油氣井套管變形段位置及其缺陷的渦流檢測

黃 華，徐 菲，羅 慶，周 瑩，劉半藤, 黃平捷

(1.中國石化 中原油田分公司 石油工程技術研究院，濮陽 457000；2.浙江樹人大學 信息科技學院，杭州 310015；3.浙江大學 控制科學與工程學院，杭州 310027)

在高含硫氣田的開發過程中，硫化氫的安全管控是核心，如果套管破裂或錯斷，就會發生地下井噴事故。一旦發生硫化氫泄漏，有害氣體就會進入大氣和水，不僅嚴重影響氣田的正常生產，還將造成難以預計的環境污染、人身傷亡和經濟損失。因此，對油氣套管的變形檢測十分必要且急迫。

目前，常規井下監測套管的測井技術有溫度流量測井、井下電視測井、多臂井徑測井和渦流測井等。由于某氣田具有氣體流動性和結構復雜性，且溫度變化不定，所以溫度流量測井并不適用；井下電視測井技術利用光學或超聲波成像原理[1]檢測套管內的腐蝕、變形和錯斷情況；多臂井徑測井技術是檢測套管損傷的主要手段之一[2]，其利用展開的機械臂測量套管內徑；但由于高含硫氣田的H2S和CO2含量高，腐蝕性、危害性強，投產時采用多層一體化管柱生產，現有的井下電視測井技術和多臂井徑測井技術都無法穿透某氣田的多層管柱。而渦流測井技術可穿透管柱[3-5]，實現套管變形的監測，因此可采用渦流電磁技術實現氣田井下套管狀況的監測。

目前，國內外有部分學者研究了基于渦流的無損檢測技術[6-8]。如唐高峰等[9]設計了一種專門用于油罐車內部缺陷檢測的渦流傳感器，可檢測出油罐車的損壞情況。余劍武等[10]設計出一種超細硬質合金棒材缺陷的渦流檢測系統，可識別出不合格的硬質合金棒材。但是這些裝置沒有將套管的結構特異性考慮在內，因此其不適用于氣田井下套管的監測。HE等[11]提出了一種基于交流磁場測量和渦流檢測方法組合的無損檢測方法，但該方法容易受溫度和外磁場等因素的影響。劉素貞等[12]結合電磁超聲技術與渦流復合技術，實現了不同深度缺陷的識別。但隨著缺陷深度的增加，線圈的電阻和電阻抗近似線性變化，且存在的缺陷導致線圈電感差值增大，使得該方法對缺陷的深度檢測不敏感。王少平等[13]結合漏磁檢測和渦流檢測技術，提出了基于三軸漏磁與渦流檢測的管道內外壁缺陷的識別方法。

綜上所述，如果氣田是高溫、高壓、高含硫的復雜環境，以及氣田套管是自身多層一體化的特殊結構，渦流檢測信號采集就有困難，信號衰減快，且易受管柱間電磁互感的影響，現有的渦流檢測技術就無法滿足氣田套管變形檢測的需求。因此，筆者提出一種油氣井套管變形段位置與缺陷類型的渦流檢測方法。該方法根據電磁探傷測井儀輸出的23個渦流信號，計算23個信號和的波峰，采用自適應閾值識別變形段，針對每一個變形段進行差分處理，并將連續多組數據合并構成多層數據，對所有數據進行Fisher降維，選擇降維后的多維數據作為特征值。筆者采用神經網絡方法進行樣本訓練和測試數據的識別，能識別出所有變形段的位置以及變形段中的缺陷類型。

1 檢測原理

1.1 測量工具介紹

某氣田具有超深、高壓、高含硫等特點，施工中使用的設備必須滿足測井作業各項技術參數和防硫化氫安全的要求。論文的數據來源于多臂井徑測井儀和電磁探傷測井儀。其中，多臂井徑測井儀測量試驗井套管的實際半徑。多臂井徑測井儀采用抗硫化氫材料生產，抗硫性能符合美國腐蝕工程師協會的要求。多臂井徑測試儀主要性能參數如表1所示。

表1 多臂井徑測試儀主要參數

電磁探傷測井儀采用某公司生產的渦流測厚探測器。該儀器采用抗硫化氫材料，其抗硫性能符合美國腐蝕工程師協會的要求。電磁探傷測試儀由縱向長探頭、橫向探頭、縱向短軸探頭、溫度探頭等組成，探頭主要性能參數如表2所示。

表2 電磁探傷測試儀主要參數

1.2 輸出數據介紹

電磁探傷測井儀的基本原理是電磁感應定律(見圖1)，測井時，工作區給發射線圈提供一個直流脈沖，接收線圈采集隨時間變化的感生電動勢。當被測對象發生變化或者存在缺陷時，感生電動勢隨之變化。

圖1 電磁測井儀的原理示意

測井儀包括縱向長探頭A，縱向短探頭C，橫向交叉的2個探頭B和BB(見圖2)。每激勵一次，A探頭采樣11個點，C探頭采樣6個點， B探頭采樣3個點，BB探頭采樣3個點，共輸出23個信號，具體信號如下所述。

圖2 測井儀內部探頭示意

A1～A11信號由縱向長探頭A采集。探頭A軸距最長，線圈垂直放置，與儀器軸和井軸方向一致，探測深度最深。通常，A1～A3信號主要受第一層管柱的影響，A4～A6信號主要受第一層和第二層管柱的影響，A7～A11信號探測深度最深，可以識別第三層管柱的損傷。這些信號主要用于計算第一層、第二層管柱的壁厚，探測第二層管柱的垂直裂縫，以及探測第二、第三層管柱的損傷。

C1～C6信號由縱向短探頭采集。探頭C軸距較探頭A的短，垂直放置，與儀器軸和井軸方向一致。探測深度較探頭B和BB的深，較A的淺。通常，C1～C4信號主要受第一層管柱的影響，C5～C6受第一層和第二層管柱的影響。這些信號主要用于測量第一層管柱的壁厚，探測第一層內管柱的垂直裂縫和損傷。

B1～B3與BB1～BB3信號由橫向探頭B和BB采集。探頭B和BB軸距較短，橫向放置，其線圈軸向垂直于儀器和井軸，探測深度最淺。探頭B和BB正交放置，每個探頭對每個管道深度采樣3個點。這些信號主要用于測量內層管柱的橫向裂縫斷開或脫節。

1.3 變形段判別

變形段判別原理框圖如圖3所示，根據設備輸出的渦流數據，變形段判別方法包括信號求和、閾值自適應選擇、變形點判別、變形段判別和識別結果修正等步驟。

圖3 變形段判別原理框圖

1.3.1 數據預處理

將每一個管道深度的23個渦流電壓數據求和，得到電壓總值，即

(1)

式中：h為管道深度;x(i,h)為管道深度h的第i個渦流電壓數據；y(h)為管道深度h的渦流電壓數據和。

尋找電壓總和數據相對平緩的N個連續信號段(平緩段)，即當管道深度為h時，將該深度的連續N個深度點的電壓信號總值分別與該點的信號總值做差，若差值均小于所設閾值Y1，即滿足式(2)，則判定該連續的N個深度點為平緩段，此時獲得第j個平緩段的起始點Zj。

(2)

式中:N為設定的連續深度點的個數;Y1為選取的閾值。

1.3.2 變形段判別

分析所有平緩段的起始點數據，自適應選擇無損閾值。將第一個平緩段的起始點數據Z1為參考數據，若其他數據與Z1的差值小于閾值Y2，則滿足式(3)，則認為該平緩段為無損段。則可獲得n個無損段，并取所有無損段起始點的均值為無損閾值。

(3)

在變形點判別時，比較所有高度的數據電壓總值與無損閾值，若兩者差值小于閾值Y3，則認為該點判斷值為0，即判定為無損點；否則該點判斷值為1，判定為變形點，具體如式(4)所示。

(4)

完成變形點判別后，認為連續出現的變形點的渦流數據段為變形段。為消去個別突兀點對整體數據造成的影響，需要對變形段判別結果進行修正。具體修正方法如下：針對無損點0及變形點1兩種狀態，若一種狀態沒有連續出現20個及以上的數據點，則將該段數據狀態修正為另一種數據狀態。

1.4 缺陷類型識別

在試驗中，需要識別的套管類型有單面擠壓、3*90擠壓、2*90擠壓、雙面擠壓、4*90擠壓、彎曲變形、無缺陷、節箍和孔縫。各類型套管的三維圖如圖4所示，單面擠壓是由于該段套管受到來自某一個方向的外力擠壓造成套管一側向內凹陷；3*90擠壓表示該段套管受到來自3個90°方向的外力擠壓造成套管3面向內凹陷；2*90擠壓表示套管受到來自兩個相互90°方向的外力擠壓造成套管兩側向內凹陷；雙面擠壓表示該段套管受到兩個對稱方向的外力擠壓，造成套管兩側對稱向內凹陷；4*90擠壓表示該段套管受到來自成90°方向的4個外力擠壓造成套管4面向內凹陷；彎曲變形表示該套管受外力擠壓造成彎曲；無缺陷是沒有發生變形或微小變形；節箍是套管間接口處；孔縫為套管受流體腐蝕或應力腐蝕造成的孔洞損傷。

圖4 各類型套管三維圖

缺陷類型識別原理框圖如圖5所示，首先根據試驗井套管數據，提取各種缺陷類型的樣本。對每一個缺陷類型的樣本進行差分處理，并構建多層數據。對每類缺陷樣本數據進行Fisher處理和提取特征值，進行神經網絡的模型訓練，實現神經網絡模型構建。接著導入1.3節輸出的變形段數據，進行差分處理和多層數據構建等預處理后，通過Fisher處理和提取特征值，并通過神經網絡模型進行識別。最后，對神經網絡模型輸出的缺陷類型識別結果進行孔縫、彎曲和節箍修正，輸出識別結果。

圖5 缺陷類型識別原理框圖

1.4.1 數據預處理

1.4.2 特征處理

Fisher線性鑒別(FLD)是基于樣本類別進行整體特征提取的有效方法。FLD的基本思想是把高維的樣本集合投影到最佳鑒別矢量空間，可以降低機器學習的計算量，且投影后保證樣本在新子空間的類間距盡可能大，而類內距盡可能小，從而使樣本點在該空間中有最佳的可分離性，因此是一種有效的特征抽取方法。

設特征樣本集X中有n個樣本，C個樣本類別數量，令xIJ表示第J類別的第I個樣本，每個樣本xIJ均為L維列向量，定義類間離散度SB和類內離散度Sw為

(5)

(6)

式中：μJ為第J類的均值;μ為所有類中心。

Fisher判據函數是離散度矩陣比的跡，其表達式如式(7)所示。

(7)

式中：F為判據值，在相同維度的特征集中，F值越大，類別的區分性越好，包含更多的鑒別信息;w為特征向量映射方向。

(8)

使得F取得最大值的w為

(9)

利用得到的w對特征樣本集X進行投影,得到新的特征樣本。

1.4.3 神經網絡識別

徑向基函數網絡(RBF神經網絡)是一種三層前向網絡。其能夠逼近任意的非線性函數，可以處理系統內部難以解析的規律，具有良好的泛化能力，并有很快的學習收斂速度,因此利用訓練特征樣本構建RBF神經網絡模型。徑向基函數為高斯核函數，第Λ個隱含層單元的高斯核函數RK為

(10)

式中：‖‖為歐式范數；X′為輸入的訓練特征樣本；cΛ為第Λ個高斯核函數中心；σ為高斯核函數的方差。

采用自組織選取中心學習方法計算基函數的中心、方差以及隱含層到輸出層的權值?Λ。其中，基函數的中心確定采用K-means算法，方差σ和權值?Λ如式(11),(12)所示。

(11)

(12)

式中：cmax為所選取中心點之間的最大距離；M為隱含層單元個數。

利用訓練樣本得到方差σ和權值?Λ，構建RBF神經網絡模型為

(13)

式中：Γ為RBF神經網絡模型輸出的缺陷類型識別結果。

分析各種缺陷數據，發現孔縫缺陷的渦流數據在差分處理后均小于0，因此選擇用閾值法判斷孔縫缺陷。即先對所有電壓數據進行差分處理，并將每一個高度的差分后的電壓求和。根據某高度電壓總值與其下一個高度電壓總值的比較，提取出各個波谷點和其波動范圍。若波動范圍總長度大于閾值m，且差分后的電壓總值小于閾值Y4，則判定該段長度的套管形變類型為孔縫。

為消除彎曲程度較小的彎曲，對識別結果做彎曲修正，具體操作方法如下：提取被識別為彎曲的數據，設定一個閾值，若提取彎曲的峰值小于閾值，則將其修正為無缺陷。

在識別中，會因為某些原因對節箍產生誤判，如連續兩端電壓較大的波峰等，需要對識別結果進行節箍修正?？紤]到節箍之間的距離為9 m，則如果識別結果中節箍距離大于15 m，則計算缺失節箍的數量，等間隔補充節箍。如果9 m內出現多個節箍，則根據前后節箍的位置，刪除多余的節箍，從而輸出修正后的節箍結果。

2 檢測方法

套管無損檢測方法流程如圖6所示，對套管缺陷的無損檢測方法包括變形段判別和缺陷類型識別，具體實現步驟為：① 初始化方法的各個參數；② 讀入測試數據，將所有數據求和獲得電壓總值，尋找平緩段和無損段，計算無損閾值；③ 比較測試數據與無損閾值，若該數據與無損閾值的差值小于閾值Y3，則表示該數據為無損數據，否則為變形點；④ 根據變形點的結果，認為連續出現的變形點為變形段。對變形段判別結果進行修正，消去個別突兀點對識別結果的影響，獲得變形段判別結果；⑤ 根據試驗井套管缺陷數據，提取各種缺陷樣本。對每一個缺陷樣本進行差分處理，并構成多層數據，即將連續的多組數據合并為一組數據；⑥ 對樣本數據進行Fisher處理，選擇Fisher處理后的數據作為特征值，進行RBF神經網絡的模型訓練，實現模型的建立；⑦ 根據無損閾值，對測試數據進行差分處理，并構建多層數據。使用Fisher進行特征值提取，達到特征降維效果；⑧ 通過RBF神經網絡模型識別該變形段中每一個高度的缺陷類型；⑨ 選擇用閾值法判斷孔縫缺陷，進行孔縫識別，并修正識別結果。對識別結果進行彎曲修正，消去彎曲程度極小的彎曲，并對識別結果進行節箍修正;⑩ 輸出變形段和缺陷類型識別的結果。

圖6 套管無損檢測方法流程

3 試驗結果

3.1 試驗參數

根據試驗井渦流數據，通過仿真分析和比較發現，選擇如表3所示的參數，所提方法的性能較好。

表3 試驗參數

3.2 試驗仿真分析

3.2.1 試驗數據

針對已存在的套損套變情況，建立了套損套變標準試驗井(試驗段長130 m)，其包含9種套損套變類型，覆蓋了某氣田可能的套損套變類型及程度?；诮⒌脑囼灳?，使用某公司的多臂井徑測井儀MAC(Multi-Arm Caliper)獲知實際變形段起始點和終止點，使用電磁探傷測井儀EDD(EM-Defect Detection)分別開展了模擬試驗及測試曲線響應特征分析，得到A,B,C探頭共23個電壓數據。以試驗井A探頭數據為例，說明渦流數據的特點。A探頭渦流數據曲線如圖7所示，根據多臂井徑測井儀測得的數據發現A探頭的11個信號電壓數據對節箍和各個變形段的反應較明顯。同理，B和C探頭對節箍和部分變形段的反應也較明顯。

圖7 A探頭渦流數據曲線

接著，分別對單個探頭電壓數據曲線和電壓總值數據曲線(見圖8)進行分析，得知電壓總值數據曲線的缺陷特征更明顯，因此后續試驗中選用電壓總值數據曲線進行變形段的判別。

圖8 渦流數據電壓總值曲線

3.2.2 變形段判別

采用表3的參數對套管試驗數據進行處理，獲得各個類型數據的變形段判別結果如圖9所示，圖中有上下兩條線，分別為藍色變形段判別直線和黑色無損閾值直線。該方法通過自適應閾值法，自動識別出無損閾值。根據無損閾值，可實現變形段的判別，同時通過修正識別結果降低誤判率，若包含100個以上數據點的變形段中存在5個以內的無損數據點，則將該無損數據修正為變形段數據，因此該方法能判別出單面擠壓、3*90擠壓、2*90擠壓、雙面擠壓、4*90擠壓、孔縫、彎曲和無損數據中的變形段，識別效果較好。根據變形段的識別，可計算出各變形段的各項識別指標，即正確識別率、錯誤接受率和誤判率。令實際變形段起始點深度為Zstart，實際變形段終止點深度為Zend，識別出的變形段起始點深度為start，識別出的變形段終止點深度為end。則正確識別率T1定為識別數據中，所有變形段范圍都正確識別出來的概率，即

圖9 變形段判別結果

(14)

誤判率T2定義為識別數據中，變形段中的數據識別為不是變形段的概率，即

T2=[max(start,Zstart)-Zstart]/(Zend-Zstart+

[Zend-min(end,Zend)]/(Zend-Zstart)

(15)

錯誤接受率T3定義為識別數據中，無缺陷數據識別為變形段的概率，即無缺陷數據識別為變形段的個數除以總數據個數。

T3=[Zstart-min(start,Zstart)]/(Zend-Zstart)+

[max(end,Zend)-Zend]/(Zend-Zstart)

(16)

在變形段判別過程中，比較基于任一單一探頭數據和探頭數據總和的正確識別率、誤判率和錯誤接受率，并選擇了A1，A4，A5，BB2，C3 5個探頭渦流數據和所有探頭電壓總值作為例子，說明變形段判別結果。各探頭變形段判別率如表4所示，由表4可知，與A1，A4，A5，BB2，C3 5個探頭數據相比，基于所有探頭電壓總值的變形段判別方法具有最高的變形段正確識別率、最小的誤判率和錯誤接受率，因此其識別效果最好。

表4 各探頭變形段判別率 %

3.2.3 缺陷類型識別

考慮到識別的套管類型有：單面擠壓、3*90擠壓、2*90擠壓、雙面擠壓、4*90擠壓、彎曲變形、無缺陷和節箍，共8個套損套變類型。根據試驗井的數據，提取了各個不同套管類型的缺陷數據。其中:單面擠壓數據共133行，由7組缺陷數據組成;3*90擠壓數據共95行，由5組缺陷數據組成;2*90擠壓數據共95行，由5組缺陷數據組成;彎曲變形數據共95行，由5組缺陷數據組成;4*90擠壓數據共95行，由5組缺陷數據組成;雙面擠壓數據共114行，由6缺陷數據組成;無缺陷數據共308行，由2組缺陷數據組成；節箍數據共95行，由5組數據組成。缺陷類型識別試驗分為R1和R2兩組：R1組利用所有缺陷類型數據進行模型訓練，用全部訓練數據進行缺陷識別；R2組利用部分缺陷類型進行模型訓練，其中包含3組單面擠壓數據，3組3*90擠壓數據，3組2*90擠壓數據，3組彎曲變形數據，3組四面擠壓數據，3組雙面擠壓數據，3組節箍數據和1組無缺陷數據，用其余缺陷類型數據作為測試數據進行識別。對兩組樣本數據進行Fisher變換后，各個類型數據的三維特征分布如圖10，11所示。R1組的樣本數量較多，Fisher變換后各個類型的區分度較好，R2的樣本數據較少，Fisher變化后部分類型數據重疊在一起。

圖10 R1組樣本三維特征分布

圖11 R2組樣本三維特征分布

根據Fisher處理后輸出的特征值進行神經網絡學習和識別，并比較Fisher聚類判別法與RBF神經網絡判別法。其中Fisher聚類判別法根據Fisher聚類后的結果，計算到各個缺陷類型數據均值的歐式距離，并識別為距離最小的缺陷。令各類缺陷的識別率為

bJ=100×HNJ/S2

(17)

式中：HNJ為正確識別為第J類缺陷的數據點個數；S2為第J類缺陷的數據點總個數。

由表5缺陷識別結果可知：R1的識別率基本上為100%，R2的識別率在92%以上，且比聚類判別法的識別率高。另外，因孔縫套變狀態電壓的特殊性，在孔縫識別中，使用閾值法判斷識別，其識別率基本上達100%。

表5 缺陷識別結果 %

4 結語

提出了一種油氣井套管變形段位置與缺陷類型的渦流檢測方法。首先，將設備輸出的23個渦流曲線數據進行求和處理，根據自適應方法選取閾值，通過與閾值進行比較，實現變形點和變形段的判別，并對識別結果進行修正；其次，針對每一個變形段進行差分處理，并將連續多組數據合并構成多層數據，對所有數據進行Fisher降維，選擇降維后的多維數據為特征值，采用神經網絡方法進行樣本訓練和測試數據的識別；最后，提出實現步驟，給出試驗和渦流數據、變形段判別結果和缺陷類型判別結果。