高含硫气田的油套管双层管柱形变位置检测方法及终端技术

技术编号:31235549 阅读:56 留言:0更新日期:2021-12-08 10:17
本发明专利技术提供了一种高含硫气田的油套管双层管柱形变位置检测方法、终端及计算机可读存储介质,涉及无损检测技术领域,构建GAN网络的生成子网络和判别子网络,可提取大量特征较好的表征图像特征,更好捕获图像的细节,构造训练集和损失函数,并采用基于Pareto的海洋捕食者方法对两个子网络参数进行更新,从而提高参数寻优的收敛速度,而且克服梯度消失的问题,构造测试集对训练好的两个子网络进行测试,并设计异常评估函数评估对提取的涡流图像中每行像素进行异常评分,将异常像素行所在位置认为变形段位置并修正检测结果,从而实现变形段的检测,本发明专利技术可提高训练速度,提高双层管柱形变位置检测的速度和检测准确率,降低检测的误判率和错误接受率。误判率和错误接受率。误判率和错误接受率。

【技术实现步骤摘要】
高含硫气田的油套管双层管柱形变位置检测方法及终端


[0001]本专利技术涉及无损检测
,具体为一种高含硫气田的油套管双层管柱形变位置检测方法、终端设备及计算机介质。

技术介绍

[0002]随着人类社会用能的增大,天然气拥有价格低廉、储存量大和排放清洁的优点,因此国家投入了大量的人力物力开发天然气。普光气田为我国最大规模的高含硫天然气储藏气田。由于普光气田井下环境恶劣,一旦发生二氧化硫泄漏,会引起重大人员伤亡等安全事故,因此其天然气采集油管外层有一层保护套管,但是在开采的过程中由于盐膏层发生蠕变,会造成外层保护套管发生形变,需要对外层套管的形变位置进行检测。
[0003]针对普光气田套管的特性,中石化公司采用电磁探伤仪MTD

J对其进行监测,其对每个深度的采样信号为离散的23个采样电电涡流检测信号点。由于信号直接提供的信息量较少且依次处理和分析每一维电电涡流检测信号效率较低因此可将23个离散电电涡流检测信号转化为数字图像,再采用图像异常检测方法进行检测,提高检测的准确率和效率。
[0004]目前图像异常检测技术主要包括非深度学习法和深度学习法,学者提出的支持向量数据描述、RX检测方法、字典学习、稀疏编码和聚类方法等传统基于非深度学习的图像异常检测方法都需要人为分析和提取图像特征,自适应性不强且提取特征量较少,对图像的表征能力不足。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足,本专利技术提供了一种高含硫气田的油套管双层管柱形变位置检测方法、终端设备及计算机介质,解决了上述
技术介绍
中提出的图像异常检测方法都需要人为分析和提取图像特征,自适应性不强且提取特征量较少,对图像的表征能力不足的问题。
[0007](二)技术方案
[0008]为实现以上目的,本专利技术通过以下技术方案予以实现:一种高含硫气田的油套管双层管柱形变位置检测方法,所述方法包括:
[0009]构建GAN网络的生成子网络、判别子网络和损失函数;
[0010]判断当前模式是否为训练模式,若为训练模式,则读取无形变油套管检测到的电涡流信号构建训练集,并初始化生成子网络和判别子网络的链接权重、偏置参数矩阵Λ、参数矩阵的上边界矩阵和下边界矩阵当前迭代次数λ=1、最大迭代次数λ
max
、适应度函数权重;
[0011]去除训练集中的节箍数据;
[0012]将电涡流信号转化为像素;
[0013]将像素排列为涡流图像;
[0014]将训练集中数据转换后获得的电涡流图像和对应的深度信息分别输入生成子网络;
[0015]生成子网络得到重构电涡流图像,并输入判别子网络;
[0016]判别子网络输出重构图像、训练集原涡流图像的评价分数、实际特征分布和潜在特征分布;
[0017]采用基于Pareto的海洋捕食者方法对子网络和判别子网络的参数进行迭代更新,令λ=λ+1;
[0018]判断λ是否为最大值λ
max
或损失函数小于预设阈值,若是,则保存训练好的最优参数,设置生成子网络和判别子网络参数;
[0019]令当前模式为识别模式;
[0020]若当前模式为识别模式,则读取待测电涡流信号,将电涡流信号转化为像素;
[0021]将像素排列为涡流图像;
[0022]将转换后的待测电涡流图像和对应的深度信息输入训练好的生成子网络和判别子网络;
[0023]判别子网络输出重构图像与原图像的实际特征分布和潜在特征分布;
[0024]计算每个深度像素的异常评分判断电涡流图像是否存在异常,并对检测结果进行修正;
[0025]根据电涡流图像的异常检测结果,输出存在形变的油套管深度位置。
[0026]优选地,所述构建GAN网络的生成子网络、判别子网络和损失函数,包括:
[0027]生成子网络由编码器和解码器构成,其中编码器的第一层和第六层为卷积层,第二层到第五层都由批量归一化层和带ReLU激活函数卷积层构成,编码器将输入的电涡流图像映射成低维的特征数据,学习表征无形变涡流图像的低维特征分布;
[0028]编码器与解码器采用恒等映射跳跃链接方式,将提取表面和潜在的特征信息进行映射,提高解码器的重构能力;
[0029]解码器的第一层到三层都由量归一化层和带ReLU激活函数反卷积层构成,第四层由带有tanh激活函数的反卷积层构成层,解码器将低维的特征数据重新映射到高维特征空间中重构涡流图像;
[0030]判别子网络第一层到第四层都由批量归一化层和带ReLU激活函数卷积层构成,其前三层卷积层提取实际特征空间分布,第四层卷积层提取潜在特征空间分布,最后一层采用sigmoid激活函数的全连接层构成,输出一个评价输入重构图像是否与原图像特征分布相同程度的评分分数;
[0031]生成子网络和判别子网络的目标函数F
g
和F
d

