錢慧芳，羅卉，王玉鑫

(西安工程大學(xué)電子信息學(xué)院，陜西西安710048)

基于BP網(wǎng)絡(luò)的石油套管破損檢測算法

錢慧芳，羅卉，王玉鑫

(西安工程大學(xué)電子信息學(xué)院，陜西西安710048)

通過對一種套損設(shè)備新型雙遠(yuǎn)場電磁聚焦測厚儀的實驗數(shù)據(jù)算法處理，獲得套管厚度變化的檢測算法.在數(shù)據(jù)處理中，包絡(luò)線法能夠快速、準(zhǔn)確地提取測得波形的最大幅值，避免了因在線數(shù)據(jù)的出現(xiàn)干擾造成的誤判，提高了檢測算法的抗干擾能力;在BP網(wǎng)絡(luò)訓(xùn)練改進措施中，影響因子數(shù)據(jù)變化率極大地改善了BP網(wǎng)絡(luò)的穩(wěn)定性，提高了網(wǎng)絡(luò)的通用性，繼而提高了檢測算法的精度.實驗結(jié)果表明，此算法能夠準(zhǔn)確檢測到套管因破損變化的厚度，為套管破損的進一步定量化提供了保證.

套管厚度變化;BP算法;包絡(luò)線法;數(shù)據(jù)變化率

0 引言

石油套管隨著開采年數(shù)的增長、使用方案的不斷改變以及地質(zhì)等實際環(huán)境因素的影響，油水井中絕大多數(shù)套管都存在一定程度的損傷，且損傷數(shù)量也在不斷地增長.吉林油田套管存在問題的井?dāng)?shù)約占全部的20%［1］;青海油田，2006年調(diào)研的數(shù)據(jù)有280口套損井，2009年權(quán)威部門統(tǒng)計的數(shù)據(jù)是308口套損井［2］;塔河油田工程測井、施工作業(yè)過程中，共計發(fā)現(xiàn)有58口井存在不同程度套損現(xiàn)象，約占總數(shù)的5.3%［3］.因此，對套管破損狀況進行檢測具有重要的意義.

目前國內(nèi)外對石油套管破損檢測的主要儀器有超聲波測厚儀、渦流測厚儀、漏磁檢測儀等.超聲波測厚儀雖然有很高的測量精度，但在油井的惡劣環(huán)境中會因套管表面不潔而降低準(zhǔn)確度［4-5］;渦流測厚儀難以判斷破損的種類和深度且受儀器提離效應(yīng)的影響;漏磁檢測儀受套管破損形狀的限制［6-7］.所以，目前國內(nèi)外的測井儀都只能做到定性或半定量分析，完全定量分析一直是個技術(shù)難題.新型雙遠(yuǎn)場電磁聚焦測厚儀首先根據(jù)發(fā)射電磁場原理，在套管內(nèi)測得線圈電磁場隨套管壁厚變化的信號，再根據(jù)檢測算法找到套管實際變化的大小、深度和形狀等參數(shù).此檢測算法因具有較高的抗干擾能力和較好的穩(wěn)定性，使得新型測厚儀在不用推靠系統(tǒng)和不受外界環(huán)境影響的條件下具有較高的測量精度，為套管破損的進一步精確定量化提供了保證.

1 套管檢測算法

1.1 套管破損檢測理論

通過雙遠(yuǎn)場電磁聚焦測厚儀得到的實測波形與參考波形之間的相位變化，可確定套管破損槽的變化趨勢，即是繼續(xù)減薄，還是開始變厚.通過對雙遠(yuǎn)場電磁聚焦測厚儀實測波形的相對幅值變化檢測，可知減薄或變厚多少.因此，從實測波形與參考波形之間的相位變化可知實測曲線變化的方向，實測波形的相對變化可確定實測曲線變化的幅度.根據(jù)以上原則，就能夠通過實測曲線變化，反映出套管破損的狀態(tài).

本文采用MATLAB的編程語言對實測波形數(shù)據(jù)進行處理，利用包絡(luò)線法快速、準(zhǔn)確地提取實測波幅值的最大值并統(tǒng)計數(shù)據(jù)，以表征實際套管厚度，再根據(jù)對應(yīng)的實際石油套管尺寸，采用BP神經(jīng)網(wǎng)絡(luò)算法，找到統(tǒng)計數(shù)據(jù)和實際石油套管厚度的關(guān)系，即套管厚度變化的通用解釋方法.

1.2 數(shù)據(jù)處理

雙遠(yuǎn)場電磁聚焦測厚儀測得的信息是在一個周期內(nèi)采樣的5個點，利用這5個點來繪制實測波，實測波細(xì)節(jié)如圖1(a)所示.

圖1 數(shù)據(jù)處理過程

1.2.1 包絡(luò)線法為快速、準(zhǔn)確地提取實測波幅值的最大值，本文提出了包絡(luò)線法.將雙遠(yuǎn)場電磁聚焦測厚儀連續(xù)測得的5個數(shù)據(jù)作為一組，連續(xù)的n個最大值為一包數(shù)據(jù)(n=5，3，1).n=5時，為計算方法一; n=3時，為計算方法二;n=1時，為計算方法三.

計算方法為：先求出n個最大值的平均值，再求出相鄰兩包數(shù)據(jù)的誤差ea.誤差ea=abs(maxM2-maxM1)/maxM1.其中，maxM2表示后一包數(shù)據(jù)的最大值的平均值，maxM1表示前一包數(shù)據(jù)的最大值的平均值，abs為取絕對值函數(shù).

包絡(luò)線法流程圖如圖2所示.其中，ea是通過實驗選取的，選取的規(guī)則是盡量能快速、準(zhǔn)確地用最大值的平均值代替最大值，并且輸出的實測波形最大幅值的包絡(luò)線能較清楚地表征實測波形.接箍處數(shù)據(jù)處理結(jié)果如圖1(b)所示.

1.2.2 套管厚度曲線圖為提取實測波中套管厚度的特征值，首先繪制出套管厚度曲線，繪制步驟為： (1)提取實測波幅值原始數(shù)據(jù)的最大值.(2)找出實測波幅值的包絡(luò)線的拐點.實測波接箍處幅值的包絡(luò)線的拐點圖如圖1(c)所示.圖1(c)中*曲線為實測波形最大值，圓圈點為輔助找拐點的數(shù)據(jù)點.*曲線與帶圈曲線重合處即是拐點.生成輔助點流程圖如圖3所示.(3)根據(jù)拐點，判斷原數(shù)據(jù)的增減，并保持前一個數(shù)據(jù)，然后取絕對值.實測波拐點數(shù)據(jù)保持絕對值圖如圖1(d)所示.該圖即為套管厚度相對變化曲線圖.

圖2 包絡(luò)線法流程圖

圖3 生成輔助點流程圖

1.2.3 數(shù)據(jù)統(tǒng)計本文實驗的套管厚度是7.5mm，預(yù)先加工好各種破損槽和破損通孔，以便算法的研究.其中包括同樣寬度不同深度的槽，同樣深度不同寬度的槽以及不同直徑的通孔等.套管預(yù)先加工的破損槽寬度為10mm;深度分別為4mm，5mm，6mm;破損槽深度為4mm，寬度分別為5mm，10mm，15mm.對實驗數(shù)據(jù)進行了分類統(tǒng)計，分接箍處、同寬不同深處、同深不同寬處等3種情況.數(shù)據(jù)的統(tǒng)計步驟為：(1)用包絡(luò)線法求出最大幅值;(2)繪制出套管厚度曲線圖;(3)提取圖中表征套管厚度的數(shù)據(jù).

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播.在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播.根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出.

1.3.1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖4中，該BP神經(jīng)網(wǎng)絡(luò)包含三層：第一層為輸入層，第二層為隱含層，第三層為輸出層.各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接;各層內(nèi)神經(jīng)元之間無任何連接.其中隱含層的層數(shù)及每層隱含層中神經(jīng)元的數(shù)目與實際問題的復(fù)雜程度有關(guān)，問題越復(fù)雜，隱含層的層數(shù)及每層隱含層中神經(jīng)元數(shù)目越大.

圖4 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖5 BP算法流程圖

1.3.2 檢測算法的程序流程圖本文檢測算法是在BP算法上的實現(xiàn)，在執(zhí)行算法之前，首先要設(shè)置變量和參量.其中Wmi(n)為第n次迭代時輸入層與隱含層之間的權(quán)值向量;Wip(n)為第n次迭代時輸出層與隱含層之間的權(quán)值向量;n為迭代次數(shù)，k為訓(xùn)練樣本的下標(biāo)，MaxL為最大迭代次數(shù)，MaxT為訓(xùn)練樣本的總數(shù)，ζ為能量最小誤差.BP算法的程序流程圖如圖5所示.

