⚡ electrical engineering

Physics-Informed Machine Learning for Radiation-Free Water Liquid Ratio Estimation Using Coriolis Flow Measurements

本研究引入了一种无辐射、物理信息驱动的机器学习框架，该框架仅利用科里奥利质量流量测量和一种新型谐波混合密度平均因子（HMDMF），即可精确估算三相油–气–水流中的水液比，实现了高预测性能（R² = 0.8943），并为传统的伽马射线系统提供了一种具有成本效益的替代方案。

原作者： Hamza Zidoum, Majid Al Yaroubi

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hamza Zidoum, Majid Al Yaroubi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图精确计算出在流经管道的油气混合物中到底混入了多少水。这对于石油公司来说至关重要，因为他们需要准确掌握从地下开采出的物质的具体“配方”，以进行业务管理。

传统上，为了解决这个“液体配方”难题，公司会使用一种特殊、昂贵且略带危险性的工具——双能伽马计（Dual Gamma Meter）。你可以把它想象成一台高科技的、由辐射驱动的 X 光机，通过观察管道来计数油、水和气体的颗粒。它效果很好，但成本高昂，需要特殊的安全许可，并且涉及放射性物质的处理。

问题所在：
阿曼的石油公司希望找到一种更便宜、更安全的方法，且无需使用辐射。他们已经安装了另一种工具：科里奥利流量计（Coriolis Flow Meter）。你可以把这种流量计想象成一个非常灵敏的振动音叉。当液体流过时，管子会发生微小的振动。通过测量这种振动，流量计可以告诉你液体的总重量及其密度。

然而，这里有一个陷阱：如果液体中混入了哪怕一点点气泡，振动的管子就会感到“困惑”。这就像是在称量一袋羽毛时，有人在不停地摇晃这个袋子；读数会变得不准确。流量计会将这些气泡带来的“轻盈感”误认为是液体本身变轻了，从而导致无法判断其中到底含有多少水。

解决方案：一个“懂物理”的 AI
研究人员构建了一个全新的系统，利用**机器学习（AI）**来修复科里奥利流量计的“困惑”，但他们加入了一个特别的技巧。他们并没有仅仅向 AI 输入原始数字，而是教会了它一个特定的“物理规则”，以帮助它理解正在发生的情况。

以下是他们发明的核心内容，用简单的语言解释如下：

“气体检测器”线索 (HMDMF)：
研究人员创建了一个新的数学线索，称之为调和混合密度平均因子（Harmonic Mixture Density Mean Factor）（这是一个听起来很高级的名称，意为“气体敏感度评分”）。
- 类比： 想象你有一杯奶昔，里面有沉重的草莓（油）、沉重的水（水）和轻盈的空气泡（气体）。如果你只称量奶昔的重量，空气泡会让它看起来比实际更轻。
- 研究人员意识到，如果对已知油、水、气的重量进行一种特定类型的数学计算（称为“调和平均值”），其结果会对那些空气泡的存在极其敏感。
- 他们创造了一个比例：混合物“看起来”有多重 vs. 如果没有气体，数学计算显示它“应该”有多重。
- 这个比例就像是一个秘密信号。即使没有专门的气体传感器，这个数值也能告诉 AI：“嘿，有气泡在干扰重量读数了！”
训练过程：
他们使用了来自阿曼 26 口油井的 735,034 条真实世界测量数据。他们将这些数据喂给了五种不同类型的 AI“学生”（包括类似于“决策委员会”的随机森林，以及类似于“数字大脑”的神经网络）。
- 测试 1（盲目学生）： 他们只给 AI 提供原始重量和流速。
  - 结果： AI 的表现很糟糕。它完全无法猜出水的含量。这就像是试图仅通过观察锅柄来猜测汤里的食材一样。
- 测试 2（聪明学生）： 他们给 AI 提供了原始数据加上新的“气体敏感度评分”（即 HMDMF）。
  - 结果： AI 突然变得像天才一样。它能以约 89% 的准确率预测含水量。

核心结论：
这项研究证明，你不再需要那种昂贵的、放射性的 X 光机了。通过使用标准的振动计（科里奥利流量计）、一个聪明的数学技巧（HMDMF 评分）以及一个 AI 大脑，我们就能像使用高科技辐射方法那样，准确地算出含水量。

总结如下：

旧方法： 使用放射性 X 光机来观察管道内部。（昂贵、有风险）。
新方法： 振动计 + 聪明的数学技巧 + AI 大脑。（更便宜、更安全，且同样准确）。

研究人员发现，“数学技巧”（HMDMF）是最重要的成分。如果没有它，AI 就会失败；有了它，AI 就能成功。这证明了理解问题的物理本质，是让计算机变得足够聪明以解决问题的关键。

技术摘要：用于无辐射水液比估算的物理信息机器学习研究

问题陈述
在三相（油–水–气）流体系统中，准确确定水液比（WLR）和纯液体密度对于油藏管理和生产优化至关重要。传统的解决方案依赖于集成双伽马射线传感器的多相流计（MPFM）进行相分率解析。虽然这些系统精度很高，但存在显著缺陷：高昂的资本与维护成本、严格的监管合规要求、辐射安全隐患以及校准复杂性。因此，阿曼及海湾合作委员会（GCC）地区的运营商正在寻求无辐射的替代方案。

现有的低性能测试仪（LPT）利用科里奥利质量流量计（CMFM）测量液体流速和表观混合密度。然而，在缺乏专用气体分离器的情况下，液体管路中残留的气体夹带会导致“半三相”工况。这种夹带现象会使表观科里奥利密度低于真实的液体值，从而在利用标准体积混合方程计算 WLR 时引入显著的不确定性。虽然机器学习（ML）已被应用于修正两相流中的科里奥利误差或使用伽马射线输入，但目前尚不存在一个经过验证的框架，能够仅利用标准的科里奥利现场输出（无需伽马仪表或内部诊断）在实际生产数据中估算 WLR 和纯液体密度。

方法论
本研究提出了一个物理信息机器学习框架，该框架基于从阿曼 Daleel 石油田三个 LPT 单元的 26 口油井收集的 735,034 条一分钟记录（2025 年 1 月至 8 月）训练而成。

数据预处理： 处理流程包括 PVT 标准化，旨在将实验室密度转换为原位条件。通过严格的过滤过程剔除了缺失值、仪表故障（例如 WLR > 100%）和异常值。通过无分布的基于分位数的稳定性分析，建立了 3.0 m³/d 的最小可靠流速阈值，以确保信噪比的完整性。
特征工程（调和混合密度均值因子 - $k_H$ ）： 核心创新在于推导出了 $k_H$ $k_{H}$ ，这是一个无量纲且对气体敏感的指数。
- 表观混合密度 ( $\rho_{mix}$ ) 是各相密度按体积占比加权的算术平均值。
- 调和平均密度 ( $\rho_{HMDM}$ ) 是基于各相密度的倒数计算得出的。
- $k_H$ 定义为比率 $\rho_{mix} / \rho_{HMDM}$ 。
- 从解析法上看， $k_H$ 随着气体体积分率（GVF）的增加而单调递减。不同于通用的工程特征， $k_H$ 是根据三相混合方程推导出来的，旨在编码夹带气体对调和均值的非比例影响，从而在不需要直接测量气体的情况下，提供一个隐含的 GVF 信号。
实验设计： 研究评估了五种机器学习模型（线性回归、支持向量回归、随机森林、梯度提升以及自定义的 Physics-ANN），并采用两步协议进行：
- 步骤 1（基准）： 仅使用原始输入（液体流速 $Q_l$ 和气体密度 $\rho_g$ ）进行训练。
- 步骤 2（完整）： 通过添加 $k_H$ 作为第三个输入进行重新训练。
- 该设计旨在隔离 $k_H$ 对不同模型族预测准确性的具体贡献。
验证： 模型通过 80/20 随机拆分和 5 折时间交叉验证协议进行评估，以确保结果并非由于时间泄漏（即连续的时间戳记录共享相同工况）所致。

关键结果

基准性能： 在没有 $k_H$ 的情况下，所有五个模型的表现都很差， $R^2$ 值范围在 0.083 到 0.194 之间。这证实了仅靠科里奥利测量的流速和气体密度不足以进行 WLR 估算。
$k_H$ 的影响： 引入 $k_H$ 后，所有模型架构都出现了剧烈且统一的提升。所有模型的 $R^2$ 值均增加了 +0.70 至 +0.79。
表现最佳的模型： 随机森林模型实现了最高的准确度，在测试集上的 $R^2 = 0.8943$ 且 RMSE = 0.0854。梯度提升（ $R^2 = 0.8940$ ）和 SVR（ $R^2 = 0.8920$ ）紧随其后。ANN 的 $R^2$ 为 0.8825。
时间验证： 时间交叉验证产生的平均 $R^2$ 为 0.8913，与随机拆分的结果几乎一致。这证实了模型的泛化能力，并证明其性能并非源于时间数据泄漏。
流量阈值： 针对较高流速（10.0 m³/d）进行过滤提升了性能（RMSE 降低了约 12.8%），但过度过滤（24.0 m³/d）带来的收益递减，表明在数据质量与数量之间存在权衡。

意义与主张
本文声称有三项主要贡献：

$k_H$ 指数： 引入了 $k_H$ 作为一种新型的、由物理推导的代理观测值，用于量化气体夹带效应。研究表明， $k_H$ 是预测准确性的主要驱动力，它在不需要额外传感器的情况下提供了一个可计算的 GVF 信号。
模型无关的提升： 性能增益在线性、核函数、集成学习和神经网络架构中是一致的。这证明了性能的提升源于特征本身的物理信息含量，而非特定算法的归纳偏置。
无辐射替代方案： 该框架建立了一种仅利用标准科里奥利输出和实验室相密度即可估算 WLR 和纯液体密度的可行且具有成本效益的方法，消除了对双伽马仪器的需求。

作者总结道，虽然带有 $k_H$ 的随机森林模型为试井测量提供了一个稳健的解决方案，但与理想值（接近 1）之间存在的剩余差距，很可能是由于缺乏科里奥利内部振动诊断（如阻尼、驱动增益）以及缺乏时间序列建模，而非 $k_H$ 特征本身的缺陷。该研究将此工作定位为石油生产中实现无辐射虚拟流量计测量的重要一步。

类似论文