CN110487797A - 一种用于试油测试的分离器排液口逸散气体监测方法 - Google Patents
一种用于试油测试的分离器排液口逸散气体监测方法 Download PDFInfo
- Publication number
- CN110487797A CN110487797A CN201910819557.0A CN201910819557A CN110487797A CN 110487797 A CN110487797 A CN 110487797A CN 201910819557 A CN201910819557 A CN 201910819557A CN 110487797 A CN110487797 A CN 110487797A
- Authority
- CN
- China
- Prior art keywords
- image
- leakage fluid
- fluid dram
- gas
- separator
- 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.)
- Pending
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 title claims abstract description 24
- 239000007789 gas Substances 0.000 claims description 61
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N2021/8578—Gaseous flow
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供了一种用于试油测试的分离器排液口逸散气体监测方法。所述方法包括步骤:采集分离器排液口的原始图像,原始图像为无逸散气体时的图像;根据所述原始图像建立分离器排液口无逸散气体的背景图像;采集分离器排液口的待确定图像,所述待确认图像为不确定是否有气体逸出的图像;根据所述待确认图像和背景图像,判断排液口是否有气体逸出。本发明的有益效果包括:对于分离器排液口逸散气体的监测具有及时性、准确性和有效性。
Description
技术领域
本发明涉及试油测试领域,具体地涉及一种用于试油测试的分离器排液口逸散气体监测方法。
背景技术
油气井试油测试作业是物探—钻井—测录井—试油测试—综合地质研究五位一体油气勘探中的一个重要环节,是勘探成果的最终体现,起到了承上启下的作用。在试油测试过程中,需要井筒返排流体进行节流、降压、分离、计量等,以便准确获取压力、温度、产量等物性参数,为勘探开发方案的编制提供依据,然而由于井筒流体成分复杂(含有油、砂、泡沫等),往往把分离器浮筒、液位计堵塞或者附着在液位计看窗上,使得分离器操作人员无法准确操控分离器,部分气体从分离器液路排出,一般放喷排液口距离数据监控、采集房较远(300m以上),往往不能被及时发现,这势必影响测试数据的准确性,甚至对环境造成较大的伤害(尤其含有硫化氢)。
现有的监测方法主要根据传感器采集大气中的样本,必须使得气体浓度达到一定值后才报警。而试油测试中放喷排液口一般在比较空旷的地方,气体泄漏量必须达到一定数值后方可报警,显然这种工艺有一定的滞后性,不利于及时发现排液口窜气。
发明内容
针对现有技术中存在的不足,本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如,本发明的目的之一在于提供一种用于试油测试的分离器排液口逸散气体监测方法,以对分离器排液口逸散气体进行有效监测。
为了实现上述目的,本发明提供了一种用于试油测试的分离器排液口逸散气体监测方法。
所述方法可包括步骤:采集分离器排液口的原始图像,原始图像为无逸散气体时的图像;根据所述原始图像建立分离器排液口无逸散气体的背景图像;采集分离器排液口的待确定图像,所述待确认图像为不确定是否有气体逸出的图像;根据所述待确认图像和背景图像,判断排液口是否有气体逸出。
在本发明的一个或多个示例性实施例中,所述根据所述原始图像建立分离器排液口无逸散气体的背景图像的步骤可包括:对所述原始图像进行特征提取,再进行卷积神经网络的深度学习,建立分离器排液口无逸散气体的背景图像。
在本发明的一个或多个示例性实施例中,所述判断排液口是否有气体逸出的步骤可包括:将所述待确认图像和背景图像进行图像增强处理;将所述图像增强后的待确认图像和所述背景图像进行图像减法运算,得到差值图像,根据所述差值图像判断排液口是否有气体逸出。
在本发明的一个或多个示例性实施例中,所述根据差值图像判断排液口是否有气体逸出可包括:将所述差值图像量化,并将量化得到的值与预先设定的对比阈值进行比较,当量化得到的值超过所述对比阈值时,判断为有气体逸出。
在本发明的一个或多个示例性实施例中,所述逸散气体可包括天然气和硫化氢气体中的至少一种。
在本发明的一个或多个示例性实施例中,利用视频摄像头来采集所述原始图像。
在本发明的一个或多个示例性实施例中,利用视频摄像头来采集所述待确定图像。
在本发明的一个或多个示例性实施例中,所述方法还可包括步骤:将采集到的原始图像储存在视频存储服务器中。
与现有技术相比,本发明的有益效果可以包括:基于图像视频流的逸散气体监测方法,能够有效地对放喷排液口逸散气体进行监测,在对人员和环境进行有效保护的同时,还能够提高试油测试的数据的准确性。
具体实施方式
在下文中,将结合示例性实施例详细地描述本发明的用于试油测试的分离器排液口逸散气体监测方法。
本发明提供了一种用于试油测试的分离器排液口逸散气体监测方法。
在本发明的一个示例性实施例中,所述方法可以包括:
S1:获取分离器排液口的原始图像。其中,所述原始图像为分离器排液口无逸散气体时的图像。在本步骤中,可以选择的是通过视频摄像头获取分离器排液口的原始图像和待确认图像,所述原始图像和待确认图像可以为视频图像。S1中获取的图像可以包括至少一个原始图像和至少一个待确认图像。
S2:对S1中获取的所述原始图像进行特征提取,然后再进行卷积神经网络的深度学习,建立分离器排液口无逸散气体的背景图像。在本步骤中,可首先对中获取的至少一个原始图像采取常规手段对所有的原始图像分别进行特征提取,提取出符合分离器排液口没有逸散气体出现的图像的至少一个特征,然后通过卷积神经网络的深度学习,建立分离器排液口无逸散气体的背景图像。
