综述：机器学习方法与多相流特性用于推进虚拟流量计量

《Machine Learning with Applications》：Machine Learning Approaches and Multiphase Flow Characteristics for Advancing Virtual Flow Metering

　　

对管道多相流的准确实时测量对于有效油藏管理和生产优化至关重要。然而，由于复杂的流动和流体分布，多相流测量具有挑战性。传统的多相流量计复杂且昂贵，需要特定的安装、定期校准和维护。物理多相流量计和周期性井测试被广泛用作基准；然而，在多相服务中，相率不确定性可能增加，并且对操作包络、流型和校准/验证实践敏感。对简单且准确的多相流测量的需求是必要的，虚拟流量计（VFM）可以通过利用机器学习（ML）技术与可用流动数据，提供一种经济高效、低维护的补充方法来估计多相流量。VFM是基于软件的模型，利用数学模型和现成的传感器数据（如压力、温度和差压）来确定流量，无需物理流量计。本综述探讨了VFM的最新技术、进展和方法。重点介绍了不同类型的VFM模型和开发VFM模型的方法，重点关注与多相流特性集成的ML技术。还讨论了VFM模型的挑战、局限性和未来方向，特别是数据驱动方法，如数据质量、模型泛化和计算约束，这些是VFM面临的主要挑战。进一步强调了开发虚拟流量计的未来方向，重点关注流动特性。

**1. 引言**
多相流量计（MPFM）和周期性井测试仍是生产监测和分配的主要基准。在多相服务中实现稳定的相率精度在技术上具有挑战性，因为测量性能取决于流型、流体性质变化、操作包络和校准/验证实践，且不确定性会随条件演变而漂移。因此，研究致力于开发非放射性、非侵入式且能准确测量全范围含水率（WC）和含气率（GVF）从0%到100%的工具。传统MPFM安装和维护成本高，需定期校准，且精度会随工艺条件和流体性质漂移而下降；现场经验表明，每相不确定性通常处于中个位数百分比，并强烈受最近校准对后续操作条件的代表性影响。相比之下，虚拟流量计量（VFM）利用现有压力/温度/差压（ΔP）和节流阀/阀门信号提供基于软件的速率估计，避免了专用硬件和频繁重新校准，被广泛报道为一种经济高效的替代方案或MPFM的备份，精度适用于监测和优化。本综述整合了机械论、数据驱动和混合方法的分散文献，规范了评估指标，并将传感器选择和特征工程与流型物理联系起来，以阐明每种方法何时更优，以及操作包络演变时存在的局限性和研究机会。VFM通过使用数学模型和传感器数据而非仅依赖物理设备来估计管道流量，克服了传统流量计的限制。早期概念工作可追溯到2000年代初，Bringedal和Phillips提出将VFM作为物理多相流量计的备份或替代品，并指出基于模型的VFM可提供合理准确的流量预测，并在物理流量计故障时作为冗余。现场试点已证实VFM在操作中的潜力，如Haldipur和Chow报告了VFM密切跟踪测试分离器数据，并通过分析预测与实际速率之间的偏差帮助确定井性能问题。尽管如此，第一代VFM通常基于经典工程模型，需为每口井仔细校准。纯机械论VFM基于多相流第一原理，有时难以处理复杂流动动力学（如严重段塞流或快速瞬态事件），且需要大量输入数据和频繁调谐。近年来，计算进步和丰富现场数据推动了数据驱动方法的兴起，机器学习（ML）算法从历史数据中学习传感器输入与流量之间的关系。ML算法可捕捉输入传感器数据（压力、温度、流速等）与实际流量之间的复杂非线性关系，适应变化操作条件并补偿传感器噪声或漂移，提高精度。然而，纯ML模型表现为“黑箱”，在训练数据域外可能外推不良。研究人员转向结合两者优势的混合方法。本综述综合了VFM文献，强调多相流特性（如流型转变、GVF和油气比（GOR））如何影响传感器选择、特征工程、模型选择和可迁移性，并突出关键挑战，包括数据质量、域偏移/泛化和不确定性量化，为开发基于ML的VFM提供实用指导。表1提供了代表性VFM研究的总结。表2提供了流型感知映射，将常见多相操作条件（如段塞流/瞬态、含水率上升、GVF/GOR增加、流型边界转变）与最可靠的传感器信号、特征工程选择和模型/验证策略联系起来，明确说明忽略条件的计量风险。论文其余部分组织如下：第2节回顾管道多相流及相关测量挑战；第3节总结石油和多相流中的机器学习应用；第4节和第5节分别回顾VFM概念与优势、开发VFM模型的方法论；第6节讨论实际挑战和考虑因素；第7节总结未来展望。

