CN115983116B - 一种二氧化碳混相驱油腐蚀检测方法 - Google Patents
一种二氧化碳混相驱油腐蚀检测方法 Download PDFInfo
- Publication number
- CN115983116B CN115983116B CN202211655367.8A CN202211655367A CN115983116B CN 115983116 B CN115983116 B CN 115983116B CN 202211655367 A CN202211655367 A CN 202211655367A CN 115983116 B CN115983116 B CN 115983116B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- corrosion
- secondary sampling
- carbon dioxide
- neural network
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 238
- 238000005260 corrosion Methods 0.000 title claims abstract description 238
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 82
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000003129 oil well Substances 0.000 claims abstract description 93
- 238000003062 neural network model Methods 0.000 claims abstract description 90
- 230000004907 flux Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 629
- 238000012549 training Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 30
- 238000002347 injection Methods 0.000 claims description 29
- 239000007924 injection Substances 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005536 corrosion prevention Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供一种二氧化碳混相驱油腐蚀检测方法，本发明通过神经网络模型对油井管道进行腐蚀程度检测，并根据神经网络模型的检测结果，采用漏磁检测仪对油井管道进行探伤检测；同时，采用神经网络模型和相似度算法相结合的方式对油井管道下一时刻的损伤程度进行获取；本发明提高了油井管道腐蚀检测、损伤程度预测的准确性，提高了管道腐蚀检测的效率。
Description
技术领域：
本发明涉及二氧化碳混相驱油腐蚀检测领域，特别涉及一种二氧化碳混相驱油腐蚀检测方法。
背景技术：
目前，基于二氧化碳混相驱油的方法以其优良的特性在石油行业被广泛应用，二氧化碳混相驱油能够提高原油采收率。国内外近年来大力开展了二氧化碳混相驱油技术的研发和应用。
然而，随着注气时间延长及注气量的增加，二氧化碳驱油对油井实现了增油的效果，但也同时出现了二氧化碳对油井管道的腐蚀问题。目前，常见的油井管道腐蚀检测的方法多为采用超声波法、磁感应法、漏磁检测法等，上述方法效率低下，并且无法实现对油井管道腐蚀性的预测，无法为油井管道下一时刻的防腐措施提供有效数据支撑。
对于以上问题，本文提出了一种二氧化碳混相驱油腐蚀检测方法。
发明内容：
针对目前在二氧化碳混相驱油场景中油井管道腐蚀检测和预测方法不准确，无法为管道的及时维护提供准确数据支撑的问题，本文提出了一种二氧化二氧化碳混相驱油腐蚀检测方法。该方法包括如下步骤：
S1.构建并训练神经网络模型，在历史经验数据库中选择样本对神经网络模型进行训练，获得训练后的神经网络模型；
S2.选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度；所述腐蚀程度包括：无腐蚀，轻度腐蚀，中度腐蚀，重度腐蚀；
S3.根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果；
所述检测结果包括：二次采样点位置、二次采样点位置所对应的油井管道损伤类型；
所述油井管道损伤类型包括：无损伤、孔洞、片蚀、沟槽、断裂；
S4.将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练；
S5.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，结合相似度算法和步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的损伤程度；
S6.根据步骤S5获得的各二次采样点位置和各二次采样点位置下一采样时刻的损伤类型C，对油井管道进行防腐处理。
所述步骤S5具体包括如下步骤：
S51.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型；
S52.根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度；
S53.根据步骤S5和步骤S6分别获得的下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度。
所述步骤S1具体包括如下步骤：
S11.构建BP神经网络模型；
S12.从历史经验数据库中选择训练样本和测试样本，所述历史经验数据库中存储样本数据，所述每条样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻、采样点腐蚀程度、采样点腐蚀类型；
所述采样点采样时刻为当前时刻距离油井开启二氧化碳混相驱油操作时刻的时间长度；
所述采样点采样时刻按照固定时间间隔进行周期设置；
S13.对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型。
所述步骤S12，具体包括如下步骤：
S121.根据所述腐蚀程度对历史经验数据库中每条样本进行分类，形成无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合；
