基于BP网络的石油套管破损检测算法

钱慧芳，罗卉，王玉鑫

(西安工程大学电子信息学院，陕西西安710048)

基于BP网络的石油套管破损检测算法

钱慧芳，罗卉，王玉鑫

(西安工程大学电子信息学院，陕西西安710048)

通过对一种套损设备新型双远场电磁聚焦测厚仪的实验数据算法处理，获得套管厚度变化的检测算法.在数据处理中，包络线法能够快速、准确地提取测得波形的最大幅值，避免了因在线数据的出现干扰造成的误判，提高了检测算法的抗干扰能力;在BP网络训练改进措施中，影响因子数据变化率极大地改善了BP网络的稳定性，提高了网络的通用性，继而提高了检测算法的精度.实验结果表明，此算法能够准确检测到套管因破损变化的厚度，为套管破损的进一步定量化提供了保证.

套管厚度变化;BP算法;包络线法;数据变化率

0 引言

石油套管随着开采年数的增长、使用方案的不断改变以及地质等实际环境因素的影响，油水井中绝大多数套管都存在一定程度的损伤，且损伤数量也在不断地增长.吉林油田套管存在问题的井数约占全部的20%［1］;青海油田，2006年调研的数据有280口套损井，2009年权威部门统计的数据是308口套损井［2］;塔河油田工程测井、施工作业过程中，共计发现有58口井存在不同程度套损现象，约占总数的5.3%［3］.因此，对套管破损状况进行检测具有重要的意义.

目前国内外对石油套管破损检测的主要仪器有超声波测厚仪、涡流测厚仪、漏磁检测仪等.超声波测厚仪虽然有很高的测量精度，但在油井的恶劣环境中会因套管表面不洁而降低准确度［4-5］;涡流测厚仪难以判断破损的种类和深度且受仪器提离效应的影响;漏磁检测仪受套管破损形状的限制［6-7］.所以，目前国内外的测井仪都只能做到定性或半定量分析，完全定量分析一直是个技术难题.新型双远场电磁聚焦测厚仪首先根据发射电磁场原理，在套管内测得线圈电磁场随套管壁厚变化的信号，再根据检测算法找到套管实际变化的大小、深度和形状等参数.此检测算法因具有较高的抗干扰能力和较好的稳定性，使得新型测厚仪在不用推靠系统和不受外界环境影响的条件下具有较高的测量精度，为套管破损的进一步精确定量化提供了保证.

1 套管检测算法

1.1 套管破损检测理论

通过双远场电磁聚焦测厚仪得到的实测波形与参考波形之间的相位变化，可确定套管破损槽的变化趋势，即是继续减薄，还是开始变厚.通过对双远场电磁聚焦测厚仪实测波形的相对幅值变化检测，可知减薄或变厚多少.因此，从实测波形与参考波形之间的相位变化可知实测曲线变化的方向，实测波形的相对变化可确定实测曲线变化的幅度.根据以上原则，就能够通过实测曲线变化，反映出套管破损的状态.

本文采用MATLAB的编程语言对实测波形数据进行处理，利用包络线法快速、准确地提取实测波幅值的最大值并统计数据，以表征实际套管厚度，再根据对应的实际石油套管尺寸，采用BP神经网络算法，找到统计数据和实际石油套管厚度的关系，即套管厚度变化的通用解释方法.

1.2 数据处理

双远场电磁聚焦测厚仪测得的信息是在一个周期内采样的5个点，利用这5个点来绘制实测波，实测波细节如图1(a)所示.

图1 数据处理过程

1.2.1 包络线法为快速、准确地提取实测波幅值的最大值，本文提出了包络线法.将双远场电磁聚焦测厚仪连续测得的5个数据作为一组，连续的n个最大值为一包数据(n=5，3，1).n=5时，为计算方法一; n=3时，为计算方法二;n=1时，为计算方法三.

计算方法为：先求出n个最大值的平均值，再求出相邻两包数据的误差ea.误差ea=abs(maxM2-maxM1)/maxM1.其中，maxM2表示后一包数据的最大值的平均值，maxM1表示前一包数据的最大值的平均值，abs为取绝对值函数.

包络线法流程图如图2所示.其中，ea是通过实验选取的，选取的规则是尽量能快速、准确地用最大值的平均值代替最大值，并且输出的实测波形最大幅值的包络线能较清楚地表征实测波形.接箍处数据处理结果如图1(b)所示.

