CN110470729A - 一种基于电涡流的油田套管缺陷无损检测方法 - Google Patents
一种基于电涡流的油田套管缺陷无损检测方法 Download PDFInfo
- Publication number
- CN110470729A CN110470729A CN201910699275.1A CN201910699275A CN110470729A CN 110470729 A CN110470729 A CN 110470729A CN 201910699275 A CN201910699275 A CN 201910699275A CN 110470729 A CN110470729 A CN 110470729A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- defect
- depth
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 27
- 238000009659 non-destructive testing Methods 0.000 claims description 17
- 238000001125 extrusion Methods 0.000 claims description 16
- 238000005452 bending Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 5
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
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。
Description
技术领域：
本发明涉及缺陷检测技术领域，尤其涉及一种基于电涡流的油田套管缺陷无损检测方法。
背景技术：
中原油田勘探开发区域包含东濮老区、普光气田和内蒙探区，其区域面积大且管理点分散。其中普光气田探明储量达2783亿立方米，是我国已探明的最大海相高含硫气田。由于气田中的硫化氢是最危险的，可对油套管等井下设备产生严重的腐蚀，且一旦发生泄漏，可直接威胁周围广大区域的人身安全，因此其安全环保风险大，管理要求高。2008年普光气田盐膏层受“5.12”汶川地震影响，诱发盐膏层蠕变，导致大部分套管变形。同时投产后，监测和作业过程中发现套管变形一直持续，部分井套管已发生了严重变形，因此急需开展套变监测，发现套管损伤变形情况，找出套变特点和规律，为后续措施制定提供依据。
在实际普光气田套变监测过程中发现以下情况：一是受盐膏岩蠕变的影响，普光气田部分生产套管变形严重，甚至部分套管已变形，要求识别出变形段；二是根据投产前井径资料分析，普光气田套管变形类型丰富，包含多种挤压和弯曲，要求能够识别出套变的各种缺陷类型。目前常规井下监测套管的测井技术有温度流量测井、井下电视测井、多臂井径测井和电涡流测井。由于普光气田的气体流动性和结构复杂性，温度变化不定，因此温度流量测井技术不适用；井下电视测井技术利用电缆将摄像机放入气井，利用光学或超声波成像原理，检测套管内腐蚀、变形和错断情况；多臂井径测井技术是检测套管损伤的主要手段之一，其利用展开的机械臂测量套管内径。井下电视测井技术和多臂井径测井技术无法穿透普光气田的多层管柱。同时考虑到由于普光气田的H2S、CO2含量高，腐蚀性危害性强，投产时采用一体化管柱生产，而仅有电涡流测井技术可穿透管柱，实现套管变形的监测，因此采用涡流电磁技术实现气田井下套管状况的监测是目前唯一手段。
目前，在国内外有部分学者研究基于电涡流的无损检测方法。其中，一部分学者利用单一的电涡流数据，识别出变形段，如张荣华等人通过计算材料表面磁场强度的空间分布熵，间接识别出被测材料表面和内部缺陷的几何尺寸及位置信息。但是该文献公开的方法仅能探测是否变形或者变形段位置，不能实现缺陷类型的识别。另一部分学者利用单一的电涡流数据识别不同类型的缺陷，如Peipei Zhu等人提出了一种改进的基于涡流脉冲热成像的缺陷自动识别特征提取算法，实现了缺陷的自动识别。梁子千等人将涡流信号合成阻抗图，并提出一种基于图像处理和神经网络的嵌入式管道内表面环焊缝缺陷识别方法。虽此类方法根据涡流检测信号，形成对应图像，采用图像处理技术实现缺陷类型的识别，但仅适用于常规金属结构的表面缺陷识别，并不适用于普光气田镍套管的缺陷识别。还有一部分学者采用电涡流和其他信号结合的多源信号，进行变形段和缺陷种类的识别，如MinHe等人提出了一种基于交流磁场测量和电涡流无损检测方法组合的无损检测方法，但该方法容易受温度和外磁场等因素影响。刘素贞等人组合电磁超声技术与涡流复合技术，实现不同深度的缺陷识别。但随着缺陷深度的增加,线圈的电阻和电抗近似线性变化，缺陷的存在导致线圈电感差值增大，此时该方法对缺陷的深度检测不敏感。王少平等人结合漏磁检测和电涡流检测技术，提出基于三轴漏磁与电涡流检测的管道内外壁缺陷的识别方法。但是在实际气田的套管中，仅有电涡流能穿透复杂的材料，因此上述已公开的方法均不能适用于普光气田之类油田套管的变形段和缺陷种类的识别。
综上所述，目前单一的电涡流数据进行变形段和缺陷种类的识别方法仅考虑了常规金属材料，且提取涡流检测信号特征的数据量较大，无法应用于抗硫化氢的监测设备输出的数据；采用电涡流和其他信号结合的方法中，其他信号无法穿透普光气田下复杂的地形，也不适合高温、高压、高含硫环境；采用多源信号的处理方法同样不适用于普光气田下的套管监测。有鉴于此，本案由此而生。
发明内容：
为了提高变形段判别和缺陷种类识别的准确性，克服普光气田下环境复杂、变形种类多等恶劣环境条件的限制，本发明提供一种能准确识别出所有变形段的位置、以及变形段中的缺陷类型的基于电涡流的油田套管缺陷无损检测方法。
为了实现上述发明目的，本发明所采用的技术方案为：
一种基于电涡流的油田套管缺陷无损检测方法，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。
进一步，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。
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。
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。
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。
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。
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。
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。
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、3*90挤压、2*90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。
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。
本发明的有益效果主要表现在：考虑到气田下环境复杂、容易发生三维变形、变形种类多等问题，本发明计算23个电涡流信号之和的波峰后，考虑到若采用固定阈值进行变形段识别会导致其存在较大误差，因此在结合GMM聚类的基础上提出了自适应阈值的变形段识别方法；其次是针对每一个变形段，进行差分处理，并将连续多组数据合并构成多层数据；考虑到数据的复杂度和提高RBF神经网络识别效率，对所有数据进行Fisher降维，并选择降维后的多维数据作为特征值；最后结合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以及识别出变形段中多种缺陷类型。总之本发明能准确判别变形段所在的位置信息以及识别变形段中多种缺陷类别，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。