S122.按照数量比为1:2:3:3的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取训练样本；
S123.按照数量比为1:1:1:1的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取测试样本。
所述步骤S13对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型，具体包括如下步骤：
S131.采用步骤S122的训练样本对BP神经网络模型进行训练，所述BP神经网络模型的输入参数为：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；所述BP神经网络模型的输出结果为：采样点腐蚀程度；
S132.采用步骤S123的测试样本对BP神经网络模型进行测试，直至BP神经网络模型的损失函数收敛，获得训练完成的BP神经网络模型。
所述步骤S2选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度，具体包括如下步骤：
S21.按照预设距离从油井管道口向下的方向选取多个首次采样点位置；
S22.将各个首次采样点位置所对应的采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻输入至步骤S132获得的训练完成的BP神经网络模型中，获得各个首次采样点所对应的采样点腐蚀程度。
所述步骤S3根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果，具体包括如下步骤：
S31.当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为重度腐蚀时，在当前重度腐蚀对应的首次采样点位置向上和向下的第一预设距离按照第一预设频率设置多个二次采样点位置，所述多个二次采样点位置包括重度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为中度腐蚀时，在当前中度腐蚀对应的首次采样点位置向上和向下的第二预设距离按照第二预设频率设置多个二次采样点位置，所述多个二次采样点位置包括中度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为轻度腐蚀时，在当前轻度腐蚀对应的首次采样点位置向上和向下的第三预设距离按照第三预设频率设置多个二次采样点位置，所述多个二次采样点位置包括轻度腐蚀对应首次采样点位置；
所述第一预设距离大于第二预设距离，所述第二预设距离大于第三预设距离；
所述第一预设频率大于第二预设频率，所述第二预设频率大于第三预设频率；
S32.将二次采样点位置形成二次采样点位置集合；
S33.采用漏磁检测仪对步骤S32获得的二次采样点位置进行探伤检测，获得二次采样点位置、二次采样点位置所对应的油井管道损伤类型。
所述步骤S4将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练，具体包括如下步骤：
S41.当二次采样点位置与首次采样点位置相同时，获得二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度，所述油井管道损伤类型与腐蚀程度的对应关系预先存储于损伤类型和腐蚀程度对应表中；
当二次采样点位置与首次采样点位置不相同时，将二次采样点位置所对应的数据加入至历史经验数据库中；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率、二次采样点采样时刻、二次采样点腐蚀程度、二次采样点腐蚀类型；
S42.判断二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度是否与二次采样点位置相同的首次采样点位置对应的腐蚀程度相同，如相同，执行步骤S43，如不相同执行步骤S44至步骤S45；
S43.将步骤S42中的二次采样点位置所对应的数据加入至历史经验数据库中；
S44.将步骤S42中的二次采样点位置所对应的数据加入至重训练样本集合中；获取步骤S42中的二次采样点位置所对应的二次采样点腐蚀程度，根据获取的二次采样点腐蚀程度，从步骤S121中的无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合中，获取与所述二次采样点腐蚀程度对应的样本集合中的预设数量的样本，并加入至重训练样本集合中；
S45.利用重训练样本集合对步骤S132获得的BP神经网络模型进行优化训练；
S46.重复执行步骤S41至步骤S45，直至所有二次采样点位置均处理完成为止，形成优化完成的BP神经网络模型。
所述步骤S51根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型，具体包括如下步骤：
S511.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S512.在历史经验数据库的样本中选取采样点采样时刻与步骤S511中所述下一采样时刻相同的多个样本数据；
所述历史经验数据库中的样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；
S513.将步骤S511中选取的二次采样点所对应的数据与步骤S512中选取的历史经验数据库中的多个样本数据进行相似度匹配，获得匹配结果r；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
所述相似度匹配计算方法包括：
r＝λ1t+λ2h+λ3c+λ4n+λ5p+λ6v
其中，t,h,c,n,p,v分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度，λ1、λ2、λ3、λ4、λ5、λ6分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度所对应的权重值；
S514.根据所述匹配结果r，获得与选取的二次采样点所对应的数据相似度值最大的历史经验数据库中的样本数据，并获得所述样本数据所对应的采样点腐蚀程度、采样点腐蚀类型；
S515.将步骤S514中获得的采样点腐蚀类型作为步骤S511选取的二次采样点位置对应的下一采样时刻的损伤类型；
S516.重复执行步骤S511至步骤S515，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的损伤类型。
所述步骤S52根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度，具体包括：
