CN115034115A - 一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 - Google Patents
一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 Download PDFInfo
- Publication number
- CN115034115A CN115034115A CN202210760316.5A CN202210760316A CN115034115A CN 115034115 A CN115034115 A CN 115034115A CN 202210760316 A CN202210760316 A CN 202210760316A CN 115034115 A CN115034115 A CN 115034115A
- Authority
- CN
- China
- Prior art keywords
- reflection
- wave
- data
- extracting
- interface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 235000019687 Lamb Nutrition 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012800 visualization Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000005266 casting Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 6
- 239000004568 cement Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000001612 separation test Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/70—Combining sequestration of CO2 and exploitation of hydrocarbons by injecting CO2 or carbonated water in oil wells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，所述方法采用有限差分时域方法模拟训练数据，运用数据增强策略，集成有注意力机制的时域卷积网络，有效的预测实际刻度井的数据；本方法利用离散梯度下降算法获取最短的旅行时路径作为A0（反对称兰姆波）和TIE（第三界面反射回波）的到时，并将获取的A0和TIE到时信息做直角坐标到极坐标变换操作，获得井筒三维可视化结果，为评价固井质量提供有力的保障。
Description
技术领域
本发明涉及固井质量评价技术领域，尤其涉及一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法。
背景技术
油气以及地下水的开采、二氧化碳的储存都需要在井筒中放置套管，并且需要在套管和井壁之间注入水泥，以保证井筒的完整性，实现层间和水力封隔。固井质量不仅关系到开采效率、油气井的使用寿命，还影响公共安全以及生态环境。造成墨西哥湾漏油事件的一个重要原因就是未能够进行固井质量评价，导致可燃气体窜槽引发起火。因而检测水泥和地层之间的胶结情况，对确定套管损伤及水泥胶结缺陷信息是十分重要的工作。
随着国家在海上油气、深部油气等非常规油气资源开发力度的不断增强，大口径厚套管的使用使得测井环境更加复杂。这些情况使得固井质量的评价变得更困难。作为固井质量评价的关键技术之一，超声波测井采用单双-双收技术，选取一定的入射角，在套管中激发零阶对称(S0)和反对称(A0)兰姆波。当入射角度大于横波临界角时，套管内主要激发A0模式。A0模式在套管中传播，同时会泄露到套管两侧的介质中，由于不同介质中的能量泄露不同，通过测量两个接收器间A0模式首波的衰减，可以得到介质的类横波衰减信息。另外，从套管泄露到环空中的A0模式波被水泥-地层界面反射到井中，形成幅度可见的第三声学反射界面反射波(TIE)。
然而，在实际应用中，井下环境复杂，常规的数据处理方法难以提取第三声学反射界面反射波(TIE)，其主要存在以下两个问题：
1)套管或者仪器偏心会影响到TIE的幅度信息。前人考察了声源频率、入射角、套管偏心对测量波形的影响，发现套管偏心时不同方位测量的TIE幅度存在差异。在实际应用中，无论是中海油田服务公司的工程样机(UCCS)，还是斯伦贝谢公司的IsolationScanner，都会遇到由于套管偏心使得TIE幅度过低甚至无法拾取的情况。
2)套管与仪器之间以及套管内部的多次反射会影响TIE的识别，微弱的TIE信号受到较强的多次反射影响，难以拾取。
发明内容
本发明解决的技术问题是：克服了常规的数据处理方法的套管或者仪器偏心会影响到TIE的幅度信息和套管与仪器之间以及套管内部的多次反射会影响TIE的识别的缺点，提供了一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法。
本发明的目的是通过以下技术方案来实现的：
一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，包括：
步骤S1：采用有限差分时域方法模拟训练数据；
步骤S2：做数据增强处理，增加模型的鲁棒性；
步骤S3：基于时域卷积网络分离套管井反对称兰姆波、套管反射波和第三界面反射回波模式波，编码器对原始数据做升维操作，分离器提取不同模式波的高维特征，解码器根据分离器得到的高维特征重建时域波形；