2 方案實現(xiàn)算法及結(jié)果分析

2.1 直接法

根據(jù)按箍處統(tǒng)計數(shù)據(jù)和套管厚度為0～7.5mm處的統(tǒng)計數(shù)據(jù)建立模型樣本，選取60個訓(xùn)練樣本用于BP網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，選取20個泛化樣本用于在訓(xùn)練過程中測試網(wǎng)絡(luò)的泛化能力.

首先對樣本數(shù)據(jù)進行歸一化處理.把所有統(tǒng)計數(shù)據(jù)映射到0～1范圍之內(nèi)，其目的是取消各維數(shù)據(jù)間數(shù)量級差別，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別大而造成網(wǎng)絡(luò)預(yù)測誤差大.本文采用歸一化公式y(tǒng)=(x-MinV)/(MaxV-MinV).其中，x，y分別為轉(zhuǎn)換前、后的值，MaxV，MinV分別為需歸一化樣本中的最大值和最小值.

然后建立BP網(wǎng)絡(luò)圖，帶圈曲線表示歸一化后的訓(xùn)練樣本，光滑曲線表示未訓(xùn)練網(wǎng)絡(luò)的輸出(圖6 (a));圖6(c)中，帶圈曲線表示歸一化后的泛化樣本，帶×曲線表示網(wǎng)絡(luò)的期望輸出，光滑曲線表示網(wǎng)絡(luò)的實際輸出;圖6(d)中，帶圈曲線表示輸入樣本數(shù)據(jù)權(quán)值矩陣，帶☆曲線表示網(wǎng)絡(luò)輸出權(quán)值矩陣.在圖7 (d)中，帶*曲線表示輸入斜率數(shù)據(jù)權(quán)值矩陣，其余a、b、c、d曲線含義同圖6.其中，標(biāo)記點o、*、☆表示數(shù)據(jù)點.

圖6 直接法訓(xùn)練過程及輸出結(jié)果

圖7 改進法訓(xùn)練過程及輸出結(jié)果

網(wǎng)絡(luò)初始化后，得到網(wǎng)絡(luò)訓(xùn)練過程及其結(jié)果.從圖6可看出訓(xùn)練過程相對穩(wěn)定，實驗輸出的最大誤差A(yù)處的網(wǎng)絡(luò)輸出與期望輸出的差值達(dá)0.266，訓(xùn)練步數(shù)為207步，訓(xùn)練精度為0.01.輸出的權(quán)值矩陣不穩(wěn)定，網(wǎng)絡(luò)的通用性較差.由于實測波形變化的不確定性帶來網(wǎng)絡(luò)輸入的突變，造成網(wǎng)絡(luò)的不穩(wěn)定，導(dǎo)致輸出不能夠精確表征套管厚度的變化程度.

2.2 增加數(shù)據(jù)影響因子的改進法

2.2.1 BP算法的改進增加數(shù)據(jù)影響因子——數(shù)據(jù)變化率.為了解決在標(biāo)準(zhǔn)BP算法的訓(xùn)練中，因?qū)崪y波形變化的不確定性帶來輸入的突變而造成的網(wǎng)絡(luò)不穩(wěn)定的問題，在訓(xùn)練樣本中增加了樣本數(shù)據(jù)變化率.樣本數(shù)據(jù)變化率表征了套管實測波形的變化趨勢，給網(wǎng)絡(luò)權(quán)值的修正提供了一個方向性指導(dǎo)，以提高網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性.其求數(shù)據(jù)變化率的公式為K(j)=(SA(j)-SA(j-1))/SA(j-1).其中，SA(j)和SA(j-1)分別表示第j和第j-1個樣本數(shù)據(jù)，K(j)為第j-1個樣本到第j個樣本的數(shù)據(jù)變化率.

2.2.2 改變訓(xùn)練函數(shù)增加數(shù)據(jù)影響因子之后，使用訓(xùn)練函數(shù)‘trainbfg’訓(xùn)練網(wǎng)絡(luò)，多次訓(xùn)練調(diào)試網(wǎng)絡(luò)，發(fā)現(xiàn)網(wǎng)絡(luò)的收斂速度變慢，并且有時不收斂.訓(xùn)練函數(shù)‘trainlm’適用于中等規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，具有最快的收斂速度，是系統(tǒng)默認(rèn)的算法.選取訓(xùn)練函數(shù)‘trainlm’之后，網(wǎng)絡(luò)加快了收斂速度，相對提高了精度，而‘trainbfg’適用于小網(wǎng)絡(luò).