S521.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S522.将步骤S521选取的二次采样点位置所对应的数据和下一采样时刻输入至步骤S46中优化完成的BP神经网络模型中，获得所述二次采样点位置所对应的下一采样时刻的腐蚀程度；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
S523.重复执行步骤S521至步骤S523，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的腐蚀程度。
所述步骤S53根据步骤S5和步骤S6分别获得的下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度，具体包括如下步骤：
S531.选取一个二次采样点位置，获取该二次采样点位置所对应的损伤类型关联的腐蚀程度A，以及该二次采样点下一采样时刻的腐蚀程度B，比较腐蚀程度A和腐蚀程度B的腐蚀性大小，选取腐蚀性大的腐蚀程度作为该二次采样点位置下一采样时刻的损伤程度，并当该二次采样点存在下一采样时刻的损伤类型时，将该损伤类型作为损伤程度一并输出；
所述油井管道损伤类型与腐蚀程度的对应关系预先存储于损伤类型和腐蚀程度对应表中；
S532.重复执行步骤S531，直至所有的二次采样点位置均处理完成为止，获得所有二次采样点位置对应的损伤程度。
本发明的有益效果如下：
1.本发明中根据神经网络模型、漏磁检测仪相结合的方式对油井管道的腐蚀位置、程度进行检测，并通过相似度算法和优化后的神经网络模型相结合的方法对下一时刻的腐蚀点和腐蚀程度进行预测，提高了油井管道腐蚀检测的准确性，并提高了腐蚀预测的准确性；
2.本发明根据BP神经网络模型获得首次采样点的腐蚀程度，并根据首次采样点的腐蚀程度获取二次采样点的位置，也即漏磁检测仪的采样点位置，极大减少了漏磁检测仪的采样次数，只针对重点区域进行检测，提高了系统整体的运行效率；
3.本发明根据BP神经网络获得的首次采样点不同的腐蚀程度，获取不同管道不同位置的漏磁检测仪的二次采样点的频率，实现了漏磁检测仪对管道重点区域的检测，提高了检测效率；
4.本发明通过对历史经验数据库中样本的分类，以不同比例获取不同分类样本集合中的训练样本，使得BP神经网络模型的训练更加具有针对性；
5.本发明通过利用漏磁检测仪的检测结果对历史经验数据库中的样本数据进行更新，并对BP神经网络模型进行重训练，以优化BP神经网络模型，提高了管道腐蚀检测的准确性；
6.本发明采用优化后的BP神经网络模型和相似度算法相结合的方式对下一时刻的管道采样点位置损伤程度进行预测，提高了管道损伤预测的准确性。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为一种二氧化碳混相驱油腐蚀检测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本文提出了一种二氧化碳混相驱油腐蚀检测方法。该方法包括如下步骤：
S1.构建并训练神经网络模型，在历史经验数据库中选择样本对神经网络模型进行训练，获得训练后的神经网络模型；
所述步骤S1具体包括如下步骤：
S11.构建BP神经网络模型；
S12.从历史经验数据库中选择训练样本和测试样本，所述历史经验数据库中存储样本数据，所述每条样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻、采样点腐蚀程度、采样点腐蚀类型；
所述采样点采样时刻为当前时刻距离油井开启二氧化碳混相驱油操作时刻的时间长度；
所述采样点采样时刻按照固定时间间隔进行周期设置；
所述步骤S12，具体包括如下步骤：
S121.根据所述腐蚀程度对历史经验数据库中每条样本进行分类，形成无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合；
S122.按照数量比为1:2:3:3的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取训练样本；
S123.按照数量比为1:1:1:1的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取测试样本。
S13.对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型。
所述步骤S13对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型，具体包括如下步骤：
S131.采用步骤S122的训练样本对BP神经网络模型进行训练，所述BP神经网络模型的输入参数为：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；所述BP神经网络模型的输出结果为：采样点腐蚀程度；
S132.采用步骤S123的测试样本对BP神经网络模型进行测试，直至BP神经网络模型的损失函数收敛，获得训练完成的BP神经网络模型。
S2.选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度；所述腐蚀程度包括：无腐蚀，轻度腐蚀，中度腐蚀，重度腐蚀；
所述步骤S2选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度，具体包括如下步骤：
S21.按照预设距离从油井管道口向下的方向选取多个首次采样点位置；
S22.将各个首次采样点位置所对应的采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻输入至步骤S132获得的训练完成的BP神经网络模型中，获得各个首次采样点所对应的采样点腐蚀程度。
S3.根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果；
所述检测结果包括：二次采样点位置、二次采样点位置所对应的油井管道损伤类型；
所述步骤S3根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果，具体包括如下步骤：
S31.当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为重度腐蚀时，在当前重度腐蚀对应的首次采样点位置向上和向下的第一预设距离按照第一预设频率设置多个二次采样点位置，所述多个二次采样点位置包括重度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为中度腐蚀时，在当前中度腐蚀对应的首次采样点位置向上和向下的第二预设距离按照第二预设频率设置多个二次采样点位置，所述多个二次采样点位置包括中度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为轻度腐蚀时，在当前轻度腐蚀对应的首次采样点位置向上和向下的第三预设距离按照第三预设频率设置多个二次采样点位置，所述多个二次采样点位置包括轻度腐蚀对应首次采样点位置；
所述第一预设距离大于第二预设距离，所述第二预设距离大于第三预设距离；
所述第一预设频率大于第二预设频率，所述第二预设频率大于第三预设频率；
S32.将二次采样点位置形成二次采样点位置集合；
S33.采用漏磁检测仪对步骤S32获得的二次采样点位置进行探伤检测，获得二次采样点位置、二次采样点位置所对应的油井管道损伤类型。
S4.将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练；
所述步骤S4，具体包括如下步骤：
S41.当二次采样点位置与首次采样点位置相同时，获得二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度，所述油井管道损伤类型与腐蚀程度的对应关系预先存储于损伤类型和腐蚀程度对应表中；
当二次采样点位置与首次采样点位置不相同时，将二次采样点位置所对应的数据加入至历史经验数据库中；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率、二次采样点采样时刻、二次采样点腐蚀程度、二次采样点腐蚀类型；
S42.判断二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度是否与二次采样点位置相同的首次采样点位置对应的腐蚀程度相同，如相同，执行步骤S43，如不相同执行步骤S44至步骤S45；
S43.将步骤S42中的二次采样点位置所对应的数据加入至历史经验数据库中；
S44.将步骤S42中的二次采样点位置所对应的数据加入至重训练样本集合中；获取步骤S42中的二次采样点位置所对应的二次采样点腐蚀程度，根据获取的二次采样点腐蚀程度，从步骤S121中的无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合中，获取与所述二次采样点腐蚀程度对应的样本集合中的预设数量的样本，并加入至重训练样本集合中；
S45.利用重训练样本集合对步骤S132获得的BP神经网络模型进行优化训练；
S46.重复执行步骤S41至步骤S45，直至所有二次采样点位置均处理完成为止，形成优化完成的BP神经网络模型。
S5.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，结合相似度算法和步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的损伤程度；
所述步骤S5具体包括如下步骤：
S51.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型；
所述步骤S51，具体包括如下步骤：
S511.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S512.在历史经验数据库的样本中选取采样点采样时刻与步骤S511中所述下一采样时刻相同的多个样本数据；
所述历史经验数据库中的样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；
S513.将步骤S511中选取的二次采样点所对应的数据与步骤S512中选取的历史经验数据库中的多个样本数据进行相似度匹配，获得匹配结果r；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
所述相似度匹配计算方法包括：
r＝λ1t+λ2h+λ3c+λ4n+λ5p+λ6v
其中，t,h,c,n,p,v分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度，λ1、λ2、λ3、λ4、λ5、λ6分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度所对应的权重值；
S514.根据所述匹配结果r，获得与选取的二次采样点所对应的数据相似度值最大的历史经验数据库中的样本数据，并获得所述样本数据所对应的采样点腐蚀程度、采样点腐蚀类型；
S515.将步骤S514中获得的采样点腐蚀类型作为步骤S511选取的二次采样点位置对应的下一采样时刻的损伤类型；
S516.重复执行步骤S511至步骤S515，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的损伤类型。
S52.根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度；
所述步骤S52，具体包括：
S521.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S522.将步骤S521选取的二次采样点位置所对应的数据和下一采样时刻输入至步骤S46中优化完成的BP神经网络模型中，获得所述二次采样点位置所对应的下一采样时刻的腐蚀程度；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
S523.重复执行步骤S521至步骤S523，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的腐蚀程度。
S53.根据步骤S5和步骤S6分别获得的下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度。
所述步骤S53，具体包括如下步骤：
S531.选取一个二次采样点位置，获取该二次采样点位置所对应的损伤类型关联的腐蚀程度A，以及该二次采样点下一采样时刻的腐蚀程度B，比较腐蚀程度A和腐蚀程度B的腐蚀性大小，选取腐蚀性大的腐蚀程度作为该二次采样点位置下一采样时刻的损伤程度，并当该二次采样点存在下一采样时刻的损伤类型时，将该损伤类型作为损伤程度一并输出；
所述油井管道损伤类型与腐蚀程度的对应关系预先存储于损伤类型和腐蚀程度对应表中；
S532.重复执行步骤S531，直至所有的二次采样点位置均处理完成为止，获得所有二次采样点位置对应的损伤程度。
S6.根据步骤S5获得的各二次采样点位置和各二次采样点位置下一采样时刻的损伤类型C，对油井管道进行防腐处理。
本发明的有益效果如下：
1.本发明中根据神经网络模型、漏磁检测仪相结合的方式对油井管道的腐蚀位置、程度进行检测，并通过相似度算法和优化后的神经网络模型相结合的方法对下一时刻的腐蚀点和腐蚀程度进行预测，提高了油井管道腐蚀检测的准确性，并提高了腐蚀预测的准确性；
2.本发明根据BP神经网络模型获得首次采样点的腐蚀程度，并根据首次采样点的腐蚀程度获取二次采样点的位置，也即漏磁检测仪的采样点位置，极大减少了漏磁检测仪的采样次数，只针对重点区域进行检测，提高了系统整体的运行效率；
3.本发明根据BP神经网络获得的首次采样点不同的腐蚀程度，获取不同管道不同位置的漏磁检测仪的二次采样点的频率，实现了漏磁检测仪对管道重点区域的检测，提高了检测效率；
4.本发明通过对历史经验数据库中样本的分类，以不同比例获取不同分类样本集合中的训练样本，使得BP神经网络模型的训练更加具有针对性；
5.本发明通过利用漏磁检测仪的检测结果对历史经验数据库中的样本数据进行更新，并对BP神经网络模型进行重训练，以优化BP神经网络模型，提高了管道腐蚀检测的准确性；
6.本发明采用优化后的BP神经网络模型和相似度算法相结合的方式对下一时刻的管道采样点位置损伤程度进行预测，提高了管道损伤预测的准确性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种二氧化碳混相驱油腐蚀检测方法，其特征在于，包括如下步骤：
S1.构建并训练神经网络模型，在历史经验数据库中选择样本对神经网络模型进行训练，获得训练后的神经网络模型；
S2.选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度；所述腐蚀程度包括：无腐蚀，轻度腐蚀，中度腐蚀，重度腐蚀；
S3.根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果；
所述检测结果包括：二次采样点位置、二次采样点位置所对应的油井管道损伤类型；
S4.将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练；
S5.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，结合相似度算法和步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的损伤程度；
S6.根据各二次采样点位置和各二次采样点位置下一采样时刻的损伤程度，对油井管道进行防腐处理。
2.根据权利要求1所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S5具体包括如下步骤：
S51.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型；
S52.根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度；
S53.根据所述下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度。
3.根据权利要求2所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S1具体包括如下步骤：
S11.构建BP神经网络模型；
S12.从历史经验数据库中选择训练样本和测试样本，所述历史经验数据库中存储样本数据，每条样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻、采样点腐蚀程度、采样点腐蚀类型；
所述采样点采样时刻为当前时刻距离油井开启二氧化碳混相驱油操作时刻的时间长度；
所述采样点采样时刻按照固定时间间隔进行周期设置；
S13.对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型。
4.根据权利要求3所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S12，具体包括如下步骤：
S121.根据所述腐蚀程度对历史经验数据库中每条样本进行分类，形成无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合；
S122.按照数量比为1:2:3:3的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取训练样本；
S123.按照数量比为1:1:1:1的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取测试样本。
5.根据权利要求4所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S13对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型，具体包括如下步骤：
S131.采用步骤S122的训练样本对BP神经网络模型进行训练，所述BP神经网络模型的输入参数为：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；所述BP神经网络模型的输出结果为：采样点腐蚀程度；
S132.采用步骤S123的测试样本对BP神经网络模型进行测试，直至BP神经网络模型的损失函数收敛，获得训练完成的BP神经网络模型。
6.根据权利要求5所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S2，选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度，具体包括如下步骤：
S21.按照预设距离从油井管道口向下的方向选取多个首次采样点位置；
S22.将各个首次采样点位置所对应的采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻输入至步骤S132获得的训练完成的BP神经网络模型中，获得各个首次采样点所对应的采样点腐蚀程度。
7.根据权利要求6所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S3，根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果，具体包括如下步骤：
S31.当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为重度腐蚀时，在当前重度腐蚀对应的首次采样点位置向上和向下的第一预设距离按照第一预设频率设置多个二次采样点位置，所述多个二次采样点位置包括重度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为中度腐蚀时，在当前中度腐蚀对应的首次采样点位置向上和向下的第二预设距离按照第二预设频率设置多个二次采样点位置，所述多个二次采样点位置包括中度腐蚀对应首次采样点位置；
