CN112084982A - 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法 - Google Patents

一种基于噪声模型的双层管柱脉冲涡流数据去噪方法 Download PDF

Info

Publication number
CN112084982A
CN112084982A CN202010965888.8A CN202010965888A CN112084982A CN 112084982 A CN112084982 A CN 112084982A CN 202010965888 A CN202010965888 A CN 202010965888A CN 112084982 A CN112084982 A CN 112084982A
Authority
CN
China
Prior art keywords
noise
data
signal
model
eddy current
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
Application number
CN202010965888.8A
Other languages
English (en)
Inventor
陈友荣
施佳椰
刘半藤
周莹
王章权
金合丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shuren University
Original Assignee
Zhejiang Shuren University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Shuren University filed Critical Zhejiang Shuren University
Priority to CN202010965888.8A priority Critical patent/CN112084982A/zh
Publication of CN112084982A publication Critical patent/CN112084982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明涉及基于噪声模型的双层管柱脉冲涡流数据去噪方法，通过分析真实噪声中的电磁噪声、抖动噪声、温度噪声和油管偏心噪声四种噪声的特征，建立四种噪声模型；分别设计基于线性噪声参数的网络模型、基于正弦抖动噪声参数的网络模型和基于高斯白噪声参数的网络模型，在三种噪声分量中添加深度权重系数，构建适用于深度学习方法求解的基于噪声模型参数的总体深度学习模型；构建基于双层管柱的材料属性、空间维度、物理场接口等的仿真模型并仿真，获得双层管柱的纯净信号作为训练集；针对总体深度学习模型，对不同井段的涡流数据进行训练，获得噪声模型参数，获得整根双层管柱脉冲涡流信号中的噪声模型，根据噪声模型对双层管柱进行自适应去噪。

Description

一种基于噪声模型的双层管柱脉冲涡流数据去噪方法
技术领域
本发明涉及无损检测技术领域，具体是指一种基于噪声模型的双层管柱脉冲涡流数据去噪方法。
背景技术
近年来，随着我国社会经济的快速发展，能源的需求大幅上升，油气能源作为工业领域的重要能源，其需求量也与日俱增。据相关数据统计，2019年我国天然气表观消费量达到2803×108立方米，同比增长17.5％，日高峰用气量突破10×108立方米。其中，高含硫量气田天然具有气层埋藏深、高含H2S、高压、高产等特点。由于高含H2S和CO2，井下腐蚀环境恶劣，在投产作业和生产过程中，受盐膏岩持续蠕变的影响，套变加剧，部分井存在遇阻遇卡现象，极易发生管柱形变，甚至有可能导致含硫气体泄漏，出现重大事故。因此投产时会采用高镍基合金材料的一体化双层管柱，其由油管、套管、井口等部分组成，套管用于保护油管，提供安全的采集环境。为防止重大安全隐患，需要对双层管柱中外层套管进行监测，第一时间发现双层管柱是否存在安全风险，并进行有效维修，从而防止其发生严重形变，导致安全事故。
由于电涡流检测方法不受管柱内结腊和污垢的影响，且穿透能力强，可测量多层管柱，因此电涡流检测方法是最适合井下管道的检测，能够透过油管对外层套管进行检测。由于脉冲涡流检测信号是基于电磁感应原理，能够体现被测物体属性的响应信号，但是其能量较低，在检测过程中容易受到自身和环境的各类噪声干扰。因此，数据去噪是脉冲涡流检测领域的核心方法之一，能够从信号中提取出有效信息。
目前传统的信号去噪方法主要包括基于各种频率滤波器的去噪、小波阈值去噪、经验模态分解(Empirical Mode Decomposition，EMD)去噪等时频域去噪方法。其中，在小波阈值去噪过程中小波基阈值的选择不具备自适应性，对信噪比级别较低的涡流信号去噪效果较差。基于滤波器的去噪方法能够去除特定频率的噪声，但是对于具有混合噪声的信号，其方法会去除部分有用信号。EMD去噪方法作为自适应滤波器，能够有效处理瞬时响应信号的噪声，但是其是一种经验理论，会存在模态混叠、包络曲线过拟合、端点效应等问题。同时，部分学者提出总体经验模式分解方法，可利用白噪声能量均匀分布特性抑制模态混叠效果。还有人提出基于改进的集成经验模态分解方法，解决端点效应问题，但会产生低频分量失真问题，使得固有模态函数(Intrinsic Mode Functions，IMF)分量无法表示真实的物理过程。目前大部分学者提出的方法解决的都是人为添加的高斯白噪声，没有深入分析噪声的自身特点，因此部分学者根据涡流信号的噪声特征进行去噪，例如将不加激励信号的采集信号作为纯噪声信号，分析噪声信号平稳随机过程中的相关特性和频谱特性，采用维纳滤波与主成分分析结合的方法对涡流信号进行去噪；根据阻抗平面上的利萨如图形，分析探头抖动噪声对信号的影响，并利用小波变换进行去噪；从图像上观察无缝管噪声的特征，进行小波去噪。但是只对单一类型噪声进行分析，没有考虑多种噪声混合的情况。
综上所述，目前脉冲涡流去噪方法上存在以下三点问题：一是人为添加高斯白噪声进行去噪，没有考虑实际系统中存在的真实噪声，较难适应于实际系统；二是在无法有效获知纯净信号和噪声信号的情况下进行去噪，去噪效果仍有一定的提升空间；三、没有考虑多种噪声混合的情况。
发明内容
针对现有技术的不足，本发明提供了一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，通过分析真实脉冲涡流数据中的不同噪声特征建立对应的噪声模型，并引入深度学习理念，设计了包含深度权重的三种网络模型，构建出总体深度学习模型，并通过对其训练和优化获得整根双层管柱的噪声模型，从而实现双层管柱自适应去噪。
为实现上述目的，本发明提供了如下技术方案：
一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，内容包括：
步骤1：对弱磁油管双层管柱不同深度进行检测，获得不同深度的脉冲涡流采样数据，并对采样数据进行预处理；
步骤2：根据几何区域和材料属性构建双层管柱的仿真模型，对该仿真模型进行仿真，获得双层管柱的纯净信号作为训练集；
步骤3：对获得的双层管柱纯净信号进行数据预处理；
步骤4：判断当前状态：如果处于训练状态，则读取训练集中数据预处理后的脉冲涡流检测数据，读取通过仿真的数据预处理后的双层管柱纯净信号，跳到步骤5；如果处于非训练状态，则读取需要去噪且数据预处理后的弱磁油管双层管柱脉冲涡流检测数据，跳到步骤9；
步骤5：分析真实噪声信号并提取特征，构建基于电磁噪声、抖动噪声、温度噪声、油管偏心噪声的混合噪声函数；
步骤6：将电磁噪声、抖动噪声和油管偏心噪声分量的三个噪声分量添加深度的权重系数，结合独立的温度变化分量，构建混合噪声模型；
步骤7：根据混合噪声模型构建基于深度学习的噪声参数网络模型；
步骤8：根据构建好的基于深度学习的噪声参数网络模型，将数据预处理后的训练集数据和仿真的纯净信号作为模型的输入进行训练，获得噪声模型网络参数；根据噪声模型网络参数，拟合整个双层管柱的噪声，并令当前状态为非训练状态，跳到步骤4；
步骤9：将数据预处理完的弱磁油管双层管柱脉冲涡流检测数据与基于训练后噪声模型的拟合噪声做差值，最后将差值后的数据进行反归一化，获得自适应去噪后的数据，跳到步骤4。
进一步，所述步骤1中每个深度获得11个点数据，对每个点数据按照式(1)去除增益：
Figure BDA0002682286040000031
其中，
Figure BDA0002682286040000032
表示深度h的第i个采样点的脉冲涡流检测数据，
Figure BDA0002682286040000033
表示去增益后的脉冲涡流数据，M表示数据的最大深度，z表示每个采样点对应的增益倍数；再通过式(2)，对去增益后的信号进行归一化：
Figure BDA0002682286040000041
其中，
Figure BDA0002682286040000042
表示深度h的所有采样点去增益后的脉冲涡流数据，min()表示求一组数据中最小值函数，max()表示求一组数据中最大值函数，
Figure BDA0002682286040000043
表示去增益和归一化后的脉冲涡流数据。
进一步，所述步骤2中几何区域的构建如下：采用外径177.8mm，壁厚12.65mm和高800mm的管状体套管，采用外径88.9mm，壁厚6.45mm和高800mm的管状体油管，采用管状体线圈和圆柱体磁芯，采用半径500mm和高3000mm圆柱体空气层来构建几何区域；材料属性的确定是采用电导率17.2117S/m，相对磁导率B-H曲线的硅钢磁芯，采用电导率3400000S/m，相对磁导率116.1的低碳钢套管，采用电导率2088000S/m，相对磁导率B-H曲线的油管，其余区域采用电导率10S/m，相对磁导率1的空气。
进一步，所述步骤3中对获得的双层管柱纯净信号进行数据预处理具体内容如下：读取通过仿真的11个点的双层管柱纯净信号，对每一点不同深度数据分别进行数据预处理，即通过式(3)，去除每个深度每个点的增益：
Figure BDA0002682286040000044
其中，ki表示第i个采样点的纯净信号数据，
Figure BDA0002682286040000045
表示去增益后的纯净信号数据，z表示每个采样点对应的增益倍数，
Figure BDA0002682286040000046
表示第i个采样点去增益后的纯净信号数据；再通过式(4)，对信号进行归一化：
Figure BDA0002682286040000047
其中，
Figure BDA0002682286040000048
表示第i个采样点去增益和归一化后的纯净信号数据，选择数据预处理后的脉冲涡流检测数据中无损缺陷且300米深度范围的脉冲涡流检测数据作为训练集。
进一步，所述步骤5中混合噪声函数的构建方法如下：
步骤5.1)由于设备内部检测的电测噪声的瞬时值服从高斯分布，功率谱密度服从均匀分布，体现的是高斯白噪声的统计特性，因此双层管柱脉冲涡流的电磁噪声是高斯白噪声，令其噪声为：
Figure BDA0002682286040000051
其中，yem表示电磁噪声，
Figure BDA0002682286040000052
表示均值为0，方差为s的高斯白噪声；
步骤5.2)考虑到抖动信号经过阻抗分解后可分为正弦变化的电阻值和电抗值，因此其计数值通常包括标准正弦振动、随机噪声误差项和抖动尺度三部分，令其噪声信号为：
Figure BDA0002682286040000053
其中，ysh表示抖动噪声，A表示抖动尺度，ω表示抖动频率，
Figure BDA0002682286040000054
表示抖动相位，x表示11个采样点信号的涡流数据，b1为抖动偏差向量；
步骤5.3)由于在井下，温度随着深度的变化而变化，因此令其噪声为：
yte＝(w1T+b2) (7)
其中，yte表示温度噪声，T表示温度值，w1表示温度权重值，b2表示温度偏差变量；
步骤5.4)由于双层管柱常年受到地质运动的影响，内层油管或多或少会发现偏移，并且井身结构与垂直方向有一定角度，抽油泵在造斜点的下边时，泵上油管随套管一起弯曲，从而导致双层管柱脉冲涡流信号存在线性偏差问题，因此令油管偏心噪声为：
yec＝(w2x+b3) (8)
其中，yec表示油管偏心噪声，w2表示油管偏心权重值，b3表示油管偏差向量；
步骤5.5)根据上述提出的四种噪声公式，计算双层管柱脉冲涡流信号的混合噪声ytotal，可表示为：
ytotal＝yem+ysh+yte+yec (9)。
进一步，所述步骤6中混合噪声模型为：
Figure BDA0002682286040000061
其中，Y表示模型输出值，depth表示深度值，w3表示深度权重值，b4表示深度偏差向量，x表示11个采样点信号的涡流数据，T表示输入温度信号，softmax()表示归一化指数函数。
进一步，所述步骤7中构建基于深度学习的噪声参数网络模型方法如下：
7.1)构建模型的输入层，输入层包含3个神经元用来输入深度值depth、温度值T和11个采样点信号的涡流数据x；
7.2)选择输入信号x，其连接权重和偏置为需要求解的噪声参数w2和b3，且输出带有线性噪声的序列信号，并使用一个全连接神经网络构建随机噪声网络层Dense1；
7.3)选择输入信号x，根据公式(11)的噪声概率密度函数f(x)，构建高斯白噪声网络层Dense2；
Figure BDA0002682286040000062
其中，μ表示均值，σ表示方差；由于白噪声的零均值特性，令高斯分布函数中μ＝0，令σ为白噪声方差参数组成的参数向量
Figure BDA0002682286040000063
即为需要求解的模型参数s，L为信号的长度，该层输出带有电磁噪声的序列信号；从多个独立的高斯分布进行随机采样，得到正态随机变量；根据输出信号的序列长度确定独立的高斯分布的个数，对每一个噪声信号的方差进行参数训练；构建由Dense2和随机采样两部分组成的基于高斯白噪声的电磁噪声网络层；
7.4)将输入信号x转化为角度信号
Figure BDA0002682286040000064
由于角度信号t的值域不完全满足正弦函数的定义域，因此利用公式(12)和(13)对角度信号t进行激活，使其转换至合理的定义域，从而构建对角速度ω和相位
Figure BDA0002682286040000065
参数建模的网络Dense3；
angle(t)＝sigmod(t)·π (12)
F(·)＝sin(angle(t)) (13)
其中，sigmod(t)表示归一化后的角度信号，angle(t)表示角度信号的弧度值，F(·)表示激活函数；利用全连接神经对符合sin值域的angle(t)的抖动幅度A和抖动偏置b进行参数建模，获得网络Dense4，输出带有抖动噪声的序列信号；构建由两个网络Dense3和Dense4组成的抖动噪声网络层；
7.5)输入深度信息depth，构建连接权重和偏置为噪声参数w3和b4的网络Dense5；将网络Dense5的输出用softmax函数进行归一化，得到噪声分量分配权重，构建由网络Dense5和激活函数组成的深度噪声网络层；
7.6)输入信号为温度值T，构建连接权重和偏置为噪声参数w1和b2的网络Dense6；网络Dense6输出带有温度噪声的序列信号，构建由Dense6网络组成的温度噪声网络层；
7.7)构建模型的输出层，深度权重系数网络层的输入分别与随机噪声网络层的输出、电磁噪声网络层的输出和抖动噪声网络层的输出相乘，所得结果相加后与温度噪声进行相加，得到模型的输出。
进一步，所述步骤8中噪声模型网络参数的训练具体步骤如下：
8.1)输入训练样本：数据预处理后的训练集中涡流信号
Figure BDA0002682286040000071
对应的深度值h和仿真的纯净信号
Figure BDA0002682286040000072
令
Figure BDA0002682286040000073
作为输入样本，目标噪声
Figure BDA0002682286040000074
作为样本标签，其公式如下：
Figure BDA0002682286040000075
其中，
Figure BDA0002682286040000076
表示深度h的第i个采样点的目标噪声信号数据，
Figure BDA0002682286040000077
表示深度h的第i个采样点的数据预处理后的脉冲涡流数据，
Figure BDA0002682286040000078
表示第i个采样点的数据预处理后的纯净信号数据；
8.2)采用正态分布随机初始化方法初始化网络权重，以0为均值，标准差为
Figure BDA0002682286040000081
的截断正态分布中抽取样本作为网络权重的初始值，其中fan_in表示权值张量中输入单元的数量，fan_out表示权值张量中输出单元的数量；
8.3)设置学习率、迭代次数r参数；
8.4)根据式(15)计算模型的当前噪声信号与目标噪声信号之间的损失值P：
Figure BDA0002682286040000082
式中，
Figure BDA0002682286040000083
表示模型训练的初始噪声信号，
Figure BDA0002682286040000084
表示样本标签，n为样本的个数；
8.5)判断损失值P是否小于固定阈值0.01，如果是，则模型训练完成，输出训练好的参数模型，返回；否则，跳到步骤8.6)，继续训练；
8.6)根据每次训练的损失值，使用梯度下降法调整模型权重参数；
8.7)使用适应性矩估计优化算法进行更新，通过从每一个网络权重梯度的第一次和第二次矩的预算来计算不同参数的自适应学习速率，获得模型中参数的更新量，跳到步骤8.4)。
本发明的有益效果主要表现在：本发明提出数据预处理，并通过数学模型分析电磁噪声、抖动噪声、温度噪声和油管偏心噪声四种噪声的特征，建立可体现真实脉冲涡流数据中的四种噪声模型。其次，针对噪声模型，引入深度学习的理念，分别设计基于线性噪声参数的网络模型、基于正弦抖动噪声参数的网络模型和基于高斯白噪声参数的网络模型，并考虑到不同深度对噪声信号的影响，在三种噪声分量中添加深度权重系数，构建适用于深度学习方法求解的基于噪声模型参数的总体深度学习模型。接着，构建基于双层管柱的材料属性、空间维度、物理场接口等的仿真模型，对该模型进行仿真，获得双层管柱的纯净信号作为训练集。针对总体深度学习模型，对不同井段的涡流数据进行训练，获得噪声模型参数，获得整根双层管柱脉冲涡流信号中的噪声模型。最后根据获得的噪声模型，对双层管柱进行自适应去噪，具有较强的普适性。
本方法对每一个双层管柱进行训练，获得各自的噪声模型，可适用于不同井段的电涡流检测信号的去噪，具有较好的自适应性，同时能很好的去除井下双层管柱脉冲涡流信号中的噪声信号，提高了信号的信噪比和相关系数，降低了均方根误差。
附图说明
图1为本发明实施例中去噪方法流程图；
图2为本发明基于深度学习的噪声参数网络模型构建流程图；
图3为本发明网络模型参数训练流程图。
具体实施方式
本实施例公开一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，如图1至图3所示，主要包括如下步骤：
步骤1)从双层管柱最深处开始，采用电磁探伤测试仪MTD-J的纵向长探头A对弱磁油管双层管柱进行检测，获得由A1-A11组成的共11个点数据构成的脉冲涡流检测数据。经过一个采样周期后，仪器向上移动继续进行数据采集。重复执行上述数据采集，直到完成整个弱磁油管双层管柱的脉冲涡流数据采集，获得每一个深度的11个点数据构成的脉冲涡流检测数据。其中，纵向探头A可采集11个信号A1-A11，采样时间范围为0.015-0.09ms，采样点时间分别为0.0105s、0.0155s、0.0205s、0.0265s、0.0345s、0.0435s、0.0535s、0.0635s、0.0735s、0.0835s、0.0935s，且每个点对应的增益大小分别为1.2469、1.4119、1.5541、0.2187、0.2372、0.2521、0.2516、0.0698、0.0838、0.0250、0.0317。
步骤2)读取双层管柱不同深度11个点的脉冲涡流检测数据。对每一点不同深度数据分别进行数据预处理。即通过式(1)，去除每个深度每个点的增益，
Figure BDA0002682286040000091
其中，
Figure BDA0002682286040000092
表示深度h的第i个采样点的脉冲涡流检测数据，
Figure BDA0002682286040000093
表示去增益后的脉冲涡流数据，M表示数据的最大深度，z表示每个采样点对应的增益倍数。通过式(2)，对去增益后的信号进行归一化。
Figure BDA0002682286040000101
其中，
Figure BDA0002682286040000102
表示深度h的所有采样点去增益后的脉冲涡流数据，min()表示求一组数据中最小值函数，max()表示求一组数据中最大值函数，
Figure BDA0002682286040000103
表示去增益和归一化后的脉冲涡流数据。
步骤3)采用外径177.8mm，壁厚12.65mm和高800mm的管状体套管，采用外径88.9mm，壁厚6.45mm和高800mm的管状体油管，采用管状体线圈和圆柱体磁芯，采用半径500mm和高3000mm圆柱体空气层，构建几何区域。采用电导率17.2117S/m，相对磁导率B-H曲线的硅钢磁芯，采用电导率3400000S/m，相对磁导率116.1的低碳钢套管，采用电导率2088000S/m，相对磁导率B-H曲线的油管，其余区域采用电导率10S/m，相对磁导率1的空气。根据几何绘制和材料属性，构建有限元分析模型，形成联合体功能，将整个几何连通以满足电磁场理论要求，构建基于双层管柱的材料属性、空间维度、物理场接口等的仿真模型。对该模型进行仿真，获得双层管柱的纯净信号。
步骤4)读取通过仿真的11个点的双层管柱纯净信号，对每一点不同深度数据分别进行数据预处理。即通过式(3)，去除每个深度每个点的增益，
Figure BDA0002682286040000104
其中，ki表示第i个采样点的纯净信号数据，
Figure BDA0002682286040000105
表示去增益后的纯净信号数据，z表示每个采样点对应的增益倍数，
Figure BDA0002682286040000106
表示第i个采样点去增益后的纯净信号数据。通过式(4)，对信号进行归一化；
Figure BDA0002682286040000107
其中，
Figure BDA0002682286040000108
表示第i个采样点去增益和归一化后的纯净信号数据。选择数据预处理后的脉冲涡流检测数据中无损缺陷且300米深度范围的脉冲涡流检测数据作为训练集。令当前状态为训练状态。
步骤5)如果当前是训练状态，则读取训练集中数据预处理后的脉冲涡流检测数据，读取通过仿真的数据预处理后的11个点双层管柱纯净信号，跳到步骤6)，否则，读取需要去噪且数据预处理后的弱磁油管双层管柱脉冲涡流检测数据，跳到步骤10)；
步骤6)分析噪声信号，提出电磁噪声、抖动噪声、温度噪声、油管偏心噪声公式，构建双层管柱脉冲涡流信号的混合噪声函数。构建双层管柱脉冲涡流信号的混合噪声模型的方法具体步骤如下：
步骤6.1)由于设备内部检测的电测噪声的瞬时值服从高斯分布，功率谱密度服从均匀分布，体现的是高斯白噪声的统计特性，因此考虑双层管柱脉冲涡流的电磁噪声是高斯白噪声，令其噪声为：
Figure BDA0002682286040000111
其中，yem表示电磁噪声，
Figure BDA0002682286040000112
表示均值为0，方差为s的高斯白噪声。
步骤6.2)考虑到抖动信号经过阻抗分解后可分为正弦变化的电阻值和电抗值，因此其计数值通常包括标准正弦振动、随机噪声误差项和抖动尺度三部分，令其噪声信号为：
Figure BDA0002682286040000113
其中，ysh表示抖动噪声，A表示抖动尺度，ω表示抖动频率，
Figure BDA0002682286040000114
表示抖动相位，x表示11个采样点信号的涡流数据，b1为抖动偏差向量。
步骤6.3)由于在井下，温度随着深度的变化而变化，因此令其噪声为：
yte＝(w1T+b2) (7)
其中，yte表示温度噪声，T表示温度值，w1表示温度权重值，b2表示温度偏差变量。
步骤6.4)由于双层管柱常年受到地质运动的影响，内层油管或多或少会发现偏移，并且井身结构与垂直方向有一定角度，抽油泵在造斜点的下边时，泵上油管随套管一起弯曲，从而导致双层管柱脉冲涡流信号存在线性偏差问题，因此令油管偏心噪声为：
yec＝(w2x+b3) (8)
其中，yec表示油管偏心噪声，w2表示油管偏心权重值，b3表示油管偏差向量。
步骤6.5)根据提出的四种噪声公式，计算双层管柱脉冲涡流信号的混合噪声ytotal，可表示为
ytotal＝yem+ysh+yte+yec (9)
步骤7)考虑深度会影响电磁噪声、抖动噪声和油管偏心噪声分量，且呈现线性变化。将公式(9)中电磁噪声、抖动噪声和油管偏心噪声分量三个噪声分量添加深度的权重系数，且为简化运算步骤，采用softmax函数计算深度所带来的线性偏移加权系数，分配电磁噪声、抖动噪声和油管偏心噪声的分量矩阵。同时结合独立的温度变化分量，构建混合噪声模型为：
Figure BDA0002682286040000121
其中，Y表示模型输出值，depth表示深度值，w3为深度权重值，b4表示深度偏差向量，x为11个采样点信号的涡流数据，T为输入温度信号，softmax()表示归一化指数函数。
步骤8)根据式(10)混合噪声模型，构建基于深度学习的噪声参数网络模型。如图2所示，构建基于深度学习的噪声参数网络模型方法具体实现步骤如下：
8.1)构建模型的输入层，输入层包含3个神经元用来输入深度值depth、温度值T和11个采样点信号的涡流数据x。
8.2)选择输入信号x，其连接权重和偏置为需要求解的噪声参数w2和b3，且输出带有线性噪声的序列信号，并使用一个全连接神经网络构建随机噪声网络层Dense1。
8.3)选择输入信号x，根据公式(11)的噪声概率密度函数f(x)，构建高斯白噪声网络层Dense2。
Figure BDA0002682286040000131
其中，μ表示均值，σ表示方差。由于白噪声的零均值特性，令高斯分布函数中μ＝0，令σ为白噪声方差参数组成的参数向量
Figure BDA0002682286040000132
即为需要求解的模型参数s，L为信号的长度，该层输出带有电磁噪声的序列信号。从多个独立的高斯分布进行随机采样，得到正态随机变量。根据输出信号的序列长度确定独立的高斯分布的个数，对每一个噪声信号的方差进行参数训练。构建由Dense2和随机采样两部分组成的基于高斯白噪声的电磁噪声网络层。
8.4)将输入信号x转化为角度信号
Figure BDA0002682286040000133
由于角度信号t的值域不完全满足正弦函数的定义域，因此利用激活函数公式(12)和(13)对角度信号t进行激活，使其转换至合理的定义域，从而构建对角速度ω和相位
Figure BDA0002682286040000134
参数建模的网络Dense3。
angle(t)＝sigmod(t)·π (12)
F(·)＝sin(angle(t)) (13)
其中，sigmod(t)表示归一化后的角度信号，angle(t)表示角度信号的弧度值，F(·)表示激活函数。利用全连接神经对符合sin值域的angle(t)的抖动幅度A和抖动偏置b进行参数建模，获得网络Dense4，输出带有抖动噪声的序列信号。构建由两个网络Dense3和Dense4组成的抖动噪声网络层。
8.5)输入深度信息depth，构建连接权重和偏置为噪声参数w3和b4的网络Dense5。将网络Dense5的输出用softmax函数进行归一化，得到噪声分量分配权重。构建由网络Dense5和激活函数组成的深度噪声网络层。
8.6)输入信号为温度值T，构建连接权重和偏置为噪声参数w1和b2的网络Dense6。网络Dense6输出带有温度噪声的序列信号，构建由Dense6网络组成的温度噪声网络层。
8.7)构建模型的输出层，深度权重系数网络层的输入分别与随机噪声网络层的输出、电磁噪声网络层的输出和抖动噪声网络层的输出相乘，所得结果相加后与温度噪声进行相加，得到模型的输出。
步骤9)如图3所示，根据构建好的基于深度学习的噪声参数网络模型，将数据预处理后的训练集数据和仿真的纯净信号作为模型的输入进行训练，获得噪声模型网络参数。根据噪声模型网络参数，拟合整个双层管柱的噪声。令当前状态为非训练状态，跳到步骤5)。噪声模型网络参数的训练具体步骤如下所示：
9.1)输入训练样本：数据预处理后的训练集中涡流信号
Figure BDA0002682286040000141
对应的深度值h和仿真的纯净信号
Figure BDA0002682286040000142
令
Figure BDA0002682286040000143
作为输入样本，目标噪声
Figure BDA0002682286040000144
作为样本标签，其公式如下：
Figure BDA0002682286040000145
其中，
Figure BDA0002682286040000146
表示深度h的第i个采样点的目标噪声信号数据，
Figure BDA0002682286040000147
表示深度h的第i个采样点的数据预处理后的脉冲涡流数据，
Figure BDA0002682286040000148
表示第i个采样点的数据预处理后的纯净信号数据。
9.2)采用正态分布随机初始化(GlorotNormal)方法初始化网络权重，以0为均值，标准差为
Figure BDA0002682286040000149
的截断正态分布中抽取样本作为网络权重的初始值，其中fan_in表示权值张量中输入单元的数量，fan_out表示权值张量中输出单元的数量。
9.3)设置学习率、迭代次数r等参数。
9.4)根据式(15)计算模型的当前噪声信号与目标噪声信号之间的损失值P。
Figure BDA00026822860400001410
式中，
Figure BDA00026822860400001411
表示模型训练的初始噪声信号，
Figure BDA00026822860400001412
表示样本标签，n为样本的个数。
9.5)判断损失值P是否小于固定阈值0.01，如果是，则模型训练完成，输出训练好的参数模型，返回，否则，跳到步骤9.6)，继续训练。
9.6)根据每次训练的损失值，使用梯度下降法调整模型权重参数。
9.7)使用适应性矩估计(Adam)优化算法进行更新，通过从每一个网络权重梯度的第一次和第二次矩的预算来计算不同参数的自适应学习速率，获得模型中参数的更新量，跳到步骤9.4)。
步骤10)将数据预处理完的弱磁油管双层管柱脉冲涡流检测数据与基于训练后噪声模型的拟合噪声做差值，最后将差值后的数据进行反归一化，获得自适应去噪后的数据。跳到步骤5)。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：内容包括：
步骤1：对弱磁油管双层管柱不同深度进行检测，获得不同深度的脉冲涡流采样数据，并对采样数据进行预处理；
步骤2：根据几何区域和材料属性构建双层管柱的仿真模型，对该仿真模型进行仿真，获得双层管柱的纯净信号作为训练集；
步骤3：对获得的双层管柱纯净信号进行数据预处理；
步骤4：判断当前状态：如果处于训练状态，则读取训练集中数据预处理后的脉冲涡流检测数据，读取通过仿真的数据预处理后的双层管柱纯净信号，跳到步骤5；如果处于去噪状态，则读取需要去噪且数据预处理后的弱磁油管双层管柱脉冲涡流检测数据，跳到步骤9；
步骤5：分析真实噪声信号并提取特征，构建基于电磁噪声、抖动噪声、温度噪声、油管偏心噪声的混合噪声函数；
步骤6：将电磁噪声、抖动噪声和油管偏心噪声分量的三个噪声分量添加深度的权重系数，结合独立的温度变化分量，构建混合噪声模型；
步骤7：根据混合噪声模型构建基于深度学习的噪声参数网络模型；
步骤8：根据构建好的基于深度学习的噪声参数网络模型，将数据预处理后的训练集数据和仿真的纯净信号作为模型的输入进行训练，获得噪声模型网络参数；根据噪声模型网络参数，拟合整个双层管柱的噪声，并令当前状态为去噪状态，跳到步骤4；
步骤9：将数据预处理完的弱磁油管双层管柱脉冲涡流检测数据与基于训练后噪声模型的拟合噪声做差值，最后将差值后的数据进行反归一化，获得自适应去噪后的数据，跳到步骤4。
2.根据权利要求1所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤1中每个深度获得11个点数据，对每个点数据按照式(1)去除增益：
Figure FDA0002682286030000021
其中，
Figure FDA0002682286030000022
表示深度h的第i个采样点的脉冲涡流检测数据，
Figure FDA0002682286030000023
表示去增益后的脉冲涡流数据，M表示数据的最大深度，z表示每个采样点对应的增益倍数；再通过式(2)，对去增益后的信号进行归一化：
Figure FDA0002682286030000024
其中，
Figure FDA0002682286030000025
表示深度h的所有采样点去增益后的脉冲涡流数据，min()表示求一组数据中最小值函数，max()表示求一组数据中最大值函数，
Figure FDA0002682286030000026
表示去增益和归一化后的脉冲涡流数据。
3.根据权利要求1所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤2中几何区域的构建如下：采用外径177.8mm，壁厚12.65mm和高800mm的管状体套管，采用外径88.9mm，壁厚6.45mm和高800mm的管状体油管，采用管状体线圈和圆柱体磁芯，采用半径500mm和高3000mm圆柱体空气层来构建几何区域；材料属性的确定是采用电导率17.2117S/m，相对磁导率B-H曲线的硅钢磁芯，采用电导率3400000S/m，相对磁导率116.1的低碳钢套管，采用电导率2088000S/m，相对磁导率B-H曲线的油管，其余区域采用电导率10S/m，相对磁导率1的空气。
4.根据权利要求2所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤3中对获得的双层管柱纯净信号进行数据预处理具体内容如下：读取通过仿真的11个点的双层管柱纯净信号，对每一点不同深度数据分别进行数据预处理，即通过式(3)，去除每个深度每个点的增益：
Figure FDA0002682286030000027
其中，ki表示第i个采样点的纯净信号数据，
Figure FDA0002682286030000028
表示去增益后的纯净信号数据，z表示每个采样点对应的增益倍数，
Figure FDA0002682286030000029
表示第i个采样点去增益后的纯净信号数据；再通过式(4)，对信号进行归一化：
Figure FDA0002682286030000031
其中，
Figure FDA0002682286030000032
表示第i个采样点去增益和归一化后的纯净信号数据，选择数据预处理后的脉冲涡流检测数据中无损缺陷且300米深度范围的脉冲涡流检测数据作为训练集。
5.根据权利要求2所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤5中混合噪声函数的构建方法如下：
步骤5.1)由于设备内部检测的电测噪声的瞬时值服从高斯分布，功率谱密度服从均匀分布，体现的是高斯白噪声的统计特性，因此双层管柱脉冲涡流的电磁噪声是高斯白噪声，令其噪声为：
Figure FDA0002682286030000033
其中，yem表示电磁噪声，
Figure FDA0002682286030000034
表示均值为0，方差为s的高斯白噪声；
步骤5.2)考虑到抖动信号经过阻抗分解后可分为正弦变化的电阻值和电抗值，因此其计数值通常包括标准正弦振动、随机噪声误差项和抖动尺度三部分，令其噪声信号为：
Figure FDA0002682286030000035
其中，ysh表示抖动噪声，A表示抖动尺度，ω表示抖动频率，
Figure FDA0002682286030000036
表示抖动相位，x表示11个采样点信号的涡流数据，b1为抖动偏差向量；
步骤5.3)由于在井下，温度随着深度的变化而变化，因此令其噪声为：
yte＝(w1T+b2) (7)
其中，yte表示温度噪声，T表示温度值，w1表示温度权重值，b2表示温度偏差变量；
步骤5.4)由于双层管柱常年受到地质运动的影响，内层油管或多或少会发现偏移，并且井身结构与垂直方向有一定角度，抽油泵在造斜点的下边时，泵上油管随套管一起弯曲，从而导致双层管柱脉冲涡流信号存在线性偏差问题，因此令油管偏心噪声为：
yec＝(w2x+b3) (8)
其中，yec表示油管偏心噪声，w2表示油管偏心权重值，b3表示油管偏差向量；
步骤5.5)根据上述提出的四种噪声公式，计算双层管柱脉冲涡流信号的混合噪声ytotal，可表示为：
ytotal＝yem+ysh+yte+yec (9)。
6.根据权利要求5所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤6中混合噪声模型为：
Figure FDA0002682286030000041
其中，Y表示模型输出值，depth表示深度值，w3表示深度权重值，b4表示深度偏差向量，x表示11个采样点信号的涡流数据，T表示输入温度信号，softmax()表示归一化指数函数。
7.根据权利要求6所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤7中构建基于深度学习的噪声参数网络模型方法如下：
7.1)构建模型的输入层，输入层包含3个神经元用来输入深度值depth、温度值T和11个采样点信号的涡流数据x；
7.2)选择输入信号x，其连接权重和偏置为需要求解的噪声参数w2和b3，且输出带有线性噪声的序列信号，并使用一个全连接神经网络构建随机噪声网络层Dense1；
7.3)选择输入信号x，根据公式(11)的噪声概率密度函数f(x)，构建高斯白噪声网络层Dense2；
Figure FDA0002682286030000051
其中，μ表示均值，σ表示方差；由于白噪声的零均值特性，令高斯分布函数中μ＝0，令σ为白噪声方差参数组成的参数向量
Figure FDA0002682286030000052
即为需要求解的模型参数s，L为信号的长度，该层输出带有电磁噪声的序列信号；从多个独立的高斯分布进行随机采样，得到正态随机变量；根据输出信号的序列长度确定独立的高斯分布的个数，对每一个噪声信号的方差进行参数训练；构建由Dense2和随机采样两部分组成的基于高斯白噪声的电磁噪声网络层；
7.4)将输入信号x转化为角度信号
Figure FDA0002682286030000053
由于角度信号t的值域不完全满足正弦函数的定义域，因此利用公式(12)和(13)对角度信号t进行激活，使其转换至合理的定义域，从而构建对角速度ω和相位
Figure FDA0002682286030000054
参数建模的网络Dense3；
angle(t)＝sigmod(t)·π (12)
F(·)＝sin(angle(t)) (13)
其中，sigmod(t)表示归一化后的角度信号，angle(t)表示角度信号的弧度值，F(·)表示激活函数；利用全连接神经对符合sin值域的angle(t)的抖动幅度A和抖动偏置b进行参数建模，获得网络Dense4，输出带有抖动噪声的序列信号；构建由两个网络Dense3和Dense4组成的抖动噪声网络层；
7.5)输入深度信息depth，构建连接权重和偏置为噪声参数w3和b4的网络Dense5；将网络Dense5的输出用softmax函数进行归一化，得到噪声分量分配权重，构建由网络Dense5和激活函数组成的深度噪声网络层；
7.6)输入信号为温度值T，构建连接权重和偏置为噪声参数w1和b2的网络Dense6；网络Dense6输出带有温度噪声的序列信号，构建由Dense6网络组成的温度噪声网络层；
7.7)构建模型的输出层，深度权重系数网络层的输入分别与随机噪声网络层的输出、电磁噪声网络层的输出和抖动噪声网络层的输出相乘，所得结果相加后与温度噪声进行相加，得到模型的输出。
8.根据权利要求7所述的一种基于噪声模型的双层管柱脉冲涡流数据去噪方法，其特征在于：所述步骤8中噪声模型网络参数的训练具体步骤如下：
8.1)输入训练样本：数据预处理后的训练集中涡流信号
Figure FDA0002682286030000061
对应的深度值h和仿真的纯净信号
Figure FDA0002682286030000062
令
Figure FDA0002682286030000063
作为输入样本，目标噪声
Figure FDA0002682286030000064
作为样本标签，其公式如下：
Figure FDA0002682286030000065
其中，
Figure FDA0002682286030000066
表示深度h的第i个采样点的目标噪声信号数据，
Figure FDA0002682286030000067
表示深度h的第i个采样点的数据预处理后的脉冲涡流数据，
Figure FDA0002682286030000068
表示第i个采样点的数据预处理后的纯净信号数据；
8.2)采用正态分布随机初始化方法初始化网络权重，以0为均值，标准差为
Figure FDA0002682286030000069
的截断正态分布中抽取样本作为网络权重的初始值，其中fan_in表示权值张量中输入单元的数量，fan_out表示权值张量中输出单元的数量；
8.3)设置学习率、迭代次数r参数；
8.4)根据式(15)计算模型的当前噪声信号与目标噪声信号之间的损失值P：
Figure FDA00026822860300000610
式中，
Figure FDA00026822860300000611
表示模型训练的初始噪声信号，
Figure FDA00026822860300000612
表示样本标签，n为样本的个数；
8.5)判断损失值P是否小于固定阈值0.01，如果是，则模型训练完成，输出训练好的参数模型，返回；否则，跳到步骤8.6)，继续训练；
8.6)根据每次训练的损失值，使用梯度下降法调整模型权重参数；
8.7)使用适应性矩估计优化算法进行更新，通过从每一个网络权重梯度的第一次和第二次矩的预算来计算不同参数的自适应学习速率，获得模型中参数的更新量，跳到步骤8.4)。
CN202010965888.8A 2020-09-15 2020-09-15 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法 Pending CN112084982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010965888.8A CN112084982A (zh) 2020-09-15 2020-09-15 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010965888.8A CN112084982A (zh) 2020-09-15 2020-09-15 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法

Publications (1)

Publication Number Publication Date
CN112084982A true CN112084982A (zh) 2020-12-15

Family

ID=73737888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010965888.8A Pending CN112084982A (zh) 2020-09-15 2020-09-15 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法

Country Status (1)

Country Link
CN (1) CN112084982A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505705A (zh) * 2021-07-13 2021-10-15 浙江树人学院（浙江树人大学） 一种双层管柱电涡流信号去噪方法、系统及处理终端
CN117892068A (zh) * 2024-03-15 2024-04-16 江南大学 一种倒装芯片超声信号去噪方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505705A (zh) * 2021-07-13 2021-10-15 浙江树人学院（浙江树人大学） 一种双层管柱电涡流信号去噪方法、系统及处理终端
CN113505705B (zh) * 2021-07-13 2023-09-26 浙江树人学院（浙江树人大学） 一种双层管柱电涡流信号去噪方法、系统及处理终端
CN117892068A (zh) * 2024-03-15 2024-04-16 江南大学 一种倒装芯片超声信号去噪方法及装置

Similar Documents

Publication Publication Date Title
CN111734961B (zh) 一种天然气管道泄漏检测方法
CN106405651B (zh) 一种基于测井匹配的全波形反演初始速度模型构建方法
CN104502997B (zh) 一种利用裂缝密度曲线预测裂缝密度体的方法
CN111580181B (zh) 一种基于多场多特征信息融合的导水陷落柱识别方法
CN112084982A (zh) 一种基于噪声模型的双层管柱脉冲涡流数据去噪方法
CN112162316B (zh) 一种avo波形数据驱动的高分辨率井震融合叠前反演方法
CN103792576A (zh) 一种基于梯度结构张量的储层非均质检测方法及设备
CN110470729A (zh) 一种基于电涡流的油田套管缺陷无损检测方法
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
CN103869358A (zh) 一种基于直方图均衡的断层识别方法及设备
CN105064993B (zh) 一种基于电导探针阵列信息融合的垂直井含水率测量方法
US11480052B2 (en) Dictionary generation for downhole signal compression
CN117009788A (zh) 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法
CN111815561A (zh) 一种基于深度时空特征的管道缺陷及管道组件的检测方法
CN116861955A (zh) 一种基于地形单元分区使用机器学习反演海底地形的方法
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN113505705B (zh) 一种双层管柱电涡流信号去噪方法、系统及处理终端
CN110552693A (zh) 一种基于深度神经网络的感应测井曲线的层界面识别方法
CN112835124B (zh) 基于成像测井和阵列声波测井资料的裂缝有效性评价方法
CN114991757A (zh) 一种随钻地层压力测录一体化监测方法及系统
CN111197471B (zh) 井下筛管瞬变电磁检测计算模型及检测方法
CN113050191A (zh) 基于双参数的页岩油toc预测方法及装置
CN112800664A (zh) 一种基于探地雷达A-scan数据估算树根直径的方法
CN112131781A (zh) 基于全连接神经网络与传递率函数的钢结构损伤检测方法
Yang et al. Application of conventional logging interpretation fracture method based on neural network in offshore Oilfield L

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