天然气地球科学 >

2026 , Vol. 37 >Issue 2: 391 - 402

DOI: https://doi.org/10.11764/j.issn.1672-1926.2025.09.003

天然气开发

水平井气水两相流声波响应规律实验

  • 罗红文 , 1 ,
  • 冉飞飞 , 1 ,
  • 李海涛 1 ,
  • 王微乐 1 ,
  • 左凯 2 ,
  • 杨文浩 1 ,
  • 张玺亮 2 ,
  • 李颖 1
展开
  • 1. 西南石油大学石油与天然气工程学院，四川 成都 610500
  • 2. 中海油能源发展股份有限公司工程技术分公司，天津 300452
冉飞飞（2000-），男，四川资阳人，硕士研究生，主要从事油气井分布式光纤监测解释评价研究. E-mail：.

罗红文（1990-），男，重庆人，博士，讲师，硕士研究生导师，主要从事油气井分布式光纤监测（DTS/DAS/DSS）解释、注采动态评价及完井优化研究. E-mail：.

收稿日期: 2025-05-27

  修回日期: 2025-09-24

  网络出版日期: 2025-10-14

基金资助

中国石油科技创新基金项目(2022DQ02-0305)

收起

Experimental study on acoustic response law of horizontal wells with gas-water two-phase flow

  • Hongwen LUO , 1 ,
  • Feifei RAN , 1 ,
  • Haitao LI 1 ,
  • Weile WANG 1 ,
  • Kai ZUO 2 ,
  • Wenhao YANG 1 ,
  • Xiliang ZHANG 2 ,
  • Ying LI 1
Expand
  • 1. School of Petroleum Engineering，Southwest Petroleum University，Chengdu 610500，China
  • 2. Engineering Technology Branch，CNOOC Energy Development Co. Ltd. ，Tianjin 300452，China

Received date: 2025-05-27

  Revised date: 2025-09-24

  Online published: 2025-10-14

Supported by

The CNPC Innovation Foundation(2022DQ02-0305)

Fold

摘要

分布式光纤声波传感（DAS）技术已广泛用于水平井生产动态监测，然而井下声音信号复杂、易受干扰，目前对水平井气水两相流声波响应规律认识不足，通过DAS数据定量诊断水平气井产出剖面仍是十分困难。通过室内物理模拟实验，模拟测试了水平井不同产量、水气比生产过程中的声波剖面，采用快速傅里叶变换和数字滤波，提取了不同模拟工作情况下的DAS数据有效频幅特征量，分析了水平井气水两相流动声波响应规律。绘制了DAS声波能量与井筒流速关系图版，通过数据回归建立了气水两相流水平井DAS声波能量与井筒流速关系模型库，实现了不同模拟工作情况下井筒流速与DAS响应之间的定量关系表征，为DAS数据反演奠定了模型基础，为解决水平井气水两相流产出剖面定量解释提供了新的技术思路。

关键词： 声波响应规律; 气水两相水平井; DAS; 物模实验; 回归模型; 特征频率

本文引用格式

罗红文 , 冉飞飞 , 李海涛 , 王微乐 , 左凯 , 杨文浩 , 张玺亮 , 李颖 . 水平井气水两相流声波响应规律实验[J]. 天然气地球科学, 2026 , 37(2) : 391 -402 . DOI: 10.11764/j.issn.1672-1926.2025.09.003

Abstract

Distributed acoustic sensing （DAS） technology has been widely used in dynamic monitoring of horizontal well production. However， the downhole acoustic signal is complex and interfered. At present， the understanding of the acoustic response law of gas-water two-phase flow in horizontal wells is insufficient. It is still very difficult to quantitatively diagnose the production profile of horizontal gas wells through DAS data. In this paper， through indoor physical simulation experiments， the acoustic wave profiles in the production process of horizontal wells with different production and water-gas ratio are simulated and tested. Through fast Fourier transform and digital filtering， the effective frequency amplitude characteristics of DAS data under different simulation conditions are extracted， and the acoustic wave response law of gas-water two-phase flow in horizontal wells is analyzed. The relationship chart between DAS acoustic energy and wellbore velocity is drawn， and the model library of the relationship between DAS acoustic energy and wellbore velocity in gas-water two-phase flow horizontal wells is established by data regression. The quantitative relationship between wellbore velocity and DAS response under different simulation conditions is realized， which lays a model foundation for DAS data inversion and provides a new technical idea for solving the quantitative interpretation of gas-water two-phase flow profile in horizontal wells.