訓(xùn)練調(diào)試網(wǎng)絡(luò)，將隱含層節(jié)點數(shù)由原來8增加至10.如圖7訓(xùn)練過程所示，與改進前的網(wǎng)絡(luò)相比，不僅訓(xùn)練精度的數(shù)量級提高到0.000 1，而且訓(xùn)練步數(shù)減少到188步，使收斂速度明顯增加;網(wǎng)絡(luò)輸出與期望輸出十分吻合，其輸出最大誤差減小為0.020;圖7(d)所示此次訓(xùn)練網(wǎng)絡(luò)的輸出權(quán)值矩陣變化幅度較小，即網(wǎng)絡(luò)的穩(wěn)定性變好.

比較兩個方案的實驗結(jié)果，將數(shù)據(jù)變化率也作為輸入后，網(wǎng)絡(luò)的通用性變好.最終選取了增加數(shù)據(jù)影響因子的改進法為BP算法實現(xiàn)方案.

3 結(jié)束語

通過包絡(luò)線法提取儀器設(shè)備測得波形的最大幅值，進而采用BP神經(jīng)網(wǎng)絡(luò)的方法獲得套管厚度的變化.實驗結(jié)果表明，提出的包絡(luò)線法能夠避免因在線數(shù)據(jù)出現(xiàn)的干擾造成的誤判，提高了檢測算法的抗干擾能力;在BP網(wǎng)絡(luò)訓(xùn)練改進措施中，增加的數(shù)據(jù)變化率改善了BP網(wǎng)絡(luò)的穩(wěn)定性，提高了檢測算法的精度，使得網(wǎng)絡(luò)具有很好的通用性.本文提出的檢測算法為套管破損的進一步定量化提供了保證，潛在的經(jīng)濟效益非常巨大.雖然BP神經(jīng)網(wǎng)絡(luò)并不是十分的完善，存在學(xué)習(xí)收斂速度慢，網(wǎng)絡(luò)樣本具有依賴性，容易陷入局部極小點等缺陷，但結(jié)合文中改進型算法可達(dá)到很好的實際效果.

［1］楊艷芬.吉林油田套損井狀況及檢測技術(shù)［J］.中國新技術(shù)新產(chǎn)品，2011(8)：131.

［2］張順世，王俊民.青海油田套損現(xiàn)狀及綜合治理技術(shù)［J］.青海石油，2009，27(4)：2.

［3］張春軼，鄧洪軍.塔河油田油井套損現(xiàn)狀及主要影響因素［J］.油氣田地面工程，2011，30(7)：2.

［4］KALININ V A，TARASENKO V L，DOBRAOMYSLOV V M，et al.UT-94P ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1991，27(7)：453-459.

［5］KOROLEV M V，KONOVALOV A A，STARIKOV B P.UT-56B auto calibrated ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1988，24(4)：271-276.

［6］CHEN Jinzhong，LI Lin，SHI Jinan.Magnetic flux leakage detection technology for well casing on neural network［C］//2nd 2008 International Symposium on Intelligent Information Technology Application Workshop，Inst of Elec and Elec Eng Computer Society，2008.

［7］CHEN Jinzhong，LI Lin，XU Binggui.Magnetic flux leakage testing method for well casing based on Gaussian kernel RBF neural network［C］//2008 International Conference on Advanced Computer Theory and Engineering，Inst of Elec and Elec Eng Computer Society，2008.

Study on oil casing damage detection algorithm based-on BP network

QIAN Hui-fang，LUO Hui，WANG Yu-xin

(School of Electronic and Information，Xi'an Polytechnic University，Xi'an，710048，China)

After a large number of experiments，a detection algorithm is studied which can get the casing thickness variation by an algorithm processing for the experimental data of this casing damage equipment.In data processing，the envelope method presented in the paper can quickly and accurately pick out the maximum amplitude of the measured waveform and avoid the misjudgment caused by interference of online data emergence.Therefore，it greatly improves the anti-interference ability of the detection algorithm.In the BP network training improvement measures，data impact factor——data change rate is added which can greatly improve the stability of the BP network，improve the universality of the network，and then improve the accuracy of detection algorithms.The experimental results show that the improved detection algorithm can accurately measure and get the varying thickness caused by the damage of the casing.It provides a guarantee for further quantitative of casing damaged.

casing thickness variation;BP neural network;envelope method;data change rate

TP 301.6

A

1674-649X(2014)01-0084-05

編輯：武暉;校對：孟超

2013-06-03

錢慧芳(1969-)，女，安徽省靈璧縣人，西安工程大學(xué)副教授，主要從事圖像分析及其機器視覺在紡織業(yè)的應(yīng)用等方面的研究.E-mail：qhfqq@sohu.com