详情

原文传递一种基于电涡流的油田套管缺陷无损检测方法

专利名称：	一种基于电涡流的油田套管缺陷无损检测方法
摘要：	本发明涉及一种基于电涡流的油田套管缺陷无损检测方法，包括计算23个电涡流信号和的波峰，采用自适应阈值识别变形段，针对每一个变形段，进行差分处理，并将连续多组数据合并构成多层数据，对所有数据进行Fisher降维，选择降维后的多维数据作为特征值，采用RBF神经网络方法进行样本训练和测试数据的识别，从而能判别出所有变形段的位置和识别出变形段中的缺陷类型。本发明充分考虑了气田下环境复杂、容易发生三维变形、变形种类多等问题，能准确判别变形段所在的位置信息和识别变形段的缺陷类别，提高了变形段判别率和缺陷识别率，能够及时发现和处理套管缺陷，充分保障了油田开采的安全性。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	浙江树人学院(浙江树人大学)
发明人：	刘半藤;陈友荣;祝羽艳;余子建;周莹;徐菲
专利状态：	有效
申请日期：	2019-07-31T00:00:00+0800
发布日期：	2019-11-19T00:00:00+0800
申请号：	CN201910699275.1
公开号：	CN110470729A
代理机构：	绍兴市寅越专利代理事务所(普通合伙)
代理人：	焦亚如
分类号：	G01N27/90(2006.01);G;G01;G01N;G01N27
申请人地址：	312030 浙江省绍兴市柯桥区杨汛桥镇江夏路2016号
主权项：	1.一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：包括如下步骤： 1)参数初始化，构建涡流数据的层数、阈值Y1、阈值Y2、阈值Y3、平缓段序号q＝1； 2)读入测试数据，计算每个管道深度所对应的多个涡流电压数据之和，获得电压总值； 3)寻找并确定电压总值的平缓段； 4)获得所有平缓段的起始点，采用聚类方法计算无损阈值； 5)通过比较测试数据与无损阈值来判断是否为变形点； 6)根据变形点识别出变形段； 7)输入套管缺陷数据，提取各种缺陷样本； 8)缺陷样本进行Fisher处理和特征值提取； 9)将提取的缺陷样本特征值输入RBF神经网络模型进行训练； 10)测试数据进行差分处理和Fisher特征值提取； 11)测试数据的特征值输入训练好的RBF神经网络模型，获得缺陷识别值； 12)孔缝缺陷识别，并修正识别结果； 13)弯曲缺陷识别，并修正识别结果； 14)节箍缺陷识别，并修正识别结果； 15)输出变形段和缺陷类型识别结果。 2.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤2)中每个管道深度下计算23个涡流电压数据之和，计算公式为：其中，h表示管道深度，x(i,h)表示管道深度h的第i个涡流电压数据，y(h)表示管道深度h的涡流电压数据和。 3.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤3)中电压总值的平缓段确定方式如下：寻找电压总和数据相对平缓的N个连续信号段，即重复执行以下操作，直到完成所有点的判断：当前管道深度为h时，该深度后的连续N个深度点的电压信号总值分别与该点的信号总值做差值，若连续的N个总值差距均小于所设阈值Y1，即满足公式(2)，则判定该连续的N个深度点为平缓段，此时获得第q个平缓段的起始点Zq＝y(h)，选择下一个管道深度继续判断；其中，N表示设定的连续深度点的个数，Y1表示选取的阈值。 4.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤4)中无损阈值采用GMM聚类方法计算，具体方法如下： 4.1)算法初始化：选择簇数量k＝2； 4.2)当前迭代次数m＝0，并初始化每一个簇的高斯分布模型的均值μi，方差ηi和权重βi，且令 4.3)计算由各个簇的高斯分布模型生成的各起始点后验概率：其中，γt,i表示由第i个簇的高斯分布模型生成的第t个起始点的后验概率，xt表示第t个起始点，Pt,i表示第t个起始点在第i个簇的高斯分布； 4.4)计算新一轮的第i个簇的高斯分布模型参数：其中，表示起始点的个数，表示更新完成后的权重βi，表示更新完成后的均值μi，表示更新完成后的方差ηi，m＝m+1； 4.5)如果当前迭代次数m小于最大迭代次数M，或者似然函数公式(8)的增加值大于收敛阈值，则跳到步骤4.4)，否则跳到步骤4.6)；其中，L表示似然函数值； 4.6)计算所有起始点在不同的簇中的后验概率值，将起始点划分到概率值最大的簇中，获得k个簇和其簇中起始点集合Ci； 4.7)通过公式(9)和(10)计算能评价GMM聚类效果的误差平方和，以及平均轮廓系数；其中，SSE表示误差平方和，ASC表示平均轮廓系数，pi,j表示第i个簇中的第j个起始点，mi表示第i个簇中的中心点，Ci表示第i个簇的起始点集合，S(t)表示轮廓系数，a(t)表示第t个起始点到其簇内其他所有起始点的欧式距离平均值，b(t)表示第t个起始点到其他簇内起始点的欧式距离平均值的最小值。