Key words： Acoustic response law; Gas-water two-phase horizontal well; DAS; Physical model experiment; Regression model; Characteristic frequency

0 引言

目前水平井油气井分布式光纤监测技术主要包括分布式光纤温度传感（Distributed Temperature Sensing，DTS）技术和分布式光纤声波传感（Distributed Acoustic Sensing，DAS）技术2种，且已形成DTS/DAS配套监测体系［1］，在水平井压裂、生产动态监测及井下工具工况诊断方面具有较多应用案例［2］。何浩然［3］采用分布式光纤声波传感（DAS）技术对页岩气水平井实施临井监测，结果表明该技术具备实时性强、压裂施工参数调整及时等优势。何乐等［4］在川南页岩气水平井中首次实施套管外光纤实时监测，通过DAS信号特征精准识别2类窜漏模式和诊断裂缝扩展状态，为优化压裂方案提供基础。李一强［5］建立流体在水力压裂裂缝中流动的声波监测实验装置，开展多因素声波监测实验，并建立了流量对数 L n q与声压级的线性关系。刘隆旭［6］基于水平井筒流动监测模拟试验装置开展实验，对DAS数据降噪后结合人工神经网络构建流体流动状态识别模型，正确识别率达92.4%。史开源［7］针对分布式光纤传感技术获取的井筒声信号与温度数据，通过数据处理方法构建了井筒流体特征与声强、温度变化的关联模型，实现水平井生产剖面解释。刘均荣等［8］基于光纤监测模拟试验系统，处理不同流体流动的DAS数据，提取特征并结合机器学习构建井筒流体类型识别分类模型。韩艳慧［9］开展多相流体流动DAS监测实验，采用多种变换方法，对频率—波数域图像中的“V”形直线段进行识别，并结合多普勒频移效应，构建基于DAS数据的流体声速与流速求解模型。梁兴等［10］基于DAS技术对页岩气水平井水力压裂光纤微振动进行同井监测，使用波形包络和混合成像条件的方法提高同井DAS监测的准确性。
国外学者应用低频DAS（LF-DAS）技术监测气水井，实现井筒多相流动态、管柱完整性及储层响应的长距离光纤实时监测。TITOV等［11］基于DAS实时监测技术构建垂直流环路，提出联合热—声信号分析的多相流监测方法，实现气液相速度分离及液体持率估算。PALEJA等［12］利用DAS实时监测技术，通过构建偏斜/水平/垂直井筒模型模拟气水多相流，结合傅里叶变换及速度—似然矩阵等方法处理数据，提出无校准实时监测多相流速度、定性检测气体突破及流体界面的非侵入式方案。ALI等［13］研究水平管道气液两相段塞流，采用低频应变率分析等方法，提出非侵入式定量分析方法，实现多相流参数实时量化。TABJULA等［14］采集垂直井和水平流动环路的DAS数据，并进行时域（RMS）、频域（FBE）信号处理，结合线性、指数、三次多项式经验关联函数拟合的手段，证明在50~300 GPM的垂直井及12~36 GPM的水平环路流速范围内，DAS能有效预测流速，最佳关联模型决定系数（R²>0.95），平均预测误差<10%。SHETTY等［15］开展砂粒运移实验，利用频域分析解析频率波动特征，提出DAS-FBE测算方法量化砂粒滑动速度。LIU等［16］通过油水两相流实验构建“声学指纹”数据库，结合机器学习建立含水差异识别模型，应用于储层动态分析。LIU等［17］通过采集井筒声学信号，利用决策树、随机森林等机器学习模型分类油水两相流含水率，直井与水平井识别准确率均超90%。GURJAO等［18］提出DSS/DAS数值模拟方法，耦合压裂过程岩石力学与流体力学，复现近光纤断裂应变分布、应力阴影等现场监测特征。CRAMER等［19］通过分布式光纤和携带高清摄像头井下工具串对压裂过程中的射孔孔眼冲蚀情况进行了监测，并通过DAS数据分析，对各射孔簇的进液量进行了估算。WU等［20］基于低频DAS技术，在四川深层页岩气水平井捕捉裂缝扩展及井间干扰特征，发现层理面促使裂缝呈水平复杂扩展。CIPOLLA等［21］利用DAS技术在H5井部署永久光纤，监测近井筒（NWB）流体分布，计算均匀性指数（UI），并结合密封井筒压力监测（SWPM）及跨井应变测量，发现近井筒流体分布均匀性（UI）与远场归一化首次响应体积（VFR）呈正相关。ALKHALAF等［22］通过DAS技术，对油井DAS数据短时傅里叶变换提取特征，结合生产测井仪（PLT）数据标注标签，经决策树、随机森林等监督学习模型训练，发现DAS结合机器学习可有效分类含水率。ALFATAIERGE等［23］通过DAS与FBG实验证实，DAS振幅响应与流动湍流程度强相关，适用于管道流量及异常流动监测。GHAHFAROKHI等［24］提取DAS能量方差属性，结合神经网络分析，发现其与天然气产量预测重要性呈负相关，在有限入口改造阶段关系更显著。
从上述可知，当前DAS技术主要应用于油气井压裂监测。针对水平井气水两相流，声波响应机理研究匮乏，流速—DAS定量关系尚未建立，导致产出剖面定量评价失效。本文通过声波剖面室内实验，揭示气水两相流声波响应规律，构建流速—DAS定量解释模型，突破产出剖面监测技术瓶颈。

