基于卷積膠囊網絡的油套管變形程度評估方法

施佳椰,王章權,,徐 菲,劉半藤,周 瑩

(1. 常州大學信息科學與工程學院數理學院，常州 213164； 2. 浙江樹人大學信息科技學院，杭州 310015；3. 中國石化中原油田分公司石油工程技術研究院，濮陽 457000)

隨著我國化工、機械、制造等行業的快速發展，對石油天然氣能源的需求也日益增加。然而，在實際開采和運輸過程中，由于長期受嚴苛工作環境的影響，如：地層運動、泥層膨脹等[1]，井下管道會受到擠壓并發生形變，導致測試、作業遇阻遇卡，若不持續監測變形程度并及時進行相應處理，會影響油氣井正常生產，嚴重時會造成油管破裂、有害有毒氣體泄漏、油氣井停產甚至封井，經濟損失和安全隱患是巨大的[2]。因此，需要實時進行在役檢測，對管道擠壓形變情況進行估計，并進行針對性的處理，以提高油氣井作業的安全性，減少事故發生，避免能源浪費和環境污染。

無損檢測已成為產品質量監測的重要技術手段，在管道檢測中也得到廣泛應用。目前，管道檢測常用的無損檢測技術主要有超聲波檢測技術、光學類檢測技術、漏磁檢測技術和脈沖渦流檢測技術等[3-6]。石油鉆井管道是多層管柱結構，需要探測設備能夠穿過內部油管檢測到外部套管的狀況，并且井下檢測還受光照、溫度、壓力等惡劣條件的影響，因此一般采用電渦流檢測方法對石油套管進行檢測[7]。本工作采用某公司生產的脈沖電磁探傷測試儀作為電渦流檢測設備，將脈沖電磁探傷測試儀垂直放入油氣管內透過油氣管對套管進行檢測，獲得電渦流檢測數據；采用多臂井徑測試儀對套管的內徑進行物理檢測，獲得多臂檢測數據；通過構建電渦流數據和多臂數據的反演模型實現油套管的形變估計。

目前，對管道缺陷進行反演的常用方法包括貝葉斯估計、支持向量機、神經網絡等[8]。田凱等[9]提取靜態閾值和一階微分信號極小值作為特征值并采用基于貝葉斯算法的BP神經網絡對管道缺陷長度、寬度等進行量化；朱紅秀等[10]對差分信號的峰谷值進行分析并對RBF神經網絡進行優化，提高缺陷量化的泛化能力；程迪等[11]采用結合粒子群優化的支持向量機缺陷量化方法對缺陷的深度和長度進行量化。但在實際井下管道檢測中，缺陷形狀、大小、走向、成因復雜、儀器受外界干擾多等問題會導致信號的缺陷響應特征難以準確提取；同時為了獲得較全面的探測信息，需要多樣化的檢測儀器探頭類型、布局、掃描方法和參數配置，這導致采集到的信號數據復雜龐大且特征難以提取，因此有學者引入深度學習的思想進行建模以解決上述問題[12]。ZHANG等[13]將深度學習應用到滾動軸承故障診斷中，用卷積神經網絡對一維時域信號進行建模和故障分類，避免了復雜的特征提取；張東曉等[14]考慮到真實地下情況復雜和非均質性較強，將循環神經網絡用于測井曲線的重構中，生成的測井數據精度更高；張曦郁等[15]采用堆疊自編碼器神經網絡進行多特征提取和融合對雙層套管腐蝕缺陷進行分類，相比傳統的特征提取與神經網絡方法具有更好的分類效果。本工作針對多探頭檢測的情況下，上述方法建模時均未考慮各探頭信號間的特征聯系，易受被干擾探頭的影響，導致量化精度不足的情況，提出了一種基于深度學習的卷積膠囊網絡模型，利用膠囊網絡的原理改進卷積神經網絡，將各探頭信號特征向量作為底層膠囊單元構建膠囊網絡，考慮不同探頭信號間的關系和對量化結果的貢獻程度，抑制局部干擾影響，以期提升模型特征提取能力和量化精度。

1 基于深度學習的卷積膠囊網絡模型

用膠囊網絡對傳統的卷積網絡進行改進，提出基于深度學習的卷積膠囊網絡算法，結構如圖1所示。

圖1 卷積膠囊網絡結構Fig. 1 Convolution capsule network structure

首先對原始渦流信號進行預處理，將不同探頭采集到的信號在深度和時序上進行對齊；然后構建卷積網絡分別對不同探頭信號進行特征提取，獲得不同探頭信號的卷積特征；再構建膠囊網絡，提出非線性映射矩陣的方法對卷積后的特征進行“特征-膠囊單元”映射，設計基于不同探頭信號特征向量的底層膠囊單元，采用動態路由機制優化模型參數整合底層膠囊單元得到高層膠囊單元。該模型充分考慮了不同探頭信號間的特征聯系，加強了底層特征與目標輸出間的內在聯系，增強模型的非線性擬合能力。

1.1 卷積層網絡

分別對不同探頭使用卷積網絡進行特征建模，得到相應的特征向量。卷積網絡包含兩個卷積層和兩個激活層，通過設計卷積核的尺寸和個數，將每一個卷積核作為特征探測器，與輸入層進行卷積運算，得到新的特征層，卷積層的計算公式可以表示為

(1)

(2)

(3)

1.2 膠囊層網絡

膠囊層網絡包括映射層和膠囊層，映射層采用自適應映射矩陣對向量維度進行轉換，膠囊層將不同膠囊單元的結果進行整合輸出。映射層將經過卷積層網絡運算后的各個探頭對應的三維張量進行P×U維度的特征非線性映射，即得到P個膠囊單元對應探頭信號的特征向量，每個包含U個特征元素，膠囊單元的空間聯系可以用來表示探頭間的特征聯系。膠囊層使用動態路由算法將低層特征整合并獲得高層膠囊單元，將底層膠囊單元與高層膠囊單元的差異作為反饋更新權重矩陣，經過迭代計算獲得最優權重矩陣，此時高層膠囊單元的向量模長便為模型輸出。

在映射層中，提出自適應映射矩陣 ，采用Transform函數將三維張量映射成一維，隨著訓練的進行，其參數會動態修正。映射層的表達式如下：

U=Transform(Q)=Q×T

(4)

式中，Q代表卷積層輸出的各探頭對應的三維張量，U代表卷積網絡輸出的各探頭的一維特征向量。

膠囊層的動態路由算法框架如圖2所示(以3個膠囊單元輸入為例)，主要包含3個階段：

圖2 膠囊層示意圖Fig. 2 Schematic diagram of capsule layer

第一階段將底層膠囊單元Ui與權重矩陣Wij相乘后得到uj|i為預測向量，其公式可由式(5)表示。

uj|i=WijUi

(5)

第二階段對預測向量Uj|i進行加權求和得到輸出向量sj，其公式可由式(6)表示，其中cij為耦合系數，對sj使用非線性激活函數Squash得到高層膠囊單元Vj，保證輸出向量的模長為0～1，其公式如式(7)表示。

sj=∑icijuj|i

(6)

(7)

第三階段是根據底層膠囊與高層膠囊的方向一致性特征來更新權重矩陣和耦合系數，在每次前向傳播時，先將bij初始化為0，由式(8)計算出耦合系數cij的初始化值，然后由網絡的前向傳播計算出Vj，使用式(9)更新bij，進一步更新cij修正sj，從而改變輸出向量Vj。為保證底層和高層膠囊單元的聯系得到充分體現，對上述過程進行迭代，計算模型的損失，以獲得最佳的耦合系數。

(8)

bij=bij+Vjuji

(9)

本工作用到的損失函數如式(10)所示，通過反向傳播更新卷積層和映射層的權重值，式中V為膠囊層的輸出向量，label為訓練集中樣本的標簽。

L=(V-label)2

(10)

2 管道檢測試驗

2.1 測試對象

本工作測試來源于某高含硫氣田的高含硫氣藏安全高效開發技術項目，主要檢測對象為高溫、高壓環境中的高含硫氣井305-1井。該井套管外徑177.8 mm，壁厚12.65 mm，完井管柱為“永久封隔器+遇油膨脹封隔器”雙封完井管柱，完井油管為“φ88.9 mm+φ73 mm”組合油管，管柱最小內通徑61.98 mm，其實物圖和結構圖如圖3所示。在封井前，為了研究該井的套管變形情況，在該井打撈管柱前后，分別采用電磁探傷和多臂井徑組合測井。

圖3 井段套管實物圖及結構示意Fig. 3 Physical and structure diagram of casing in well section

2.2 測試方法

采用某公司的電磁探傷測試儀和多臂井徑測試儀進行了電渦流檢測試驗和多臂井徑檢測試驗，其組合測井儀器的實物見圖4。電渦流檢測試驗是將電磁探傷測試儀放置于油管中，用脈沖渦流激勵穿透油管對套管進行檢測，圖5為電磁探傷測試儀探頭示意圖，其包含了A、B、C三種不同角度、不同形狀的檢測探頭，設置脈沖激勵頻率均為1 kHz，占空比為50%，儀器垂直移動速度300 m/h，在同一深度可采集23個渦流信號數據；多臂井徑檢測試驗需要將油管從井下抽出，將多臂井徑測試儀放置于套管中，直接對套管進行機械檢測，24個測臂沿管柱內壁運動，儀器垂直移動速度300 m/h，同一深度采集24個臂長數據。

圖4 組合測井儀器實物圖Fig. 4 Physical diagram of combined logging tool

圖5 測井儀內部探頭示意圖Fig. 5 Schematic diagram of internal probe of logging tool

3 實例應用

3.1 工程檢測數據獲取

高含硫氣田井下現場測試采用電纜傳輸，電纜作為連接地面與測試儀器的連接線，使用鋼索外殼單芯供電方式，具有電力供應、承重儀器輸送、信號雙向傳輸和井下深度實時獲取等功能，多臂井徑測井儀與電磁探傷測試儀組合使用，為保障儀器居中電磁探傷測井儀兩端放置金屬支撐扶正器，通過地面絞車系統帶動電纜上下提放儀器實現不同套變段監測數據錄取。圖6為套管變形監測現場試驗圖。

圖6 套管變形監測試驗現場圖Fig. 6 Field diagram of casing deformation monitoring test

以305-1井的兩段套管具有嚴重變形的井段為例，采用三種網絡模型對套管的最小臂值進行量化估計，圖7和圖8即為兩段重度變形井段24臂井徑成像測井的三維圖。實例測試中模型選取了井段1和井段2共10個小變形段的測試數據，采用其中六段小變形段對應的脈沖渦流信號和最小臂值作為訓練集數據輸入模型，擬合另外四段小變形段的最小臂值并與實際值進行對比，從而得到量化模型的擬合精度。

圖7 井段1管道三維圖Fig. 7 Section 1 pipeline 3D drawing

圖8 井段2管道三維圖Fig. 8 Section 2 pipeline 3D drawing

在實際檢測過程中，由于儀器在管柱內運動時受到節箍、儀器姿態的影響，在信號采集時容易發生偏移，產生最小臂值和渦流信號不對齊的情況，因此在進行模型訓練前，需要將多臂數據和渦流數據進行對齊。首先確定套管中多臂、渦流信號的節箍位置，根據節箍的位置進行對齊，然后對相鄰節箍之間的多臂和渦流數據進行重采樣，確定其間的最少采樣點數為重采樣點數，對多臂和渦流數據進行等間隔的重采樣。如圖9所示為對齊后多臂數據和渦流數據的對比圖，可見多臂數據在管道形變處臂值會發生明顯的變小，變形越嚴重最小臂值越小；渦流響應信號也會發生相應變化，變形越嚴重渦流響應越明顯；從渦流數據繪制的二維電壓變密度測井(VDL)信號可以發現，在變形最嚴重的部位，亮度最大，可見在套管彎曲變形處，多臂數據和渦流數據存在一定的對應關系。

圖9 井段1管道各信號對比圖Fig. 9 Section 1 pipeline signal comparison diagram

3.2 模型訓練

本工作提出的卷積膠囊網絡模型具體結構如圖10所示。

圖10 卷積膠囊網絡模型結構Fig. 10 Convolution capsule network model structure

輸入信號為當前深度對應的A、B、C探頭的渦流信號，標簽為當前深度套管的最小臂值。使用兩層卷積網絡來提取特征，每個卷積網絡由一維卷積、批歸一化和LeakyRelu激活組成；將提取的特征通過Transform函數映射為膠囊單元，通過膠囊層整合并輸出膠囊模長作為估計結果，其中膠囊層的動態路由算法的迭代次數為3次；最后用公式(10)計算估計結果與標簽的損失值，使用Adam優化算法[16]對模型參數進行優化，為了防止模型過擬合，學習率設置為0.001，總迭代次數為400次。訓練階段使用批次大小為128，迭代步數與損失值關系如圖11所示。

圖11 損失下降圖Fig. 11 Model training loss reduction

3.3 量化結果分析

使用構建好的模型在測試集上進行測試，獲得量化結果，選擇卷積網絡和BP神經網絡進行比較。獲得如圖12所示的試驗結果，可見本工作提出的卷積膠囊網絡對實際臂長具有最好的擬合效果，尤其在受擠壓最嚴重的部位擬合效果明顯優于卷積網絡模型。表1和表2顯示了最小臂長量化誤差，從表中可以看出相比于BP神經網絡，基于深度學習的算法具有較好的量化精度，基于卷積網絡的算法平均誤差約為4 mm；平均誤差小于2 mm，比卷積網絡算法在精度上提高了約50%，對工程中最關注的受擠壓最嚴重部位，提出的方法量化誤差也小于2 mm，比卷積網絡算法在精度上提高了50%以上。

表1 不同形變段最小臂值量化的平均誤差Tab. 1 Average error of minimum arm quantization in different deformation segments mm

表2 不同形變段最小內徑量化的最低點誤差Tab. 2 Minimum point error of minimum arm quantization in different deformation segments mm

綜上所述，本工作提出的方法在井305-1上的應用效果較好，擬合精度較高。可以進行工程推廣，在不破壞在役管柱工作的前提下，用脈沖渦流儀器進行過油管檢測獲得響應信號，再調用本工作構建的量化模型可以得到檢測管柱的變形情況。

(a) 形變段1最小臂值量化曲線 (b) 形變段2最小臂值量化曲線

4 結論

提出一種基于卷積膠囊網絡的新型油套管形變程度估計的量化模型，針對多探頭脈沖渦流檢測數據特征難以提取且量化精度低的問題，引入深度學習的思路，設計多個卷積層對不同探頭渦流信號進行特征提取，設計基于膠囊網絡的輸出層，構建基于模長的約束函數，對最小臂值進行量化估計。通過對實測數據測試分析表明，相比經典算法，網絡模型量化精度有較大提升，可應用于實際的油氣管道檢測中，對在役管道壓縮形變情況進行估計，以便相關工程人員進行管道修復工作。