1.2.2 套管厚度曲线图为提取实测波中套管厚度的特征值，首先绘制出套管厚度曲线，绘制步骤为： (1)提取实测波幅值原始数据的最大值.(2)找出实测波幅值的包络线的拐点.实测波接箍处幅值的包络线的拐点图如图1(c)所示.图1(c)中*曲线为实测波形最大值，圆圈点为辅助找拐点的数据点.*曲线与带圈曲线重合处即是拐点.生成辅助点流程图如图3所示.(3)根据拐点，判断原数据的增减，并保持前一个数据，然后取绝对值.实测波拐点数据保持绝对值图如图1(d)所示.该图即为套管厚度相对变化曲线图.

图2 包络线法流程图

图3 生成辅助点流程图

1.2.3 数据统计本文实验的套管厚度是7.5mm，预先加工好各种破损槽和破损通孔，以便算法的研究.其中包括同样宽度不同深度的槽，同样深度不同宽度的槽以及不同直径的通孔等.套管预先加工的破损槽宽度为10mm;深度分别为4mm，5mm，6mm;破损槽深度为4mm，宽度分别为5mm，10mm，15mm.对实验数据进行了分类统计，分接箍处、同宽不同深处、同深不同宽处等3种情况.数据的统计步骤为：(1)用包络线法求出最大幅值;(2)绘制出套管厚度曲线图;(3)提取图中表征套管厚度的数据.

1.3 BP神经网络

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播.在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层.每一层的神经元状态只影响下一层神经元状态.如果输出层得不到期望输出，则转入反向传播.根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出.

1.3.1 BP神经网络的拓扑结构图4中，该BP神经网络包含三层：第一层为输入层，第二层为隐含层，第三层为输出层.各层神经元仅与相邻层神经元之间有连接;各层内神经元之间无任何连接.其中隐含层的层数及每层隐含层中神经元的数目与实际问题的复杂程度有关，问题越复杂，隐含层的层数及每层隐含层中神经元数目越大.

图4 神经网络拓扑结构

图5 BP算法流程图

1.3.2 检测算法的程序流程图本文检测算法是在BP算法上的实现，在执行算法之前，首先要设置变量和参量.其中Wmi(n)为第n次迭代时输入层与隐含层之间的权值向量;Wip(n)为第n次迭代时输出层与隐含层之间的权值向量;n为迭代次数，k为训练样本的下标，MaxL为最大迭代次数，MaxT为训练样本的总数，ζ为能量最小误差.BP算法的程序流程图如图5所示.

2 方案实现算法及结果分析

2.1 直接法

根据按箍处统计数据和套管厚度为0～7.5mm处的统计数据建立模型样本，选取60个训练样本用于BP网络训练学习，选取20个泛化样本用于在训练过程中测试网络的泛化能力.

首先对样本数据进行归一化处理.把所有统计数据映射到0～1范围之内，其目的是取消各维数据间数量级差别，避免因为输入输出数据数量级差别大而造成网络预测误差大.本文采用归一化公式y=(x-MinV)/(MaxV-MinV).其中，x，y分别为转换前、后的值，MaxV，MinV分别为需归一化样本中的最大值和最小值.

然后建立BP网络图，带圈曲线表示归一化后的训练样本，光滑曲线表示未训练网络的输出(图6 (a));图6(c)中，带圈曲线表示归一化后的泛化样本，带×曲线表示网络的期望输出，光滑曲线表示网络的实际输出;图6(d)中，带圈曲线表示输入样本数据权值矩阵，带☆曲线表示网络输出权值矩阵.在图7 (d)中，带*曲线表示输入斜率数据权值矩阵，其余a、b、c、d曲线含义同图6.其中，标记点o、*、☆表示数据点.

图6 直接法训练过程及输出结果

图7 改进法训练过程及输出结果

网络初始化后，得到网络训练过程及其结果.从图6可看出训练过程相对稳定，实验输出的最大误差A处的网络输出与期望输出的差值达0.266，训练步数为207步，训练精度为0.01.输出的权值矩阵不稳定，网络的通用性较差.由于实测波形变化的不确定性带来网络输入的突变，造成网络的不稳定，导致输出不能够精确表征套管厚度的变化程度.

2.2 增加数据影响因子的改进法

2.2.1 BP算法的改进增加数据影响因子——数据变化率.为了解决在标准BP算法的训练中，因实测波形变化的不确定性带来输入的突变而造成的网络不稳定的问题，在训练样本中增加了样本数据变化率.样本数据变化率表征了套管实测波形的变化趋势，给网络权值的修正提供了一个方向性指导，以提高网络训练的稳定性.其求数据变化率的公式为K(j)=(SA(j)-SA(j-1))/SA(j-1).其中，SA(j)和SA(j-1)分别表示第j和第j-1个样本数据，K(j)为第j-1个样本到第j个样本的数据变化率.

