施佳椰,王章權(quán),,徐 菲,劉半藤,周 瑩

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

隨著我國化工、機(jī)械、制造等行業(yè)的快速發(fā)展，對(duì)石油天然氣能源的需求也日益增加。然而，在實(shí)際開采和運(yùn)輸過程中，由于長(zhǎng)期受嚴(yán)苛工作環(huán)境的影響，如：地層運(yùn)動(dòng)、泥層膨脹等[1]，井下管道會(huì)受到擠壓并發(fā)生形變，導(dǎo)致測(cè)試、作業(yè)遇阻遇卡，若不持續(xù)監(jiān)測(cè)變形程度并及時(shí)進(jìn)行相應(yīng)處理，會(huì)影響油氣井正常生產(chǎn)，嚴(yán)重時(shí)會(huì)造成油管破裂、有害有毒氣體泄漏、油氣井停產(chǎn)甚至封井，經(jīng)濟(jì)損失和安全隱患是巨大的[2]。因此，需要實(shí)時(shí)進(jìn)行在役檢測(cè)，對(duì)管道擠壓形變情況進(jìn)行估計(jì)，并進(jìn)行針對(duì)性的處理，以提高油氣井作業(yè)的安全性，減少事故發(fā)生，避免能源浪費(fèi)和環(huán)境污染。

無損檢測(cè)已成為產(chǎn)品質(zhì)量監(jiān)測(cè)的重要技術(shù)手段，在管道檢測(cè)中也得到廣泛應(yīng)用。目前，管道檢測(cè)常用的無損檢測(cè)技術(shù)主要有超聲波檢測(cè)技術(shù)、光學(xué)類檢測(cè)技術(shù)、漏磁檢測(cè)技術(shù)和脈沖渦流檢測(cè)技術(shù)等[3-6]。石油鉆井管道是多層管柱結(jié)構(gòu)，需要探測(cè)設(shè)備能夠穿過內(nèi)部油管檢測(cè)到外部套管的狀況，并且井下檢測(cè)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(cè)方法對(duì)石油套管進(jìn)行檢測(cè)[7]。本工作采用某公司生產(chǎn)的脈沖電磁探傷測(cè)試儀作為電渦流檢測(cè)設(shè)備，將脈沖電磁探傷測(cè)試儀垂直放入油氣管內(nèi)透過油氣管對(duì)套管進(jìn)行檢測(cè)，獲得電渦流檢測(cè)數(shù)據(jù)；采用多臂井徑測(cè)試儀對(duì)套管的內(nèi)徑進(jìn)行物理檢測(cè)，獲得多臂檢測(cè)數(shù)據(jù)；通過構(gòu)建電渦流數(shù)據(jù)和多臂數(shù)據(jù)的反演模型實(shí)現(xiàn)油套管的形變估計(jì)。