**2. 管道多相流：背景与挑战**
多相流指管道内多个流体相（气体、液体或固体）的同时流动。在石油生产中，通常涉及从油藏到地面的气体、石油和水的并发流动。多相流行为高度复杂，相分布不均并形成各种流型，如水平管道中的分层流、间歇流（塞状流、段塞流）、环状流或分散气泡流，取决于相对速度、各相体积分数和管道直径。流型取决于流体性质、流量、管道直径和倾角、压力和温度条件。研究人员开发了流型图和经验关联式来预测流型，如Barnea（1987）将水平空气-水流动分为四种主要流型并提供转变准则。准确预测多相管道压降对设计和操作至关重要，尤其在常见段塞流中。段塞流由交替的液体段塞和气体富集区组成，导致压力和流量大幅波动。段塞流在高粘度油生产中常占主导地位。预测段塞流压降梯度需理解段塞内的持液率和段塞平移速度。早期经验模型难以捕捉段塞流的大幅振荡。各种传感技术（如快速响应压力传感器）和神经网络已被应用于实时检测流型转变和识别段塞流。多相流系统表现出丰富且有时不稳定的行为，任何虚拟计量方法都必须考虑这些复杂性，以可靠估计不同流型下的流量。物理流量计在此类条件下常遇到困难，如标准文丘里或涡轮流量计在段塞通过时读数不稳定，伽马密度计需针对特定流体性质校准。VFM通过利用物理原理和数据，旨在适应变化流条件并提供稳定估计。

**3. 机器学习在石油工业与管道多相流中的应用**
近年来，人工智能（AI）和机器学习（ML）技术在石油工程多个领域日益普及，包括钻井、油藏工程、生产工程、岩石力学和勘探。计算方法的进步为数值和计算流体动力学开辟了新领域，研究人员探索AI在解决复杂现象（如多相流）中的应用。已进行了多种实验、理论建模和数值分析来研究多相流。例如，El-Sebakhy（2010）使用神经模糊推理系统预测水平管道中的流型和持液率；Mehta等人（2013）使用不同神经网络（ANN）技术预测空气/水两相流流型，发现径向基函数（RBF）最准确。Al-Naser等人（2015, 2016）使用带非线性归一化的ANN预测水平管道两相流流型。Ribeiro等人（2019）使用ANN预测垂直管道两相和三相流中的压降梯度。AlSaif等人（2022）开发了人工神经网络模型，以97.3%的成功率预测倾斜管道两相流流型，表明维度输入参数优于无量纲参数，且将任务视为分类问题显著提升性能。

**4. 虚拟流量计：概念与优势**
虚拟流量计（VFM）本质上是软件算法，利用井的可用测量值计算相应相流量，无需直接物理分离。传感器数据如压力（P）、温度（T）、差压（ΔP）和节流阀位置输入计算模型，输出估计的气体、石油和水流量。VFM软件模型可使用基于物理的计算、ML算法或两者结合来实时预测各相流量。这种“软传感”方法无需额外井下工具或测试分离器，具有高成本效益。与物理流量计不同，VFM非侵入式，不存在侵蚀、腐蚀或维护停机问题，且可适用于多种流体类型和井，只要正确配置或训练。在海底或偏远环境中，安装新硬件成本高昂，VFM提供无需物理干预的流量估计。这些优势包括实时运行、降低运营支出（OPEX）和适应性，但也带来挑战，如模型精度、对未测量扰动的敏感性、数据质量问题和与现有系统的集成。VFM在油田应用中展示了显著的经济和操作优势，可减少破坏性井测试频率，最小化生产损失和相关成本。在海上项目中，从早期设计阶段实施VFM可通过消除部分物理流量计及其基础设施节省大量资本支出（CAPEX）。VFM还被认为可改善流动保障和油藏管理。随着行业向数字化油田和集成运营发展，VFM正成为数字孪生的关键组成部分。本节还讨论了影响VFM性能的关键多相流参数，如油气比（GOR）和含水率（WC），以及不同模型如何处理它们。此外，还提供了面向工程师的传感器和信号概述，将P、T、ΔP、节流阀位置、声学、电容和导出的Re/Fr与范围、漂移模式、预处理和流型特定特征选择联系起来。