S3:采集分离器排液口的待确定图像,所述待确认图像为不确定是否有气体逸出的图像。
S4:将S3中获取的待确认图像和S2中获取的背景图像进行图像增强处理,然后将增强后的待确认图像和增强后的背景图像进行图像减法运算,得到差值图像,然后将所述差值图像进行量化,并将量化后得到的值与预先设定的对比阈值进行比较,当量化得到的值超过所述对比阈值时,判断为分离器排液口有气体逸出。
在本实施例中,分离器排液口有气体逸出时,逸散气体可包括天然气和硫化氢,逸散气体会充斥着整个监控区域,此时,采集到的待确认的图像与S2中得到的背景图像必然存在差别。
在本发明的另一个示例性实施例中,所述监测方法可包括以下步骤:
通过视频摄像头采集分离器排液口无逸散气体的视频图像。
利用计算机对分离器排液口无逸散气体的视频图像进行特征提取,再用卷积神经网络进行深度学习,建立排液口无逸散气体的背景图像。
当分离器排液口有逸散气体泄漏时,气体充斥着整个监控区域,这时采集的视频图像与之前保存的背景图像必然存在差别,这时再对两幅图像中的特征进行增强处理,最后做图像减法运算(图像矩阵进行减法),会得到一个差值图像,然后把这种差异量化,设定一个阈值,如果差值超过这个值,就会进行报警,表示分离器排液口有天然气逸出,需及时处置。
综上所述,本发明的用于试油测试的分离器排液口逸散气体监测方法的优点可包括:基于图像视频流的逸散气体监测方法,对于分离器排液口逸散气体的监测具有及时性、准确性和有效性,在对人员和环境进行有效保护的同时,还能够提高试油测试的数据的准确性。
尽管上面已经通过结合示例性实施例描述了本发明,但是本领域技术人员应该清楚,在不脱离权利要求所限定的精神和范围的情况下,可对本发明的示例性实施例进行各种修改和改变。
Claims (8)
1.一种用于试油测试的分离器排液口逸散气体监测方法,其特征在于,所述方法包括步骤:
采集分离器排液口的原始图像,原始图像为无逸散气体时的图像;
根据所述原始图像建立分离器排液口无逸散气体的背景图像;
采集分离器排液口的待确定图像,所述待确认图像为不确定是否有气体逸出的图像;
根据所述待确认图像和背景图像,判断排液口是否有气体逸出。
2.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,所述根据所述原始图像建立分离器排液口无逸散气体的背景图像的步骤包括:
对所述原始图像进行特征提取,再进行卷积神经网络的深度学习,建立分离器排液口无逸散气体的背景图像。
3.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,所述判断排液口是否有气体逸出的步骤包括:
将所述待确认图像和背景图像进行图像增强处理;
将所述图像增强后的待确认图像和所述背景图像进行图像减法运算,得到差值图像,根据所述差值图像判断排液口是否有气体逸出。
4.根据权利要求3所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,所述根据差值图像判断排液口是否有气体逸出包括:
将所述差值图像量化,并将量化得到的值与预先设定的对比阈值进行比较,当量化得到的值超过所述对比阈值时,判断为有气体逸出。
5.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,所述逸散气体包括天然气和硫化氢气体中的至少一种。
6.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,利用视频摄像头来采集所述原始图像。
7.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,利用视频摄像头来采集所述待确定图像。
8.根据权利要求1所述的用于试油测试的分离器排液口逸散气体监测方法,其特征在于,在所述采集原始图像之后、建立背景图像之前,所述方法还可包括步骤:将采集到的原始图像储存在视频存储服务器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819557.0A CN110487797A (zh) | 2019-08-31 | 2019-08-31 | 一种用于试油测试的分离器排液口逸散气体监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819557.0A CN110487797A (zh) | 2019-08-31 | 2019-08-31 | 一种用于试油测试的分离器排液口逸散气体监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110487797A true CN110487797A (zh) | 2019-11-22 |
Family
ID=68555948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910819557.0A Pending CN110487797A (zh) | 2019-08-31 | 2019-08-31 | 一种用于试油测试的分离器排液口逸散气体监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110487797A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103184864A (zh) * | 2011-12-28 | 2013-07-03 | 陈美玲 | 一种气井测试安全监测及控制工艺 |
CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
CN104346626A (zh) * | 2014-10-30 | 2015-02-11 | 国家电网公司 | 基于图像识别的sf6气体泄漏在线模式识别方法 |
CA3024392A1 (en) * | 2015-10-15 | 2017-04-20 | Pixel Velocity, Inc. | System and method of producing and displaying visual information regarding gas clouds |
