基于BP網絡的石油套管破損檢測算法

錢慧芳，羅卉，王玉鑫

(西安工程大學電子信息學院，陜西西安710048)

基于BP網絡的石油套管破損檢測算法

錢慧芳，羅卉，王玉鑫

(西安工程大學電子信息學院，陜西西安710048)

通過對一種套損設備新型雙遠場電磁聚焦測厚儀的實驗數據算法處理，獲得套管厚度變化的檢測算法.在數據處理中，包絡線法能夠快速、準確地提取測得波形的最大幅值，避免了因在線數據的出現干擾造成的誤判，提高了檢測算法的抗干擾能力;在BP網絡訓練改進措施中，影響因子數據變化率極大地改善了BP網絡的穩定性，提高了網絡的通用性，繼而提高了檢測算法的精度.實驗結果表明，此算法能夠準確檢測到套管因破損變化的厚度，為套管破損的進一步定量化提供了保證.

套管厚度變化;BP算法;包絡線法;數據變化率

0 引言

石油套管隨著開采年數的增長、使用方案的不斷改變以及地質等實際環境因素的影響，油水井中絕大多數套管都存在一定程度的損傷，且損傷數量也在不斷地增長.吉林油田套管存在問題的井數約占全部的20%［1］;青海油田，2006年調研的數據有280口套損井，2009年權威部門統計的數據是308口套損井［2］;塔河油田工程測井、施工作業過程中，共計發現有58口井存在不同程度套損現象，約占總數的5.3%［3］.因此，對套管破損狀況進行檢測具有重要的意義.

目前國內外對石油套管破損檢測的主要儀器有超聲波測厚儀、渦流測厚儀、漏磁檢測儀等.超聲波測厚儀雖然有很高的測量精度，但在油井的惡劣環境中會因套管表面不潔而降低準確度［4-5］;渦流測厚儀難以判斷破損的種類和深度且受儀器提離效應的影響;漏磁檢測儀受套管破損形狀的限制［6-7］.所以，目前國內外的測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技術難題.新型雙遠場電磁聚焦測厚儀首先根據發射電磁場原理，在套管內測得線圈電磁場隨套管壁厚變化的信號，再根據檢測算法找到套管實際變化的大小、深度和形狀等參數.此檢測算法因具有較高的抗干擾能力和較好的穩定性，使得新型測厚儀在不用推靠系統和不受外界環境影響的條件下具有較高的測量精度，為套管破損的進一步精確定量化提供了保證.

1 套管檢測算法

1.1 套管破損檢測理論

通過雙遠場電磁聚焦測厚儀得到的實測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，即是繼續減薄，還是開始變厚.通過對雙遠場電磁聚焦測厚儀實測波形的相對幅值變化檢測，可知減薄或變厚多少.因此，從實測波形與參考波形之間的相位變化可知實測曲線變化的方向，實測波形的相對變化可確定實測曲線變化的幅度.根據以上原則，就能夠通過實測曲線變化，反映出套管破損的狀態.

本文采用MATLAB的編程語言對實測波形數據進行處理，利用包絡線法快速、準確地提取實測波幅值的最大值并統計數據，以表征實際套管厚度，再根據對應的實際石油套管尺寸，采用BP神經網絡算法，找到統計數據和實際石油套管厚度的關系，即套管厚度變化的通用解釋方法.

1.2 數據處理

雙遠場電磁聚焦測厚儀測得的信息是在一個周期內采樣的5個點，利用這5個點來繪制實測波，實測波細節如圖1(a)所示.

圖1 數據處理過程

1.2.1 包絡線法為快速、準確地提取實測波幅值的最大值，本文提出了包絡線法.將雙遠場電磁聚焦測厚儀連續測得的5個數據作為一組，連續的n個最大值為一包數據(n=5，3，1).n=5時，為計算方法一; n=3時，為計算方法二;n=1時，為計算方法三.

計算方法為：先求出n個最大值的平均值，再求出相鄰兩包數據的誤差ea.誤差ea=abs(maxM2-maxM1)/maxM1.其中，maxM2表示后一包數據的最大值的平均值，maxM1表示前一包數據的最大值的平均值，abs為取絕對值函數.

包絡線法流程圖如圖2所示.其中，ea是通過實驗選取的，選取的規則是盡量能快速、準確地用最大值的平均值代替最大值，并且輸出的實測波形最大幅值的包絡線能較清楚地表征實測波形.接箍處數據處理結果如圖1(b)所示.

1.2.2 套管厚度曲線圖為提取實測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)提取實測波幅值原始數據的最大值.(2)找出實測波幅值的包絡線的拐點.實測波接箍處幅值的包絡線的拐點圖如圖1(c)所示.圖1(c)中*曲線為實測波形最大值，圓圈點為輔助找拐點的數據點.*曲線與帶圈曲線重合處即是拐點.生成輔助點流程圖如圖3所示.(3)根據拐點，判斷原數據的增減，并保持前一個數據，然后取絕對值.實測波拐點數據保持絕對值圖如圖1(d)所示.該圖即為套管厚度相對變化曲線圖.

圖2 包絡線法流程圖

圖3 生成輔助點流程圖

1.2.3 數據統計本文實驗的套管厚度是7.5mm，預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.對實驗數據進行了分類統計，分接箍處、同寬不同深處、同深不同寬處等3種情況.數據的統計步驟為：(1)用包絡線法求出最大幅值;(2)繪制出套管厚度曲線圖;(3)提取圖中表征套管厚度的數據.

1.3 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播.在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層.每一層的神經元狀態只影響下一層神經元狀態.如果輸出層得不到期望輸出，則轉入反向傳播.根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出.

1.3.1 BP神經網絡的拓撲結構圖4中，該BP神經網絡包含三層：第一層為輸入層，第二層為隱含層，第三層為輸出層.各層神經元僅與相鄰層神經元之間有連接;各層內神經元之間無任何連接.其中隱含層的層數及每層隱含層中神經元的數目與實際問題的復雜程度有關，問題越復雜，隱含層的層數及每層隱含層中神經元數目越大.

圖4 神經網絡拓撲結構

圖5 BP算法流程圖

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

2 方案實現算法及結果分析

2.1 直接法

根據按箍處統計數據和套管厚度為0～7.5mm處的統計數據建立模型樣本，選取60個訓練樣本用于BP網絡訓練學習，選取20個泛化樣本用于在訓練過程中測試網絡的泛化能力.

首先對樣本數據進行歸一化處理.把所有統計數據映射到0～1范圍之內，其目的是取消各維數據間數量級差別，避免因為輸入輸出數據數量級差別大而造成網絡預測誤差大.本文采用歸一化公式y=(x-MinV)/(MaxV-MinV).其中，x，y分別為轉換前、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網絡圖，帶圈曲線表示歸一化后的訓練樣本，光滑曲線表示未訓練網絡的輸出(圖6 (a));圖6(c)中，帶圈曲線表示歸一化后的泛化樣本，帶×曲線表示網絡的期望輸出，光滑曲線表示網絡的實際輸出;圖6(d)中，帶圈曲線表示輸入樣本數據權值矩陣，帶☆曲線表示網絡輸出權值矩陣.在圖7 (d)中，帶*曲線表示輸入斜率數據權值矩陣，其余a、b、c、d曲線含義同圖6.其中，標記點o、*、☆表示數據點.

圖6 直接法訓練過程及輸出結果

圖7 改進法訓練過程及輸出結果

網絡初始化后，得到網絡訓練過程及其結果.從圖6可看出訓練過程相對穩定，實驗輸出的最大誤差A處的網絡輸出與期望輸出的差值達0.266，訓練步數為207步，訓練精度為0.01.輸出的權值矩陣不穩定，網絡的通用性較差.由于實測波形變化的不確定性帶來網絡輸入的突變，造成網絡的不穩定，導致輸出不能夠精確表征套管厚度的變化程度.

2.2 增加數據影響因子的改進法

2.2.1 BP算法的改進增加數據影響因子——數據變化率.為了解決在標準BP算法的訓練中，因實測波形變化的不確定性帶來輸入的突變而造成的網絡不穩定的問題，在訓練樣本中增加了樣本數據變化率.樣本數據變化率表征了套管實測波形的變化趨勢，給網絡權值的修正提供了一個方向性指導，以提高網絡訓練的穩定性.其求數據變化率的公式為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個樣本數據，K(j)為第j-1個樣本到第j個樣本的數據變化率.

2.2.2 改變訓練函數增加數據影響因子之后，使用訓練函數‘trainbfg’訓練網絡，多次訓練調試網絡，發現網絡的收斂速度變慢，并且有時不收斂.訓練函數‘trainlm’適用于中等規模的BP神經網絡，具有最快的收斂速度，是系統默認的算法.選取訓練函數‘trainlm’之后，網絡加快了收斂速度，相對提高了精度，而‘trainbfg’適用于小網絡.

訓練調試網絡，將隱含層節點數由原來8增加至10.如圖7訓練過程所示，與改進前的網絡相比，不僅訓練精度的數量級提高到0.000 1，而且訓練步數減少到188步，使收斂速度明顯增加;網絡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)所示此次訓練網絡的輸出權值矩陣變化幅度較小，即網絡的穩定性變好.

比較兩個方案的實驗結果，將數據變化率也作為輸入后，網絡的通用性變好.最終選取了增加數據影響因子的改進法為BP算法實現方案.

3 結束語

通過包絡線法提取儀器設備測得波形的最大幅值，進而采用BP神經網絡的方法獲得套管厚度的變化.實驗結果表明，提出的包絡線法能夠避免因在線數據出現的干擾造成的誤判，提高了檢測算法的抗干擾能力;在BP網絡訓練改進措施中，增加的數據變化率改善了BP網絡的穩定性，提高了檢測算法的精度，使得網絡具有很好的通用性.本文提出的檢測算法為套管破損的進一步定量化提供了保證，潛在的經濟效益非常巨大.雖然BP神經網絡并不是十分的完善，存在學習收斂速度慢，網絡樣本具有依賴性，容易陷入局部極小點等缺陷，但結合文中改進型算法可達到很好的實際效果.

［1］楊艷芬.吉林油田套損井狀況及檢測技術［J］.中國新技術新產品，2011(8)：131.

［2］張順世，王俊民.青海油田套損現狀及綜合治理技術［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：孟超

2013-06-03

錢慧芳(1969-)，女，安徽省靈璧縣人，西安工程大學副教授，主要從事圖像分析及其機器視覺在紡織業的應用等方面的研究.E-mail：qhfqq@sohu.com