CN114184154B - 一种基于随机森林和直流磁场的油气井套管内径检测方法 - Google Patents
一种基于随机森林和直流磁场的油气井套管内径检测方法 Download PDFInfo
- Publication number
- CN114184154B CN114184154B CN202111435361.5A CN202111435361A CN114184154B CN 114184154 B CN114184154 B CN 114184154B CN 202111435361 A CN202111435361 A CN 202111435361A CN 114184154 B CN114184154 B CN 114184154B
- Authority
- CN
- China
- Prior art keywords
- oil
- gas well
- well casing
- inner diameter
- random forest
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/10—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring diameters
- G01B21/14—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring diameters internal diameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于随机森林和直流磁场的油气井套管内径检测方法，通过使用基于随机森林回归的定量分析方法，能有效提高油气井套管内径的检测准确度，为油气井套管的健康状态评估、寿命预测及后续维修提供支持。本方法首先采用轴向探头对油气井套管进行直流磁场检测，获得检测数据，其次通过主成分分析法进行特征提取，然后引入机械井径数据这一特征量，与主成分分析提取的特征仪器作为输入，使用基于随机森林回归的方法，得到量化分析模型，并将模型回归结果与机械井径数据进行对比，得到了较好的检测精度。
Description
技术领域
本发明属于油气井套管缺陷检测领域，尤其涉及一种基于随机森林和直流磁场的油气井套管内径量化方法。
背景技术
现代油气井工业中，一体化油井得到了广泛的使用，其主体结构是多层的油套管结构。由于长期服役在严苛的工作环境中，作为保护层的套管往往会出现不同程度的缺陷，如：挤压、变形等，这些缺陷会影响到油气采集的生产安全。
套管内径是油气井套管检测中的关键参数，其数值直接反映套管的形变程度，是套管健康状态评估、寿命预测及后续维修的主要依据。直流磁场检测是油气井套管缺陷检测的有效方法，套管内径的变化会对直流磁场检测信号产生影响，根据检测信号进行适当的处理可以获得套管内径的相关信息。
针对油气井套管缺陷的检测方法，已有一些学者开展了相关研究。Mao等人在铁磁性管道的测厚研究中使用了基于Levenberg-Marquardt算法和变量变换的检测算法，获得了较好的检测结果。王立敏等人在连续油管上设计并预制了裂纹、腐蚀缺陷和椭圆度缺陷，对连续油管的缺陷和椭圆度进行试验评价，通过分析缺陷处的磁场异常特征，实现缺陷的定位、定性和定量分析。张曦郁等人结合了远场涡流和脉冲涡流技术，提出了基于堆叠自编码器神经网络的分类方法，实现了对油套管内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类。
然而现有的检测方法仍存在一些问题：目前的研究中，缺乏对套管内径这一关键指标的分析，且大量的研究只对几种区别明显的类型进行了研究，如：横向裂缝和纵向裂缝，而未对实际工况中出现的各种场景进行研究。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于随机森林和直流磁场的油气井套管内径检测方法。
本发明的目的是通过以下技术方案来实现的：一种基于随机森林和直流磁场的油气井套管内径检测方法，该方法包括如下步骤：
S1：采集静态磁检测信号，包括：
S1.1：使用双磁体同轴反向探头对油气井套管进行扫描，获得静态磁检测信号。
S1.2：对步骤S1.1检测到的静态磁检测信号进行数字化采样，得到离散的静态磁检测信号。
S2：对步骤S1检测到的静态磁检测信号，进行基于主成分分析的特征提取，包括：
S2.1：对步骤S1.2采集到的静态磁检测信号进行预处理。
S2.2：使用主成分分析法进行特征提取，对步骤S2.1预处理后的数据，提取出响应的主成分分量。
S3：使用机械井径检测仪器对油气井套管进行数据采集，得到机械井径数据。
S4：基于步骤S2.2提取的主成分分量和步骤S3得到的机械井径数据，使用随机森林回归模型进行训练，得到油气井套管内径的预测模型；
S5：将待测油气井套管经过步骤S1～S2的处理，得到对应的主成分分量，输入到步骤S4训练后的回归模型中，得到预测的内径。
进一步地，步骤S1.2中，电压值越小的部分采样时间越长，对采样时间内的数据求积分值，之后除以采样时长，得到每个采样点上的采样数值。
进一步地，步骤S2.1中，对静态磁检测信号，采用滑动平均去噪等方式进行预处理。
进一步地，步骤S3中，对得到的机械井径数据，采用滑动平均去噪等方式进行预处理。
进一步地，步骤S4中，回归训练模型为随机森林。
本发明的有益效果是：
(1)本发明检测过程中采用直流磁场阵列探头进行检测，采集到信息包括24维的圆周信息，可以准确的表示套管内的缺陷信息；
(2)本发明采用了主成分分析法进行特征提取，能够获得检测信号的有效信息；
(3)本发明采用了多种消除噪声的方法，能有效的提高最终的回归精度；
