錢(qián)慧芳，羅卉，王玉鑫

(西安工程大學(xué)電子信息學(xué)院，陜西西安710048)

基于BP網(wǎng)絡(luò)的石油套管破損檢測(cè)算法

錢(qián)慧芳，羅卉，王玉鑫

(西安工程大學(xué)電子信息學(xué)院，陜西西安710048)

通過(guò)對(duì)一種套損設(shè)備新型雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀的實(shí)驗(yàn)數(shù)據(jù)算法處理，獲得套管厚度變化的檢測(cè)算法.在數(shù)據(jù)處理中，包絡(luò)線法能夠快速、準(zhǔn)確地提取測(cè)得波形的最大幅值，避免了因在線數(shù)據(jù)的出現(xiàn)干擾造成的誤判，提高了檢測(cè)算法的抗干擾能力;在BP網(wǎng)絡(luò)訓(xùn)練改進(jìn)措施中，影響因子數(shù)據(jù)變化率極大地改善了BP網(wǎng)絡(luò)的穩(wěn)定性，提高了網(wǎng)絡(luò)的通用性，繼而提高了檢測(cè)算法的精度.實(shí)驗(yàn)結(jié)果表明，此算法能夠準(zhǔn)確檢測(cè)到套管因破損變化的厚度，為套管破損的進(jìn)一步定量化提供了保證.

套管厚度變化;BP算法;包絡(luò)線法;數(shù)據(jù)變化率

0 引言

石油套管隨著開(kāi)采年數(shù)的增長(zhǎng)、使用方案的不斷改變以及地質(zhì)等實(shí)際環(huán)境因素的影響，油水井中絕大多數(shù)套管都存在一定程度的損傷，且損傷數(shù)量也在不斷地增長(zhǎng).吉林油田套管存在問(wèn)題的井?dāng)?shù)約占全部的20%［1］;青海油田，2006年調(diào)研的數(shù)據(jù)有280口套損井，2009年權(quán)威部門(mén)統(tǒng)計(jì)的數(shù)據(jù)是308口套損井［2］;塔河油田工程測(cè)井、施工作業(yè)過(guò)程中，共計(jì)發(fā)現(xiàn)有58口井存在不同程度套損現(xiàn)象，約占總數(shù)的5.3%［3］.因此，對(duì)套管破損狀況進(jìn)行檢測(cè)具有重要的意義.

目前國(guó)內(nèi)外對(duì)石油套管破損檢測(cè)的主要儀器有超聲波測(cè)厚儀、渦流測(cè)厚儀、漏磁檢測(cè)儀等.超聲波測(cè)厚儀雖然有很高的測(cè)量精度，但在油井的惡劣環(huán)境中會(huì)因套管表面不潔而降低準(zhǔn)確度［4-5］;渦流測(cè)厚儀難以判斷破損的種類(lèi)和深度且受儀器提離效應(yīng)的影響;漏磁檢測(cè)儀受套管破損形狀的限制［6-7］.所以，目前國(guó)內(nèi)外的測(cè)井儀都只能做到定性或半定量分析，完全定量分析一直是個(gè)技術(shù)難題.新型雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀首先根據(jù)發(fā)射電磁場(chǎng)原理，在套管內(nèi)測(cè)得線圈電磁場(chǎng)隨套管壁厚變化的信號(hào)，再根據(jù)檢測(cè)算法找到套管實(shí)際變化的大小、深度和形狀等參數(shù).此檢測(cè)算法因具有較高的抗干擾能力和較好的穩(wěn)定性，使得新型測(cè)厚儀在不用推靠系統(tǒng)和不受外界環(huán)境影響的條件下具有較高的測(cè)量精度，為套管破損的進(jìn)一步精確定量化提供了保證.