[0032]F
g
=w1min(f
a
)+w2min(f
newc
)+w3min(f
q
)
ꢀꢀꢀ
(1)
[0033]F
d
=max(f
a
)
ꢀꢀꢀ
(2)
[0034]其中,F
g
表示生成子网络的目标函数,F
d
表示判别子网络的目标函数,f
a
表示对抗损失函数,f
newc
表示重构损失函数,f
q
表示潜在损失函数,w1表示对抗损失函数的权重参数,w2表示重构损失函数的权重参数,w3表示潜在损失函数的权重参数,且w1+w2+w3;
[0035]对抗损失函数定义如下:
[0036][0037]其中,p
i
表示第i张涡流图像特征,M
d
(p
i
)表示判决器子网络输出图像特征与p
i
匹配的概率值,表示第i张生成子网络重构的涡流图像特征,N表示图像数量;
[0038]重构损失函数定义如下:
[0039][0040]其中,表示正则化权重系数,θ表示特征维度数;
[0041]潜在损失函数定义为:
[0042][0043]其中,Ψ(p
i
)表示判别子网络卷积层提取的第i张涡流图像,表示判别子网络卷积层提取的第i张重构涡流图像的潜在特征分布。
[0044]优选地,所述将电涡流信号转化为像素;包括:
[0045]将每个深度h的采样信号为离散的23个采样电涡流检测信号点;
[0046]令训练集中每个油套管深度h采集的23个采样电涡流信号点为其中,表示深度h的第k个采样信号点,计算每一个采样信号点中所有深度的最小值为最大值为根据最大值和最小值将每一个采样信号点幅值平均将划分为C个幅值区本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种高含硫气田的油套管双层管柱形变位置检测方法,其特征在于,所述方法包括:构建GAN网络的生成子网络、判别子网络和损失函数;判断当前模式是否为训练模式,若为训练模式,则读取无形变油套管检测到的电涡流信号构建训练集,并初始化生成子网络和判别子网络的链接权重、偏置参数矩阵Λ、参数矩阵的上边界矩阵和下边界矩阵当前迭代次数λ=1、最大迭代次数λ
max
、适应度函数权重;去除训练集中的节箍数据;将电涡流信号转化为像素;将像素排列为涡流图像;将训练集中数据转换后获得的电涡流图像和对应的深度信息分别输入生成子网络;生成子网络得到重构电涡流图像,并输入判别子网络;判别子网络输出重构图像、训练集原涡流图像的评价分数、实际特征分布和潜在特征分布;采用基于Pareto的海洋捕食者方法对子网络和判别子网络的参数进行迭代更新,令λ=λ+1;判断λ是否为最大值λ
max