**4.1 第一原理与基于模型的VFM**
早期VFM实现主要基于物理驱动，建立在井筒和地面网络多相流的第一原理模型上。这些机械论VFM利用基本守恒定律（质量、动量、能量）和经验多相关联式模拟流动行为，使用井配置和流体性质作为输入。常见方法沿井应用机械能平衡（伯努利方程）并纳入多相压降关联式（如Beggs和Brill、Hagedorn和Brown或OLGA模拟）来估计各相流量。例如，Falcone等人（2009）开发了使用分布式压力测量求解气体、石油和水流量的虚拟计量模型。Haouche等人（2012）基于数据验证和一致性实施VFM试点，将多个传感器输入网络模型，算法调整模型输出以尊重所有测量值的不确定性边界。Lorentzen等人（2016）通过将瞬态多相流模拟器与井下传感器频繁更新耦合，创建了随井行为演变而重新校准的“活”模型。第一原理VFM物理可解释，能外推至观测数据之外，并强制合理行为（如不预测负流量）。然而，纯机械论VFM的精度高度依赖模型保真度和高质量输入数据，需要详细流体PVT性质、准确井完井细节和可靠流型关联式。每口井通常需要经验调谐，若井行为超出所选模型范围，VFM可能出现较大偏差。

**4.2 数据驱动机器学习技术**
随着高频生产数据的普及和计算能力的进步，数据驱动VFM日益突出。这些方法使用机器学习（ML）或统计模型直接从历史数据学习传感器输入与流量之间的映射。早期示例包括Alimonti和Stecco（1998）训练简单神经网络预测两相流量。2010年左右，现场试点数据驱动VFM开始出现，如García等人（2010）使用神经网络估计井产量。ML方法的重要进展是使用集成学习和其他鲁棒技术改善精度和泛化能力。AL-Qutami等人（2018）开发了通过自适应模拟退火优化方案组合的神经网络集成，平均误差低于5%（液体）和2.4%（气体）。时间序列模型如长短期记忆（LSTM）网络已被成功用于建模生产数据中的时间依赖性。Song等人（2022）在海上油田应用基于LSTM的VFM，平均绝对误差约3.9%。数据驱动VFM在复杂非线性交互建模方面表现出色，并能随数据积累而适应。然而，纯数据驱动方法的共同挑战是外推问题，当操作条件移出训练数据范围时，ML模型可能产生不可靠结果。此外，标准ML模型不强制守恒定律或已知单调关系，可能输出不合理结果（如负流量）。数据驱动模型需要大量历史数据训练，且数据质量问题（传感器异常、测试数据错误）需仔细处理。