2.2.2 改变训练函数增加数据影响因子之后，使用训练函数‘trainbfg’训练网络，多次训练调试网络，发现网络的收敛速度变慢，并且有时不收敛.训练函数‘trainlm’适用于中等规模的BP神经网络，具有最快的收敛速度，是系统默认的算法.选取训练函数‘trainlm’之后，网络加快了收敛速度，相对提高了精度，而‘trainbfg’适用于小网络.

训练调试网络，将隐含层节点数由原来8增加至10.如图7训练过程所示，与改进前的网络相比，不仅训练精度的数量级提高到0.000 1，而且训练步数减少到188步，使收敛速度明显增加;网络输出与期望输出十分吻合，其输出最大误差减小为0.020;图7(d)所示此次训练网络的输出权值矩阵变化幅度较小，即网络的稳定性变好.

比较两个方案的实验结果，将数据变化率也作为输入后，网络的通用性变好.最终选取了增加数据影响因子的改进法为BP算法实现方案.

3 结束语

通过包络线法提取仪器设备测得波形的最大幅值，进而采用BP神经网络的方法获得套管厚度的变化.实验结果表明，提出的包络线法能够避免因在线数据出现的干扰造成的误判，提高了检测算法的抗干扰能力;在BP网络训练改进措施中，增加的数据变化率改善了BP网络的稳定性，提高了检测算法的精度，使得网络具有很好的通用性.本文提出的检测算法为套管破损的进一步定量化提供了保证，潜在的经济效益非常巨大.虽然BP神经网络并不是十分的完善，存在学习收敛速度慢，网络样本具有依赖性，容易陷入局部极小点等缺陷，但结合文中改进型算法可达到很好的实际效果.

［1］杨艳芬.吉林油田套损井状况及检测技术［J］.中国新技术新产品，2011(8)：131.

［2］张顺世，王俊民.青海油田套损现状及综合治理技术［J］.青海石油，2009，27(4)：2.

［3］张春轶，邓洪军.塔河油田油井套损现状及主要影响因素［J］.油气田地面工程，2011，30(7)：2.

［4］KALININ V A，TARASENKO V L，DOBRAOMYSLOV V M，et al.UT-94P ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1991，27(7)：453-459.

［5］KOROLEV M V，KONOVALOV A A，STARIKOV B P.UT-56B auto calibrated ultrasonic thickness gauge［J］.The Soviet Journal of Nondestructive Testing，1988，24(4)：271-276.

［6］CHEN Jinzhong，LI Lin，SHI Jinan.Magnetic flux leakage detection technology for well casing on neural network［C］//2nd 2008 International Symposium on Intelligent Information Technology Application Workshop，Inst of Elec and Elec Eng Computer Society，2008.

［7］CHEN Jinzhong，LI Lin，XU Binggui.Magnetic flux leakage testing method for well casing based on Gaussian kernel RBF neural network［C］//2008 International Conference on Advanced Computer Theory and Engineering，Inst of Elec and Elec Eng Computer Society，2008.

Study on oil casing damage detection algorithm based-on BP network

QIAN Hui-fang，LUO Hui，WANG Yu-xin

(School of Electronic and Information，Xi'an Polytechnic University，Xi'an，710048，China)

After a large number of experiments，a detection algorithm is studied which can get the casing thickness variation by an algorithm processing for the experimental data of this casing damage equipment.In data processing，the envelope method presented in the paper can quickly and accurately pick out the maximum amplitude of the measured waveform and avoid the misjudgment caused by interference of online data emergence.Therefore，it greatly improves the anti-interference ability of the detection algorithm.In the BP network training improvement measures，data impact factor——data change rate is added which can greatly improve the stability of the BP network，improve the universality of the network，and then improve the accuracy of detection algorithms.The experimental results show that the improved detection algorithm can accurately measure and get the varying thickness caused by the damage of the casing.It provides a guarantee for further quantitative of casing damaged.

casing thickness variation;BP neural network;envelope method;data change rate

TP 301.6

A

1674-649X(2014)01-0084-05

编辑：武晖;校对：孟超

2013-06-03

钱慧芳(1969-)，女，安徽省灵璧县人，西安工程大学副教授，主要从事图像分析及其机器视觉在纺织业的应用等方面的研究.E-mail：qhfqq@sohu.com