若SSE和ASC分别大于阈值ρ1和ρ2，则k＝k+1，跳到步骤4.2)，否则跳到步骤4.9)； 4.9)将簇成员个数大于阈值ρ3的每一个簇的中心点进行从大到小排序，选择排序的最后一个中心点的值作为无损阈值。 5.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤5)中变形点判断方法如下：比较所有管道深度的测试数据电压总值与无损阈值之差，若两者差值小于阈值Y2，则认为该点判断值为0，判定为无损点，否则为1，判定为变形点，具体公式如下：其中，表示无损阈值，z(h)表示管道深度h的判别结果。 6.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤6)中识别出的变形段需修正，消去个别突兀点对识别结果的影响，获得变形段判别结果；步骤7)中将每一个缺陷样本数据减去无损阈值进行数据差分处理，并在每一个管道深度的涡流数据后增加其后连续7层管道深度的涡流数据，构建8层管道深度的涡流数据。 7.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤8)中对每一个样本数据进行Fisher处理，将样本投影到一个多维空间中，Fisher处理方法如下： 8.1)令样本集X中有n个样本，NC个样本类型数量，每一类型样本数量为nj，令xij表示第j类型的第i个样本，每个样本xij均为L维列向量，计算出各类样品均值，通过公式(12)计算总类间离散度矩阵Sw，通过公式(13)计算样品类间离散度矩阵SB；其中，Sj表示每一类样本的类间离散度矩阵，μj表示第j类的均值，μ表示所有类中心，Pj表示第j类的先验概率； 8.2)采用Lagrange乘数法求解d维X空间到一维Y空间的最佳投影方向，即令其中，ν表示Lagrange因子，w表示最佳变换向量，则得到其中，J(a)表示判据值，在相同维度的特征集中，其值越大表明各类样本间的区分性越好，获得使得J(a)取得最大值的w为 8.3)根据w值，对待测样品进行一维Y空间的投影，选择其投影点中前10个值组成特征向量，实现对数据进行降维和特征提取。 8.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤9)中RBF神经网络的模型训练方法如下： 9.1)采用激活函数为径向基函数的高斯核径向基函数，表示为：其中，\|\|xp-ci\|\|表示欧式范数，xp表示第p个输入样本，ci表示第i个中心，σ表示基函数的方差； 9.2)选择径向基神经网络的输出为：其中，yj表示第j个输出层神经元输出的值，τ表示隐含层神经元的个数，gij表示输入层到输出层的权值； 9.3)采用自组织选取中心方法进行参数学习，其包括学习隐含层基函数的中心与方差阶段，以及学习隐含层到输出层权值阶段；其中，基函数的中心确定采用k-means算法，方差σ和权值gij计算公式为：其中，cmax表示所选取中心点之间的最大距离，gij的计算采用最小二乘法直接计算。 9.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤11)中缺陷识别值的确定方式如下：根据RBF神经网络模型和输入的测试数据，通过模型学习计算的参数和以下公式计算各个状态的比配值，其中，si表示输入的第i个测试数据，Z是一个1×n维的向量；根据Z的值，选择大于阈值ρ4的最大元素，根据该最大元素，可确定该测试数据为单面挤压、390挤压、290挤压、双面挤压、4*90挤压、弯曲变形和节箍中的某一种缺陷，从而获得该变形段中每一个管道深度的缺陷识别值。 10.根据权利要求1所述的一种基于电涡流的油田套管缺陷无损检测方法，其特征在于：所述步骤12)中孔缝缺陷识别及修正方法为：根据测试数据，先对所有电压数据进行差分处理，并将每一个管道深度的差分后的电压求和，根据比较当前管道深度电压总值与其下一个管道深度的电压总值，提取出各个波谷点和其波动范围；若波动范围总长度大于阈值ρ5且差分后的电压总值小于阈值Y3，即判定该段长度的套管形变类型为孔缝，并修正识别结果；所述步骤13)中弯曲缺陷识别及修正方法为：为消除弯曲层度较小的弯曲，提取被识别为弯曲的数据，设定一个阈值ρ6，若提取弯曲的峰值小于指定阈值ρ6，则将识别结果修正为无缺陷；所述步骤14)中节箍缺陷识别及修正方法为：考虑到节箍之间的距离为9m，如果识别结果中节箍距离大于15米，则计算缺失节箍的数量，等间隔补充节箍；如果9m内出现多个节箍，则根据前后节箍的位置，删除多余的节箍，并输出修正后的识别结果。
所属类别：	发明专利