目前，對(duì)管道缺陷進(jìn)行反演的常用方法包括貝葉斯估計(jì)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等[8]。田凱等[9]提取靜態(tài)閾值和一階微分信號(hào)極小值作為特征值并采用基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)管道缺陷長(zhǎng)度、寬度等進(jìn)行量化；朱紅秀等[10]對(duì)差分信號(hào)的峰谷值進(jìn)行分析并對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高缺陷量化的泛化能力；程迪等[11]采用結(jié)合粒子群優(yōu)化的支持向量機(jī)缺陷量化方法對(duì)缺陷的深度和長(zhǎng)度進(jìn)行量化。但在實(shí)際井下管道檢測(cè)中，缺陷形狀、大小、走向、成因復(fù)雜、儀器受外界干擾多等問題會(huì)導(dǎo)致信號(hào)的缺陷響應(yīng)特征難以準(zhǔn)確提取；同時(shí)為了獲得較全面的探測(cè)信息，需要多樣化的檢測(cè)儀器探頭類型、布局、掃描方法和參數(shù)配置，這導(dǎo)致采集到的信號(hào)數(shù)據(jù)復(fù)雜龐大且特征難以提取，因此有學(xué)者引入深度學(xué)習(xí)的思想進(jìn)行建模以解決上述問題[12]。ZHANG等[13]將深度學(xué)習(xí)應(yīng)用到滾動(dòng)軸承故障診斷中，用卷積神經(jīng)網(wǎng)絡(luò)對(duì)一維時(shí)域信號(hào)進(jìn)行建模和故障分類，避免了復(fù)雜的特征提??；張東曉等[14]考慮到真實(shí)地下情況復(fù)雜和非均質(zhì)性較強(qiáng)，將循環(huán)神經(jīng)網(wǎng)絡(luò)用于測(cè)井曲線的重構(gòu)中，生成的測(cè)井?dāng)?shù)據(jù)精度更高；張曦郁等[15]采用堆疊自編碼器神經(jīng)網(wǎng)絡(luò)進(jìn)行多特征提取和融合對(duì)雙層套管腐蝕缺陷進(jìn)行分類，相比傳統(tǒng)的特征提取與神經(jīng)網(wǎng)絡(luò)方法具有更好的分類效果。本工作針對(duì)多探頭檢測(cè)的情況下，上述方法建模時(shí)均未考慮各探頭信號(hào)間的特征聯(lián)系，易受被干擾探頭的影響，導(dǎo)致量化精度不足的情況，提出了一種基于深度學(xué)習(xí)的卷積膠囊網(wǎng)絡(luò)模型，利用膠囊網(wǎng)絡(luò)的原理改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，將各探頭信號(hào)特征向量作為底層膠囊單元構(gòu)建膠囊網(wǎng)絡(luò)，考慮不同探頭信號(hào)間的關(guān)系和對(duì)量化結(jié)果的貢獻(xiàn)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(xué)習(xí)的卷積膠囊網(wǎng)絡(luò)模型

用膠囊網(wǎng)絡(luò)對(duì)傳統(tǒng)的卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出基于深度學(xué)習(xí)的卷積膠囊網(wǎng)絡(luò)算法，結(jié)構(gòu)如圖1所示。

圖1 卷積膠囊網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Convolution capsule network structure

首先對(duì)原始渦流信號(hào)進(jìn)行預(yù)處理，將不同探頭采集到的信號(hào)在深度和時(shí)序上進(jìn)行對(duì)齊；然后構(gòu)建卷積網(wǎng)絡(luò)分別對(duì)不同探頭信號(hào)進(jìn)行特征提取，獲得不同探頭信號(hào)的卷積特征；再構(gòu)建膠囊網(wǎng)絡(luò)，提出非線性映射矩陣的方法對(duì)卷積后的特征進(jìn)行“特征-膠囊單元”映射，設(shè)計(jì)基于不同探頭信號(hào)特征向量的底層膠囊單元，采用動(dòng)態(tài)路由機(jī)制優(yōu)化模型參數(shù)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(hào)間的特征聯(lián)系，加強(qiáng)了底層特征與目標(biāo)輸出間的內(nèi)在聯(lián)系，增強(qiáng)模型的非線性擬合能力。

1.1 卷積層網(wǎng)絡(luò)

分別對(duì)不同探頭使用卷積網(wǎng)絡(luò)進(jìn)行特征建模，得到相應(yīng)的特征向量。卷積網(wǎng)絡(luò)包含兩個(gè)卷積層和兩個(gè)激活層，通過設(shè)計(jì)卷積核的尺寸和個(gè)數(shù)，將每一個(gè)卷積核作為特征探測(cè)器，與輸入層進(jìn)行卷積運(yùn)算，得到新的特征層，卷積層的計(jì)算公式可以表示為

(1)

(2)

(3)

1.2 膠囊層網(wǎng)絡(luò)