1 实验设计

1.1　实验目的

通过实验模拟分析气水两相流水平井生产过程DAS声波响应影响规律，明确DAS响应能量与水平井气水两相流动之间的关系，构建不同水气比井筒流速与声波能量关系模型，实现水平井两相流速与DAS响应之间关系定量表征，为实现DAS水平气井产出剖面监测定量解释奠定基础。

1.2　实验装置

本文主要采用自研的水平井声波剖面光纤监测物模实验装置进行模拟实验，实验装置如图1所示，该装置主要包括DAS监测模块、分段调流模块、井筒模块和回收模块，其中DAS监测模块包括智能分布式光纤声波传感系统、铠装光纤等，对模拟实验过程中全井段的声波信号进行实时采集；分段调流模块包括储气罐、储液罐、高压泵及调流阀等；井筒模块主要包括井筒主体、进出液管线、炮眼管及控制阀等；回收模块主要用于气液分离、回收废液。其中模拟井筒钢管（ ϕ5.5’，21 m）连接3簇炮眼管（模拟射孔孔眼），模拟地层流体径向流入井筒，炮眼管产出流体流量记为q y，从井筒末端注入流体模拟井筒内非产出段的流体轴向流动，流量记为q x（图2）；光纤同时布设于井筒内（50~70 m）和井筒外壁（210~230 m），实验过程中可同时模拟监测套管内和套管外DAS信号。
图1 分布式光纤监测注采声波剖面物理模拟实验装置示意

Fig.1 Schematic diagram of physical simulation experiment device for distributed optical fiber monitoring injection-production acoustic wave profile

图2 模拟井筒示意

Fig.2 Simulation wellbore diagram

1.3　实验方案设计

水平井生产过程中，井筒内流动主要可分为产出段的地层流体径向流入和非产出段的井筒轴向流动两类，首先设计了水平井气水两相流动声波响应机理实验，分析井筒内轴向流动和地层径向流入的声波响应机理，为识别地层流入位置提供参考；同时对比生产过程中光纤所处位置不同（套内和套外）测得的DAS信号差异，为现场井DAS数据预处理提供参考；同时设计水平井两相流动声波响应规律实验，定量模拟测试水平井不同产量（0.5~20）×104 m3/d（井筒等效流速0.05~2.27 m/s）、水气比（模拟地下条件0.1%~5%）生产时的水平井声波剖面，分析气水两相流声波响应规律，构建井筒流速与声波能量关系模型，为实现基于DAS定量解释水平气井两相流产出剖面奠定基础，实验方案如下表1所示。
表1 水平井气水两相流动井筒声波响应规律实验方案

Table 1 Experimental scheme of acoustic response law of gas-water two-phase flow wellbore in horizontal well

序号 光纤数据深度/m 流动方向 流速/（m/s） 水气比/%
1 套管内（50~70）、套管外（210~230） 轴向 0.05 0.1
2 套管内（50~70） 轴向+径向 0.05 0.1
3 套管内（50~70） 轴向 2.27 0.1、0.5、1、3、5

2 实验数据处理及分析

2.1　实验数据处理方法

现场测得的波声波信号为离散时间信号x（n），采用快速傅里叶变换（FFT）对去噪后的DAS离散时间信号x（n）进行转换，获得频域信号 X k ［25］：
X k = ∑ n = 0 N - 1 x n e - j 2 π n k N
式中：n为时间序列；k为频域序列；N为周期。
分布式声波传感（DAS）系统的实际运行场景常面临多源振动信号的耦合影响［26］，实验条件下，环境背景噪声与设备自身噪声仍客观存在，需要对原始测得的DAS数据进行去噪处理，为后续频谱解析奠定高质量的数据基础。本文采用巴特沃斯逼近原则的无限脉冲响应（IIR）数字滤波器对海量DAS数据进行降噪处理，该滤波器属于无限冲击响应（IIR）数字滤波器，具有同频带频率响应曲线平坦无纹波的特性，能以较少系数实现高效滤波，其幅频响应表达式为：
H ω = 1 1 + ω / ω c 2 n
式中：n为滤波器阶数；ω c为通带截止频率，Hz。
IIR数字滤波器的极点被限制在单位圆内，在阶数较低的情况下也具有较高的选择性，此时存储单元占用量小、效率高。IIR数字滤波器的系统函数为：
H z = ∑ r = 0 M a r z - r 1 + ∑ r = 1 N b k z - k
式中：H（z）为z-k 的M阶多项式；ɑr 、bk 为滤波器系数。
采用滤波器对实验测的DAS信号进行分频处理，可提取出反映生产过程中井筒流动信息的特征频域，而特征频域内频率分量与流体流速、水气比等工作情况直接相关，通过计算不同模拟工作情况下，特征频域内的声波能量，可以对油气两相液生产过程中的井筒的流速进行表征。
如图3（a）所示为井筒中气水两相流动过程中测得DAS信号的全频域频谱图，从频谱图中可知DAS响应频域为5~300 Hz，其中主频为92 Hz。通过DAS数据快速傅里叶变化后，DAS数据特征频域的均方根（RMS）能量计算为［27］：
E R M S = ( x 1 2 + x 2 2 + . . . . . . + x n ' 2 ) / n '
式中： E R M S为DAS数据均方根能量，无量纲；x为选定频段内的振幅极限。
图3 实验测试的DAS数据示例