**4.3 混合与物理引导方法**
近期研究趋向于混合VFM策略，将第一原理知识与数据驱动学习相结合，以提高鲁棒性和可靠性。一种策略是残差建模：使用机械论模型作为基线，ML模型学习模型预测与真实值之间的差异。Bikmukhametov等人（2018）发现，训练小ML模型补偿热传递和传感器偏差显著改善了机械论VFM的精度。Hotvedt等人（2022a）开发了灰箱VFM，在北海油田案例中，混合模型在瞬态事件中优于独立OLGA模拟器和独立ML模型。另一种混合方法是并行运行多个模型（机械论和数据驱动），然后融合输出。AL-Qutami等人（2022）和Ishak等人（2022）引入了多模态VFM，合并瞬态多相流模拟器和多个ML模型的预测，并采用算法分配置信权重。在六个月的现场试点中，该方法的流量估计误差比任何单个模型改善近50%。混合VFM也可视为物理信息机器学习（PIML）的一部分，如物理信息神经网络（PINNs）将微分方程纳入网络损失函数。Franklin等人（2022）在VFM背景下探索了PINNs。混合方法已成为活跃研究领域，表明单独物理或数据驱动方法均不足以应对所有场景。关键多相参数如GOR、WC和地层体积系数（Bo、Bg）应被纳入模型。Alsaeedi等人（2024）强调，在广泛GOR和WC条件下训练，或使用无量纲群捕捉这些效应，对避免VFM偏向初始条件至关重要。时间模型（如LSTM）在段塞流/瞬态行为下表现最佳，而前馈ANN和树集成在稳态/分层条件下具有竞争力。混合/物理引导方法在跨流型中最为稳定和可解释。

**5. 开发VFM模型的方法论**
开发可靠的VFM涉及从数据采集到模型部署和维护的多步骤过程。一般方法论包括数据收集、预处理、模型开发、验证、部署和维护。第一步是收集历史和实时数据，包括所有相关传感器测量值（井口压力、油管压力、温度、节流阀开度等）以及来自测试分离器或多相流量计的流量测量值。需收集覆盖代表性操作条件的数据，包括不同节流设置、流量水平和瞬态事件。此外，收集静态信息和流体性质（PVT数据如Bo、溶解GOR、流体密度和粘度）。进行数据质量评估，识别并标记异常数据点，应用基本滤波或平滑，但需谨慎避免去除真实瞬态信号。通过工程判断区分噪声与真实异常行为。可增强原始输入，添加工程特征，如压力差、移动平均、雷诺数或弗劳德数等无量纲数。明确标注数据集中具有可靠流量测量值的段（用于训练/验证）和无标签段（用于测试）。然后决定VFM建模方法类型。若存在可信的第一原理井模拟器，可选择混合方法；否则，从头开发纯数据驱动模型。常见ML算法包括ANN、集成树方法（随机森林、梯度提升）、支持向量机（SVM）等。对于具有显著时间依赖性行为的情况，使用序列模型如LSTM或时序卷积网络。定义输出结构（预测各相或总流量）。训练ML模型并验证性能，使用时间顺序分割数据（训练、验证、测试），避免未来信息泄露。训练时最小化损失函数（如均方误差MSE或平均绝对误差MAE），进行特征选择和超参数调优。可纳入物理约束，如惩罚负预测或强制单调关系。在测试集上评估性能，计算MAE、平均绝对百分比误差（MAPE）、决定系数R²等指标，并检查系统偏差。若VFM与其他井或网络协同工作，考虑实施数据一致性步骤，如缩放VFM输出以匹配已知总量。部署后，持续监控VFM性能，定期将井测试结果与VFM预测比较，跟踪误差趋势。若性能退化，进行维护，包括定期重新训练ML模型或处理井的阶跃变化。

**5.1 VFM模型的输入和输出参数**
输入数据包括传感器数据（差压ΔP、压力P、温度T、流体速度V）和测量数据（流体性质，如密度ρ、粘度μ、表面张力σ）。输出数据是ML-based VFM模型生成的预测，主要包括总流量或相特定流量（气体、油、水）。高级VFM可预测相分数、不确定性或置信度指标，以及二次变量如压降和校正因子。输入数据还包含衍生特征（如雷诺数Re、弗劳德数Fr）和几何数据。图3和图4示意了VFM开发过程。

**5.2 VFM的数据处理与质量保证**
可靠的虚拟流量计量依赖于严谨、避免泄漏的数据准备。生产测量值需验证，单位统一，并在开发模型前与参考条件协调。时间序列对齐/重采样，使用温和滤波器减少尖峰，对异常值和缺失值采用鲁棒预处理。缩放器和变换严格在时间分割后的训练数据上拟合。评估采用时间顺序或嵌套方案以防止未来到过去的信息泄漏。工程化流型感知特征以捕捉ΔP动力学和瞬态行为，对非稳态流采用动态/循环公式。检查特征相关性，在测试集上使用RMSE/MAE/R²总结性能。