以下通过附图和具体实施方式对本发明做进一步阐述。
附图说明：
图1为本发明实施例中检测方法流程图；
图2为本发明实施例中变形段判别原理框图；
图3为本发明实施例中缺陷识别原理框图。
具体实施方式：
本实施例公开一种基于电涡流的油田套管缺陷无损检测方法，如图1至图3所示(下列公式中涉及到的相同符号表示的参数含义相同)，主要包括如下步骤：
1)初始化算法的各个参数，包括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等参数；
2)读入测试数据，将每一个管道深度的23个涡流电压数据求和，得到电压总值，即
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)寻找电压总和数据相对平缓的N个连续信号段(平缓段)，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。
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)获得所有平缓段的起始点，采用GMM聚类方法计算无损阈值。GMM聚类方法的具体实现方法如下：
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)比较所有管道深度的测试数据电压总值与无损阈值，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)根据变形点的结果，判别连续出现的变形点为变形段。对变形段判别结果进行修正，消去个别突兀点对识别结果的影响，获得变形段判别结果；所述变形段判别结果具体修正操作如下：针对无损点0及变形点1，若一种状态的持续长度未达到20个数据点，则将该段数据状态修正为另一种数据状态。
7)输入套管缺陷数据，提取各种缺陷样本。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。
8)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，并选择Fisher处理后的多维数据作为特征值。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。
9)输入提取的特征值，进行RBF神经网络的模型训练，实现模型的建立。模型训练的方法如下：
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，和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。
10)输入测试数据，根据无损阈值，对测试数据进行差分处理，并构建多层数据。使用Fisher进行特征值提取，达到降维效果；
11)根据RBF神经网络模型和输入的测试数据特征值，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、3*90挤压、2*90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；
12)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。
13)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。
14)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。
15)输出变形段和缺陷类型识别的结果。
以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。
Claims (10)
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、3*90挤压、2*90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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910699275.1A CN110470729B (zh) | 2019-07-31 | 2019-07-31 | 一种基于电涡流的油田套管缺陷无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910699275.1A CN110470729B (zh) | 2019-07-31 | 2019-07-31 | 一种基于电涡流的油田套管缺陷无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110470729A true CN110470729A (zh) | 2019-11-19 |
| CN110470729B CN110470729B (zh) | 2022-12-02 |
Family
ID=68509312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910699275.1A Active CN110470729B (zh) | 2019-07-31 | 2019-07-31 | 一种基于电涡流的油田套管缺陷无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110470729B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111665293A (zh) * | 2020-07-20 | 2020-09-15 | 浙江树人学院（浙江树人大学） | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
| CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及系统 |
| CN112214894A (zh) * | 2020-10-13 | 2021-01-12 | 长江大学 | 一种套损套变微渗解释方法 |
| CN113076817A (zh) * | 2021-03-17 | 2021-07-06 | 上海展湾信息科技有限公司 | 焊缝气孔缺陷实时检测方法及系统 |
| CN113587802A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 一种井下套管变形类型识别方法及装置 |
| CN113702490A (zh) * | 2021-08-27 | 2021-11-26 | 重庆邮电大学 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
| CN113762131A (zh) * | 2021-09-01 | 2021-12-07 | 浙江树人学院（浙江树人大学） | 高含硫气田的油套管双层管柱形变位置检测方法及终端 |
| CN117907426A (zh) * | 2024-03-18 | 2024-04-19 | 电子科技大学 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
| CN118443743A (zh) * | 2024-07-04 | 2024-08-06 | 中国石油大学(华东) | 一种非金属内衬油管缺陷检测方法及检测装置 |
| CN118501246A (zh) * | 2024-07-17 | 2024-08-16 | 北京蒂川国际能源服务有限公司 | 一种基于耐高温检测器的大变形管道缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0554083A2 (en) * | 1992-01-30 | 1993-08-04 | Ricoh Company, Ltd | Neural network learning system |
| CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
-
2019
- 2019-07-31 CN CN201910699275.1A patent/CN110470729B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0554083A2 (en) * | 1992-01-30 | 1993-08-04 | Ricoh Company, Ltd | Neural network learning system |
| CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
| CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
| CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113587802A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 一种井下套管变形类型识别方法及装置 |
| CN113587802B (zh) * | 2020-04-30 | 2023-08-25 | 中国石油化工股份有限公司 | 一种井下套管变形类型识别方法及装置 |
| CN111815573B (zh) * | 2020-06-17 | 2021-11-02 | 科大智能物联技术股份有限公司 | 一种基于深度学习的接箍外壁检测方法及系统 |
| CN111815573A (zh) * | 2020-06-17 | 2020-10-23 | 科大智能物联技术有限公司 | 一种基于深度学习的接箍外壁检测方法及系统 |
| CN111665293A (zh) * | 2020-07-20 | 2020-09-15 | 浙江树人学院（浙江树人大学） | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
| CN111665293B (zh) * | 2020-07-20 | 2023-12-19 | 浙江树人学院（浙江树人大学） | 高含硫气田弱磁油管双层管柱缺陷的电涡流检测方法 |
| CN112214894A (zh) * | 2020-10-13 | 2021-01-12 | 长江大学 | 一种套损套变微渗解释方法 |
| CN113076817A (zh) * | 2021-03-17 | 2021-07-06 | 上海展湾信息科技有限公司 | 焊缝气孔缺陷实时检测方法及系统 |
| CN113702490A (zh) * | 2021-08-27 | 2021-11-26 | 重庆邮电大学 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
| CN113702490B (zh) * | 2021-08-27 | 2024-04-30 | 重庆邮电大学 | 一种基于涡流热传导的混凝土内部钢筋锈蚀量估计方法 |
| CN113762131A (zh) * | 2021-09-01 | 2021-12-07 | 浙江树人学院（浙江树人大学） | 高含硫气田的油套管双层管柱形变位置检测方法及终端 |
| CN117907426A (zh) * | 2024-03-18 | 2024-04-19 | 电子科技大学 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
| CN117907426B (zh) * | 2024-03-18 | 2024-05-24 | 电子科技大学 | 一种基于梯度法特征分析的金属涡流无损检测方法 |
| CN118443743A (zh) * | 2024-07-04 | 2024-08-06 | 中国石油大学(华东) | 一种非金属内衬油管缺陷检测方法及检测装置 |
| CN118443743B (zh) * | 2024-07-04 | 2024-08-30 | 中国石油大学(华东) | 一种非金属内衬油管缺陷检测方法及检测装置 |
| CN118501246A (zh) * | 2024-07-17 | 2024-08-16 | 北京蒂川国际能源服务有限公司 | 一种基于耐高温检测器的大变形管道缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110470729B (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110470729B (zh) | 一种基于电涡流的油田套管缺陷无损检测方法 | |
| CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| CN112101426B (zh) | 基于自编码器的无监督学习图像异常检测方法 | |
| CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
| Yang et al. | Magnetic flux leakage image classification method for pipeline weld based on optimized convolution kernel | |
| CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN113695713A (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
| Liu et al. | An intelligent defect detection approach based on cascade attention network under complex magnetic flux leakage signals | |
| CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN113780111A (zh) | 一种基于优化YOLOv3算法的管道连接器及缺陷精确识别方法 | |
| CN115048537A (zh) | 一种基于图像-文本多模态协同表示的病害识别系统 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN115791969A (zh) | 基于声发射信号的导管架水下裂纹检测系统及其方法 | |
| CN115965822A (zh) | 一种风险等级的分类方法及模型训练方法 | |
| CN111753877A (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN114676733A (zh) | 一种基于稀疏自编码辅助分类生成式对抗网络的复杂供输机构故障诊断方法 | |
| CN112329590B (zh) | 一种管道组件检测系统及检测方法 | |
| CN114218988A (zh) | 一种样本不均衡下的单向接地故障馈线识别方法 | |
| CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
| CN107689015A (zh) | 一种改进的电力系统不良数据辨识方法 | |
| Li et al. | Quantifying predictive uncertainty in damage classification for nondestructive evaluation using Bayesian approximation and deep learning | |
| CN116306894A (zh) | 一种无监督域适应的多元时序数据异常检测方法 | |
| CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |