基于實驗研究的油氣鉆采水平兩相流管道泄漏聲發(fā)射檢測*

張 源 杜莎莎 顧純巍 夏 強 劉鵬謙 徐長航

(1. 中國石油大學(xué)(華東) 機電工程學(xué)院 山東青島 266580； 2. 中海石油(中國)有限公司鉆完井辦公室 北京 100010)

兩相流由于多樣的流型以及氣液滑移速度、兩相比率、混合物黏度等多種參數(shù)，相對于單相流復(fù)雜得多。隨著工業(yè)技術(shù)的發(fā)展，兩相流管道在工程中的使用越來越廣泛[1]，尤其在海上石油鉆采、集輸過程中，往往油、氣或油、水兩相混合輸送[2]。隨著管道數(shù)目的增加、使用年限的增長，越來越多的管道因受到磨損、腐蝕、自然或人為損壞等原因產(chǎn)生泄漏。但由于兩相流復(fù)雜多樣的特點，可能會對泄漏檢測效果產(chǎn)生影響[3]，使用常規(guī)的輸油管道檢測系統(tǒng)對兩相流管道實施泄漏檢測，效果不好，靈敏度差且誤報多[4]。而輸油管道生產(chǎn)運行中安全工作又十分重要[5]，管道的泄漏會影響油氣的正常運輸、造成周邊環(huán)境的污染，從而造成重大的經(jīng)濟損失和極其惡劣的社會影響。因此，為保證兩相流管道的安全工作，采取有效的檢測與監(jiān)測技術(shù)非常必要[6]。

聲發(fā)射檢測技術(shù)作為一種新型的無損檢測技術(shù)，可以在管道不停運的情況下，用于判斷管道是否泄漏和對管道泄漏點的位置進行定位，該技術(shù)對物體的形狀和周圍的環(huán)境要求不高。因此，應(yīng)用聲發(fā)射檢測技術(shù)對兩相流管道泄漏在線監(jiān)測非常有前景。國內(nèi)外學(xué)者對管道泄漏的聲發(fā)射信號特性、信號處理方法及泄漏識別方法進行了大量研究。在信號特性研究方面，Davoodi等[7]使用小波變換去噪方法對聲發(fā)射波形信號進行處理，研究了承壓管道中由于泄漏引起的聲發(fā)射信號的振動特性并對其進行建模；王朝輝 等[8]對信號隨傳播距離增長的衰減規(guī)律進行了總結(jié)。在信號處理方面，Magidi等[9]利用短時傅里葉變換和小波變換結(jié)合的方法，對塑料材質(zhì)管網(wǎng)泄漏產(chǎn)生的聲發(fā)射信號的幅值特征及泄漏源定位方法進行了研究；Ghazali等[10]利用標(biāo)準(zhǔn)希爾伯特變換、直接正交、Teager能量算子和倒譜等瞬時頻率分析方法對聲發(fā)射信號進行了分析。在泄漏識別方面，焦敬品 等[11]得出最佳神經(jīng)網(wǎng)絡(luò)輸入及結(jié)構(gòu)參數(shù)，利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對實驗室及現(xiàn)場管道泄漏聲發(fā)射信號進行了交叉訓(xùn)練和識別，信號識別率高達92.5%，證明了該識別方法的有效性和普適性。陽子軒 等[12]對復(fù)雜管道是否泄漏、泄漏量多少、泄漏點位置等3個方面的問題，利用BP神經(jīng)網(wǎng)絡(luò)進行了研究。

雖然很多的國內(nèi)外研究學(xué)者對管道泄漏的聲發(fā)射檢測技術(shù)進行了大量的研究，但是對于兩相流管道泄漏的研究非常的少。在兩相流管道泄漏的研究中，最重要的是管道泄漏存在性識別，其次是泄漏流型識別。因為泄漏存在性判斷是檢測管道是否處于健康運行狀態(tài)的直接反映；而由于很多兩相流分析方法的建立都是基于特定流型提出的，在分析前首先應(yīng)確定流型，同時不同流型的泄漏造成的后果也會有所不同，應(yīng)分情況采取不同措施應(yīng)對，因此流型的區(qū)分對于兩相流泄漏的研究分析也起到非常重要的作用。因此，本文搭建了水平兩相流管道泄漏實驗系統(tǒng)，考慮泄漏孔徑、泄漏方向、管道壓力的影響，對層狀流、彈狀流、環(huán)狀流3種經(jīng)典的兩相流流型產(chǎn)生的聲發(fā)射信號進行采集，對采集的信號使用經(jīng)驗?zāi)B(tài)分解去噪并使用3層小波包分解進行特征提取，使用BP神經(jīng)網(wǎng)絡(luò)對泄漏存在性及泄漏流型進行模式識別，并將其與不去噪的情況進行對比，證明了該方法在兩相流泄漏識別的可行性與優(yōu)越性。

