齐丽强，黄清龙，章云峰

（中国船舶第715 研究所 浙江 杭州 310023）

0 引言

在油井的钻探和开采中，油井液面（此时液面是动态变化的，叫做“动液面”）的准确监测直接影响着油井的现场安全以及生产效率[1]。动液面的传统测量方法是使用无弹头火药子弹或氮气瓶声弹作为发声介质，利用液位仪由人工定期进行测试操作[2-4]。目前所使用的液位仪大多需人工采集、分析、数据录入，测试效率低下，存在一定安全风险，遇到恶劣天气时无法到现场测试，实时性较差。若能将液位仪固定在油井的某个位置，并进行相应的保护，测试人员可以在录井仪等室内进行远距离测试。这样当遭遇恶劣天气，便可在室内无影响地通过液位仪来实时监测液面位置数据，对于动液面全天候安全监控便会带来许多便利。

另外，在动液面测试过程中，测试人员在测得液位数据后往往通过对讲的方式将数据传达给油井操作或监控人员，在野外嘈杂环境中显得极为不便。若能在测试人员获得液面位置数据的同时，通过网络同步的将数据发送给油井操作或监控人员，对于动液面全局监控便会带来非常理想的效果。

需要注意的是，油井现场动液面情况一般较为复杂，常常会出现难以直接判断出准确液面位置的复杂监测数据，在移动网络方便情形下若能借助于云平台，由油井现场人员将监测数据一键上传到云端，便可借助在云端布设的液面位置智能识别算法更为准确地得到液面位置数据[5-6]。

综上所述，本系统首先将液位仪固定安装于油井的节流管汇等地，并针对长期放置的情形进行相应的保护。同时，基于无线网桥及局域互联技术，在油井现场不同区域布设多个监测终端，测试人员可以在不同区域实现远距离全天候对井下液面位置数据的协同测试。当油井现场出现难以直接判断出准确液面位置的复杂监测数据时，一键将监测数据上传到云端，借助布设在云端的复杂智能算法实现更为精准的液面位置监测。

1 系统总体设计

借助物联网及云平台技术的油井动液面多端监测系统结构图见图1。

首先在油井现场选定固定监测位置放置油井液位仪，借助无线网桥和无线路由组建油井局域互联系统，整个系统能够实现油井液位数据的同步测试、同步显示，监测终端放置于井场录井仪等室内环境，既可以是电脑也可以是手机，在实时测试以及及时协调方面既方便又快捷。

在解决了测试环节的问题后，油井现场通过互联网上传到云平台的疑难复杂数据就可以通过数据分析服务器来解决。数据分析服务器上布设有智能识别算法，同时，云平台本身又拥有强大的云计算力和云存储量，对于在其上实施复杂算法非常便捷。由于大部分的复杂数据都是无效的异常测试数据，这里首先使用神经网络算法对异常数据进行分类判定，对于正常数据，则根据测试位置的不同，分别使用不同的液位识别算法进行位置判定。

整个过程结束后，数据分析服务器再将结果通过互联网传回油井现场的液位仪终端。每次上传上来的复杂数据都会被数据分析服务器保存至数据库服务器，这些数据既方便了技术人员下载进行经验积累，又可以帮助智能分析算法进行迭代升级以使其能更加精准地进行油井动液面判断。

2 改进的油井液位仪

油井液位仪是通过回声计量的方式根据液面回波而计算得到油井液面深度。测量示意图见图2。

在井口套管与油管环空处发射声波，测量接箍和液面的反射波，在已知接箍长度时，计算得到声波在环空的传播速度v与液面反射波的时间t，从而得到液面深度s，即

一般情况下，液位仪对于采集到的回声数据进行两路处理：一路进入高频滤波通道，后变成节箍波信号来计算声速数据，另一路进入低频滤波通道变成液面波信号，再经过波形整理来定位液面位置。

目前所使用的油井液位仪主要存在两个问题：（1）常常需要人工定期到油井现场进行测试，效率较低且受现场测试天气和环境影响；（2）对所采集到的数据不能得到精确的分析结果，往往需要人工多次确认和比对分析来得到准确液位数据。

针对问题1，根据长期的测试及验证，选定节流管汇处作为固定放置液位仪的位置，此处测得的液面回波数据较为稳定且容易分析，更易实现无人远程实时监测，具体安装位置见图3。

在此位置的实测液面回波波形见图4，从图中可以看出，虽然初始段有较大干扰，但后面的波形却明显呈现出液面回波的周期性衰减特性，易于软件自动分析和计算油井液面的具体位置。

针对问题2，可借助云平台上的智能算法实现，具体见第4 节所述。

3 基于物联网的油井动液面多端监测系统

在动液面测试过程中，油井现场测试人员与其他工作人员之间的信息传递往往需要用对讲机等方式，在野外嘈杂环境中显得极为不便。为了能在测试人员获得液面位置数据的同时，通过网络同步将数据发送给油井操作或监控人员，可采取无线网桥和无线路由两种局域物联网方式实现多端同步接收。

3.1 无线网桥局域组网

组网方式具体见图5，液位仪机箱会自带一个无线网桥天线，在无遮挡的情况下，无线网络作用半径在200m左右，可借用此无线网桥的网络组局域网。局域网中的设备包括连接到无线网桥的主机、连接到无线网桥的电脑端或手机端从机组成。

无线局域网主机担当无线局域网server 的角色，在负责对液位仪操控的同时，可实时为无线局域网从机提供同步的回声数据波形和液面位置数据。局域网内的从机（电脑端或手机端）作为client 首先需连接到局域网主机所做的server，连接成功后，局域网主机会实时将接收的回声数据波形和液面位置数据传递给连接到其上的client。如此油井操作或监控人员便可方便地同步查看油井液位的实时数据。