（a） DAS频谱图；(b) DAS能谱图

Fig.3 DAS data example of experimental test

同时，可采用以下公式对DAS数据特征频域的声压级（SPL）能量值进行计算［28］：
E S P L = 10 L g P c 2 P 0 2
式中： E S P L为DAS数据声压级能量，无量纲； P c为DAS数据声压，Pa； P 0为参考声压， 2 × 10 - 5   P a。
沿井深方向，将任意深度位置的DAS数据，在特征频域内计算得到的RMS和SPL共2种能量值按时间累加，即可获得沿井筒深度的累积能量剖面［图3（b）］，从而确定实验模拟生产过程中井筒的实时声波能量，结合实验流量信息，可以定量分析不同工作情况下，井筒流速与DAS声波能量之间的定量关系。

2.2　实验结果分析

2.2.1　光纤布设位置对DAS监测信号的影响

如图4所示为同一模拟生产工作情况下，不同位置光纤测的DAS信号，从图4中可知，套管内光纤测得的DAS信号特征频段为80~190 Hz，DAS信号响应频段较为集中，主频为99 Hz和176 Hz，而套外光纤测得的DAS信号虽然主频位置未变（99 Hz和176 Hz），但明显噪音数据较强，这主要受实验环境、及设备运行等声音的干扰，导致DAS响应频段范围并未集中反映。这也表明光纤与井筒中流体直接接触，测得的DAS信号对水平井筒内流体流动响应更为敏感，更能直接反映井筒内流体流动的声波响应，套外光纤测得的DAS信号，对井筒内流体流动响应反应相对更弱，导致测得的DAS声波能量有所减弱（图5）。
图4 不同光纤布设位置测得的DAS信号频谱

（a） 套内光纤40~80 m；(b) 套外光纤200~240 m

Fig.4 DAS signal spectrum measured at different fiber placement positions

图5 不同光纤布设位置测得的DAS信号能谱

Fig.5 DAS signal energy spectra measured at different fiber placement positions

由此可见，如现场井采用套外光纤测得的DAS数据进行水平井产出剖面解释分析时，需要考虑光纤布设位置对解释结果的影响进行校正。为了更为准确地反映水平井气水两相流DAS响应规律，本文主要通过套内光纤监测的DAS数据进行分析。

2.2.2　井筒内轴向流动、径向流入声波响应特征分析

根据上述实验方案设计，分别测得了流体在井筒轴向流动和地层径向流入情形的DAS剖面。模拟示意图如图6所示，主要模拟流体冲击方向与光纤的布设方向呈垂直（径向流入）和流体冲击方向与光纤的布设方向平行（轴向流动）。
图6 气体井筒轴向流动和地层径向流入井筒模拟示意

Fig.6 Simulation experiment intention of gas wellbore axial flow and formation radial inflow wellbore

如图7所示为提取的DAS数据频谱图，从图7中可知，流体径向流入时，信号集中于低频段，呈现单主频特征，且频段比较集中，其振幅显著高于特征频段内的其他频率振幅；流体井筒内轴向流动（流体平行冲击光纤）时，信号覆盖较宽的频段，呈现多主频特征，主频振幅高于特征频段内的其他频率振幅，但振幅之间的差距小于流体垂直冲击光纤时的振幅差异。
图7 流体轴向、径向流动DAS频谱

Fig.7 DAS spectrum of fluid axial and radial flow

根据图7频谱图确定两种流动情形的DAS特征频域分别为60~120 Hz、60~325 Hz。采用式（5）计算特征频域内的声波能量，绘制如图8所示能谱图，从图8中可知径向流入引发的振动能量集中在光纤的局部区域，表现明显的局部高声波能量，累计能量剖面存在尖峰；而井筒轴向流动时井筒的声波能量沿光纤长度方向均匀分布，累计能量剖面分布更为均匀，而且径向流动所产生的DAS能量远大于轴向流动情形，由此可知DAS响应对流体垂直冲击的敏感程度大于流体水平冲击。因此，根据上述DAS频谱、能谱图特征，可以有效地识别井下流体产出位置，进而将全井段划分为径向流入段（产层段）与轴向流动段（非产层段），为水平井产出位置识别及产出剖面定量解释奠定基础。
图8 径向、轴向流动实验DAS能谱

