基于实验研究的油气钻采水平两相流管道泄漏声发射检测*

张 源 杜莎莎 顾纯巍 夏 强 刘鹏谦 徐长航

(1. 中国石油大学(华东) 机电工程学院 山东青岛 266580； 2. 中海石油(中国)有限公司钻完井办公室 北京 100010)

两相流由于多样的流型以及气液滑移速度、两相比率、混合物黏度等多种参数，相对于单相流复杂得多。随着工业技术的发展，两相流管道在工程中的使用越来越广泛[1]，尤其在海上石油钻采、集输过程中，往往油、气或油、水两相混合输送[2]。随着管道数目的增加、使用年限的增长，越来越多的管道因受到磨损、腐蚀、自然或人为损坏等原因产生泄漏。但由于两相流复杂多样的特点，可能会对泄漏检测效果产生影响[3]，使用常规的输油管道检测系统对两相流管道实施泄漏检测，效果不好，灵敏度差且误报多[4]。而输油管道生产运行中安全工作又十分重要[5]，管道的泄漏会影响油气的正常运输、造成周边环境的污染，从而造成重大的经济损失和极其恶劣的社会影响。因此，为保证两相流管道的安全工作，采取有效的检测与监测技术非常必要[6]。

声发射检测技术作为一种新型的无损检测技术，可以在管道不停运的情况下，用于判断管道是否泄漏和对管道泄漏点的位置进行定位，该技术对物体的形状和周围的环境要求不高。因此，应用声发射检测技术对两相流管道泄漏在线监测非常有前景。国内外学者对管道泄漏的声发射信号特性、信号处理方法及泄漏识别方法进行了大量研究。在信号特性研究方面，Davoodi等[7]使用小波变换去噪方法对声发射波形信号进行处理，研究了承压管道中由于泄漏引起的声发射信号的振动特性并对其进行建模；王朝辉 等[8]对信号随传播距离增长的衰减规律进行了总结。在信号处理方面，Magidi等[9]利用短时傅里叶变换和小波变换结合的方法，对塑料材质管网泄漏产生的声发射信号的幅值特征及泄漏源定位方法进行了研究；Ghazali等[10]利用标准希尔伯特变换、直接正交、Teager能量算子和倒谱等瞬时频率分析方法对声发射信号进行了分析。在泄漏识别方面，焦敬品 等[11]得出最佳神经网络输入及结构参数，利用优化后的BP神经网络对实验室及现场管道泄漏声发射信号进行了交叉训练和识别，信号识别率高达92.5%，证明了该识别方法的有效性和普适性。阳子轩 等[12]对复杂管道是否泄漏、泄漏量多少、泄漏点位置等3个方面的问题，利用BP神经网络进行了研究。

虽然很多的国内外研究学者对管道泄漏的声发射检测技术进行了大量的研究，但是对于两相流管道泄漏的研究非常的少。在两相流管道泄漏的研究中，最重要的是管道泄漏存在性识别，其次是泄漏流型识别。因为泄漏存在性判断是检测管道是否处于健康运行状态的直接反映；而由于很多两相流分析方法的建立都是基于特定流型提出的，在分析前首先应确定流型，同时不同流型的泄漏造成的后果也会有所不同，应分情况采取不同措施应对，因此流型的区分对于两相流泄漏的研究分析也起到非常重要的作用。因此，本文搭建了水平两相流管道泄漏实验系统，考虑泄漏孔径、泄漏方向、管道压力的影响，对层状流、弹状流、环状流3种经典的两相流流型产生的声发射信号进行采集，对采集的信号使用经验模态分解去噪并使用3层小波包分解进行特征提取，使用BP神经网络对泄漏存在性及泄漏流型进行模式识别，并将其与不去噪的情况进行对比，证明了该方法在两相流泄漏识别的可行性与优越性。

1 两相流泄漏识别原理与方法

1.1 水平管道气液两相流类型

一般水平管道气液两相流分为6种：气泡流、塞状流、分层流、波状流、弹状流和环状流，其流型如图1所示，本文选择其中较为典型的分层流、弹状流、环状流进行研究。

图1 水平管道两相流流动类型Fig .1 Regimes of two-phase flow in horizontal pipeline

1.2 声发射泄漏检测原理

材料在外加载荷或者自身内力的作用下，内部结构发生改变，就会产生声发射信号，对该信号进行采集分析就能得到材料的一些信息。管道泄漏与材料内部结构变化产生应力波的机制不同，管道泄漏的声发射现象并不是以上所说的传统意义的声发射现象[13]，但一般人们将管道泄漏产生的声发射现象视为广义的声发射现象。由于管壁的阻尼作用，由泄漏引起的管壁振动产生的应力波只有与管道产生共振的频率才能传播较远距离[14]。只要在被监测管道上安装声发射传感器，就可以检测到带有泄漏源信息的应力波。针对本文所研究的油气钻采过程中所使用的水平气液两相流管道泄漏，可通过将声发射传感器安装至管壁的方式，使用声发射采集系统对信号进行采集。泄漏时的信号会与不泄漏时的信号有一定的差别，但与一般单相流管道不同的是，该类管道泄漏信号与不泄漏信号的差别并不明显。因此，需使用合适的信号处理方法对该类信号进行处理，然后对泄漏进行识别。

1.3 声发射信号处理方法

1.3.1小波包分解

小波包分解(Wavelet Packet Decomposition，WPD)采用一组低通与高通共轭正交镜像滤波器组，将同频范围内高频信号与低频信号进行不同层次的分解。

(1)

(2)

1.3.2经验模态分解

经验模态分解(Empirical Mode Decomposition,EMD)是以傅里叶变换为基础的线性和稳态频谱分析的一个重大突破[13]。该方法根据自身时间尺度进行信号分解，不需要设定任何基函数，因此EMD法可以应用于任何类型信号的分解，特别是在处理非平稳信号有非常大的优势。本质上，EMD法是一种将时频信号按频率分解的数值算法，得到不同频率段信号的分布[15]。

1.4 BP神经网络

BP神经网络是一种基于误差反向传播训练算法的神经网络，是目前应用最广的神经网络模型之一。BP神经网络在输入层与输出层之间增加若干层神经元，这些神经元称为隐藏单元，隐藏单元与外界没有直接的联系，但其状态的改变，能影响输入与输出之间的关系。一个神经元工作原理如图2(a)所示，其中xi为不同的输入，Wi为神经元之间的连接权值，θ为阈值，f为激励函数，y为输出。本文所用的3层BP神经网络结构如图2(b)所示。

图2 BP神经网络示意图Fig .2 Schematic diagram of BPNN

1.5 方法框架

针对气液两相流的特点，结合近年来基于机器学习进行的流型识别研究，本文提出的泄漏识别方法如图3所示，包括泄漏存在性识别与泄漏流型识别。首先使用声发射采集系统采集泄漏产生的声发射信号，使用EMD方法对信号进行去噪后，用小波包分解提取信号的能量占比作为机器学习的特征，然后使用BP神经网络对这些信号样本进行学习，对学习好的模型进行测试判断其准确性后即可用于之后的泄漏判断。

图3 本文提出的泄漏识别方法框架Fig .3 Framework of leakage identification method proposed in this paper

2 实验研究

由于气液两相流管道复杂多样，实际工程中很难获得研究所需的各种数据。因此，需要对气液两相流管道的泄漏进行室内实验。本次实验基于中国石油大学(华东)储运与建筑工程学院油气两相分配与计量实验室的气液两相流实验系统进行，在原实验系统中另外安装管道泄漏模块，如图4所示。实验采用的气液两相流管道泄漏系统总长共18 m，包括1根液体输送管道和1根气体输送管道、若干法兰和阀门、若干流量表和压力表、压缩机、水泵等。该系统可以通过控制压缩机和泵对整个系统进行开停控制，液体和气体在管道中形成两相流，小部分两相流从泄漏模块泄漏出来，大部分两相流沿循环管路送至分离器分离，液体继续循环，气体排放掉。开启系统后可通过调节压缩机和水泵调节流体流速，从而改变气液两相流流型，通过可视模块观察并记录流型种类。本实验分别对层状流、弹状流、环状流3种流型的无泄漏、不同泄漏孔大小泄漏、不同气压泄漏及不同泄漏方向的情况进行实验。系统中用到的泄漏模块包含2根壁厚2 mm、内径16 mm的带有2 mm/4 mm泄漏孔的管道，其中泄漏孔在管道正中间；为实现实验对照，另有1根相同尺寸的完好管道用于无泄漏实验。泄漏产生声发射信号被耦合在管道上的声发射信号采集系统获取，采集泄漏声发射信号所用的信号采集系统由美国物理声学公司(PAC)生产的PCI-2声发射采集卡、WSα传感器、前置放大器、信号电缆、AEwin声发射采集软件组成。

图4 气液两相流实验系统Fig .4 Gas-liquid two-phase flow experimental system

将声发射传感器耦合至2 mm/4 mm泄漏模块泄漏孔上游50 mm处，通过可视模块观察流型，调整气液流速调整流型开始实验。分别对层状流、弹状流、环状流等3种流型在0.1～0.4 MPa压力下的竖直向下、水平、竖直向上等3个泄漏方向(下文分别简写为0°、90°、180°)进行实验，压力变化通过调整阀门开度实现，泄漏方向通过改变管道安装方向实现。在两相流管道泄漏的同时使用声发射检测设备采集声发射信号。最后将传感器安装至完好管道相同位置，并对泄漏对应的无泄漏工况背景噪声信号进行采集，将采集到的信号作为之后提出的方法的数据集。

3 泄漏信号特征提取

气液两相流泄漏产生的声发射信号极其复杂，需要对其进行合适的特征提取后才可以实现较好的模式识别。本文使用经验模态分解去噪后进行小波包分解的方法，对泄漏信号的能量占比进行了提取，提取的特征将作为BP神经网络模式识别的输入。使用EMD对两相流管道泄漏声发射信号去噪后会产生11个固有模态函数(IMF)分量(C1—C11)。以2 mm泄漏孔径、0.2 MPa压力、0°泄漏方向时层状流、弹状流、环状流3种流型使用经验模态分解做出的IMF分量图为例，结果如图5所示。

从图5中3种流型11个IMF分量可以看出，前6个IMF分量存在明显的波动，说明前6个IMF分量中存在大量的泄漏信息，而后5个IMF分量波动相比前6个小得多，类似于正弦信号，不存在很多有用的信息。为验证上述现象，对声发射信号的能量在每个IMF分量的能量占比进行计算，结果见表1。由表1计算可知，3种气液两相流泄漏的声发射信号进行EMD分解后能量主要集中于C1、C2两个分量，之后的每个分量的能量占比非常少且呈减少趋势。3种流型每种的前6个IMF分量的能量占比之和分别为93.95%、92.87%、94.86%，如此高的能量比可以说明前6个IMF分量几乎可以表示整个声发射信号的特征。因此，将前6个IMF分量进行信号重构。

图5 3种流型泄漏声发射信号EMD分解结果Fig .5 EMD results of leakage acoustic emission signals of three flow regimes

表1 能量在各IMF分量的分布情况Table 1 Distribution of energy in IMF components

为对气液两相流管道泄漏的声发射信号进行更深层次的处理，选用Daubechies小波基，对重构的信号进行3层小波包分解，分解后得到信号在8个不同分量的能量占比。以2 mm泄漏孔径、0.2 MPa情况下得到的两相流信号为例做出的小波包分解图，结果如图6所示。将不同情况下的小波能量占比作为提取的特征输入BP神经网络，进行模式识别。

图6 气液两相流泄漏信号小波包分解能量分布Fig .6 Wavelet packet decomposition energy distribution of gas-liquid two-phase flow leakage signal

4 基于BP神经网络的模式识别

基于对于气液两相流管道泄漏的声发射信号的经验模态分解去噪后使用3层小波包分解的提取结果，建立BP神经网络，将提取出的特征作为输入使用BP神经网络进行模式识别，并对比不进行去噪使用小波包提取的特征的识别正确率。

