种优选的实施方式中，将样本声波信号归一化结果按照7:3的比例划分为训练集和验证集，训练集用于输入神经网络中进行训练，训练结束后，将验证集代入优化后的神经网络中，通过损失函数，例如均方误差损失函数，验证模型预测的效果。验证精度表示模型训练结果与实际结果之间的误差，当验证精度满足要求时，即训练结果与实际结果之间的误差小于或等于预设阈值时，则控制阀开启度预测模型训练完成，可以进行预测使用。当验证精度不满足要求时，则根据训练结果相应调节神经网络中隐藏层的层数以及隐藏层内包含神经元个数，并重新进行训练和验证，直至验证精度满足要求为止。
[0050]
上述步骤130包括：
[0051]
s131：提取样本声波信号归一化结果的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边。
[0052]
由于在不同条件下获得的样本声波信号的幅值差异较大，因此通过对样本声波信号进行能量归一化处理，并提取得到的样本声波信号归一化结果的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边，可以降低幅值差异为后续数据处理带来的分散性问题，保证后续控制阀开启度预测模型训练时训练数据的可靠性，进而提升控制阀开启度预测模型应用时预测结果的准确性。
[0053]
关于上述步骤110，本发明进一步提出一种实施方式，其中样本声波信号通过样本采集设备获取，样本采集设备包括控制阀、控制装置和声波检测装置。控制阀用于调节流体的流量，控制装置用于控制控制阀的开启度，声波检测装置用于检测流过控制阀的流体的声波信号。图3中示出了步骤110子步骤的流程，如图中所示，步骤110包括：
[0054]
s1104：设定开启度：通过控制装置将控制阀开启度设定为第一开启度。
[0055]
s1106：获取标签：通过控制装置获取第一开启度。
[0056]
在上述步骤s1104和s1106中，执行控制阀开启度预测模型训练方法的计算设备与
控制装置信号连接，从而该计算设备通过控制装置实现对控制阀开启度的设定，并且计算设备可以获取控制装置对控制阀开启度设定的控制信号，即获取控制阀的开启度。
[0057]
s1108：获取训练数据：通过声波检测装置获取在控制阀开启度处于第一开启度时的第一样本声波信号。
[0058]
在本步骤中，控制阀处于第一开启度时，流体会流动并经过控制阀，声波检测装置检测流体经过控制阀时产生的声波信号并发送给执行控制阀开启度预测模型训练方法的计算设备，实现第一样本声波信号的获取。
[0059]
s1110：训练数据标注：将获取的第一开启度标注为第一样本声波信号的标签。
[0060]
在本步骤中，通过将第一开启度对应标注为第一样本声波信号的标签，形成用于输入预测模型的训练数据。
[0061]
s1112：遍历其他开启度：重复进行上述步骤s1104、s1106、s1108和s1110，直至遍历所有开启度节点。
[0062]
在本步骤中，开启度节点可以为0-100％中的任意几个值，例如开启度节点包括20％、40％、60％、80％和100％，表示控制阀通道开启面积占控制阀通道总面积的比值，需要说明的是，上述开启度节点的数值是为了方便说明列举的一种实现方式，并不限定开启度节点的具体设置方式。可以理解的是，在本步骤中，重复执行上述步骤s1104即通过控制装置将控制阀开启度设定为第二开启度，第一开启度及第二开启度为两个不同的开启度节点，通过在每一个开启度节点均进行设定开启度、获取标签、获取训练数据和训练数据标注，实现具有不同开启度标签的样本声波信号的采集。
[0063]
通过上述方式，可以获取标注有不同开启度标签的样本声波信号，模拟井下不同开启度工况，增加训练数据的多样性，进而提升控制阀开启度预测模型的训练效果。
[0064]
进一步地，在一些实施例中，控制阀的两端之间连通有循环管线，循环管线上设置有恒流泵装置。请继续参阅图3，如图中所示，在上述步骤s1104之前，该方法还包括：
[0065]
s1103：设定排量：通过恒流泵装置将由循环管线流入控制阀的流体的排量设置为第一排量。
[0066]
在上述步骤s1110中，还获取第一排量，并将获取的第一排量和第一开启度标注为第一样本声波信号的标签。
[0067]
在上述步骤s1112之后，该方法还包括：
[0068]
s1113：遍历其他排量：重复进行上述步骤s1103、s11104、s1106、s1108、s1110和s1112，直至遍历所有排量节点。
[0069]
具体地，排量节点可以为0-100％中任意几个数值，例如排量节点包括20％、40％、60％、80％和100％，其中100％表示最大排量，20％、40％、60％和80％表示当前排量与最大排量的百分比，同样需要说明的是，上述排量节点的数值是为了方便说明列举的一种实现方式，并不限定排量节点的具体设置方式。
[0070]
当步骤s1103中设定好排量之后，依次进行步骤s1104、s1106、s1108、s1110和s1112，在进行步骤s1112时，将控制阀开启度重新设定为另一开启度节点，而由循环管线流入控制阀的流体的排量则依然保持上一流程中设定好的第一排量，从而确保可以采集到第一排量对应不同开启度时的样本声波信号。当步骤s1112遍历所有开启度节点之后，即采集完第一排量对应所有开启度节点时的样本声波信号后，进行步骤s1113，即通过恒流泵装置
将由循环管线流入控制阀的流体的排量设置为第二排量，第一排量和第二排量为两个不同的排量节点，同理，设定好第二排量之后，进行步骤s1112时需要遍历所有开启度节点，以保证可以采集到第二排量对应所有开启度节点时的样本声波信号，后续步骤以此类推，直至采集完每个排量节点分别对应所有开启度节点的样本声波信号后结束。
[0071]
通过上述方式，可以获取标注有每个排量节点分别于对应不同开启度的标签的样本声波信号，模拟井下多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
[0072]
进一步地，在一些实施例中，循环管线上在恒流泵装置上游的位置设置有回压控制装置。请继续参阅图3，如图中所示，上述步骤s1103之前，该方法还包括：
[0073]
s1102：设定回压：通过回压控制装置将由控制阀流入循环管线的流体的回压设置为第一回压。
[0074]
在上述步骤s1110中，还获取第一回压，并将获取的第一回压、第一排量和第一开启度标注为第一样本声波信号的标签。
[0075]
上述步骤s1113之后，还包括：
[0076]
s1114：遍历其他回压：重复进行上述步骤s1102、s1103、s1104、s1106、s1108、s1110、s1112和s1113。
[0077]
同上所述，回压节点为预先在计算设备设定几个相应的回压值。
[0078]
通过上述方式，可以获取标注有每个回压节点对应每个排量节点以及每个开启度节点的标签的样本声波信号，模拟井下多种回压、多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
[0079]
进一步地，在一些实施例中，循环管线上在恒流泵装置和回压控制装置之间设置有伴热储存装置，伴热储存装置用于存储流体。请继续参阅图3，如图中所示，在上述步骤s1102之前，该方法还包括：
[0080]
s1101：设定温度，通过伴热储存装置将由循环管线输入控制阀的流体的温度设定为第一温度。
[0081]
在上述步骤s1110中，还获取第一温度，并将获取的第一温度、第一回压、第一排量和第一开启度标注为第一样本声波信号的标签。
[0082]
上述步骤s1114之后，还包括：
[0083]
s1115：遍历其他温度：重复进行上述步骤s1101、s1102、s1103、s1104、s1106、s1108、s1110、s1112、s1113和s1114，直至遍历所有温度节点。
[0084]
同上所述，回压节点为预先在计算设备设定几个相应的温度值。
[0085]
通过上述方式，可以获取标注有每个温度节点对应每个回压节点、每个排量节点以及每个开启度节点的标签的样本声波信号，模拟井下多种温度、多种回压、多种排量及多种开启度工况，进一步增加训练数据的多样性，提升控制阀开启度预测模型的训练效果。
[0086]
进一步地，在一种可选的实施方式中，流体包括单相水、单相油、单相气、油水两相混合物、水气两相混合物、油气两相混合物或油水气三相混合物，可以先将流体设置为单相水，进行图3中所示的所有步骤，并且在步骤s1110中，还将流体为单相水标注为第一样本声波信号的标签。然后将流体换成单相油，并再次进行图3中所示的所有步骤，同样在步骤s1110中，将流体为单相油标注为第一样本声波信号的标签。之后将流体换成单相气，并再
次进行图3中所示的所有步骤，同样在步骤s1110中，将流体为单相气标注为第一样本声波信号的标签。
[0087]
再将流体换成第一油水比例的油水两相混合物，并进行图3中所示的所有步骤，在步骤s1110中将流体为第一油水比例的油水两相混合物标注为第一样本声波信号的标签，并且在步骤s1115结束之后，还将流体换成第二油水比例的油水两相混合物，并再次进行所有步骤，直至遍历所有比例节点。其中，第一油水比例和第二油水比例为油与水之间不同的两个质量比值，第一油水比例和第二油水比例为比例节点中的两个节点，比例节点具体数量以及各比例节点的具体数值可根据具体情况相应进行设置，此处不多赘述。然后将流体换成第一水气比例的水气两相混合物，之后进行的步骤与上述步骤同理。再将流体换成第一油气比例的水汽两相混合物，进行如上同理的步骤。
[0088]
最后将流体换成第一油水气比例的三相混合物，并进行图3中所示的所有步骤，在步骤s1110中将流体为第一油水气比例的油水气三相混合物标注为第一样本声波信号的标签，并且在步骤s1115结束之后，还将流体换成第二油水气比例的油水气三相混合物，并再次进行所有步骤，直至遍历所有比例节点。
[0089]
通过更换流体类型，可以采集到流体为单相水、单相油、单相气、不同比例的油水两相混合物、水气两相混合物、油气两相混合物以及不同比例的油水气三相混合物时标注有每个温度节点对应每个回压节点、每个排量节点以及每个开启度节点的标签的样本声波信号，从而丰富训练样本内容，模拟井下各种工况，有助于充分提升控制阀开启度预测模型的训练效果。
[0090]
根据本发明实施例的另一个方面，还提供一种控制阀开启度预测方法，具体请参阅图4，图中示出了本发明实施例提供的控制阀开启度预测方法的流程。如图中所示，该方法包括：
[0091]
s210：获取声波信号；
[0092]
s220：提取声波信号的能量熵、信号平均振幅、短时能量、短时能量自相关系数、过零率、频谱流量和频谱滚边；
[0093]
s230：将能量熵、信号平均振幅、短时能量、短时能量自相关系数、过零率、频谱流量和频谱滚边输入控制阀开启度预测模型中，得到预测的控制阀开启度。
[0094]
在步骤s230中，控制阀开启度预测模型由上述任一实施方式中的控制阀开启度预测模型训练方法获得。
[0095]
本发明实施例提供的控制阀开启度预测方法中，通过控制阀开启度预测模型对智能井实际生产作业过程中采集到的控制阀通道处的声波信号进行分析和处理，可以实时、准确地检测控制阀的开启度，从而提高井下生产的控制精度，提升智能井生产系统的管理水平。
[0096]
根据本发明的另一个方面，还提供一种控制阀开启度预测模型训练装置，具体请参阅图5，图中示出了本发明实施例提供的控制阀开启度预测模型训练装置的结构。如图中所示，控制阀开启度预测模型训练装置300包括：获取单元310、提取单元330、训练单元350。获取单元310用于获取标注有控制阀开启度标签的样本声波信号，样本声波信号为流体流过控制阀的声波信号。提取单元330用于提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边。
训练单元350用于将由样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型。
[0097]
请继续参阅图5，在一些实施例中，控制阀开启度预测模型训练装置300还包括处理单元320，处理单元320用于对样本声波信号进行能量归一化处理，得到样本声波信号归一化结果。提取单元330用于提取样本声波信号归一化结果的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边。
[0098]
在一些实施例中，样本声波信号通过样本采集设备获取，样本采集设备包括控制阀、控制装置和声波检测装置。控制阀用于调节流体的流量，控制装置用于控制控制阀的开启度，声波检测装置用于检测流过控制阀的流体的声波信号。获取单元110用于设定开启度：通过控制装置将控制阀开启度设定为第一开启度，用于获取标签：通过控制装置获取第一开启度，用于获取训练数据：通过声波检测装置获取在控制阀开启度处于第一开启度时的第一样本声波信号，用于训练数据标注：将获取的第一开启度标注为第一样本声波信号的标签，用于遍历其他开启度：重复进行设定开启度、获取标签、获取训练数据和训练数据标注，直至遍历所有开启度节点。
[0099]
进一步地，在一些实施例中，控制阀的两端之间连通有循环管线，循环管线上设置有恒流泵装置。获取单元310用于在设定开启度之前设定排量：通过恒流泵装置将由循环管线流入控制阀的流体的排量设置为第一排量，用于训练数据标注：获取第一排量，将获取的第一排量和第一开启度标注为第一样本声波信号的标签，用于在遍历其他开启度之后遍历其他排量：重复进行设定排量、设定开启度、获取标签、获取训练数据、训练数据标注和遍历其他开启度，直至遍历所有排量节点。
[0100]
进一步地，在一些实施例中，循环管线上在恒流泵装置上游的位置设置有回压控制装置。获取单元310用于在设定排量之前设定回压：通过回压控制装置将由控制阀流入循环管线的流体的回压设置为第一回压，用于训练数据标注：获取第一回压，将获取的第一回压、第一排量和第一开启度标注为第一样本声波信号的标签，用于在遍历其他排量之后遍历其他回压：重复进行设定回压、设定排量、设定开启度、获取标签、获取训练数据、训练数据标注、遍历其他开启度和遍历其他排量，直至遍历所有回压节点。
[0101]
进一步地，在一些实施例中，循环管线上在恒流泵装置和回压控制装置之间设置有伴热储存装置，伴热储存装置用于储存流体。获取单元用于在设定回压之前设定温度：通过伴热储存装置将由循环管线输入控制阀的流体的温度设定为第一温度，用于训练数据标注：获取第一温度，将获取的第一温度、第一回压、第一排量和第一开启度标注为第一样本声波信号的标签，用于在遍历其他回压之后遍历其他温度：重复进行设定回压、设定排量、设定开启度、获取标签、获取训练数据、训练数据标注、遍历其他开启度、遍历其他排量和遍历其他回压，直至遍历所有温度节点。
[0102]
根据本发明实施例的另一个方面，还提供一种控制阀开启度预测模型训练设备，具体请参阅图6，图中示出了本发明实施例提供的控制阀开启度预测模型训练设备的结构，本发明具体实施例并不对控制阀开启度预测模型训练设备的具体实现方式做限定。
[0103]
如图6中所示，控制阀开启度预测模型训练设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0104]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于控制阀开启度预测模型训练方法实施例中的相关步骤。
[0105]
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
[0106]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。制阀开启度预测模型训练设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0107]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0108]
程序410具体可以被处理器402调用使制阀开启度预测模型训练设备执行以下操作：
[0109]
获取标注有控制阀开启度标签的样本声波信号，样本声波信号为流体流过控制阀的声波信号；
[0110]
提取样本声波信号的样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边；
[0111]
将由样本能量熵、样本信号平均振幅、样本短时能量、样本短时能量自相关系数、样本过零率、样本频谱流量和样本频谱滚边构成的特征矩阵输入神经网络进行训练，得到控制阀开启度预测模型。
[0112]
根据本发明实施例的另一个方面，还提供一种控制阀开启度预测模型训练系统，具体请参阅图7，图中示出了本发明实施例提供的控制阀开启度预测模型训练系统的结构。如图中所示，控制阀开启度预测模型训练系统500包括样本采集设备510和上述控制阀开启度预测模型训练设备400。样本采集设备510包括：套管511、油管512、控制阀513、控制装置514、光缆515和声波检测装置516。油管512设置于套管511内，油管512内的顶部与套管511的底部之间通过循环管线517连通。控制阀513设置于油管512上，控制阀513具有连通油管512内部和套管511内部的阀孔5131，控制阀513上滑动设置有用于遮盖阀孔5131的滑套5132，流体依次进入套管511、控制阀513、油管512后通过循环管线517再次进入套管511形成循环流动。控制装置514与控制阀513在套管511的外部电连接，控制装置514用于通过控制滑套5132滑动以控制阀孔5131的开启度。光缆515绕设于控制阀513上阀孔5131处的外壁。声波检测装置516在套管511的外部与光缆515连接，用于通过光缆151检测流体流过阀孔5131的声波信号。控制阀开启度预测模型训练设备400分别与控制装置514和声波检测装置516电连接，控制阀开启度预测模型训练设备400用于通过控制装置514获取控制阀513的开启度，还用于通过声波检测装置516获取控制阀513处于该开启度时流体流过阀孔5131的样本声波信号。
[0113]
由于井下工况复杂，数据的采集以及标注信息的获取较为困难，因此为了便于训练数据的获取，在本实施例中将样本采集设备510设置为用于采集数据的室内试验设备。
[0114]
套管511和油管512均为上下两端密封的中空管柱，具体地，油管512和套管511的上下两端可以采用法兰密封连接为一体。控制阀513上阀孔5131的内部空间形成连通套管
511内部和油管512内部的通道。光缆515缠绕于控制阀513阀孔5131处的外壁，并且需要保证光缆515不遮挡阀孔5131，并且不对滑套5132的滑动造成影响。