Fig.8 DAS energy spectrum of radial and axial flow experiments

2.2.3　井筒流速对DAS的影响规律分析

图9所示为不同流速情况下测得的DAS信号频谱图，从图中可知，水平气井生产时井筒DAS声波信号主要在300 Hz以内，当流速在0.05~2.27 m/s范围变化时，对应的DAS响应特征频段集中在50~120 Hz，而主频位置90~95 Hz，可见仅井筒流速单因素变化，DAS响应特征频段范围和主频位置相对稳定。但特征频段内的主频振幅变化较大，主频振幅总体随流速增加而升高，DAS声波能量越高（图10）。分别计算出不同流速情况的RMS能量和SPL能量值，绘制如图11、图12所示DAS能量与流速关系曲线，从图中可知，井筒中气体流速与DAS声波能量呈正相关。井筒流速与RMS能量总体呈较好的指数关系，而与SPL能量值呈二项式关系。
图9 不同流速条件下DAS频谱

Fig.9 DAS spectrum under different flow rates

图10 不同流速条件下DAS能谱

Fig.10 DAS energy spectrum diagram under different flow velocity conditions

图11 轴向DAS数据均方根（RMS）能量与流速关系

Fig.11 Relationship between axial DAS data（RMS） energy and flow velocity

图12 轴向DAS数据声压级（SPL）能量与流速关系

Fig.12 Relationship between axial DAS data （SPL） energy and flow velocity

2.2.4　水气比的对DAS的影响规律分析

对于两相流水平井而言，水气比是影响水平井DAS声波响应的重要因素，根据表1所示实验方案，测得了不同水气比（0.1%~5%）情况下的水平井DAS剖面数据，如图13所示，从图中可知，随着水气比的升高，DAS响应特征频段和主频位置不断向低频方向移动；但随水气比的增加，主频振幅值明显升高，DAS能量越强（图14）；分别计算出不同水气比条件下的RMS能量和SPL能量值，绘制如图15、图16所示DAS能量与水气比关系曲线，从图中可知，水气比与DAS声波能量呈正相关。水气比与RMS能量总体呈较好的指数关系，而与SPL能量值呈二项式关系。
图13 不同水气比情况下DAS频谱

Fig.13 DAS spectrum under different water-gas ratios

图14 不同水气比情况下DAS能谱

Fig.14 DAS energy spectrum under different water-gas ratios

图15 DAS数据均方根（RMS）能量与水气比关系

Fig.15 The relationship between DAS data（RMS） energy and water-gas ratio

图16 DAS数据声压级（SPL）能量与水气比关系

Fig.16 The relationship between DAS data（SPL） energy and water-gas ratio

2.3　气水两相流DAS拟合关系模型

从上述单因素影响规律分析可知，不同井筒流速、水气比对水平井井筒声波响应的影响程度和规律各不相同，水平井筒声波剖面同时受多因素交互影响，根据表1所述实验方案，分别测试不同模拟工作情况下DAS信号，基于DAS频谱分析，分别采用式（6）和式（7）计算出了不同模拟工作情况下DAS数据的RMS和SPL声波能量，然后绘制了如图17和图18所示的DAS声波能量与井筒流速关系图版，从图中可知，不同含水率水气比（0.1%~5%）水平井两相流，井筒流速与DAS声波能量之间呈现较好的正相关关系，随着产量的增加，DAS声波能量逐渐升高，且在相同产量情况下，水气比越高，DAS声波能量越强。
图17 不同水气比条件下DAS数据均方根（RMS）能量与水气比流速关系

Fig.17 The relationship between DAS data（RMS） energy and water-gas ratio under different water-gas ratio conditions

图18 不同水气比条件下DAS数据声压级（SPL）能量与水气比流速关系

Fig.18 The relationship between DAS data（SPL） energy and water-gas ratio under different water-gas ratio conditions

根据图16所示关系，通过数据回归处理，获得了不同水气比工作情况下的流速与RMS能量关系模型，总体满足如下指数形式：
E R M S = A e B x
式中： E R M S为DAS数据RMS能量，无量纲；x为流体速度，m/s；A、B为回归系数。
类似地，根据图17所示关系图版，获得了不同水气比工况下的流速与SPL能量关系模型，满足如下二项式形式：
E S P L = A * x 2 + B * x + C *
式中： E S P L为DAS数据SPL能量，无量纲；x为流体速度，m/s；A*、B*、C*为回归系数。
将所有模拟工作情况下获得的关系模型进行分类整理，建立了如下表2和表3所示的关系模型库，实现了不同模拟工作情况，水平井气水两相流生产过程中DAS响应与井筒流速之间关系定量表征。
表2 DAS数据均方根(RMS)能量与井筒流速关系模型库

Table 2 DAS data(RMS) energy and wellbore flow velocity relationship model library

水气比/% 关系模型 R 2
0.1 y=30.822e0.511 9 x 0.90
0.5 y=30.529e0.990 5 x 0.98
1 y=753.47e0.487 7 x 0.97
3 y=1 270.9e0.483 2 x 0.92
5 y=1 826.2e0.445 1 x 0.94
表3 DAS数据声压级(SPL)能量与井筒流速关系模型库

Table 3 DAS data(SPL) energy and wellbore flow velocity relationship model library

水气比/% 关系模型 R 2
0.1 y=476.67x 2－2 228.7x+6 819.2 0.98
0.5 y=379.25x 2－1 180.2x+5 002.3 0.99
1 y=744.41x 2+1 761.8x+5 249.6 0.99
3 y=507.32x 2－1 433.8x+5 759.3 0.99
5 y=386.93x 2－306.55x+4 474.1 0.99

3 现场井应用

H1井是某投产的海上水平气井，采用套管固井完井，水平段1 750~2 075 m，水平段长325 m，采用分布式光纤对生产过程中全井声波剖面进行了实时监测，以进行产气剖面评价，通过PLT对各层段的产量进行了对比测试。该井目前平均日产气量47.8×104 m3/d，含水率5%左右，H1井基础参数如表4所示。
表4 H1井基础参数

Table 4 Basic parameters of Well H1

参数名称 取值
地层压力/MPa 18.7
孔隙度/% 24.6
储层渗透率/（10-3 μm2） 476
地层温度/℃ 124.5
水平段长度/m 325
套管外径/mm 139.7
套管内径/mm 124.3
对H1井生产过程中测得的全水平段DAS数据进行频谱提取，然后计算特征频段内的声波能量，获得了如图19所示的DAS瀑布图，对比能量剖面，识别出了该井8个产出层段位置。结合上述实验不同模拟工作情况下的DAS频段特征，采用构建的回归模型对各层段的产量进行了估算，计算结果见表4。与PLT测试结果相比，各产层段产量计算结果平均误差为23.60%，含水率平均误差为15.67%。
图19 H1井水平段DAS瀑布图

Fig.19 DAS waterfall plot of Well H1

如表5所示的产出剖面计算结果可知，结合实验DAS响应规律，通过对现场井DAS数据的处理与分析，采用本文构建的DAS能量与井筒流速关系模型库，对水平气井产出剖面进行定量估算。但由于储层高温、高压环境与实验测试环境差异，导致计算结果仍存在一定误差。为了后续更准确解释现场井产出剖面，一方面需根据现场的温压条件，开展高温高压对照实验，对回归模型系数进行校正，另一方面，可基于本文所构建的模型库，采用机器学习［29］、粒子群［30］等人工智能算法对模型库进行扩展，然后建立DAS数据反演模型，实现基于DAS数据精细定量解释水平气井产出剖面，为水平井均衡产出、出水诊断、生产优化等提供直接依据。
表5 H1井产出剖面计算结果

Table 5 Production profile calculation results of Well H1

层号 PLT含水/% 解释含水/% 含水误差/% PLT产量/（104 m3/d） 解释产量/（104 m3/d） 产量误差/%
1 1.0 0.8 20.00 11.3 13.5 19.47
2 6.0 5.2 13.33 3.1 3.9 25.81
3 4.8 4.2 12.50 3.5 2.7 22.86
4 2.3 2.7 17.39 6.4 7.8 21.88
5 2.0 2.3 15.00 5.8 4.3 25.86
6 1.5 1.2 20.00 10.7 8.5 20.56
7 3.5 2.9 17.14 4.2 5.2 23.81
8 5.0 5.5 10.00 2.8 3.6 28.57

注：PLT为生产测井仪

4 结论

（1）套内光纤测得的DAS信号对水平井筒内流体流动响应更为敏感，套外光纤测得的DAS信号，对井筒内流体流动响应反应相对更弱，导致测得的DAS声波能量有所减弱，现场DAS数据分析时需要考虑光纤布设位置对解释结果的影响进行校正。
（2）流体径向流入时，信号集中于低频段，呈现单主频特征，且频段比较集中，其振幅显著高于特征频段内的其他频率振幅；流体井筒内轴向流动（流体平行冲击光纤）时，信号覆盖较宽的频段，呈现多主频特征；径向流入引发的振动能量集中在光纤的局部区域，累计能量剖面存在尖峰；而井筒轴向流动时井筒的声波能量沿光纤长度方向均匀分布，累计能量剖面分布更为均匀。
（3）DAS声波能量与井筒流速关系图表明，随着产量的增加，DAS声波能量逐渐升高，且在相同产量情况下，水气比越高，DAS声波能量越强；不同水气比工况下的井筒流速与DAS数据RMS能量呈指数关系、与SPL能量呈二项式关系。
（4）构建了水平井气水两相流DAS声波能量与井筒流速关系模型库，为实现基于DAS数据定量解释气藏水平井产出剖面奠定了模型基础。
（5）基于实验DAS规律分析，采用构建的关系模型库进对一口现场井DAS数据进行了估算，产出计算结果平均误差为23.60%，含水率平均误差为15.67%，验证了模型可行性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李海涛， 张庆， 于皓， 等. 水平井分段压裂注液过程中温度分布预测［J］. 天然气地球科学， 2021， 32（11）： 1601-1609.

LI H T， ZHANG Q， YU H， et al. Temperature distribution prediction of horizontal wells during fracturing treatment［J］.Na-tural Gas Geoscience， 2021， 32（11）： 1601-1609.