4.1 泄漏存在识别

气液两相流泄漏模式识别研究，最重要的是使用方法对泄漏是否存在进行准确判断。将采集到的泄漏孔径2 mm、泄漏方向为0°情况下的层状流泄漏、弹状流泄漏、环状流泄漏的声发射信号以及其各自的背景噪声的声发射信号使用小波包分解经验模态分解+小波包分解2种方法进行特征提取，每组数据使用10 000个原始数据，进行3层小波包分解后得到8个输出数据，每种不同状态信号含25组数据，因此每50组数据作为一组输入数据集，将泄漏状态设置为状态1、无泄漏状态设置为状态2，具体数据见表2。

表2 BP神经网络有无泄漏输入数据集Table 2 Input data of BP neural network for leakage identification

将50组数据输入BP神经网络中，随机选择其中35组为训练数据，15组为测试数据，共进行6组识别。为方便对比，将同种数据类型2种分解方法的识别结果放在一起。取5次识别结果的平均值，结果见表3。

表3 BP神经网络有无泄漏识别正确率Table 3 Accuracy of BP neural network leakage identification

从表3数据对比可知，使用小波包分解的方法得到的数据作为输入，3种流型有无泄漏的平均正确率为83.8%。使用EMD重构后进行小波包分解达到的数据为输入3种流型有无泄漏的平均正确率为88.9%。对比2种分解方法的正确率，可以发现使用EMD分解去噪后进行小波包分解的正确率有明显升高。

4.2 泄漏流型识别

气液两相流的流型判断也在气液两相流流动规律的研究中起到重要作用[16]，因此将该方法用在识别泄漏的同时将泄漏流型同时判断出来。将采集到的泄漏孔径2 mm、泄漏方向为0°情况下的层状流泄漏、弹状流泄漏、环状流泄漏的声发射信号以及3流型的背景噪声的声发射信号使用小波包分解和经验模态分解+小波包分解2方法进行分解，每组数据使用10 000个原始数据，进行3层小波包分解后得到8个输出数据，每种不同状态信号25组数据，总共100组数据作为输入数据集，将层状流泄漏设置为状态1、弹状流泄漏设置为状态2、环状流泄漏设置为状态3，背景噪声设置为状态4，数据见表4。

表4 BP神经网络不同流型泄漏输入数据集Table 4 Input data of BP neural network leakage for regime identification

将100组数据输入BP神经网络中，随机选择其中75组为训练数据，剩下的25组为测试数据，共进行2组识别。通过测试数据可得到识别的结果及准确性。取5次识别结果的平均值，结果见表5。从表5结果可以看出，使用小波包分解的方法得到的数据作为输入，4种模式的平均识别正确率为80.1%；使用EMD分解后进行小波包分解得到的数据作为输入，4种模式的平均识别正确率为84.1%。对比2种分解方法的正确率，可以发现相对于直接小波包分解，使用EMD分解重构后再进行小波包分解可以较好地提高识别的正确率。

表5 BP神经网络不同流型泄漏识别正确率Table 5 Accuracy of BP neural network leakage regime identification

5 结论

本文以水平气液两相流管道泄漏为研究对象，使用声发射检测技术，对搭建的泄漏实验系统进行声发射信号的采集，并基于经验模态分解和小波包分解对信号进行特征提取，使用BP神经网络对两相流泄漏的存在性及泄漏流型进行了判别，为油气钻采中广泛存在的水平气液两相流管道的泄漏检测提供了理论基础，得到的认识主要有：

1) 通过声发射的方法可以有效接收到两相流管道泄漏产生的声发射信号，并将该信号转化为有效信息。

2) 通过经验模态分解的方法进行去噪并通过小波包分解的方法进行特征提取，是提取气液两相流泄漏产生的声发射信号特征的有效方法。

3) 将通过本文提出的方法进行特征提取后的结果输入BP神经网络，对泄漏存在性及泄漏流型进行识别，分别得到88.9%和84.1%的结果，对于复杂的两相流来说，正确率较高。将得到的结果与不去噪的方法提取的特征放入BP神经网络进行对比，发现该方法可对识别正确率进行较好提升。