CN107705288A (zh) * | 2017-09-04 | 2018-02-16 | 武汉工程大学 | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 |
CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
CN109215296A (zh) * | 2018-10-08 | 2019-01-15 | 武汉爱迪科技股份有限公司 | 一种用于安全生产事故隐患监控的液氨泄露报警系统 |
CN109903232A (zh) * | 2018-12-20 | 2019-06-18 | 江南大学 | 一种基于卷积神经网络的图像去雾方法 |
-
2019
- 2019-08-31 CN CN201910819557.0A patent/CN110487797A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103184864A (zh) * | 2011-12-28 | 2013-07-03 | 陈美玲 | 一种气井测试安全监测及控制工艺 |
CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
CN104346626A (zh) * | 2014-10-30 | 2015-02-11 | 国家电网公司 | 基于图像识别的sf6气体泄漏在线模式识别方法 |
CA3024392A1 (en) * | 2015-10-15 | 2017-04-20 | Pixel Velocity, Inc. | System and method of producing and displaying visual information regarding gas clouds |
CN107705288A (zh) * | 2017-09-04 | 2018-02-16 | 武汉工程大学 | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 |
CN108108832A (zh) * | 2017-11-20 | 2018-06-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 |
CN109215296A (zh) * | 2018-10-08 | 2019-01-15 | 武汉爱迪科技股份有限公司 | 一种用于安全生产事故隐患监控的液氨泄露报警系统 |
CN109903232A (zh) * | 2018-12-20 | 2019-06-18 | 江南大学 | 一种基于卷积神经网络的图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
于连生、于翔编: "《海洋仪器研制的信息法 以悬浮颗粒图像仪设计为例》", 30 June 2015, 海洋出版社 * |
杨露菁等编: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社 * |
罗焱泽等: "基于图像处理的工业阀门气体泄漏监测法", 《流体机械》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
CN106023158B (zh) | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 | |
CN108319986B (zh) | 基于prnu的图像来源的鉴定方法及其系统 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN106355188A (zh) | 图像检测方法及装置 | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN112288079A (zh) | 图神经网络模型训练方法、软件缺陷检测方法及系统 | |
CN105241811B (zh) | 多层次聚焦自动采图方法与系统 | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN107808100B (zh) | 针对特定测试样本的隐写分析方法 | |
CN114821282B (zh) | 一种基于域对抗神经网络的图像检测装置及方法 | |
Wu et al. | Automated modal identification based on improved clustering method | |
Klise et al. | Water quality change detection: multivariate algorithms | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN106706119B (zh) | 一种基于信号频域特征的振动源识别方法及系统 | |
Holt et al. | Separating morphologically similar pollen types using basic shape features from digital images: A preliminary study1 | |
Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
CN110995713A (zh) | 一种基于卷积神经网络的僵尸网络检测系统及方法 | |
CN110939428B (zh) | 一种致密砂岩油气藏储层裂缝的识别方法 | |
CN110514366A (zh) | 一种小样本条件下管道微弱泄漏检测方法 | |
CN110487797A (zh) | 一种用于试油测试的分离器排液口逸散气体监测方法 | |
CN111879456B (zh) | 一种建筑幕墙安全性检测方法及系统 | |
CN112434600A (zh) | 一种无人机巡检方法及系统 | |
CN113550741A (zh) | 一种套管最小内径检测方法 | |
CN115221963B (zh) | 一种数据驱动的核级管道共振故障检测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |