CN113222049A - 一种特殊螺纹上扣扭矩的分类识别方法及识别设备 - Google Patents

Abstract

本发明公开了一种特殊螺纹上扣扭矩的分类识别方法，包括模型建立方法和数据分类方法；所述模型建立方法包括以下步骤：提取训练样本的上扣扭矩图中的扭矩曲线图像；对扭矩曲线图像进行降噪、标准化处理；提取扭矩曲线图像的特征参数；建立机器学习算法模型；进行机器学习算法模型训练；结果正确后结束训练，获得分类模型；一种特殊螺纹上扣扭矩的分类识别设备，包括：用户界面模块、输入输出模块、算法模块、图表展示模块、总控制模块；本发明通过机器学习算法，实现了对扭矩曲线分类，运算结果将合格扭矩曲线与不合格扭矩曲线通过决策边界有效的区分开，为入井管柱扣连接的可靠性和完整性提供有效的监测保障手段。

Description

一种特殊螺纹上扣扭矩的分类识别方法及识别设备

技术领域

本发明涉及装配式建筑领域，具体涉及一种特殊螺纹上扣扭矩的分类识别 方法及识别设备。

背景技术

随川渝地区勘探开发的力度不断加强，超深超高压含硫气井带来的挑战愈 发严重。为保证气井油套管安全，持续安全、高效的开发利用，油气田逐步使 用气密封油管。气密封螺纹有别于普通螺纹，其台肩面的弹性过盈配合是保证 气密封性能的关键因素。上扣扭矩曲线则是判断台肩是否接触的直观现象，因 此，评价气密封螺纹上扣扭矩对气密封完整性具有重要意义。

国内外对特殊螺纹密封性能的评价分析主要有两种。一是试验评价方法， 依据API RP 5C5(2017)《石油天然气工业—油管和套管螺纹连接评价程序》中 规定密封定义是泄漏量≤0.9cm3/15min，通过试验方法直接检测实物试验过程 中的泄漏量。二是有限元计算分析方法，通过加载螺纹几何尺寸、边界条件、 载荷条件，得到沿密封面轴向的接触压力和长度的分布规律。

其中，郭建华等通过室内实验，对SM 2550-125VAM-TOP扣和BG 2830-110 BGT1扣在施加上卸扣、交变载荷条件下的气密封实验，实验结果表明了油管柱 的气密封完整性受到上扣扭矩、扣型、管柱结构设计、井下工具选择等影响。

马艳琳等人基于密封接触应力分布及其规律建立了锥面对锥面主密封过盈 接触应力以及井下载荷工况下扭矩台阶面实际接触应力计算模型，形成了特殊 螺纹气密封性能定性评价方法。

上述的特殊螺纹扣气密封性能评价主要是通过室内试验方法来实现，仅能 从整个完井管串考虑存在的风险，缺乏对现场实际工况的考虑，并且难以预测 油管接箍出现泄漏风险部位，无法有效指导油管柱完整性工作。

晁利宁等人在文章《特殊螺纹接头弹塑性有限元模拟及试验研究》中，利 用Abaqus对不同台肩结构的油管特殊螺纹接头密封性能进行弹塑性分析，建立 了不同复合载荷条件下台肩角度与密封面接触压力之间的对应关系。

以上方法，无论是通过室内试验还是有限元建模分析，都是在既定条件下 通过观测和分析接触压力分布规律实现气密封性能的判断，而气密封性能受到 现场施工质量、井下条件等多方面影响，尤其是在上扣阶段的扭矩是否满足标 准扭矩曲线是决定气密封性能的关键因素。因此，本技术将建立一种特殊螺纹 扣上扣扭矩的识别方法，该方法基于机器学习手段开发，分析并提取扭矩曲线 的关键参数，并进行逻辑回归将合格曲线与不合格曲线进行学习分类，分类学 习模型将与实际数据进行对比验证，以期为井完整性管理、修井及安全采气作 业安全控制提供技术支撑。

