【技术实现步骤摘要】
基于深度学习的水下井口系统疲劳损伤评估方法及装置
[0001]本专利技术涉及海洋油气工程
，具体是关于一种基于深度学习的水下井口系统疲劳损伤评估方法及装置。
技术介绍
[0002]海洋隔水管
‑
水下井口系统是海洋油气勘探开发的“咽喉”，实际工作的隔水管
‑
水下井口系统承受波浪、海流、平台运动以及其他循环动载荷作用，这些载荷作为激励驱动隔水管
‑
水下井口系统振动并产生循环弯矩和张力，导致水下井口疲劳损伤迅速累积，严重时甚至产生疲劳破坏，疲劳失效是水下井口系统主要的失效模式之一。水下井口受到的疲劳损伤基本可分为波激疲劳与涡激疲劳，目前基于海况设计数据的水下井口系统波激疲劳和涡激疲劳损伤评估方法和技术已经相对成熟，但是在钻完井或修井作业的服役期间疲劳损伤不可避免，且基于设计数据的评估方法无法和实际作业情况相结合。为了更好的评估实际作业工况下的井口疲劳损伤，对水下井口进行疲劳损伤监测成为一种更直接的井口疲劳评估手段。因此，对水下井口进行疲劳损伤预测对于水下井口安全高效作业与结构完整性具有重要意义。
[0003]目前水下井口系统因位置在防喷器下且隔水导管或表层套管部分位于海床土壤中，直接安装传感器较为困难，解决的方法一般是通过对深水平台
‑
隔水管系统监测间接实现对水下井口的疲劳监测。水下井口疲劳损伤监测数据多源，包括波浪海流平台运动等监测信息、隔水管不同位置处的振动数据、隔水管重点部位的应变或应力监测数据。但隔水管振动监测位置不连续且测点有限...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，包括以下几个步骤：设定在隔水管上用于安装监测装置的监测点位置与在水下井口处用于疲劳损伤评估的目标点位置；设计隔水管
‑
水下井口
‑
浅层管柱系统动力响应分析的海况集合，并将海况划分为训练集与测试集，根据划分的训练集与测试集海况在有限元分析专业软件中建立隔水管
‑
水下井口
‑
浅层管柱系统的有限元模型并进行隔水管
‑
水下井口
‑
浅层管柱系统的动力响应分析；提取隔水管
‑
水下井口系统监测点位置的动力响应分析中的加速度数据与目标点位置的动力响应分析中的弯曲应力数据，并将加速度数据和弯曲应力数据作为水下井口系统疲劳损伤评估深度学习训练的训练集与测试集，随后对训练集及测试集数据进行预处理；以监测点位置的加速度数据与目标点位置的弯曲应力数据输入到LSTM神经网络中进行学习，训练完成后得到水下井口疲劳损伤深度学习模型；将实际监测数据输入到训练完成的水下井口疲劳损伤深度学习模型中得到对应目标位置弯曲应力数据；根据水下井口疲劳损伤评估的时域分析方法计算得到目标位置疲劳损伤。2.根据权利要求1所述的基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，所述设计隔水管
‑
水下井口
‑
浅层管柱系统动力响应分析的海况集合，并将海况划分为训练集与测试集，根据划分的训练集与测试集海况在有限元分析专业软件中建立隔水管
‑
水下井口
‑
浅层管柱系统的有限元模型并进行隔水管
‑
水下井口
‑
浅层管柱系统的动力响应分析，具体为：设定指定数量的用于水下井口系统疲劳损伤评估深度学习训练的海况训练集及指定数量的用于水下井口系统疲劳损伤评估深度学习模型测试的海况测试集；在有限元分析专业软件中设定隔水管
‑
水下井口
‑
浅层管柱系统参数；设定每个海况对应的隔水管
‑
水下井口
‑
浅层管柱系统动力响应分析案例的总动力响应分析时间与动力响应分析步长，其中动力响应分析步长与监测装置的数据采集频率一致；在隔水管
‑
水下井口
‑
浅层管柱系统参数和总动力响应分析时间与动力响应分析步长的基础上，根据设定的海况训练集与测试集进行隔水管
‑
水下井口
‑
浅层管柱系统动力响应分析。3.根据权利要求2所述的基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，所述隔水管
‑
水下井口
‑
浅层管柱系统参数包括：波浪及海流的海况参数；平台RAO参数；张紧器数量及张紧器刚度的张紧器参数；隔水管
‑
水下井口
‑