[2]
罗红文， 李海涛， 刘会斌， 等. 低渗气藏两相渗流压裂水平井温度剖面预测［J］. 天然气地球科学， 2019， 30（3）： 389-399.

LUO H W， LI H T， LIU H B， et al. Predicting temperature profiles of fractured horizontal well with two-phase flow in low-permeability gas reservoir［J］.Natural Gas Geoscience，2019，30（3）：389-399.

[3]
何浩然. 分布式光纤DAS测井技术在页岩气水平井邻井压裂监测的应用——以J11-Z1井为例［J］. 江汉石油职工大学学报， 2025， 38（1）： 15-18.

HE H R. Application of distributed optical fiber DAS logging technology in offset well fracturing monitoring for shale gas horizontal wells： A case study of Well J11-Z1［J］. Journal of Jianghan Petroleum University of Staff and Workers， 2025， 38（1）： 15-18.

[4]
何乐， 朱炬辉， 梁兴， 等. 基于管外光纤监测的页岩气水平井多簇压裂效果评价［J］. 石油钻探技术， 2024， 52（4）： 110-117.

HE L，ZHU J H，LIANG X， et al. Evaluation of multi-cluster fracturing effectiveness in shale gas horizontal wells based on external optical fiber monitoring［J］.Petroleum Drilling Techniques， 2024， 52（4）： 110-117.

[5]
李一强. 水力压裂裂缝流体流动声音监测实验研究［D］. 青岛：中国石油大学（华东），2020.

LI Y Q. Experimental Study on Acoustic Monitoring of Fluid Flow in Hydraulic Fractures［D］. Qingdao： China University of Petroleum （East China）， 2020.

[6]
刘隆旭. 井筒流动状态声音监测实验研究［D］. 青岛：中国石油大学（华东），2020.

LIU L X. Experimental Study on Acoustic Monitoring of Flow Regime in Wellbores［D］. Qingdao： China University of Petroleum （East China）， 2020.

[7]
史开源. 水平井生产剖面解释方法研究［D］. 青岛：中国石油大学（华东），2020.

SHI K Y. Research on Interpretation Methods for Production Profile in Horizontal Wells［D］. Qingdao： China University of Petroleum （East China）， 2020.

[8]
刘均荣， 韩艳慧， 王哲， 等. 基于分布式光纤声波监测数据和机器学习的井筒流体类型识别方法［J］. 中国石油大学学报（自然科学版）， 2023， 47（3）： 107-114.

LIU J R， HAN Y H， WANG Z， et al. Fluid type identification method in wellbores based on distributed optical fiber acoustic monitoring data and machine learning［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2023， 47（3）： 107-114.

[9]
韩艳慧. 基于分布式声波监测数据的井筒流体流动解释方法研究［D］. 青岛：中国石油大学（华东），2022.

HAN Y H. Research on Interpretation Method of Wellbore Fluid Flow Based on Distributed Acoustic Monitoring Data［D］. Qingdao： China University of Petroleum （East China）， 2022.

[10]
梁兴， 王一博， 武绍江， 等. 基于分布式光纤同井微振动监测数据的页岩气水平井压裂微地震震源位置成像［J］. 地球物理学报， 2022， 65（12）： 4846-4857.

LIANG X， WANG Y B， WU S J， et al. Microseismic source location imaging of shale gas horizontal well fracturing based on distributed fiber optic same-well micro-vibration monitoring data［J］. Chinese Journal of Geophysics， 2022， 65（12）： 4846-4857.

[11]
TITOV A， FAN Y L， JIN G， et al. Experimental investigation of distributed acoustic fiber-optic sensing in production logging： Thermal slug tracking and multiphase flow characterization［C］. SPE-201534-MS， 2020.

[12]
PALEJA R， MUSTAFINA D， PANHUIS P I， et al. Velocity Tracking for Flow Monitoring and Production Profiling Using Distributed Acoustic Sensing［C］.SPE-174823-MS， 2015.

[13]
ALI S， JIN G， FAN Y. Characterization of Two-phase Slug Flow Using Distributed Acoustic Sensing in Horizontal Pipes［C］. SPE-215104-MS， 2023.

[14]
TABJULA J，SHETTY R，ADEYEMI T，et al.Empirical correlations for predicting flow rates using distributed acoustic sensor measurements，validated with wellbore and flow loop data sets［J］.SPE Production & Operations，2023，38（4）：678-693.

[15]
SHETTY R， SHARMA J， TYAGI M. Experimental study on sand detection and monitoring using distributed acoustic sensing for multiphase flow in horizontal pipes［J］. SPE Journal， 2024， 29（2）： 1045-1060.

[16]
LIU J R，HAN Y H，JIA Q S，et al.Oil-water flowing experime-nts and water-cut range classification approach using distributed acoustic sensing［J］.SPE Journal，2024，29（3）：1238-1253.