发明内容

本发明的目的在于提供了一种特殊螺纹上扣扭矩的分类识别方法以及气 密封性能评价方式。

一种特殊螺纹上扣扭矩的分类识别方法，包括模型建立方法和数据分类 方法；

所述模型建立方法包括以下步骤：

101、提取训练样本的上扣扭矩图中的扭矩曲线图像；

102、对扭矩曲线图像进行降噪、标准化处理；

103、提取扭矩图像特征参数；

104、建立预测函数模型；

105、建立线性回归预测函数；

106、针对训练样本不同分类的样本集建立损失函数；

107、优化线性回归预测函数权重参数；

108、结果正确后结束训练，获得分类模型；

109、通过验证样本进行验证，若验证未通过则重复步骤101～108再次 进行模型训练；

所述数据分类方法包括以下步骤：

201、输入待分类数据的上扣扭矩图；

202、经过分类模型分类后，输出分类结果。

具体地，所述所述模型建立方法具体包括以下步骤：

301、对上扣扭矩图进行识别，提取扭矩图像；

302、通过一维高斯滤波器对扭矩曲线图像进行降噪处理，通过min-max 标准化处理方法对扭矩曲线图像进行标准化处理；

303、提取扭矩图像特征参数；

304、建立使用Sigmoid函数的预测函数模型；

305、建立作为分类的决策边界的线性回归预测函数，并将其导入预测 函数模型；

306、针对训练样本中分类为1的样本集构建损失函数，针对训练样本 中分类为0的样本集构建另一个损失函数，获得最终损失函数；

307、建立最小损失函数，利用梯度下降法迭代，获得最优解；

308、将最优解与决策边界对比，判断训练结果是否正确，若结果正确， 则获得分类模型；若结果错误，则重复步骤307；

309、将验证样本输入分类模型，若验证未通过则重复步骤301～308再 次进行模型训练。

作为一个实施例，所述所述模型建立方法具体包括以下步骤：

401、将上扣扭矩图输入至Matlab进行识别，建立对应坐标系，将曲线 图转换为坐标数据；

402、通过一维高斯滤波器对扭矩曲线图像进行降噪处理，其公式为：

式中：x为扭矩值，σ是标准差；

基于min-max标准化处理方法对扭矩曲线图像进行标准化处理，其公式 为：

式中：max为样本数据的最大值，min为样本数据的最小值；

403、提取扭矩图像特征参数，取图像上各像素点灰度值作为输入；

404、建立使用Sigmoid函数的预测函数模型，其公式为：

式中：z为线性回归预测函数，其公式为：

式中：x_n为输入特征参数，θ^T是需要被学习的特征的权重值；

409、将式(3)带入式(4)，其公式如下：

410、针对训练样本中分类为1的样本集构建损失函数，其公式如下：

cost(θ)＝-log(h_θ(x)) (6)

针对训练样本中分类为0的样本集构建另一个损失函数，其公式如下：

cost(θ)＝-log(1-h_θ(x)) (7)

式(6)和式(7)中：h为预测函数值；

基于虽大似然估计得到的公式为：

式中：y^*＝1为分类为1的样本集；

y^*＝0为分类为0的样本集；

获得最终损失函数，其公式为：

cost(θ)＝-y^*log(h)-(1-y^*)log(1-h) (9)

411、建立最小损失函数，其公式如下：

式中：

利用梯度下降法迭代，获得θ^T的最优解，其公式如下：

式中：alpha为学习因子；

412、将最优解带入线性回归预测函数和预测函数模型，并将结果值与 样本分类值进行对比，若结果相同，则获得分类模型；若结果不同，则重复 步骤407；

409、将验证样本输入分类模型，若验证未通过则重复步骤401～408再 次进行模型训练。

优选地，上述步骤407中，最终迭代结果的获得时机可以通过迭代次数 或达到阈值停止确定。

一种特殊螺纹上扣扭矩的分类识别设备，包括：

用户界面模块，用于编辑图像、录入数据；

输入输出模块，用于从存储器内读取保存数据；

算法模块，用于运行上述的一种特殊螺纹上扣扭矩的分类识别方法；

图表展示模块，用于将训练的数据结果进行图表化显示；

总控制模块，用于控制整个设备的协同工作；

所述用户界面模块的信号端、所述输入输出模块的信号端、所述算法模 块的信号端、所述图标展示模块的信号端均与所述总控模块的信号端电连接。

本发明与现有技术相比，本发明通过机器学习算法，实现了对扭矩曲线 分类，运算结果将合格扭矩曲线与不合格扭矩曲线通过决策边界有效的区分 开，为入井管柱扣连接的可靠性和完整性提供有效的监测保障手段。

附图说明

附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的 原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本 说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。

图1是根据本发明实施例中合格上扣扭矩示意图。

图2是根据本发明实施例中不合格上扣扭矩示意图。

图3是根据本发明所述的模型建立方法的机器学习方法流程图。

图4是根据本发明所述的模型建立方法的算法训练流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施 方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方 式仅用于解释相关内容，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部 分。

在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组 合。下面将参考附图并结合实施方式来详细说明本发明。

如图1所示，标准上扣扭矩图存在扭矩拐点，其原因是特殊螺纹扣是通过 台肩面接触产生弹性变形，产生了金属面的弹性过盈配合，以此起到气密封作 用。因此在台肩面接触时，扭矩会突然上升，若未出现次现象。

如图2所示，扭矩曲线过于平滑，台肩面未完全接触，无法形成金属密封 效果，严重将导致气井环空带压。

因此提供一种特殊螺纹上扣扭矩的分类识别方法，用于识别合格上扣扭矩 曲线和不合格上扣扭矩曲线，该方法包括模型建立方法和数据分类方法；

其中模型建立方法是通过机器学习建立算法模型，模型建立方法包括以下 步骤：

提取训练样本的上扣扭矩图中的扭矩曲线图像；

对扭矩曲线图像进行降噪、标准化处理；

提取扭矩图像的特征参数；

建立机器学习算法模型，具体方法为：建立预测函数模型，建立线性回 归预测函数，针对训练样本不同分类的样本集建立损失函数；

进行机器学习算法训练，具体方法为：优化线性回归预测函数权重参数， 结果正确后结束训练，获得分类模型；

通过验证样本进行验证，若验证未通过则重复进行模型训练直至验证通 过。

其中数据分类方法用于将进行实际应用，数据分类方法包括以下步骤：

向分类模型内输入待分类数据的上扣扭矩图；

经过分类模型分类后，输出分类结果。

实施例一

根据上述方法，提供一个较为具体的实施例，模型建立方法具体包括以 下步骤：

对上扣扭矩图进行识别，获得扭矩曲线图像；

通过一维高斯滤波器对扭矩曲线图像进行降噪处理，通过min-max标准 化处理方法对扭矩曲线图像进行标准化处理；

提取扭矩曲线图像的特征参数，将各像素点作为特征参数；

建立机器学习算法模型，具体方法为：建立使用Sigmoid函数的预测函 数模型；建立作为分类的决策边界的线性回归预测函数，并将其导入预测函 数模型；针对训练样本中分类为1的样本集构建损失函数，针对训练样本中 分类为0的样本集构建另一个损失函数，获得最终损失函数；

进行机器学习算法训练，具体方法为：建立最小损失函数，利用梯度下 降法迭代，获得最优解；将最优解与决策边界对比，判断训练结果是否正确， 若结果正确，则获得分类模型；若结果错误，则重复迭代训练；

将验证样本输入分类模型，若验证未通过则重复进行模型训练直至验证 通过。

下面提供一个具体的实施例，对本机器学习方法建立的算法模型进行详 细的说明。

实施例二

模型建立方法具体包括以下步骤：

步骤1、将上扣扭矩图输入至识别软件进行识别，建立对应坐标系，将 曲线图转换为坐标数据，并用于后期分析处理；

通过Matlab处理，将图像信息转换为数据，为数据分析通过基础。

步骤2、由于现场数据采集过程中，受到环境或信号干扰扭矩数据可能 会出现局部陡升、陡降现象，不能准确反映上扣过程中真实的增长趋势，因 此需要对上扣扭矩数据进行平滑处理。

本实施例中，通过一维高斯滤波器对扭矩曲线图像进行降噪处理，其公 式为：

式中：x为扭矩值，σ是标准差；

数据标准化(归一化)为消除指标之间的差异，将对数据进行标准化处 理。原始数据经过数据标准化处理后，各指标处于同一数量级，

本实施例中，基于min-max标准化处理方法对扭矩曲线图像进行标准化 处理，其公式为：

式中：max为样本数据的最大值，min为样本数据的最小值；

步骤3、提取扭矩图像特征参数，取图像上各像素点灰度值作为输入；

以MX1井为例

步骤4、建立使用Sigmoid函数的预测函数模型，使其对任意输入值z， 输出值都位于[0，1]之间，其公式为：

式中：z为线性回归预测函数，该函数作为分类的决策边界，其公式为：

式中：x_n为输入特征参数，θ^T是需要被学习的特征的权重值；

步骤5、将式(3)带入式(4)，将线性回归预测函数导入Sigmoid函数， 其公式如下：

步骤6、针对训练样本中分类为1的样本集(y^*＝1)构建损失函数，其 公式如下：

cost(θ)＝-log(h_θ(x)) (6)

针对训练样本中分类为0的样本集(y^*＝0)构建另一个损失函数，其 公式如下：

cost(θ)＝-log(1-h_θ(x)) (7)

式(6)和式(7)中：h为预测函数值；

基于虽大似然估计得到的公式为：

式中：y^*＝1为分类为1的样本集；

y^*＝0为分类为0的样本集；

将公式(8)加获得最终损失函数，其公式为：

cost(θ)＝-y^*log(h)-(1-y^*)log(1-h) (9)

式中：y^*＝{0,1}作为样本集已知参数(样本分类为1和0)。

步骤7、为求最小损失函数，对公式(9)求关于θ^T的偏导，其公式如下：

式中：

利用梯度下降法迭代，获得θ^T的最优解，其公式如下：

式中：alpha为学习因子；

最终迭代结果可以通过迭代次数或达到阈值停止。

步骤8、对训练样本集进行划分，合格上扣扭矩曲线y^*＝1，不合格上扣 扭矩曲线y^*＝0。将分类后的训练样本导入机器学习分类模型后，得到分类 后的样本散点图。

并将结果值与样本分类值进行对比，若结果相同，则获得分类模型；若 结果不同，则重复步骤7；

8个训练样本经过4、5、6、7、8处理后，得到训练结果

其中AR代表错误率，SR代表正确率、P代表准确度

步骤9、将训练后的机器学习分类模型进行样本验证，若验证未通过则 重复步骤1～8再次进行模型训练。

本实施例中提供两个验证样本，经过步骤9的处理后，如表3所示， 表3模型验证结果

另外，本实施例中的方法需要在一定的设备上进行运行，因此提供一种特 殊螺纹上扣扭矩的分类识别设备，包括：

用户界面模块，用于编辑图像、录入数据，包括显示器、触摸板、鼠标、 键盘等人机交互设备；

输入输出模块，用于从存储器内读取保存数据，其主要为设备内部的模块， 包括数据串行总线、内存写入设备、内存读取设备等，主要用于传输、储存数 据；

算法模块，用于运行上述的一种特殊螺纹上扣扭矩的分类识别方法，主要 为处理器，在其中运行对应的机器学习算法。

图表展示模块，用于将训练的数据结果进行图表化显示；

总控制模块，用于控制整个设备的协同工作；

用户界面模块的信号端、输入输出模块的信号端、算法模块的信号端、图 标展示模块的信号端均与总控模块的信号端电连接。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示 例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式 或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实 施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个 或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下， 本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同 实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示 相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第 二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多 个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明， 而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发 明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的 范围内。

Claims (5)