步骤S4：使用L1范数做网络的代价函数，并通过注意力机制让网络着重于弱信号的提取；
步骤S5：设计主动学习指标，使模拟数据上训练的模型对实际刻度井数据进行预测；
步骤S6：将分离后的波形数据做插值、转换操作，得到伪速度图像；利用最短路径算法在伪速度图像上获取反对称兰姆波和第三界面反射回波最短路径信息，将最短路径信息映射为反对称兰姆波和第三界面反射回波到时信息；
步骤S7：根据拾取的到时信息做井筒三维可视化结果。
具体的，所述模拟训练数据通过以下方式获取：根据井内流体的性质、套管属性、环空介质以及地层参数，采用Ricker子波作为声源，利用弹性波方程的交错网格有限差分格式获取模拟数据。
具体的，所述模拟训练数据包括套管偏心、仪器偏心、套管尺寸、360°旋转测量、环空材质。
具体的，所述数据增强处理包括以下子步骤：
生成[-60us,60s]区间以内的随机数对训练数据做整体平移；
对声场信号的幅值做0.25到1.25区间内的尺度缩放；
将不同的反对称兰姆波、套管反射波和第三界面反射回波做随机组合生成新的数据。
具体的，所述时域卷积网络分离套管井反对称兰姆波、套管反射波和第三界面反射回波模式波，包括以下子步骤：
编码器处理阶段：通过分段处理和卷积操作将一维的声波信号扩展到二维空间，为保证输入分离器中的特征非负，采用线性激活函数做激活处理：
其中，T2∈RL×C表示分段处理后的二维信号，R为实数域，L为分段长度，C是分段数量，M是一维卷积核，
是卷积操作，ReLu是线性激活函数，E是编码器的输出；
分离器处理阶段：采用分离器获取反对称兰姆波、套管反射波和第三界面反射回波在E上的空间分布特征，用掩模mi表示；mi掩膜与编码器输出E做哈达玛乘积，得到各个模式波的空间特征Xi：
Xi＝E⊙mi,i∈1,…,n。
解码器处理阶段：对空间特征Xi做解卷积操作和重叠相加操作来重建分离波形。
具体的，所述分离器由3个重复堆叠的一维卷积块构成。
具体的，所述代价函数具体为：
其中xi是真实波形，
是网络提取的波形，J是代价函数。
具体的，所述第三界面反射回波到时指标为：
原始波形与提取的反对称兰姆波、套管反射波之间的L1范数为：
其中，
是提取的TIE波形，TA0是原始波形的到时，xF是全波形，
是网络提取的反对称兰姆波、套管反射波模式波。
具体的，所述最短路径算法提取到时信息过程为：将分离的波形阵列数据做插值、转换处理，作为求解程函方程所用的伪速度图像：
其中，e(z,x)是伪速度图像，z是测量角度，x是采样深度坐标，λ是尺度因子，t是旅行时间；采用离散梯度下降算法获取最短的旅行时路径作为A0和TIE的到时时间。
具体的，所述井筒三维可视化的过程为：将获取的反对称兰姆波和第三界面反射回波到时信息做直角坐标到极坐标变换操作，获得井筒三维可视化结果。
本发明的有益效果：
(1)本发明采用有限差分时域方法模拟训练数据，运用数据增强策略克服训练数据不足的缺点。通过训练，集成有注意力机制的时域卷积网络能够提取信噪比高达50dB的TIE。此外，设计的主动学习指标(TIE的到时、原始波形与提取的A0+casing reflection之间的L1范数)能将模拟数据训练的模型成功预测实际刻度井数据。
(2)分离的波形阵列通过插值、转换处理，作为求解程函方程所用的伪速度图像。利用离散梯度下降算法获取最短的旅行时路径作为A0和TIE的到时，并将获取的A0和TIE到时信息做直角坐标到极坐标变换操作，获得井筒三维可视化结果，为评价固井质量提供有力的保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明提供的方法流程图；
图2是时域卷积网络波形分离可视化流程图；
图3是针对时域卷积网络弱信号提取问题，基于注意力机制的损失函数设计图；
图4是模拟超声波测井数据的波形分离结果与真实波形的对比结果一；
图5是模拟超声波测井数据的波形分离结果与真实波形的对比结果二；
图6是模拟超声波测井数据的360°方位图分离结果与真实方位图的对比结果；
图7是时域卷积网络最小信号分离测试结果；
图8是主动学习策略分离实测刻度井超声波测井数据的流程示意图；
图9是针对实际刻度井超声波测井数据，采用主动学习策略的不同角度的波形分离显示结果示意图；
图10是针对分离后的实测刻度井超声波测井数据，最短路径算法提取的到时结果示意图；
图11是基于最短路径算法提取的到时结果，可视化井筒三维示意图；
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现对本发明的技术方案精选以下详细说明。显然，所描述的实施案例是本发明一部分实施例，而不是全部实施例，不能理解为对本发明可实施范围的限定。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。
实施例一：
本实施例中，如图1所示，一种在套管井中提取第三反射界面超声回波弱信号的深度学习流程包括以下步骤：
Step1：有限差分时域方法模拟数据：
根据井内流体的性质、套管属性、环空介质以及地层参数，采用Ricker子波作为声源，利用弹性波方程的交错网格有限差分格式获取模拟数据。模拟条件包括套管偏心(偏心距：0、4、22mm)、仪器偏心(0、5、10、15、20、25、30、35、40、45、50mm)、套管尺寸(9.625英尺和13.375英尺)、360°旋转测量(间隔10°)、环空材质(水、水泥)。
Step2：数据增强处理：
生成[-60us,60s]区间以内的随机数对训练数据做整体平移；对声场信号的幅值做0.25到1.25区间内的尺度缩放；将不同的A0+套管反射波与TIE做随机组合生成新的数据。
Step3：时域卷积网络分离套管井A0+casing reflection与TIE模式波：