1 套管檢測(cè)算法

1.1 套管破損檢測(cè)理論

通過(guò)雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀得到的實(shí)測(cè)波形與參考波形之間的相位變化，可確定套管破損槽的變化趨勢(shì)，即是繼續(xù)減薄，還是開(kāi)始變厚.通過(guò)對(duì)雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀實(shí)測(cè)波形的相對(duì)幅值變化檢測(cè)，可知減薄或變厚多少.因此，從實(shí)測(cè)波形與參考波形之間的相位變化可知實(shí)測(cè)曲線變化的方向，實(shí)測(cè)波形的相對(duì)變化可確定實(shí)測(cè)曲線變化的幅度.根據(jù)以上原則，就能夠通過(guò)實(shí)測(cè)曲線變化，反映出套管破損的狀態(tài).

本文采用MATLAB的編程語(yǔ)言對(duì)實(shí)測(cè)波形數(shù)據(jù)進(jìn)行處理，利用包絡(luò)線法快速、準(zhǔn)確地提取實(shí)測(cè)波幅值的最大值并統(tǒng)計(jì)數(shù)據(jù)，以表征實(shí)際套管厚度，再根據(jù)對(duì)應(yīng)的實(shí)際石油套管尺寸，采用BP神經(jīng)網(wǎng)絡(luò)算法，找到統(tǒng)計(jì)數(shù)據(jù)和實(shí)際石油套管厚度的關(guān)系，即套管厚度變化的通用解釋方法.

1.2 數(shù)據(jù)處理

雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀測(cè)得的信息是在一個(gè)周期內(nèi)采樣的5個(gè)點(diǎn)，利用這5個(gè)點(diǎn)來(lái)繪制實(shí)測(cè)波，實(shí)測(cè)波細(xì)節(jié)如圖1(a)所示.

圖1 數(shù)據(jù)處理過(guò)程

1.2.1 包絡(luò)線法為快速、準(zhǔn)確地提取實(shí)測(cè)波幅值的最大值，本文提出了包絡(luò)線法.將雙遠(yuǎn)場(chǎng)電磁聚焦測(cè)厚儀連續(xù)測(cè)得的5個(gè)數(shù)據(jù)作為一組，連續(xù)的n個(gè)最大值為一包數(shù)據(jù)(n=5，3，1).n=5時(shí)，為計(jì)算方法一; n=3時(shí)，為計(jì)算方法二;n=1時(shí)，為計(jì)算方法三.

計(jì)算方法為：先求出n個(gè)最大值的平均值，再求出相鄰兩包數(shù)據(jù)的誤差ea.誤差ea=abs(maxM2-maxM1)/maxM1.其中，maxM2表示后一包數(shù)據(jù)的最大值的平均值，maxM1表示前一包數(shù)據(jù)的最大值的平均值，abs為取絕對(duì)值函數(shù).

包絡(luò)線法流程圖如圖2所示.其中，ea是通過(guò)實(shí)驗(yàn)選取的，選取的規(guī)則是盡量能快速、準(zhǔn)確地用最大值的平均值代替最大值，并且輸出的實(shí)測(cè)波形最大幅值的包絡(luò)線能較清楚地表征實(shí)測(cè)波形.接箍處數(shù)據(jù)處理結(jié)果如圖1(b)所示.

1.2.2 套管厚度曲線圖為提取實(shí)測(cè)波中套管厚度的特征值，首先繪制出套管厚度曲線，繪制步驟為： (1)提取實(shí)測(cè)波幅值原始數(shù)據(jù)的最大值.(2)找出實(shí)測(cè)波幅值的包絡(luò)線的拐點(diǎn).實(shí)測(cè)波接箍處幅值的包絡(luò)線的拐點(diǎn)圖如圖1(c)所示.圖1(c)中*曲線為實(shí)測(cè)波形最大值，圓圈點(diǎn)為輔助找拐點(diǎn)的數(shù)據(jù)點(diǎn).*曲線與帶圈曲線重合處即是拐點(diǎn).生成輔助點(diǎn)流程圖如圖3所示.(3)根據(jù)拐點(diǎn)，判斷原數(shù)據(jù)的增減，并保持前一個(gè)數(shù)據(jù)，然后取絕對(duì)值.實(shí)測(cè)波拐點(diǎn)數(shù)據(jù)保持絕對(duì)值圖如圖1(d)所示.該圖即為套管厚度相對(duì)變化曲線圖.