1.一种特殊螺纹上扣扭矩的分类识别方法，其特征在于，包括模型建立方法和数据分类方法；

所述模型建立方法包括以下步骤：

101、提取训练样本的上扣扭矩图中的扭矩曲线图像；

102、对扭矩曲线图像进行降噪、标准化处理；

103、提取扭矩图像特征参数；

104、建立预测函数模型；

105、建立线性回归预测函数；

106、针对训练样本不同分类的样本集建立损失函数；

107、优化线性回归预测函数权重参数；

108、结果正确后结束训练，获得分类模型；

109、通过验证样本进行验证，若验证未通过则重复步骤101～108再次进行模型训练；

所述数据分类方法包括以下步骤：

201、输入待分类数据的上扣扭矩图；

202、经过分类模型分类后，输出分类结果。

2.根据权利要求1所述的一种特殊螺纹上扣扭矩的分类识别方法，其特征在于，所述模型建立方法具体包括以下步骤：

301、对上扣扭矩图进行识别，建立对应坐标系，将曲线图转换为坐标数据；

302、通过一维高斯滤波器对扭矩曲线图像进行降噪处理，通过min-max标准化处理方法对扭矩曲线图像进行标准化处理；

303、提取扭矩图像特征参数，获得输入值；

304、建立使用Sigmoid函数的预测函数模型；

305、建立作为分类的决策边界的线性回归预测函数，并将其导入预测函数模型；

306、针对训练样本中分类为1的样本集构建损失函数，针对训练样本中分类为0的样本集构建另一个损失函数，获得最终损失函数；

307、建立最小损失函数，利用梯度下降法迭代，获得最优解；

308、将最优解与决策边界对比，判断训练结果是否正确，若结果正确，则获得分类模型；若结果错误，则重复步骤307；

309、将验证样本输入分类模型，若验证未通过则重复步骤301～308再次进行模型训练。

3.根据权利要求1或2所述的一种特殊螺纹上扣扭矩的分类识别方法，其特征在于，所述模型建立方法具体包括以下步骤：

401、将上扣扭矩图输入至Matlab进行识别，建立对应坐标系，将曲线图转换为坐标数据；

402、通过一维高斯滤波器对扭矩曲线图像进行降噪处理，其公式为：

式中：x为扭矩值，σ是标准差；

基于min-max标准化处理方法对扭矩曲线图像进行标准化处理，其公式为：

式中：max为样本数据的最大值，min为样本数据的最小值；

403、提取扭矩图像特征参数，取图像上各像素点灰度值作为输入；

404、建立使用Sigmoid函数的预测函数模型，其公式为：

式中：z为线性回归预测函数，其公式为：

式中：x_n为输入特征参数，θ^T是需要被学习的特征的权重值；

405、将式(3)带入式(4)，其公式如下：

406、针对训练样本中分类为1的样本集构建损失函数，其公式如下：

cost(θ)＝-log(h_θ(x)) (6)

针对训练样本中分类为0的样本集构建另一个损失函数，其公式如下：

cost(θ)＝-log(1-h_θ(x)) (7)

式(6)和式(7)中：h为预测函数值；

基于极大似然估计得到的公式为：

式中：y^*＝1为分类为1的样本集；

y^*＝0为分类为0的样本集；

获得最终损失函数，其公式为：

cost(θ)＝-y^*log(h)-(1-y^*)log(1-h) (9)

407、建立最小损失函数，其公式如下：

式中：

利用梯度下降法迭代，获得θ^T的最优解，其公式如下：

式中：alpha为学习因子；

408、将最优解带入线性回归预测函数和预测函数模型，并将结果值与样本分类值进行对比，若结果相同，则获得分类模型；若结果不同，则重复步骤407；

409、将验证样本输入分类模型，若验证未通过则重复步骤401～408再次进行模型训练。

4.根据权利要求3所述的一种特殊螺纹上扣扭矩的分类识别方法，其特征在于，上述步骤407中，最终迭代结果的获得时机可以通过迭代次数或达到阈值停止确定。

5.一种特殊螺纹上扣扭矩的分类识别设备，其特征在于，包括：

用户界面模块，用于编辑图像、录入数据；

输入输出模块，用于从存储器内读取保存数据；

算法模块，用于运行如权利要求1-4中任一项所述的一种特殊螺纹上扣扭矩的分类识别方法；

图表展示模块，用于将训练的数据结果进行图表化显示；

总控制模块，用于控制整个设备的协同工作；

所述用户界面模块的信号端、所述输入输出模块的信号端、所述算法模块的信号端、所述图标展示模块的信号端均与所述总控模块的信号端电连接。

Images