[0115]
在一种数据采集过程中，通过循环管线517使流体在套管511、控制阀513及油管512内形成循环流动，控制装置514发送控制信号并通过液压驱动或电驱动的方式控制滑套5132由下向上移动打开第一个阀孔5131，并将该控制信号发送给控制阀开启度预测模型训练设备400，同时声波检测装置516通过光缆515检测流体流过打开的阀孔5131的声波信号，并将该声波信号作为样本声波信号发生给控制阀开启度预测模型训练设备400，控制阀开启度预测模型训练设备400通过该控制信号确定控制阀513的开启度，具体为通过计算打开的阀孔5131的面积与所有阀孔5131的总面积之比，得到控制阀513的开启度，并将该开启度标注为该样本声波信号的标签，用作后续预测模型的训练数据。之后按照设定好的开启度节点逐步打开阀孔5131，并逐个采集流体流过阀孔5131的声波信号，得到阀孔5131处于不同开启度时的声波信号。
[0116]
请继续参阅图7，在一些实施例中，循环管线517上设置有恒流泵装置5171，恒流泵装置5171用于控制流体由循环管线517流入套管511的流量。恒流泵装置5171与控制阀开启度预测模型训练设备400电连接，控制阀开启度预测模型训练设备400用于通过恒流泵装置5171获取当前流量值。在数据采集过程中，可以预先设定多个流量节点，并且采集在每个流量节点时分别对应每个开启度节点时的样本声波信号。
[0117]
请继续参阅图7，在一些实施例中，循环管线517上在恒流泵装置5171上游的位置还设置有回压控制装置5172，回压控制装置5172用于控制流体由油管512流入循环管道517的回压。回压控制装置5172与控制阀开启度预测模型训练设备400电连接，控制阀开启度预测模型训练设备400用于通过回压控制装置5172获取当前回压值。在数据采集过程中，可以预先设定多个回压节点，并采集每个回压节点分别对应每个流量节点和每个开启度节点时的样本声波信号。
[0118]
请继续参阅图7，在一些实施例中，循环管线517上在恒流泵装置5171和回压控制装置5172之间还设置有伴热储存装置5173，伴热储存装置5173用于储存及加热流体。伴热储存装置5173与控制阀开启度预测模型训练设备400电连接，控制阀开启度预测模型训练设备400用于通过伴热储存装置5173获取流体当前温度值。在数据采集过程中，可以预先设定多个温度节点，并采集每个温度节点分别对应、每个回压节点、每个流量节点和每个开启度节点时的样本声波信号。
[0119]
进一步地，在一些实施例中，可以通过伴热储存装置5173更换流体类型，流体可以包括单相水、单相油、单相气、油水两相混合物、水气两相混合物、油气两相混合物以及油水气三相混合物。在数据采集过程中，针对每一种流体均采集每个温度节点分别对应、每个回压节点、每个流量节点和每个开启度节点时的样本声波信号。
[0120]
为了便于说明，如下提供一种具体采集方式：
[0121]
其中流体包括单相水a1、单相油a2、单相气a3、油水两相混合物a4、水气两相混合物a5、油气两相混合物a6和油水气三相混合物a7。
[0122]
开启度节点包括b1和b2两个节点。流量节点包括c1和c2两个节点。回压节点包括d1和d2两个节点。温度节点包括e1和e2两个节点。
[0123]
采集的样本声波信号用x标识，x1、x2等则表示不同条件下采集的样本(即不同标
签的样本声波信号)，采集结果见下表1：
[0124]
表1
[0125]
[0126][0127]
需要说明的是，上述采集结果是为了便于说明以开启度节点、流量节点、回压节点和温度节点的数量均为两个举例。在其他实施例中，开启度节点、流量节点、回压节点和温度节点一般会设置多于两个，例如十几个甚至几十个，以保证可以模拟井下更多的工况，提升预测模型训练效果。
[0128]
本发明实施例提供的控制阀开启度预测模型训练系统500中，样本采集设备510可以模拟井下复杂流体流动的声波信号监测，并且控制阀开启度预测模型训练系统500整体结构简单，模拟精度高，满足实验室研究井下流量控制阀在实际应用中的状态的条件。通过在实验室提前模拟井下流量控制阀在实际应用中的状态进行训练数据的采集，更加便于数据的获取和预测模型的训练，通过将训练好的预测模型应用于智能井实际开采过程中进行控制阀开启度的实时监测，可以减少智能井生产作业中的风险，同时提高井下生产的控制
精度。
[0129]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参阅前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。