膠囊層網(wǎng)絡(luò)包括映射層和膠囊層，映射層采用自適應(yīng)映射矩陣對(duì)向量維度進(jìn)行轉(zhuǎn)換，膠囊層將不同膠囊單元的結(jié)果進(jìn)行整合輸出。映射層將經(jīng)過卷積層網(wǎng)絡(luò)運(yùn)算后的各個(gè)探頭對(duì)應(yīng)的三維張量進(jìn)行P×U維度的特征非線性映射，即得到P個(gè)膠囊單元對(duì)應(yīng)探頭信號(hào)的特征向量，每個(gè)包含U個(gè)特征元素，膠囊單元的空間聯(lián)系可以用來表示探頭間的特征聯(lián)系。膠囊層使用動(dòng)態(tài)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(quán)重矩陣，經(jīng)過迭代計(jì)算獲得最優(yōu)權(quán)重矩陣，此時(shí)高層膠囊單元的向量模長(zhǎng)便為模型輸出。

在映射層中，提出自適應(yīng)映射矩陣 ，采用Transform函數(shù)將三維張量映射成一維，隨著訓(xùn)練的進(jìn)行，其參數(shù)會(huì)動(dòng)態(tài)修正。映射層的表達(dá)式如下：

U=Transform(Q)=Q×T

(4)

式中，Q代表卷積層輸出的各探頭對(duì)應(yīng)的三維張量，U代表卷積網(wǎng)絡(luò)輸出的各探頭的一維特征向量。

膠囊層的動(dòng)態(tài)路由算法框架如圖2所示(以3個(gè)膠囊單元輸入為例)，主要包含3個(gè)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(quán)重矩陣Wij相乘后得到uj|i為預(yù)測(cè)向量，其公式可由式(5)表示。

uj|i=WijUi

(5)

第二階段對(duì)預(yù)測(cè)向量Uj|i進(jìn)行加權(quán)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(shù)，對(duì)sj使用非線性激活函數(shù)Squash得到高層膠囊單元Vj，保證輸出向量的模長(zhǎng)為0～1，其公式如式(7)表示。

sj=∑icijuj|i

(6)

(7)

第三階段是根據(jù)底層膠囊與高層膠囊的方向一致性特征來更新權(quán)重矩陣和耦合系數(shù)，在每次前向傳播時(shí)，先將bij初始化為0，由式(8)計(jì)算出耦合系數(shù)cij的初始化值，然后由網(wǎng)絡(luò)的前向傳播計(jì)算出Vj，使用式(9)更新bij，進(jìn)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(lián)系得到充分體現(xiàn)，對(duì)上述過程進(jìn)行迭代，計(jì)算模型的損失，以獲得最佳的耦合系數(shù)。

(8)

bij=bij+Vjuji

(9)

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

L=(V-label)2

(10)

2 管道檢測(cè)試驗(yàn)

2.1 測(cè)試對(duì)象

本工作測(cè)試來源于某高含硫氣田的高含硫氣藏安全高效開發(fā)技術(shù)項(xiàng)目，主要檢測(cè)對(duì)象為高溫、高壓環(huán)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(nèi)通徑61.98 mm，其實(shí)物圖和結(jié)構(gòu)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(cè)井。

圖3 井段套管實(shí)物圖及結(jié)構(gòu)示意Fig. 3 Physical and structure diagram of casing in well section

2.2 測(cè)試方法

采用某公司的電磁探傷測(cè)試儀和多臂井徑測(cè)試儀進(jìn)行了電渦流檢測(cè)試驗(yàn)和多臂井徑檢測(cè)試驗(yàn)，其組合測(cè)井儀器的實(shí)物見圖4。電渦流檢測(cè)試驗(yàn)是將電磁探傷測(cè)試儀放置于油管中，用脈沖渦流激勵(lì)穿透油管對(duì)套管進(jìn)行檢測(cè)，圖5為電磁探傷測(cè)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(cè)探頭，設(shè)置脈沖激勵(lì)頻率均為1 kHz，占空比為50%，儀器垂直移動(dòng)速度300 m/h，在同一深度可采集23個(gè)渦流信號(hào)數(shù)據(jù)；多臂井徑檢測(cè)試驗(yàn)需要將油管從井下抽出，將多臂井徑測(cè)試儀放置于套管中，直接對(duì)套管進(jìn)行機(jī)械檢測(cè)，24個(gè)測(cè)臂沿管柱內(nèi)壁運(yùn)動(dòng)，儀器垂直移動(dòng)速度300 m/h，同一深度采集24個(gè)臂長(zhǎng)數(shù)據(jù)。