当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为轻度腐蚀时，在当前轻度腐蚀对应的首次采样点位置向上和向下的第三预设距离按照第三预设频率设置多个二次采样点位置，所述多个二次采样点位置包括轻度腐蚀对应首次采样点位置；
所述第一预设距离大于第二预设距离，所述第二预设距离大于第三预设距离；
所述第一预设频率大于第二预设频率，所述第二预设频率大于第三预设频率；
S32.将二次采样点位置形成二次采样点位置集合；
S33.采用漏磁检测仪对步骤S32获得的二次采样点位置进行探伤检测，获得二次采样点位置、二次采样点位置所对应的油井管道损伤类型。
8.根据权利要求7所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S4，将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练，具体包括如下步骤：
S41.当二次采样点位置与首次采样点位置相同时，获得二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度，所述油井管道损伤类型与腐蚀程度的对应关系预先存储于损伤类型和腐蚀程度对应表中；
当二次采样点位置与首次采样点位置不相同时，将二次采样点位置所对应的数据加入至历史经验数据库中；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率、二次采样点采样时刻、二次采样点腐蚀程度、二次采样点腐蚀类型；
S42.判断二次采样点位置所对应的油井管道损伤类型对应的腐蚀程度是否与二次采样点位置相同的首次采样点位置对应的腐蚀程度相同，如相同，执行步骤S43，如不相同执行步骤S44至步骤S45；
S43.将步骤S42中的二次采样点位置所对应的数据加入至历史经验数据库中；
S44.将步骤S42中的二次采样点位置所对应的数据加入至重训练样本集合中；获取步骤S42中的二次采样点位置所对应的二次采样点腐蚀程度，根据获取的二次采样点腐蚀程度，从步骤S121中的无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合中，获取与所述二次采样点腐蚀程度对应的样本集合中的预设数量的样本，并加入至重训练样本集合中；
S45.利用重训练样本集合对步骤S132获得的BP神经网络模型进行优化训练；
S46.重复执行步骤S41至步骤S45，直至所有二次采样点位置均处理完成为止，形成优化完成的BP神经网络模型。
9.根据权利要求8所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S51，根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型，具体包括如下步骤：
S511.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S512.在历史经验数据库的样本中选取采样点采样时刻与步骤S511中所述下一采样时刻相同的多个样本数据；
所述历史经验数据库中的样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；
S513.将步骤S511中选取的二次采样点所对应的数据与步骤S512中选取的历史经验数据库中的多个样本数据进行相似度匹配，获得匹配结果r；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
相似度算法包括：
r＝λ1t+λ2h+λ3c+λ4n+λ5p+λ6v
其中，t,h,c,n,p,v分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度，λ1、λ2、λ3、λ4、λ5、λ6分别为采样点温度相似度、采样点压力相似度、采样点管道材料数据相似度、采样点二氧化碳浓度相似度、采样点水含量相似度、采样点二氧化碳注入速率相似度所对应的权重值；
S514.根据所述匹配结果r，获得与选取的二次采样点所对应的数据相似度值最大的历史经验数据库中的样本数据，并获得所述样本数据所对应的采样点腐蚀程度、采样点腐蚀类型；
S515.将步骤S514中获得的采样点腐蚀类型作为步骤S511选取的二次采样点位置对应的下一采样时刻的损伤类型；
S516.重复执行步骤S511至步骤S515，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的损伤类型。
10.根据权利要求9所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S52，根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度，具体包括：
S521.选取一个二次采样点位置，并获取该二次采样点位置所对应的当前采样时刻，根据步骤S12中所述的固定时间间隔计算当前采样时刻的下一采样时刻；
S522.将步骤S521选取的二次采样点位置所对应的数据和下一采样时刻输入至步骤S46中优化完成的BP神经网络模型中，获得所述二次采样点位置所对应的下一采样时刻的腐蚀程度；
所述二次采样点位置所对应的数据包括：二次采样点位置、二次采样点温度、二次采样点压力、二次采样点管道材料数据、二次采样点二氧化碳浓度、二次采样点水含量、二次采样点二氧化碳注入速率；
S523.重复执行步骤S521至步骤S523，直至所有的二次采样点位置均处理完成为止，获得所有的二次采样点位置对应的下一采样时刻的腐蚀程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211655367.8A CN115983116B (zh) | 2022-12-22 | 2022-12-22 | 一种二氧化碳混相驱油腐蚀检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211655367.8A CN115983116B (zh) | 2022-12-22 | 2022-12-22 | 一种二氧化碳混相驱油腐蚀检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115983116A CN115983116A (zh) | 2023-04-18 |
| CN115983116B true CN115983116B (zh) | 2024-05-24 |
Family