编码器处理阶段，通过分段处理和卷积操作将一维的声波信号扩展到二维空间。为保证输入分离器中的特征非负，还要经线性激活函数处理。
其中，T2∈RL×C表示分段处理后的二维信号，R为实数域，L为分段长度，C是分段数量，M是一维卷积核，
是卷积操作，ReLu是线性激活函数，E是编码器的输出。
分离器处理阶段，分离器是由3个重复堆叠的一维卷积块构成，其作用是获取A0+casing和TIE在E上的空间分布特征，用掩模mi表示。掩膜mi与编码器输出E做Hadamard(符号⊙)乘积，得到各个模式波的特征表示Xi。
Xi＝E⊙mi,i∈1,…,n
解码器处理阶段，解码器是编码器的逆过程，对空间特征Xi做解卷积操作和重叠相加操作来重建分离波形。
其中，图2为时域卷积网络波形分离可视化流程图，包括编码器、解码器和分离器三个模块。
Step4：L1范数做网络的代价函数，并通过注意力机制让网络着重于弱信号的提取：
采用L1范数做网络的代价函数，保证提取的信号幅度不失真，其中xi是真实波形，
是网络提取的波形，J是代价函数。
采用注意力机制克服训练过程中由排列不变训练(permutation-invarianttraining)引起的弱信号提取失败问题。
图3是针对时域卷积网络弱信号提取问题，设计了基于注意力机制的损失函数设计图。图4、图5、图6是采用注意力机制分离的模拟超声波测井数据与真实波形的对比结果。图7是时域卷积网络最小TIE信号提取能力测试结果。
Step5：设计主动学习指标
TIE的到时、原始波形与提取的A0+casing reflection之间的L1范数：
其中，M1是TIE到时的指标设计，
是提取的TIE波形，TA0是原始波形的到时。我们假设提取的TIE在原始波形到时附近的10个采样点范围内能量大于0.01，则表明实际数据分离不理想；M2是原始波形与提取的A0之间的L1范数指标设计，xF是全波形，
是网络提取的A0+casing reflection模式波。我们假设xF与
之间的L1范数小于0.01，则无TIE成分存在，实际数据分离不理想。
图8为主动学习策略分离实际刻度井超声波测井数据的流程示意图。图9是针对实际刻度井超声波测井数据，采用主动学习策略显示不同角度的波形分离结果示意图
Step6：最短路径算法提取到时信息
将分离的波形阵列数据做插值、转换处理，作为求解程函方程输入所用的伪速度图像。
其中，e(z,x)是伪速度图像，z是测量角度，x是采样深度坐标，λ是尺度因子，t是旅行时间。采用离散梯度下降算法获取最短的旅行时路径作为A0和TIE的到时时间。
图10是针对分离后的实测刻度井超声波测井数据，最短路径算法提取的到时结果示意图
Step7：井筒三维可视化
将获取的A0和TIE到时信息做直角坐标到极坐标变换操作，获得井筒三维可视化结果。
图11是基于最短路径算法提取的到时结果，可视化井筒三维示意图。
为了验证本实施例提供的一种在套管井中提取第三反射界面超声回波弱信号的深度学习流程具有良好的波形提取效果，我们分别对模拟超声波测井与实测超声波刻度井数据进行试算，分别为实施例二和实施例三。
实施例二：
本实施例为模拟超声波测井数据实施案例，具体试算流程如下：
(1)读入超声波测井模拟波场记录，将其做归一化处理并转换为时域卷积网络输入所需要的(.wav)格式数据。
(2)编码器采用分段处理和卷积运算将一维的声波信号扩展到二维空间，为保证输入分离器中的特征非负，通过线性激活函数处理；分离器获取A0+casing和TIE在高维空间上的空间分布特征；解码器对空间特征做解卷积和重叠相加操作重建时域波形。
(3)基于L1范数做时域卷积网络的代价函数，并通过注意力机制让网络着重于弱信号的提取。
图4、图5、图7是模拟超声波测井数据的波形分离结果，从图中能看到波形分离结果与真实结果的L1范数很小。此外，图7展示了网络提取最小弱信号的能力，其显示了本文方法能够做到100幅值差异的弱信号提取。图6为模拟超声波测井数据的360°方位图分离结果与真实方位图的对比结果，从图中能清楚的看到提取到的TIE方位图与真实TIE的方位图匹配程度高，验证了本方法的有效性。
实施例三：
本实施例为实测超声波刻度井数据实施案例，具体试算流程如下：
(1)读入超声波测井模拟波场记录，将其做归一化处理并转换为时域卷积网络输入所需要的(.wav)格式数据。
(2)编码器采用分段处理和卷积运算将一维的声波信号扩展到二维空间，为保证输入分离器中的特征非负，通过线性激活函数处理；分离器获取A0+casing和TIE在高维空间上的空间分布特征；解码器对空间特征做解卷积和重叠相加操作来重建时域波形。
(3)基于L1范数做时域卷积网络的代价函数，并通过注意力机制让网络着重于弱信号的提取。
(4)基于主动学习指标(TIE的到时、原始波形与提取的A0+casing reflection之间的L1范数)，筛选分离可靠的结果并重新训练模型。
(5)基于最短路径算法提取到时信息，分离的波形阵列数据做插值、转换处理，作为求解程函方所用的伪速度图像。采用离散梯度下降算法获取最短的旅行时路径作为A0和TIE的到时时间。
(6)获取的A0和TIE到时信息做直角坐标到极坐标变换，获得井筒三维可视化结果。
图9为实测超声波刻度井数据的波形分离结果，图10为针对分离后的实测刻度井超声波测井数据，最短路径算法提取的到时结果示意图，图11是基于最短路径算法提取的到时结果，可视化井筒三维示意图。从图中能清楚的看到套管的位置以及水泥—地层界面的位置，并且分离结果与刻度井模型匹配程度较高，验证了本方法的有效性。