3.2 无线路由局域组网

如果环境恶劣或者现场不允许测试人员在井旁进行页面位置测量，可通过两个无线网桥天线点对点远程操控井旁的液位仪设备，在无遮挡的情况下，点对点直线距离在200 m左右。此时，可借用无线路由实现局域组网来满足多端同步接收的需求，具体组网方式见图6。无线局域网由连接到无线路由的主机、连接到无线路由的电脑端或手机端从机组成。

无线局域网主机担当无线局域网server 的角色，通过网线连接到近端的无线网桥，实现与远端液位仪设备的无线连接，在负责对液位仪操控的同时，可实时为无线局域网从机提供同步的回声数据波形和液面位置数据。局域网内的从机（电脑端或手机端）作为client 首先需连接到局域网主机所做的server，连接成功后，局域网主机会实时的将接收的回声数据波形和液面位置数据传递给连接到其上的client。同样，油井操作或监控人员由此可方便同步查看油井液位的实时数据。

4 智能云平台设计

云平台首先利用Internet将广域异构计算资源整合，形成一个抽象的、虚拟的和动态扩展的计算机资源池；再通过Internet 向用户按需提供计算资源、存储资源和应用软件等服务。在云平台上，计算机资源得以共享，能够提供强大的计算存储功能[7-8]。

4.1 云平台架构

智能云平台的目的在于构建一个油井液位的复杂数据智能分析中心和数据存储中心。在云平台布设智能油井液位识别算法，更方便现场操作人员通过互联网借助云端复杂算法处理难以准确分析出液面具体位置的复杂数据。同时，将油田现场的动液面数据汇总至云数据中心，不仅有利于不同区域的工作人员共享测试经验，也更有利于云端智能算法的不断优化，并以此来为现场工作人员提供更为精准的智能识别算法。具体架构见图7。

当油井现场有复杂数据需要云端支持时，主机程序界面有一键上传当前数据的按钮，在主机联网的情况下，点击按钮上传数据，云端服务器应用程序在收到数据后，调用智能算法程序，该算法程序能够借助云计算的强大算力准确地识别出液面具体位置，计算出来的结果再由服务器应用程序通过互联网定点传递给请求云端支持的油井现场主机应用程序，测试人员便可得到准确的油井液面深度。

完成液面位置测试数据分析后，服务器应用程序会同步将该数据存储到数据库。数据库的数据一方面可供测试人员下载学习，另一方面智能算法程序会定期利用数据库的测试数据更新算法，以便后期更精准地对复杂数据进行分析。

4.2 云平台智能分析流程

智能云平台的核心是对所上传液面位置测试数据的智能分析，其具体分析流程见图8。

云平台的智能算法程序在收到油井现场上传测试数据后，首先进行异常判断，在实际的油井液面测试中，由于设备原因或者现场环境影响，所测的数据常常无法分析出进行油井液面，这些数据被称为异常液面测试数据，导致测试异常的具体原因有气瓶压力不足、枪体漏气、枪体有污垢、主板故障、现场测试气路不畅以及液面气泡过多等。

智能算法程序主要使用BP（Back Propagation）神经网络算法来智能识别异常数据以及导致异常的原因。若数据无异常，则根据测试位置的不同，常常使用幅值测定法、区间最小二乘平滑滤波以及自相关周期估计等对应地进行液面深度分析。

4.3 异常数据智能识别算法简析

在实际运行中发现，现场测试的难以分析的复杂数据有一大部分是由于各种故障和环境影响造成的异常数据，所以如何准确地筛选出异常数据至关重要。这里对所使用的基于BP 神经网络的异常数据筛选算法进行简要分析。

BP 神经网络是人工神经网络（Artificial Neural Network，ANN）的一种，其结构见图9。

BP 神经网络是一种前馈神经网络，其主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP 神经网络预测输出不断逼近期望输出[9-10]。

油井液位数据是一个声波采样序列，整个采样时长为30 s，针对其声学特征，首先将30 s 在时域依次分成10 段，提取每段的负向最大极值，同时再提取声波采样序列的时域正向最大幅值、时域负向最大幅值、频域主峰频率和频域次珠峰频率共计14 个值作为BP 神经网络的输入，对应输入层节点变为14。选定正常数据、枪体压力不足、枪体有污垢、主板故障、现场测试气路不畅、液面气泡过多以及其他原因等7 个结果作为BP 神经网络的输出，对应输出层节点变为7。根据输入输出节点的个数以及经验值，隐含层节点选定18 个。

BP 神经网络的整体结构便为14-18-7，即输入层有14个节点，隐含层有18 个节点，输出层有7 个节点。经过上千次的训练后，该网络在实际的运行中能够对复杂数据中的异常数据进行准确筛选。同时，随着数据库中实测数据的不断积累，该网络会定期对新数据进行训练，并更新网络。另外，借助云计算的强大算力，后期也会不断地丰富网络结构而使整个智能网络算法更加健壮和精准。

5 结语

综上所述，针对油井动液面测试过程中所遇到的各种问题，本文基于物联网和云平台设计了油井动液面多端智能监测系统。首先，针对测试实时性差以及受环境影响较大等问题，选定油井的节流管汇作为油井液位仪的固定安装位置并加以防护，这样便可实时对动液面进行监测。其次，使用无线及局域互联的方式，在油井的不同区块布设多个监测终端，以使现场的不同岗位人员实现同步测试和同步显示。最后，针对测试现场容易出现的难以直接判断出准确液面位置的复杂监测数据，架设智能云平台，油井现场人员通过互联网将监测数据一键上传到云端，云端的智能算法程序借助云端强大的计算力对复杂数据进行精准分析与判断，这样对油井动液面的监测就变得既便捷又可靠。