(4)本发明采用随机森林回归进行定量分析，结果可靠准确，运算速度快，具有较好的应用前景。
附图说明
图1是本发明基于随机森林和直流磁场的油气井内径检测流程图；
图2是本发明的双磁体同轴反向探头示意图；
图中：正磁铁聚焦模块1，负磁性聚焦模块2。
具体实施方式
以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明一种基于随机森林和直流磁场的油气井套管内径检测方法，包括以下步骤：
S1：实验数据采集，得到静态磁检测信号。本发明实施例中，共获得4800组实验数据。
S1.1：使用双磁体同轴反向探头对油气井套管进行从上至下的快速扫描检测，获得直流磁场电压信号，即静态磁检测信号。如图2所示，双磁体同轴反向探头包括正磁铁聚焦模块1和负磁性聚焦模块2。
S1.2：对步骤S1.1得到的静态磁检测信号的有效区域进行数字化采样，为了保证采样数据的准确性，电压值越小的部分采样时间越长，对采样时间内的数据求积分值，之后除以采样时长，得到每个采样点上的采样数值，得到离散的静态磁检测信号。
S2：对步骤S1得到的静态磁检测信号，进行基于主成分分析的特征提取。
S2.1：对S1.2采集到的静态磁检测信号，采用滑动平均去噪的方式进行预处理，去除噪声干扰。
S2.2：使用主成分分析法进行特征提取，对步骤S2.1预处理后的数据，提取出响应的主成分分量。
S3：引入机械井径数据，与步骤S2.2提取的主成分分量一起组成数据集。
S3.1：使用机械井径检测仪器对同一油气井套管进行数据采集，得到机械井径数据，并采用滑动平均去噪的方式进行预处理，去除噪声干扰。
S3.2：将步骤S3.1预处理后的机械井径数据，与步骤S2.2提取的主成分分量一起组成数据集。
S4：使用步骤S3获得的数据集进行油气井套管内径的定量分析。本发明实施例中，共获得4800组实验数据，其中无缺陷数据1200组，有缺陷数据3600组，有缺陷数据又分为：弯曲类型数据1200组，单面挤压数据1200组，双面挤压数据1200组。
S4.1：将步骤S3.2得到的数据集样本，按照3:1的比例划分为训练集和测试集；
S4.2：用步骤S4.1中的训练集，训练随机森林回归模型，得到油气井套管内径定量分析模型。
S4.3：将步骤S4.1中的测试集中的主成分分量，输入到步骤S4.2训练的回归模型中，得到回归后的预测数据，与测试集中的实际机械井径数据进行对比，验证模型准确性。本实施例的1200个测试集样本中，无缺陷的均方误差小于0.04，弯曲类型的均方误差小于0.05，单面挤压类型的均方误差小于0.06，双面挤压类型的均方误差小于0.08。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (5)
1.一种基于随机森林和直流磁场的油气井套管内径检测方法，其特征在于，包括如下步骤：
S1：采集静态磁检测信号，包括：
S1.1：使用双磁体同轴反向探头对油气井套管进行扫描，获得静态磁检测信号；
S1.2：对步骤S1.1检测到的静态磁检测信号进行数字化采样，得到离散的静态磁检测信号；
S2：对步骤S1检测到的静态磁检测信号，进行基于主成分分析的特征提取，包括：
S2.1：对步骤S1.2采集到的静态磁检测信号进行预处理；
S2.2：使用主成分分析法进行特征提取，对步骤S2.1预处理后的数据，提取出响应的主成分分量；
S3：使用机械井径检测仪器对油气井套管进行数据采集，得到机械井径数据；
S4：基于步骤S2.2提取的主成分分量和步骤S3得到的机械井径数据，使用随机森林回归模型进行训练，得到油气井套管内径的预测模型；
S5：将待测油气井套管经过步骤S1～S2的处理，得到对应的主成分分量，输入到步骤S4训练后的回归模型中，得到预测的内径。
2.如权利要求1所述基于随机森林和直流磁场的油气井套管内径检测方法，其特征在于，步骤S1.2中，电压值越小的部分采样时间越长，对采样时间内的数据求积分值，之后除以采样时长，得到每个采样点上的采样数值。
3.如权利要求1所述基于随机森林和直流磁场的油气井套管内径检测方法，其特征在于，步骤S2.1中，对静态磁检测信号，采用滑动平均去噪方式进行预处理。
4.如权利要求1所述基于随机森林和直流磁场的油气井套管内径检测方法，其特征在于，步骤S3中，对得到的机械井径数据，采用滑动平均去噪方式进行预处理。
5.如权利要求4所述基于随机森林和直流磁场的油气井套管内径检测方法，其特征在于，步骤S4中，回归训练模型为随机森林。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111435361.5A CN114184154B (zh) | 2021-11-29 | 2021-11-29 | 一种基于随机森林和直流磁场的油气井套管内径检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111435361.5A CN114184154B (zh) | 2021-11-29 | 2021-11-29 | 一种基于随机森林和直流磁场的油气井套管内径检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114184154A CN114184154A (zh) | 2022-03-15 |
| CN114184154B true CN114184154B (zh) | 2022-12-20 |
Family
ID=80602899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111435361.5A Active CN114184154B (zh) | 2021-11-29 | 2021-11-29 | 一种基于随机森林和直流磁场的油气井套管内径检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114184154B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