**6. 挑战与考量**
开发VFM模型的主要挑战包括数据质量和可用性、传感器可靠性、数据多样性。传感器校准和漂移严重影响数据质量。数据集应覆盖所有流型以避免过拟合。算法复杂性、可解释性和不确定性量化也是关键挑战。跨井或跨油田部署VFM模型受流特性分布偏移（如GVF/WC包络、段塞流强度）、操作策略和传感器校准的影响，可能导致RMSE/MAE上升和R²下降。可迁移性可通过迁移学习（冻结早期特征提取器并微调高层）、域自适应或重要性加权来改善。多任务或层次化公式共享全局结构并允许井特定头部，可进一步缓解过拟合。物理引导约束和归一化（如质量平衡、对ΔP/节流阀的单调性）改善外推，预测不确定性和漂移监测指导选择性重新训练。

**7. VFM案例研究**
**7.1 案例1：生产节流阀的混合机械论/数据驱动VFM**
Hotvedt等人（2020）开发了用于生产节流阀的VFM，采用混合建模策略，结合简化第一原理方程和神经网络对阀门流量系数的估计。该方案与纯机械论节流阀模型和全数据驱动神经网络模型进行了基准测试，所有模型均使用Edvard Grieg平台十口油井的几年历史生产数据校准。测试集结果表明，混合模型能捕捉一些非线性关系和外推挑战，但纯机械论模型在井间一致性精度上略优，提示假设的节流阀流动公式已适用于该资产。作者认为混合VFM概念有前景，但需要更好的预处理、更准确的参考测量和探索替代混合结构以发挥其潜力。

**7.2 案例2：VFM在海底和地面油田中的成本与实施效益**
Varyan（2016）研究了软件VFM作为硬件多相流量计替代方案的经济和实际影响，涉及海底和地面开发。VFM使用耦合井筒和节流阀模型、流体PVT描述以及可用压力/温度/节流阀位置测量推断三相流量，模型调谐针对测试分离器或可信计量数据。对于新建海底油田，省略海底多相流量计可简化采油树和控制系统，减少电力和通信要求，实现更轻便、紧凑的硬件，每棵海底采油树估计节省资本超过200万美元。在成熟海底油田，VFM可恢复单井速率信息，而无需回收或更换故障流量计，避免每次干预成本超过100万美元。地面设施案例表明，仅由节流阀相关测量和假设固定凝析气比（CGR）及水气比（WGR）驱动的VFM能以可接受精度再现测试分离器的气体速率，并在井测试之间提供连续监测。案例研究表明，VFM可提供与物理流量计合理一致的速率估计，同时显著降低CAPEX和OPEX。

**8. 结论**
VFM将在数字化油田中发挥日益重要的作用。本综述全面回顾了发展历程并批判性审视了当前VFM能力。将ML与多相流建模集成可产生能够提供实时、经济高效流量测量的VFM，补充甚至替代物理流量计。过去二十年的现场部署表明，VFM可减少破坏性井测试频率，改善分配精度，并增强生产工程师的情境感知。在海上昂贵环境和老化油田，VFM为连续井监测和生产优化提供了经济可行的方案。文献中的关键见解显示，没有通用的VFM解决方案；最佳方法取决于数据可用性、井特性和操作目标。多相流细微差别（如GOR、WC、流型转变）必须在任何稳健VFM中考虑。尽管取得了显著进展，VFM仍面临重要研究空白和实际挑战。未来方向包括：自主和自适应VFM（在线学习、自适应校准）、物理信息机器学习（PIML，如PINNs嵌入多相流方程）、通过数字孪生进行整体集成（场景测试、实时监测）、跨油田泛化和基于云的学习（元模型）、标准化验证协议（公共基准数据集、统一指标）、以及扩展应用（如排放监测、甲烷估算）。下一代VFM可能更自主、物理信息更丰富，并整合到更广泛的油田管理系统中。