浅层管柱系统配置参数；隔水管、水下井口及导管套管设计尺寸参数、干重湿重参数的隔水管参数；附加质量系数、拖曳力系数、惯性力系数的水动力参数。4.根据权利要求1所述的基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，所述提取隔水管
‑
水下井口系统监测点位置的动力响应分析中的加速度数据与目标点位置的动力响应分析中的弯曲应力数据，并将加速度数据和弯曲应力数据作为水下井口系
统疲劳损伤评估深度学习训练的训练集与测试集，随后对训练集及测试集数据进行预处理，具体过程为：在动力响应分析完成后，根据提前确定的隔水管监测点位置与水下井口处目标点位置，分别提取隔水管系统监测点位置的加速度数据与水下井口目标点位置的弯曲应力数据，此时，由海况训练集进行动力响应分析得到的监测点加速度数据与水下井口弯曲应力数据为水下井口系统疲劳损伤评估深度学习模型的训练集，而由海况测试集动力响应分析得到的相关数据为水下井口系统疲劳损伤评估深度学习模型的测试集；将训练集与测试集数据进行归一化处理，具体计算如下：式中，y为归一化之后的数据；x为原数据；x
max
、x
min
分别为每一行数据的最大值和最小值；将加速度数据、弯曲应力数据的时间序列数据进行滑动窗口切片处理，设置滑动窗口大小，从第一个数据开始，滑动窗口依次向右移动一位，每次移动生成一组新的含有滑动窗口长度的数据，将该数据设为n，其中前n
‑
1个数为输入，最后1个数为输出；将训练数据划分为三部分，即训练数据，验证数据和测试数据，其中，训练数据与验证数据出自训练集，取训练集数据的70％为训练数据、训练集数据的30％为验证数据；测试数据从测试集选取。5.根据权利要求1所述的基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，所述以监测点位置的加速度数据与目标点位置的弯曲应力数据输入到LSTM神经网络中进行学习，训练完成后得到水下井口疲劳损伤深度学习模型，具体过程为：设置水下井口系统疲劳损伤评估深度学习模型的训练参数，设置深度学习参数为输入数据与输出结果的特征维度，输入数据特征维度为用于水下井口疲劳损伤评估的监测点数目，输出结果的特征维度为用于水下井口疲劳损伤评估的目标点数目，设置隐藏层的特征维度为35，纵向隐藏层层数为2，随后进行模型训练；模型训练结束后，采用均方根误差和决定系数作为度量标准来评估训练的LSTM模型的性能，均方根误差RMSE的计算方法如下所示：决定系数R2的计算公式如下所示：的计算公式如下所示：的计算公式如下所示：式中，为时间序列数据测量值；为时间序列数据平均值；N数据数量；y
i
为预测值；ss
res
为回归平方和；ss
tot
为总平方和；RMSE为均方根误差；R2为决定系数；
当性能达到指定要求或者迭代达到指定次数时模型训练结束，若没有达到要求则继续进行迭代训练，输出深度学习模型。6.根据权利要求5所述的基于深度学习的水下井口系统疲劳损伤评估方法，其特征在于，进行模型训练的具体过程为：LSTM神经网络在t时刻有3个输入值，分别是目前网络的输入、上一时刻网络的输出h
t
‑1以及上一时刻的单元状态c
t
‑1；同时，LSTM神经网络有2个输出值，分别是当前时刻输出结果h
t
，和现在的单元状态c
t
，这些状态单元的正向计算表示为：f
t
＝σ(W
fx
x
t
+W
fh
h
t
‑1+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)i
t
＝σ(W
ix
x
t
+W
ih
h
t
‑1+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)(7)o
t
＝σ(W
ox
x
t
+W
oh
h
t
‑1+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)式中，σ是表示sigmoid函数；x
t
是t时的输入；W
fx
、W
fh
、W
ix
、W
ih
、W
cx
、W
【专利技术属性】
技术研发人员：李中，王金龙，李凡鹏，谢仁军，王名春，盛磊祥，刘秀全，胡鹏基，刘兆伟，李彦伟，
申请(专利权)人：中海石油中国有限公司北京研究中心，
类型：发明
国别省市：
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。