由此可见，本实例提供的一种在套管井中提取第三反射界面超声回波弱信号的深度学习流程，采用有限差分时域方法模拟训练数据，进行数据增强处理。利用注意力机制增加时域卷积网络对弱信号(TIE)的提取，模拟数据训练的网络模型通过主动学习策略去提取实际刻度井数据的A0与TIE。将提取后的实际波形数据做插值、转换操作，得到伪速度图像。利用最短路径算法在伪速度图像上获取A0和TIE最短路径信息，将最短路径信息映射为A0和TIE到时信息，最后利用到时信息可视化井筒三维结构信息。该方法能够有效提取幅值小、与其他模式波重叠的TIE，并将获取的到时信息做井筒三维可视化，为评价固井质量提供有力的保障。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，包括：
步骤S1：采用有限差分时域方法模拟训练数据；
步骤S2：做数据增强处理，增加模型的鲁棒性；
步骤S3：基于时域卷积网络分离套管井反对称兰姆波、套管反射波和第三界面反射回波模式波，编码器对原始数据做升维操作，分离器提取不同模式波的高维特征，解码器根据分离器得到的高维特征重建时域波形；
步骤S4：使用L1范数做网络的代价函数，并通过注意力机制让网络着重于弱信号的提取；
步骤S5：设计主动学习指标，使模拟数据上训练的模型对实际刻度井数据进行预测；
步骤S6：将分离后的波形数据做插值、转换操作，得到伪速度图像；利用最短路径算法在伪速度图像上获取反对称兰姆波和第三界面反射回波最短路径信息，将最短路径信息映射为反对称兰姆波和第三界面反射回波到时信息；
步骤S7：根据拾取的到时信息做井筒三维可视化结果。
2.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述模拟训练数据通过以下方式获取：根据井内流体的性质、套管属性、环空介质以及地层参数，采用Ricker子波作为声源，利用弹性波方程的交错网格有限差分格式获取模拟数据。
3.根据权利要求2所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述模拟训练数据包括套管偏心、仪器偏心、套管尺寸、360°旋转测量、环空材质。
4.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述数据增强处理包括以下子步骤：
生成[-60us,60s]区间以内的随机数对训练数据做整体平移；
对声场信号的幅值做0.25到1.25区间内的尺度缩放；
将不同的反对称兰姆波、套管反射波和第三界面反射回波做随机组合生成新的数据。
5.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述时域卷积网络分离套管井反对称兰姆波、套管反射波和第三界面反射回波模式波，包括以下子步骤：
编码器处理阶段：通过分段处理和卷积操作将一维的声波信号扩展到二维空间，为保证输入分离器中的特征非负，采用线性激活函数做激活处理：
其中，T2∈RL×C表示分段处理后的二维信号，R为实数域，L为分段长度，C是分段数量，M是一维卷积核，
是卷积操作，ReLu是线性激活函数，E是编码器的输出；
分离器处理阶段：采用分离器获取反对称兰姆波、套管反射波和第三界面反射回波在E上的空间分布特征，用掩模mi表示；mi掩膜与编码器输出E做哈达玛乘积，得到各个模式波的空间特征Xi：
Xi＝E⊙mi,i∈1,…,n
解码器处理阶段：对空间特征Xi做解卷积操作和重叠相加操作来重建分离波形。
6.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述分离器由3个重复堆叠的一维卷积块构成。
7.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述代价函数具体为：
其中xi是真实波形，
是网络提取的波形，J是代价函数。
8.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述第三界面反射回波到时指标为：
原始波形与提取的反对称兰姆波、套管反射波之间的L1范数为：
其中，
是提取的TIE波形，TA0是原始波形的到时，xF是全波形，
是网络提取的反对称兰姆波、套管反射波模式波。
9.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述最短路径算法提取到时信息过程为：将分离的波形阵列数据做插值、转换处理，作为求解程函方程所用的伪速度图像：
其中，e(z,x)是伪速度图像，z是测量角度，x是采样深度坐标，λ是尺度因子，t是旅行时间；采用离散梯度下降算法获取最短的旅行时路径作为A0和TIE的到时时间。
10.根据权利要求1所述的一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法，其特征在于，所述井筒三维可视化的过程为：将获取的反对称兰姆波和第三界面反射回波到时信息做直角坐标到极坐标变换操作，获得井筒三维可视化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760316.5A CN115034115B (zh) | 2022-06-29 | 2022-06-29 | 一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210760316.5A CN115034115B (zh) | 2022-06-29 | 2022-06-29 | 一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034115A true CN115034115A (zh) | 2022-09-09 |
| CN115034115B CN115034115B (zh) | 2024-09-20 |
Family
ID=83128887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210760316.5A Active CN115034115B (zh) | 2022-06-29 | 2022-06-29 | 一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034115B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116220667A (zh) * | 2023-05-06 | 2023-06-06 | 中海油田服务股份有限公司 | 基于超声兰姆波测井的直达波与反射波分离方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021046366A1 (en) * | 2019-09-04 | 2021-03-11 | Schlumberger Technology Corporation | Autonomous operations in oil and gas fields |
| CN113712630A (zh) * | 2021-08-30 | 2021-11-30 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的控制方法和系统 |
| CN113989828A (zh) * | 2021-09-17 | 2022-01-28 | 苏州声影空间智能科技有限公司 | 基于便携式智能设备和超声信号的手势识别方法及系统 |
| CN114114283A (zh) * | 2020-08-27 | 2022-03-01 | 中国石油化工股份有限公司 | 井壁超声回波信号初至的检测方法及装置 |
| CN114626697A (zh) * | 2022-02-28 | 2022-06-14 | 中国石油大学(华东) | 一种高温固井水泥环二界面胶结质量评价方法与系统 |
-
2022
- 2022-06-29 CN CN202210760316.5A patent/CN115034115B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021046366A1 (en) * | 2019-09-04 | 2021-03-11 | Schlumberger Technology Corporation | Autonomous operations in oil and gas fields |
| CN114114283A (zh) * | 2020-08-27 | 2022-03-01 | 中国石油化工股份有限公司 | 井壁超声回波信号初至的检测方法及装置 |
| CN113712630A (zh) * | 2021-08-30 | 2021-11-30 | 以诺康医疗科技（苏州）有限公司 | 一种基于剪切结束判断模型的控制方法和系统 |
| CN113989828A (zh) * | 2021-09-17 | 2022-01-28 | 苏州声影空间智能科技有限公司 | 基于便携式智能设备和超声信号的手势识别方法及系统 |
| CN114626697A (zh) * | 2022-02-28 | 2022-06-14 | 中国石油大学(华东) | 一种高温固井水泥环二界面胶结质量评价方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| "《计算机工程与应用》2018年(第54卷) 总目次", 计算机工程与应用, no. 24, 15 December 2018 (2018-12-15) * |
| QIANG WANG 等: "A deep learning workflow for weak reflection extraction in pitch-catch measurements in the cased hole", 《GEOPHYSICS》, vol. 88, no. 2, 7 March 2023 (2023-03-07), pages 147 - 157 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116220667A (zh) * | 2023-05-06 | 2023-06-06 | 中海油田服务股份有限公司 | 基于超声兰姆波测井的直达波与反射波分离方法及装置 |
| CN116220667B (zh) * | 2023-05-06 | 2023-07-07 | 中海油田服务股份有限公司 | 基于超声兰姆波测井的直达波与反射波分离方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034115B (zh) | 2024-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105308479B (zh) | 通过与偏移距相关的弹性fwi的多参数反演 | |
| Marano et al. | Generative adversarial networks review in earthquake-related engineering fields | |
| US20190055830A1 (en) | Well integrity analysis using sonic measurements over depth interval | |
| CN115034115B (zh) | 一种使用深度学习在套管井中提取第三反射界面超声回波弱信号的方法 | |
| US20240265696A1 (en) | Methods for Digital Imaging of Living Tissue | |
| Liu et al. | A generalized machine learning workflow to visualize mechanical discontinuity | |
| Viggen et al. | Analysis of outer-casing echoes in simulations of ultrasonic pulse-echo through-tubing logging | |
| Eckels et al. | Predicting local material thickness from steady-state ultrasonic wavefield measurements using a convolutional neural network | |
| CN113312830B (zh) | 基于深度学习获得海洋中尺度涡波阻抗方法及处理终端 | |
| Vesselinov et al. | GeoThermalCloud: Machine learning for discovery, exploration, and development of hidden geothermal resources | |
| Cheng et al. | Simultaneous denoising and reconstruction of distributed acoustic sensing seismic data via a multicascade deep-learning method | |
| Feng | Condition Classification in Underground Pipes Based on Acoustical Characteristics. Acoustical characteristics are used to classify the structural and operational conditions in underground pipes with advanced signal classification methods | |
| Cau et al. | Artificial neural networks for non-destructive evaluation with ultrasonic waves in not accessible pipes | |
| US20230152480A1 (en) | Random noise attenuation for seismic data | |
| Wen et al. | Numerical modeling of Forchheimer flow to a pumping well in a confined aquifer using the strong-form mesh-free method | |
| Dai et al. | Study of an Automatic Picking Method for Multimode Dispersion Curves of Surface Waves Based on an Improved U-Net | |
| Zhang et al. | Imaging and characterization of cement annulus and bonding interfaces in cased wells with fully connected neural network | |
| Verga et al. | Calibration of fractured reservoirs with dynamic data | |
| Matzel et al. | Looking for Permeability on Combined 3D Seismic and Magnetotelluric Datasets With Machine Learning | |
| EP4134514B1 (en) | Method for determining if a wellbore consists of micro annulus, free pipe or solid bonding between the wellbore and a casing | |
| Cai et al. | Multiscale dilated denoising convolution with channel attention mechanism for micro-seismic signal denoising | |
| Liu et al. | An enhanced RANSAC method for complex hydraulic network characterization based on microseismic data | |
| Liu et al. | Wellbore fracture recognition and fracture parameter identification method using piezoelectric ultrasonic and machine learning | |
| Qi et al. | Research on acoustic methods for buried PE pipeline detection based on LSTM neural networks | |
| CN117518267A (zh) | 页岩油储层可压性评价方法、装置及计算设备 |
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 |