圖2 包絡(luò)線法流程圖

圖3 生成輔助點(diǎn)流程圖

1.2.3 數(shù)據(jù)統(tǒng)計(jì)本文實(shí)驗(yàn)的套管厚度是7.5mm，預(yù)先加工好各種破損槽和破損通孔，以便算法的研究.其中包括同樣寬度不同深度的槽，同樣深度不同寬度的槽以及不同直徑的通孔等.套管預(yù)先加工的破損槽寬度為10mm;深度分別為4mm，5mm，6mm;破損槽深度為4mm，寬度分別為5mm，10mm，15mm.對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了分類(lèi)統(tǒng)計(jì)，分接箍處、同寬不同深處、同深不同寬處等3種情況.數(shù)據(jù)的統(tǒng)計(jì)步驟為：(1)用包絡(luò)線法求出最大幅值;(2)繪制出套管厚度曲線圖;(3)提取圖中表征套管厚度的數(shù)據(jù).

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播.在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播.根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出.

1.3.1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖4中，該BP神經(jīng)網(wǎng)絡(luò)包含三層：第一層為輸入層，第二層為隱含層，第三層為輸出層.各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接;各層內(nèi)神經(jīng)元之間無(wú)任何連接.其中隱含層的層數(shù)及每層隱含層中神經(jīng)元的數(shù)目與實(shí)際問(wèn)題的復(fù)雜程度有關(guān)，問(wèn)題越復(fù)雜，隱含層的層數(shù)及每層隱含層中神經(jīng)元數(shù)目越大.

圖4 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖5 BP算法流程圖

1.3.2 檢測(cè)算法的程序流程圖本文檢測(cè)算法是在BP算法上的實(shí)現(xiàn)，在執(zhí)行算法之前，首先要設(shè)置變量和參量.其中Wmi(n)為第n次迭代時(shí)輸入層與隱含層之間的權(quán)值向量;Wip(n)為第n次迭代時(shí)輸出層與隱含層之間的權(quán)值向量;n為迭代次數(shù)，k為訓(xùn)練樣本的下標(biāo)，MaxL為最大迭代次數(shù)，MaxT為訓(xùn)練樣本的總數(shù)，ζ為能量最小誤差.BP算法的程序流程圖如圖5所示.

2 方案實(shí)現(xiàn)算法及結(jié)果分析

2.1 直接法

根據(jù)按箍處統(tǒng)計(jì)數(shù)據(jù)和套管厚度為0～7.5mm處的統(tǒng)計(jì)數(shù)據(jù)建立模型樣本，選取60個(gè)訓(xùn)練樣本用于BP網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，選取20個(gè)泛化樣本用于在訓(xùn)練過(guò)程中測(cè)試網(wǎng)絡(luò)的泛化能力.

首先對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理.把所有統(tǒng)計(jì)數(shù)據(jù)映射到0～1范圍之內(nèi)，其目的是取消各維數(shù)據(jù)間數(shù)量級(jí)差別，避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別大而造成網(wǎng)絡(luò)預(yù)測(cè)誤差大.本文采用歸一化公式y(tǒng)=(x-MinV)/(MaxV-MinV).其中，x，y分別為轉(zhuǎn)換前、后的值，MaxV，MinV分別為需歸一化樣本中的最大值和最小值.

然后建立BP網(wǎng)絡(luò)圖，帶圈曲線表示歸一化后的訓(xùn)練樣本，光滑曲線表示未訓(xùn)練網(wǎng)絡(luò)的輸出(圖6 (a));圖6(c)中，帶圈曲線表示歸一化后的泛化樣本，帶×曲線表示網(wǎng)絡(luò)的期望輸出，光滑曲線表示網(wǎng)絡(luò)的實(shí)際輸出;圖6(d)中，帶圈曲線表示輸入樣本數(shù)據(jù)權(quán)值矩陣，帶☆曲線表示網(wǎng)絡(luò)輸出權(quán)值矩陣.在圖7 (d)中，帶*曲線表示輸入斜率數(shù)據(jù)權(quán)值矩陣，其余a、b、c、d曲線含義同圖6.其中，標(biāo)記點(diǎn)o、*、☆表示數(shù)據(jù)點(diǎn).

圖6 直接法訓(xùn)練過(guò)程及輸出結(jié)果

圖7 改進(jìn)法訓(xùn)練過(guò)程及輸出結(jié)果

網(wǎng)絡(luò)初始化后，得到網(wǎng)絡(luò)訓(xùn)練過(guò)程及其結(jié)果.從圖6可看出訓(xùn)練過(guò)程相對(duì)穩(wěn)定，實(shí)驗(yàn)輸出的最大誤差A(yù)處的網(wǎng)絡(luò)輸出與期望輸出的差值達(dá)0.266，訓(xùn)練步數(shù)為207步，訓(xùn)練精度為0.01.輸出的權(quán)值矩陣不穩(wěn)定，網(wǎng)絡(luò)的通用性較差.由于實(shí)測(cè)波形變化的不確定性帶來(lái)網(wǎng)絡(luò)輸入的突變，造成網(wǎng)絡(luò)的不穩(wěn)定，導(dǎo)致輸出不能夠精確表征套管厚度的變化程度.

2.2 增加數(shù)據(jù)影響因子的改進(jìn)法

2.2.1 BP算法的改進(jìn)增加數(shù)據(jù)影響因子——數(shù)據(jù)變化率.為了解決在標(biāo)準(zhǔn)BP算法的訓(xùn)練中，因?qū)崪y(cè)波形變化的不確定性帶來(lái)輸入的突變而造成的網(wǎng)絡(luò)不穩(wěn)定的問(wèn)題，在訓(xùn)練樣本中增加了樣本數(shù)據(jù)變化率.樣本數(shù)據(jù)變化率表征了套管實(shí)測(cè)波形的變化趨勢(shì)，給網(wǎng)絡(luò)權(quán)值的修正提供了一個(gè)方向性指導(dǎo)，以提高網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性.其求數(shù)據(jù)變化率的公式為K(j)=(SA(j)-SA(j-1))/SA(j-1).其中，SA(j)和SA(j-1)分別表示第j和第j-1個(gè)樣本數(shù)據(jù)，K(j)為第j-1個(gè)樣本到第j個(gè)樣本的數(shù)據(jù)變化率.

2.2.2 改變訓(xùn)練函數(shù)增加數(shù)據(jù)影響因子之后，使用訓(xùn)練函數(shù)‘trainbfg’訓(xùn)練網(wǎng)絡(luò)，多次訓(xùn)練調(diào)試網(wǎng)絡(luò)，發(fā)現(xiàn)網(wǎng)絡(luò)的收斂速度變慢，并且有時(shí)不收斂.訓(xùn)練函數(shù)‘trainlm’適用于中等規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，具有最快的收斂速度，是系統(tǒng)默認(rèn)的算法.選取訓(xùn)練函數(shù)‘trainlm’之后，網(wǎng)絡(luò)加快了收斂速度，相對(duì)提高了精度，而‘trainbfg’適用于小網(wǎng)絡(luò).

訓(xùn)練調(diào)試網(wǎng)絡(luò)，將隱含層節(jié)點(diǎn)數(shù)由原來(lái)8增加至10.如圖7訓(xùn)練過(guò)程所示，與改進(jìn)前的網(wǎng)絡(luò)相比，不僅訓(xùn)練精度的數(shù)量級(jí)提高到0.000 1，而且訓(xùn)練步數(shù)減少到188步，使收斂速度明顯增加;網(wǎng)絡(luò)輸出與期望輸出十分吻合，其輸出最大誤差減小為0.020;圖7(d)所示此次訓(xùn)練網(wǎng)絡(luò)的輸出權(quán)值矩陣變化幅度較小，即網(wǎng)絡(luò)的穩(wěn)定性變好.

比較兩個(gè)方案的實(shí)驗(yàn)結(jié)果，將數(shù)據(jù)變化率也作為輸入后，網(wǎng)絡(luò)的通用性變好.最終選取了增加數(shù)據(jù)影響因子的改進(jìn)法為BP算法實(shí)現(xiàn)方案.