1 兩相流泄漏識別原理與方法

1.1 水平管道氣液兩相流類型

一般水平管道氣液兩相流分為6種：氣泡流、塞狀流、分層流、波狀流、彈狀流和環(huán)狀流，其流型如圖1所示，本文選擇其中較為典型的分層流、彈狀流、環(huán)狀流進行研究。

圖1 水平管道兩相流流動類型Fig .1 Regimes of two-phase flow in horizontal pipeline

1.2 聲發(fā)射泄漏檢測原理

材料在外加載荷或者自身內(nèi)力的作用下，內(nèi)部結(jié)構(gòu)發(fā)生改變，就會產(chǎn)生聲發(fā)射信號，對該信號進行采集分析就能得到材料的一些信息。管道泄漏與材料內(nèi)部結(jié)構(gòu)變化產(chǎn)生應(yīng)力波的機制不同，管道泄漏的聲發(fā)射現(xiàn)象并不是以上所說的傳統(tǒng)意義的聲發(fā)射現(xiàn)象[13]，但一般人們將管道泄漏產(chǎn)生的聲發(fā)射現(xiàn)象視為廣義的聲發(fā)射現(xiàn)象。由于管壁的阻尼作用，由泄漏引起的管壁振動產(chǎn)生的應(yīng)力波只有與管道產(chǎn)生共振的頻率才能傳播較遠距離[14]。只要在被監(jiān)測管道上安裝聲發(fā)射傳感器，就可以檢測到帶有泄漏源信息的應(yīng)力波。針對本文所研究的油氣鉆采過程中所使用的水平氣液兩相流管道泄漏，可通過將聲發(fā)射傳感器安裝至管壁的方式，使用聲發(fā)射采集系統(tǒng)對信號進行采集。泄漏時的信號會與不泄漏時的信號有一定的差別，但與一般單相流管道不同的是，該類管道泄漏信號與不泄漏信號的差別并不明顯。因此，需使用合適的信號處理方法對該類信號進行處理，然后對泄漏進行識別。

1.3 聲發(fā)射信號處理方法

1.3.1小波包分解

小波包分解(Wavelet Packet Decomposition，WPD)采用一組低通與高通共軛正交鏡像濾波器組，將同頻范圍內(nèi)高頻信號與低頻信號進行不同層次的分解。

(1)

(2)

1.3.2經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)是以傅里葉變換為基礎(chǔ)的線性和穩(wěn)態(tài)頻譜分析的一個重大突破[13]。該方法根據(jù)自身時間尺度進行信號分解，不需要設(shè)定任何基函數(shù)，因此EMD法可以應(yīng)用于任何類型信號的分解，特別是在處理非平穩(wěn)信號有非常大的優(yōu)勢。本質(zhì)上，EMD法是一種將時頻信號按頻率分解的數(shù)值算法，得到不同頻率段信號的分布[15]。

1.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)在輸入層與輸出層之間增加若干層神經(jīng)元，這些神經(jīng)元稱為隱藏單元，隱藏單元與外界沒有直接的聯(lián)系，但其狀態(tài)的改變，能影響輸入與輸出之間的關(guān)系。一個神經(jīng)元工作原理如圖2(a)所示，其中xi為不同的輸入，Wi為神經(jīng)元之間的連接權(quán)值，θ為閾值，f為激勵函數(shù)，y為輸出。本文所用的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2(b)所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)示意圖Fig .2 Schematic diagram of BPNN

1.5 方法框架

針對氣液兩相流的特點，結(jié)合近年來基于機器學(xué)習(xí)進行的流型識別研究，本文提出的泄漏識別方法如圖3所示，包括泄漏存在性識別與泄漏流型識別。首先使用聲發(fā)射采集系統(tǒng)采集泄漏產(chǎn)生的聲發(fā)射信號，使用EMD方法對信號進行去噪后，用小波包分解提取信號的能量占比作為機器學(xué)習(xí)的特征，然后使用BP神經(jīng)網(wǎng)絡(luò)對這些信號樣本進行學(xué)習(xí)，對學(xué)習(xí)好的模型進行測試判斷其準(zhǔn)確性后即可用于之后的泄漏判斷。

圖3 本文提出的泄漏識別方法框架Fig .3 Framework of leakage identification method proposed in this paper

2 實驗研究

由于氣液兩相流管道復(fù)雜多樣，實際工程中很難獲得研究所需的各種數(shù)據(jù)。因此，需要對氣液兩相流管道的泄漏進行室內(nèi)實驗。本次實驗基于中國石油大學(xué)(華東)儲運與建筑工程學(xué)院油氣兩相分配與計量實驗室的氣液兩相流實驗系統(tǒng)進行，在原實驗系統(tǒng)中另外安裝管道泄漏模塊，如圖4所示。實驗采用的氣液兩相流管道泄漏系統(tǒng)總長共18 m，包括1根液體輸送管道和1根氣體輸送管道、若干法蘭和閥門、若干流量表和壓力表、壓縮機、水泵等。該系統(tǒng)可以通過控制壓縮機和泵對整個系統(tǒng)進行開停控制，液體和氣體在管道中形成兩相流，小部分兩相流從泄漏模塊泄漏出來，大部分兩相流沿循環(huán)管路送至分離器分離，液體繼續(xù)循環(huán)，氣體排放掉。開啟系統(tǒng)后可通過調(diào)節(jié)壓縮機和水泵調(diào)節(jié)流體流速，從而改變氣液兩相流流型，通過可視模塊觀察并記錄流型種類。本實驗分別對層狀流、彈狀流、環(huán)狀流3種流型的無泄漏、不同泄漏孔大小泄漏、不同氣壓泄漏及不同泄漏方向的情況進行實驗。系統(tǒng)中用到的泄漏模塊包含2根壁厚2 mm、內(nèi)徑16 mm的帶有2 mm/4 mm泄漏孔的管道，其中泄漏孔在管道正中間；為實現(xiàn)實驗對照，另有1根相同尺寸的完好管道用于無泄漏實驗。泄漏產(chǎn)生聲發(fā)射信號被耦合在管道上的聲發(fā)射信號采集系統(tǒng)獲取，采集泄漏聲發(fā)射信號所用的信號采集系統(tǒng)由美國物理聲學(xué)公司(PAC)生產(chǎn)的PCI-2聲發(fā)射采集卡、WSα傳感器、前置放大器、信號電纜、AEwin聲發(fā)射采集軟件組成。

圖4 氣液兩相流實驗系統(tǒng)Fig .4 Gas-liquid two-phase flow experimental system

將聲發(fā)射傳感器耦合至2 mm/4 mm泄漏模塊泄漏孔上游50 mm處，通過可視模塊觀察流型，調(diào)整氣液流速調(diào)整流型開始實驗。分別對層狀流、彈狀流、環(huán)狀流等3種流型在0.1～0.4 MPa壓力下的豎直向下、水平、豎直向上等3個泄漏方向(下文分別簡寫為0°、90°、180°)進行實驗，壓力變化通過調(diào)整閥門開度實現(xiàn)，泄漏方向通過改變管道安裝方向?qū)崿F(xiàn)。在兩相流管道泄漏的同時使用聲發(fā)射檢測設(shè)備采集聲發(fā)射信號。最后將傳感器安裝至完好管道相同位置，并對泄漏對應(yīng)的無泄漏工況背景噪聲信號進行采集，將采集到的信號作為之后提出的方法的數(shù)據(jù)集。

3 泄漏信號特征提取

氣液兩相流泄漏產(chǎn)生的聲發(fā)射信號極其復(fù)雜，需要對其進行合適的特征提取后才可以實現(xiàn)較好的模式識別。本文使用經(jīng)驗?zāi)B(tài)分解去噪后進行小波包分解的方法，對泄漏信號的能量占比進行了提取，提取的特征將作為BP神經(jīng)網(wǎng)絡(luò)模式識別的輸入。使用EMD對兩相流管道泄漏聲發(fā)射信號去噪后會產(chǎn)生11個固有模態(tài)函數(shù)(IMF)分量(C1—C11)。以2 mm泄漏孔徑、0.2 MPa壓力、0°泄漏方向時層狀流、彈狀流、環(huán)狀流3種流型使用經(jīng)驗?zāi)B(tài)分解做出的IMF分量圖為例，結(jié)果如圖5所示。

從圖5中3種流型11個IMF分量可以看出，前6個IMF分量存在明顯的波動，說明前6個IMF分量中存在大量的泄漏信息，而后5個IMF分量波動相比前6個小得多，類似于正弦信號，不存在很多有用的信息。為驗證上述現(xiàn)象，對聲發(fā)射信號的能量在每個IMF分量的能量占比進行計算，結(jié)果見表1。由表1計算可知，3種氣液兩相流泄漏的聲發(fā)射信號進行EMD分解后能量主要集中于C1、C2兩個分量，之后的每個分量的能量占比非常少且呈減少趨勢。3種流型每種的前6個IMF分量的能量占比之和分別為93.95%、92.87%、94.86%，如此高的能量比可以說明前6個IMF分量幾乎可以表示整個聲發(fā)射信號的特征。因此，將前6個IMF分量進行信號重構(gòu)。

圖5 3種流型泄漏聲發(fā)射信號EMD分解結(jié)果Fig .5 EMD results of leakage acoustic emission signals of three flow regimes

表1 能量在各IMF分量的分布情況Table 1 Distribution of energy in IMF components

為對氣液兩相流管道泄漏的聲發(fā)射信號進行更深層次的處理，選用Daubechies小波基，對重構(gòu)的信號進行3層小波包分解，分解后得到信號在8個不同分量的能量占比。以2 mm泄漏孔徑、0.2 MPa情況下得到的兩相流信號為例做出的小波包分解圖，結(jié)果如圖6所示。將不同情況下的小波能量占比作為提取的特征輸入BP神經(jīng)網(wǎng)絡(luò)，進行模式識別。

圖6 氣液兩相流泄漏信號小波包分解能量分布Fig .6 Wavelet packet decomposition energy distribution of gas-liquid two-phase flow leakage signal

4 基于BP神經(jīng)網(wǎng)絡(luò)的模式識別

基于對于氣液兩相流管道泄漏的聲發(fā)射信號的經(jīng)驗?zāi)B(tài)分解去噪后使用3層小波包分解的提取結(jié)果，建立BP神經(jīng)網(wǎng)絡(luò)，將提取出的特征作為輸入使用BP神經(jīng)網(wǎng)絡(luò)進行模式識別，并對比不進行去噪使用小波包提取的特征的識別正確率。

4.1 泄漏存在識別

氣液兩相流泄漏模式識別研究，最重要的是使用方法對泄漏是否存在進行準(zhǔn)確判斷。將采集到的泄漏孔徑2 mm、泄漏方向為0°情況下的層狀流泄漏、彈狀流泄漏、環(huán)狀流泄漏的聲發(fā)射信號以及其各自的背景噪聲的聲發(fā)射信號使用小波包分解經(jīng)驗?zāi)B(tài)分解+小波包分解2種方法進行特征提取，每組數(shù)據(jù)使用10 000個原始數(shù)據(jù)，進行3層小波包分解后得到8個輸出數(shù)據(jù)，每種不同狀態(tài)信號含25組數(shù)據(jù)，因此每50組數(shù)據(jù)作為一組輸入數(shù)據(jù)集，將泄漏狀態(tài)設(shè)置為狀態(tài)1、無泄漏狀態(tài)設(shè)置為狀態(tài)2，具體數(shù)據(jù)見表2。

表2 BP神經(jīng)網(wǎng)絡(luò)有無泄漏輸入數(shù)據(jù)集Table 2 Input data of BP neural network for leakage identification

將50組數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)中，隨機選擇其中35組為訓(xùn)練數(shù)據(jù)，15組為測試數(shù)據(jù)，共進行6組識別。為方便對比，將同種數(shù)據(jù)類型2種分解方法的識別結(jié)果放在一起。取5次識別結(jié)果的平均值，結(jié)果見表3。

表3 BP神經(jīng)網(wǎng)絡(luò)有無泄漏識別正確率Table 3 Accuracy of BP neural network leakage identification

從表3數(shù)據(jù)對比可知，使用小波包分解的方法得到的數(shù)據(jù)作為輸入，3種流型有無泄漏的平均正確率為83.8%。使用EMD重構(gòu)后進行小波包分解達到的數(shù)據(jù)為輸入3種流型有無泄漏的平均正確率為88.9%。對比2種分解方法的正確率，可以發(fā)現(xiàn)使用EMD分解去噪后進行小波包分解的正確率有明顯升高。

4.2 泄漏流型識別

氣液兩相流的流型判斷也在氣液兩相流流動規(guī)律的研究中起到重要作用[16]，因此將該方法用在識別泄漏的同時將泄漏流型同時判斷出來。將采集到的泄漏孔徑2 mm、泄漏方向為0°情況下的層狀流泄漏、彈狀流泄漏、環(huán)狀流泄漏的聲發(fā)射信號以及3流型的背景噪聲的聲發(fā)射信號使用小波包分解和經(jīng)驗?zāi)B(tài)分解+小波包分解2方法進行分解，每組數(shù)據(jù)使用10 000個原始數(shù)據(jù)，進行3層小波包分解后得到8個輸出數(shù)據(jù)，每種不同狀態(tài)信號25組數(shù)據(jù)，總共100組數(shù)據(jù)作為輸入數(shù)據(jù)集，將層狀流泄漏設(shè)置為狀態(tài)1、彈狀流泄漏設(shè)置為狀態(tài)2、環(huán)狀流泄漏設(shè)置為狀態(tài)3，背景噪聲設(shè)置為狀態(tài)4，數(shù)據(jù)見表4。

表4 BP神經(jīng)網(wǎng)絡(luò)不同流型泄漏輸入數(shù)據(jù)集Table 4 Input data of BP neural network leakage for regime identification

將100組數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)中，隨機選擇其中75組為訓(xùn)練數(shù)據(jù)，剩下的25組為測試數(shù)據(jù)，共進行2組識別。通過測試數(shù)據(jù)可得到識別的結(jié)果及準(zhǔn)確性。取5次識別結(jié)果的平均值，結(jié)果見表5。從表5結(jié)果可以看出，使用小波包分解的方法得到的數(shù)據(jù)作為輸入，4種模式的平均識別正確率為80.1%；使用EMD分解后進行小波包分解得到的數(shù)據(jù)作為輸入，4種模式的平均識別正確率為84.1%。對比2種分解方法的正確率，可以發(fā)現(xiàn)相對于直接小波包分解，使用EMD分解重構(gòu)后再進行小波包分解可以較好地提高識別的正確率。

表5 BP神經(jīng)網(wǎng)絡(luò)不同流型泄漏識別正確率Table 5 Accuracy of BP neural network leakage regime identification

5 結(jié)論

本文以水平氣液兩相流管道泄漏為研究對象，使用聲發(fā)射檢測技術(shù)，對搭建的泄漏實驗系統(tǒng)進行聲發(fā)射信號的采集，并基于經(jīng)驗?zāi)B(tài)分解和小波包分解對信號進行特征提取，使用BP神經(jīng)網(wǎng)絡(luò)對兩相流泄漏的存在性及泄漏流型進行了判別，為油氣鉆采中廣泛存在的水平氣液兩相流管道的泄漏檢測提供了理論基礎(chǔ)，得到的認識主要有：

1) 通過聲發(fā)射的方法可以有效接收到兩相流管道泄漏產(chǎn)生的聲發(fā)射信號，并將該信號轉(zhuǎn)化為有效信息。

2) 通過經(jīng)驗?zāi)B(tài)分解的方法進行去噪并通過小波包分解的方法進行特征提取，是提取氣液兩相流泄漏產(chǎn)生的聲發(fā)射信號特征的有效方法。

3) 將通過本文提出的方法進行特征提取后的結(jié)果輸入BP神經(jīng)網(wǎng)絡(luò)，對泄漏存在性及泄漏流型進行識別，分別得到88.9%和84.1%的結(jié)果，對于復(fù)雜的兩相流來說，正確率較高。將得到的結(jié)果與不去噪的方法提取的特征放入BP神經(jīng)網(wǎng)絡(luò)進行對比，發(fā)現(xiàn)該方法可對識別正確率進行較好提升。