或损失函数小于预设阈值,若是,则保存训练好的最优参数,设置生成子网络和判别子网络参数;令当前模式为识别模式;若当前模式为识别模式,则读取待测电涡流信号,将电涡流信号转化为像素,将像素排列为涡流图像;将转换后的待测电涡流图像和对应的深度信息输入训练好的生成子网络和判别子网络;判别子网络输出重构图像与原图像的实际特征分布和潜在特征分布;计算每个深度像素的异常评分判断电涡流图像是否存在异常,并对检测结果进行修正;根据电涡流图像的异常检测结果,输出存在形变的油套管深度位置。2.根据权利要求1所述的高含硫气田的油套管双层管柱形变位置检测方法,其特征在于,构建GAN网络的生成子网络、判别子网络和损失函数;包括:生成子网络由编码器和解码器构成,其中编码器的第一层和第六层为卷积层,第二层到第五层都由批量归一化层和带ReLU激活函数卷积层构成,编码器将输入的电涡流图像映射成低维的特征数据,学习表征无形变涡流图像的低维特征分布;编码器与解码器采用恒等映射跳跃链接方式,将提取表面和潜在的特征信息进行映射,提高解码器的重构能力;解码器的第一层到三层都由量归一化层和带ReLU激活函数反卷积层构成,第四层由带有tanh激活函数的反卷积层构成层,解码器将低维的特征数据重新映射到高维特征空间中重构涡流图像;判别子网络第一层到第四层都由批量归一化层和带ReLU激活函数卷积层构成,其前三层卷积层提取实际特征空间分布,第四层卷积层提取潜在特征空间分布,最后一层采用sigmoid激活函数的全连接层构成,输出一个评价输入重构图像是否与原图像特征分布相
同程度的评分分数;生成子网络和判别子网络的目标函数F
g
和F
d
:F
g
=w1min(f
a
)+w2min(f
newc
)+w3min(f
q
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)F
d
=max(f
a
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中,F
g
表示生成子网络的目标函数,F
d
表示判别子网络的目标函数,f
a
表示对抗损失函数,f
newc
表示重构损失函数,f
q
表示潜在损失函数,w1表示对抗损失函数的权重参数,w2表示重构损失函数的权重参数,w3表示潜在损失函数的权重参数,且w1+w2+w3=1;对抗损失函数定义如下:其中,p
i
表示第i张涡流图像特征,M
d
(p
i
)表示判决器子网络输出图像特征与p
i
匹配的概率值,表示第i张生成子网络重构的涡流图像特征,N表示图像数量;重构损失函数定义如下:其中,表示正则化权重系数,θ表示特征维度数;潜在损失函数定义为:其中,Ψ(p
i
)表示判别子网络卷积层提取的第i张涡流图像,表示判别子网络卷积层提取的第i张重构涡流图像的潜在特征分布。3.根据权利要求2所述的高含硫气田的油套管双层管柱形变位置检测方法,其特征在于,所述将电涡流信号转化为像素;包括:将每个深度h的采样信号为离散的23个采样电涡流检测信号点;令训练集中每个油套管深度h采集的23个采样电涡流信号点为其中,表示深度h的第k个采样信号点,计算每一个采样信号点中所有深度的最小值为最大值为根据最大值和最...

【专利技术属性】
技术研发人员:陈友荣金合丽任条娟周莹刘半藤
申请(专利权)人:浙江树人学院浙江树人大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1