圖4 組合測(cè)井儀器實(shí)物圖Fig. 4 Physical diagram of combined logging tool

圖5 測(cè)井儀內(nèi)部探頭示意圖Fig. 5 Schematic diagram of internal probe of logging tool

3 實(shí)例應(yīng)用

3.1 工程檢測(cè)數(shù)據(jù)獲取

高含硫氣田井下現(xiàn)場(chǎng)測(cè)試采用電纜傳輸，電纜作為連接地面與測(cè)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(yīng)、承重儀器輸送、信號(hào)雙向傳輸和井下深度實(shí)時(shí)獲取等功能，多臂井徑測(cè)井儀與電磁探傷測(cè)試儀組合使用，為保障儀器居中電磁探傷測(cè)井儀兩端放置金屬支撐扶正器，通過地面絞車系統(tǒng)帶動(dòng)電纜上下提放儀器實(shí)現(xiàn)不同套變段監(jiān)測(cè)數(shù)據(jù)錄取。圖6為套管變形監(jiān)測(cè)現(xiàn)場(chǎng)試驗(yàn)圖。

圖6 套管變形監(jiān)測(cè)試驗(yàn)現(xiàn)場(chǎng)圖Fig. 6 Field diagram of casing deformation monitoring test

以305-1井的兩段套管具有嚴(yán)重變形的井段為例，采用三種網(wǎng)絡(luò)模型對(duì)套管的最小臂值進(jìn)行量化估計(jì)，圖7和圖8即為兩段重度變形井段24臂井徑成像測(cè)井的三維圖。實(shí)例測(cè)試中模型選取了井段1和井段2共10個(gè)小變形段的測(cè)試數(shù)據(jù)，采用其中六段小變形段對(duì)應(yīng)的脈沖渦流信號(hào)和最小臂值作為訓(xùn)練集數(shù)據(jù)輸入模型，擬合另外四段小變形段的最小臂值并與實(shí)際值進(jìn)行對(duì)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(shí)際檢測(cè)過程中，由于儀器在管柱內(nèi)運(yùn)動(dòng)時(shí)受到節(jié)箍、儀器姿態(tài)的影響，在信號(hào)采集時(shí)容易發(fā)生偏移，產(chǎn)生最小臂值和渦流信號(hào)不對(duì)齊的情況，因此在進(jìn)行模型訓(xùn)練前，需要將多臂數(shù)據(jù)和渦流數(shù)據(jù)進(jìn)行對(duì)齊。首先確定套管中多臂、渦流信號(hào)的節(jié)箍位置，根據(jù)節(jié)箍的位置進(jìn)行對(duì)齊，然后對(duì)相鄰節(jié)箍之間的多臂和渦流數(shù)據(jù)進(jìn)行重采樣，確定其間的最少采樣點(diǎn)數(shù)為重采樣點(diǎn)數(shù)，對(duì)多臂和渦流數(shù)據(jù)進(jìn)行等間隔的重采樣。如圖9所示為對(duì)齊后多臂數(shù)據(jù)和渦流數(shù)據(jù)的對(duì)比圖，可見多臂數(shù)據(jù)在管道形變處臂值會(huì)發(fā)生明顯的變小，變形越嚴(yán)重最小臂值越??；渦流響應(yīng)信號(hào)也會(huì)發(fā)生相應(yīng)變化，變形越嚴(yán)重渦流響應(yīng)越明顯；從渦流數(shù)據(jù)繪制的二維電壓變密度測(cè)井(VDL)信號(hào)可以發(fā)現(xiàn)，在變形最嚴(yán)重的部位，亮度最大，可見在套管彎曲變形處，多臂數(shù)據(jù)和渦流數(shù)據(jù)存在一定的對(duì)應(yīng)關(guān)系。