[17]
LIU J R， WANG Z， SHI W X， et al. Experiments on the thermally enhanced permeability of tight rocks：A potential thermal stimulation method for Enhanced geothermal systems［J］. Energy Sources， Part A： Recovery， Utilization， and Environmental Effects， 2024， 46（1）： 6240-6253.

[18]
GURJAO K G R， GILDIN E， GIBSON R， et al. Modeling of distributed strain sensing （DSS） and distributed acoustic sensing （DAS） incorporating hydraulic and natural fractures interaction［C］. URTEC-2021-5414-MS， 2021.

[19]
CRAMER D，FRİEHAUF K，ROBERTS G，et al.Integrating distributed acoustic sensing， treatment-pressure analysis，and video-based perforation imaging to evaluate limited-entrytreatment effectiveness［J］.SPE Production & Operations，2020，35（4）： 730-755.

[20]
WU J F， ZENG B， HUANG H Y， et al. Detecting Hydraulic Fracture Hits Using Low-frequency DAS Data in Deep Shale Gas Reservoirs of The Sichuan Basin［C］. ARMA-IGS-2024-0499， 2024.

[21]
CIPOLLA C， MCKIMMY M， HARI-ROY S， et al. Evaluating stimulation effectiveness with permanent optical fiber and sealed wellbore pressure monitoring： Bakken shale case study［J］. SPE Drilling & Completion， 2023， 38（1）： 146-154.

[22]
ALKHALAF M， HVEDING F， MUHAMMAD A. Machine Learning Approach to Classify Water Cut Measurements Using DAS Fiber Optic Data［C］. SPE-197349-MS， 2019.

[23]
ALFATAIERGE E， DYAUR N， STEWART R R. Measuring Flow in Pipelines Via FBG and DAS Fiber Optic Sensors［C］. OTC-29433-MS， 2019.

[24]
GHAHFAROKHI P K， CARR T， BHATTACHARYA S， et al. A Fiber-optic Assisted Multilayer Perceptron Reservoir Production Modeling：A Machine Learning Approach in Prediction of Gas Production from the Marcellus Shale［C］. URTEC-2902641-MS， 2018.

[25]
熊川羽， 廖晓红， 何诗英， 等. 使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型［J］. 强激光与粒子束， 2024， 36（8）： 121-127.

XIONG C Y， LIAO X H， HE S Y， et al. EMD-FFT-SARIMA photovoltaic power prediction model using fast Fourier transform for optimizing periodic parameters［J］. High Power Laser and Particle Beams， 2024， 36（8）： 121-127.

[26]
谭乐婷， 邓慧. 全波形反演下分布式光纤声波传感信号低信噪比自适应任务调度［J］. 吉林大学学报（工学版）， 2025， 55（4）： 1412-1418.

TAN L T， DENG H. Adaptive task scheduling for low SNR DAS signals based on full waveform inversion［J］. Journal of Jilin University （Engineering and Technology Edition）， 2025， 55（4）： 1412-1418.

[27]
张鹏， 姚正学， 刘思铭. 双弯头天然气管道流固耦合振动特性分析［J］. 安全与环境学报， 2022， 22（1）： 115-122.

ZHANG P， YAO Z X， LIU S M. Analysis of fluid-structure interaction vibration characteristics in double-elbow natural gas pipelines［J］. Journal of Safety and Environment， 2022， 22（1）： 115-122.

[28]
项行鸿， 陈磊， 徐靖鉴， 等. 天然气输气站管道噪声特性实验研究［J］. 噪声与振动控制， 2025， 45（1）： 242-247.

XIANG X H， CHEN L， XU J J， et al. Experimental study on pipeline noise characteristics in natural gas transmission station［J］. Noise and Vibration Control， 2025， 45（1）： 242-247.

[29]
黎子豪， 蒋恕. 基于机器学习和SHAP算法的声波测井曲线重构及可解释性分析［J］. 地质科技通报， 2025， 44（1）： 321-331.

LI Z H， JIANG S. Acoustic logging curve reconstruction and interpretability analysis based on machine learning and SHAP algorithm［J］. Bulletin of Geological Science and Technology， 2025， 44（1）： 321-331.

[30]
罗红文， 艾文斌， 李海涛， 等. 采用PSO算法的页岩气水平井DTS数据反演方法［J］. 石油地球物理勘探， 2023， 58（5）： 1202-1210.

LUO H W， AI W B， LI H T， et al. Inversion method of shale gas horizontal well DTS data using PSO algorithm［J］. Oil Geophysical Prospecting， 2023， 58（5）： 1202-1210.

Options
文章导航

/

〈 〉

陇ICP备2021001824号-7　 甘公网安备 62010202000678号
版权所有 © 《天然气地球科学》编辑部
地址：甘肃省兰州市天水中路8号　
邮编：730000　
电话：(0931)8277790　
E-mail：geogas@lzb.ac.cn
总访问量 　 今日访问 　 在线人数
技术支持：北京玛格泰克科技发展有限公司