| CN110514743A (zh) * | 2019-09-03 | 2019-11-29 | 厦门大学 | 一种管道缺陷检测的电磁超声探伤方法及装置 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN113550741A (zh) * | 2020-04-26 | 2021-10-26 | 中国石油化工股份有限公司 | 一种套管最小内径检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10430725B2 (en) * | 2016-06-15 | 2019-10-01 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
-
2021
- 2021-11-29 CN CN202111435361.5A patent/CN114184154B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
| CN110514743A (zh) * | 2019-09-03 | 2019-11-29 | 厦门大学 | 一种管道缺陷检测的电磁超声探伤方法及装置 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN113550741A (zh) * | 2020-04-26 | 2021-10-26 | 中国石油化工股份有限公司 | 一种套管最小内径检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114184154A (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11898986B2 (en) | Systems and methods for steam generator tube analysis for detection of tube degradation | |
| CN101300482B (zh) | 管内面涡流探伤中的s/n比测量方法 | |
| CA2777939C (en) | Method of modeling steam generator and processing steam generator tube data of nuclear power plant | |
| CN108562639B (zh) | 一种埋地钢质管道全生命周期缺陷外检测方法 | |
| CN106680366B (zh) | 一种热交换管涡流检测信号质量自动检测方法 | |
| CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
| CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
| CN114184154B (zh) | 一种基于随机森林和直流磁场的油气井套管内径检测方法 | |
| CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
| CN108181377B (zh) | 一种pccp钢丝断丝智能判读系统及方法 | |
| Lei et al. | Ultrasonic pig for submarine oil pipeline corrosion inspection | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
| CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
| CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
| CN108804494B (zh) | 一种药品不良反应信号检测中最小化数据遮蔽效应的方法 | |
| CN107178710B (zh) | 一种基于内外检测信号特征提取的管道缺陷内外辨识方法 | |
| CN1258680C (zh) | 管道腐蚀缺陷类型识别方法 | |
| CN117929418B (zh) | 一种集成电路缺陷检测方法及系统 | |
| CN112257017A (zh) | 标准化残差检验法一元线性逐点分析方法及系统和装置 | |
| CN117388353A (zh) | 管道缺陷程度高准确度量化的分析方法 | |
| CN116596403B (zh) | 一种铜管内螺纹成型质量的评估方法及系统 | |
| CN115096987B (zh) | 一种基于漏磁信号特征的管道缺陷量化方法 | |
| CN115790503B (zh) | 一种j型导管曲率加工的管线检测方法及系统 | |
| US20140012521A1 (en) | Methods for Eddy Current Data Matching | |
| Rummel et al. | Methodology for Analysis and Characterization of Nondestructive Inspection Capability Data |
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 |