圖9 井段1管道各信號(hào)對(duì)比圖Fig. 9 Section 1 pipeline signal comparison diagram

3.2 模型訓(xùn)練

本工作提出的卷積膠囊網(wǎng)絡(luò)模型具體結(jié)構(gòu)如圖10所示。

圖10 卷積膠囊網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 10 Convolution capsule network model structure

輸入信號(hào)為當(dāng)前深度對(duì)應(yīng)的A、B、C探頭的渦流信號(hào)，標(biāo)簽為當(dāng)前深度套管的最小臂值。使用兩層卷積網(wǎng)絡(luò)來提取特征，每個(gè)卷積網(wǎng)絡(luò)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(shù)映射為膠囊單元，通過膠囊層整合并輸出膠囊模長(zhǎng)作為估計(jì)結(jié)果，其中膠囊層的動(dòng)態(tài)路由算法的迭代次數(shù)為3次；最后用公式(10)計(jì)算估計(jì)結(jié)果與標(biāo)簽的損失值，使用Adam優(yōu)化算法[16]對(duì)模型參數(shù)進(jìn)行優(yōu)化，為了防止模型過擬合，學(xué)習(xí)率設(shè)置為0.001，總迭代次數(shù)為400次。訓(xùn)練階段使用批次大小為128，迭代步數(shù)與損失值關(guān)系如圖11所示。

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

3.3 量化結(jié)果分析

使用構(gòu)建好的模型在測(cè)試集上進(jìn)行測(cè)試，獲得量化結(jié)果，選擇卷積網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較。獲得如圖12所示的試驗(yàn)結(jié)果，可見本工作提出的卷積膠囊網(wǎng)絡(luò)對(duì)實(shí)際臂長(zhǎng)具有最好的擬合效果，尤其在受擠壓最嚴(yán)重的部位擬合效果明顯優(yōu)于卷積網(wǎng)絡(luò)模型。表1和表2顯示了最小臂長(zhǎng)量化誤差，從表中可以看出相比于BP神經(jīng)網(wǎng)絡(luò)，基于深度學(xué)習(xí)的算法具有較好的量化精度，基于卷積網(wǎng)絡(luò)的算法平均誤差約為4 mm；平均誤差小于2 mm，比卷積網(wǎng)絡(luò)算法在精度上提高了約50%，對(duì)工程中最關(guān)注的受擠壓最嚴(yán)重部位，提出的方法量化誤差也小于2 mm，比卷積網(wǎng)絡(luò)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(nèi)徑量化的最低點(diǎn)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(yīng)用效果較好，擬合精度較高?？梢赃M(jìn)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(jìn)行過油管檢測(cè)獲得響應(yīng)信號(hào)，再調(diào)用本工作構(gòu)建的量化模型可以得到檢測(cè)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(jié)論

提出一種基于卷積膠囊網(wǎng)絡(luò)的新型油套管形變程度估計(jì)的量化模型，針對(duì)多探頭脈沖渦流檢測(cè)數(shù)據(jù)特征難以提取且量化精度低的問題，引入深度學(xué)習(xí)的思路，設(shè)計(jì)多個(gè)卷積層對(duì)不同探頭渦流信號(hào)進(jìn)行特征提取，設(shè)計(jì)基于膠囊網(wǎng)絡(luò)的輸出層，構(gòu)建基于模長(zhǎng)的約束函數(shù)，對(duì)最小臂值進(jìn)行量化估計(jì)。通過對(duì)實(shí)測(cè)數(shù)據(jù)測(cè)試分析表明，相比經(jīng)典算法，網(wǎng)絡(luò)模型量化精度有較大提升，可應(yīng)用于實(shí)際的油氣管道檢測(cè)中，對(duì)在役管道壓縮形變情況進(jìn)行估計(jì)，以便相關(guān)工程人員進(jìn)行管道修復(fù)工作。