ID=85964237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211655367.8A Active CN115983116B (zh) | 2022-12-22 | 2022-12-22 | 一种二氧化碳混相驱油腐蚀检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983116B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870670A (zh) * | 2012-12-17 | 2014-06-18 | 中国石油天然气集团公司 | 一种油管腐蚀程度预测方法及装置 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN111783354A (zh) * | 2020-05-22 | 2020-10-16 | 浙江理工大学 | Rbf神经网络模型的流致腐蚀特性预测及寿命评估方法 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| CN115186590A (zh) * | 2022-07-13 | 2022-10-14 | 浙江大学 | 一种管道腐蚀剩余寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2022
- 2022-12-22 CN CN202211655367.8A patent/CN115983116B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870670A (zh) * | 2012-12-17 | 2014-06-18 | 中国石油天然气集团公司 | 一种油管腐蚀程度预测方法及装置 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN111783354A (zh) * | 2020-05-22 | 2020-10-16 | 浙江理工大学 | Rbf神经网络模型的流致腐蚀特性预测及寿命评估方法 |
| CN113239504A (zh) * | 2021-06-30 | 2021-08-10 | 西南石油大学 | 一种基于优化神经网络的管道腐蚀缺陷预测方法 |
| CN115186590A (zh) * | 2022-07-13 | 2022-10-14 | 浙江大学 | 一种管道腐蚀剩余寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115983116A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11488010B2 (en) | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection | |
| CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
| CN103245861A (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
| Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
| CN104132250A (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
| Dyer et al. | Applied machine learning model comparison: Predicting offshore platform integrity with gradient boosting algorithms and neural networks | |
| CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
| CN104573321A (zh) | 一种变压器油中溶解气体不良数据的识别和处理方法 | |
| CN115983116B (zh) | 一种二氧化碳混相驱油腐蚀检测方法 | |
| CN103343885A (zh) | 管道漏磁检测在线数据压缩方法 | |
| CN110186840B (zh) | 一种注水井套管损伤测试数据的处理方法 | |
| CN114154539A (zh) | 基于直流磁场和集成学习的高含硫气井套管缺陷识别方法 | |
| Zhuang et al. | Preliminary analysis of observations on the ultra-low frequency electric field in the Beijing region | |
| Wang et al. | Application of Recurrent Neural Network Long Short-Term Memory Model on Early Kick Detection | |
| CN112598163B (zh) | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 | |
| Liu et al. | Signal feature extraction and quantitative evaluation of metal magnetic memory testing for oil well casing based on data preprocessing technique | |
| Aranha et al. | A System to Detect Oilwell Anomalies Using Deep Learning and Decision Diagram Dual Approach | |
| CN117214958B (zh) | 一种基于长距离水平定向钻超前地质探测感知预报系统 | |
| Lu et al. | Extracting defect signal from the MFL signal of seamless pipeline | |
| CN107133378B (zh) | 基于高维线性模型变点估计的油浸式变压器故障预警方法 | |
| CN114818516B (zh) | 一种井筒腐蚀形态剖面智能预测方法 | |
| CN115982641B (zh) | 一种油田管柱二氧化碳腐蚀检测系统和方法 | |
| CN118484708B (zh) | 埋地钢制管道防腐层智能检测系统及方法 | |
| CN113899809B (zh) | 基于cnn分类和rnn预测的管道内检测器定位方法 | |
| CN108923372A (zh) | 一种基于录波文件的励磁涌流分析方法 |
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 |