3 結(jié)束語(yǔ)

通過(guò)包絡(luò)線法提取儀器設(shè)備測(cè)得波形的最大幅值，進(jìn)而采用BP神經(jīng)網(wǎng)絡(luò)的方法獲得套管厚度的變化.實(shí)驗(yàn)結(jié)果表明，提出的包絡(luò)線法能夠避免因在線數(shù)據(jù)出現(xiàn)的干擾造成的誤判，提高了檢測(cè)算法的抗干擾能力;在BP網(wǎng)絡(luò)訓(xùn)練改進(jìn)措施中，增加的數(shù)據(jù)變化率改善了BP網(wǎng)絡(luò)的穩(wěn)定性，提高了檢測(cè)算法的精度，使得網(wǎng)絡(luò)具有很好的通用性.本文提出的檢測(cè)算法為套管破損的進(jìn)一步定量化提供了保證，潛在的經(jīng)濟(jì)效益非常巨大.雖然BP神經(jīng)網(wǎng)絡(luò)并不是十分的完善，存在學(xué)習(xí)收斂速度慢，網(wǎng)絡(luò)樣本具有依賴(lài)性，容易陷入局部極小點(diǎn)等缺陷，但結(jié)合文中改進(jìn)型算法可達(dá)到很好的實(shí)際效果.

［1］楊艷芬.吉林油田套損井狀況及檢測(cè)技術(shù)［J］.中國(guó)新技術(shù)新產(chǎn)品，2011(8)：131.

［2］張順世，王俊民.青海油田套損現(xiàn)狀及綜合治理技術(shù)［J］.青海石油，2009，27(4)：2.

［3］張春軼，鄧洪軍.塔河油田油井套損現(xiàn)狀及主要影響因素［J］.油氣田地面工程，2011，30(7)：2.

［4］KALININ V A，TARASENKO V L，DOBRAOMYSLOV V M，et al.UT-94P ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1991，27(7)：453-459.

［5］KOROLEV M V，KONOVALOV A A，STARIKOV B P.UT-56B auto calibrated ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1988，24(4)：271-276.

［6］CHEN Jinzhong，LI Lin，SHI Jinan.Magnetic flux leakage detection technology for well casing on neural network［C］//2nd 2008 International Symposium on Intelligent Information Technology Application Workshop，Inst of Elec and Elec Eng Computer Society，2008.

［7］CHEN Jinzhong，LI Lin，XU Binggui.Magnetic flux leakage testing method for well casing based on Gaussian kernel RBF neural network［C］//2008 International Conference on Advanced Computer Theory and Engineering，Inst of Elec and Elec Eng Computer Society，2008.

Study on oil casing damage detection algorithm based-on BP network

QIAN Hui-fang，LUO Hui，WANG Yu-xin

(School of Electronic and Information，Xi'an Polytechnic University，Xi'an，710048，China)

After a large number of experiments，a detection algorithm is studied which can get the casing thickness variation by an algorithm processing for the experimental data of this casing damage equipment.In data processing，the envelope method presented in the paper can quickly and accurately pick out the maximum amplitude of the measured waveform and avoid the misjudgment caused by interference of online data emergence.Therefore，it greatly improves the anti-interference ability of the detection algorithm.In the BP network training improvement measures，data impact factor——data change rate is added which can greatly improve the stability of the BP network，improve the universality of the network，and then improve the accuracy of detection algorithms.The experimental results show that the improved detection algorithm can accurately measure and get the varying thickness caused by the damage of the casing.It provides a guarantee for further quantitative of casing damaged.

casing thickness variation;BP neural network;envelope method;data change rate

TP 301.6

A

1674-649X(2014)01-0084-05

編輯：武暉;校對(duì)：孟超

2013-06-03

錢(qián)慧芳(1969-)，女，安徽省靈璧縣人，西安工程大學(xué)副教授，主要從事圖像分析及其機(jī)器視覺(jué)在紡織業(yè)的應(yīng)用等方面的研究.E-mail：qhfqq@sohu.com