基于直流磁场和集成学习的高含硫气井套管缺陷识别方法

1.本发明属于导电结构无损检测领域，尤其涉及一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法。


背景技术：

2.现代油气工业中，油气的采集需在油管外层添加套管对井壁进行支撑，维持油气井正常运行。然而对于高含硫气井，其工作条件恶劣，套管在盐膏岩层段受外部压力变形问题较为突出，包括：单面挤压、弯曲、横纵缝等，影响油管内油气输送的安全。了解套管的缺陷类型可以帮助了解井下地质状况，做出相应的修复措施和油气采集措施。受高含硫气井一体式永久性完井管柱的限制，国内外已有的常规多臂井径和井下电视等测井手段无法实现透过油管测量套管变形状况，而脉冲涡流检测、次声波检测等方法多适用于单管检测，在双管检测中存在较大误差。而直流磁场信号对于双管检测有较好的效果，因此，如何基于所测得的直流磁场数据，判别套管的缺陷类型对于高含硫气井的开采具有重要意义。
3.目前国内外对基于直流磁场信号的套管缺陷分类方法研究较少，比较成熟的研究多是基于脉冲涡流信号、漏磁信号的缺陷分类方法。如金航等人结合脉冲涡流信号，将响应信号的时域特征和频域特征相组合，利用svm分类器进行套管缺陷的分类。张曦郁等人提出基于堆叠自编码神经网络的分类方法。将这些分类方法直接应用到直流磁场信号中时，难以有效提取直流磁场信号中的缺陷畸变特征，造成分类准确性较差。


技术实现要素：

4.本发明的目的在于针对现有技术的不足，提供一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法。本发明采用集成学习的bagging装袋算法组合多种弱分类器。
5.本发明的目的是通过以下技术方案来实现的：一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，该方法包括如下步骤：
6.s1：利用直流磁场传感器对高含硫气井缺陷套管进行扫描检测，获取套管缺陷的静态磁信号，并根据实际缺陷类型进行标注。
7.s2：对步骤s1获取的静态磁信号进行预处理。
8.s3：利用滑动平均法，对步骤s2预处理后的静态磁信号进行数据移位，实现同一缺陷类型下畸变部位的相位对齐。
9.s4：将步骤s3相位对齐后的数据，利用主成分分析，进行特征提取。
10.s5：基于步骤s5提取的特征，及其对应的缺陷类型，训练多分类器。利用集成学习的装袋算法，以加权平均的方式将多个弱分类器的分类结果相结合。
11.s6：将待测高含硫气井缺陷套管经过步骤s1～s4的处理，提取得到对应的特征，输入步骤s5训练后的多分类器，获得模型预测的高含硫气井套管缺陷识别结果。
12.进一步地，步骤s1中，缺陷类型包含：单面挤压、双面挤压、弯曲、横缝、纵缝、孔洞、四面挤压、无缺陷。
13.进一步地，步骤s3中，对静态磁信号数据进行循环移位，分别计算不同移位情况下的皮尔逊相关系数，将最小皮尔逊相关系数下的移位长度作为最佳移位长度，得到数据移位后的静态磁信号。
14.进一步地，步骤s2中，预处理包括平滑滤波、数据中心化等。
15.进一步地，步骤s5中，弱分类器为svm分类器或决策树分类器。
16.进一步地，步骤s5中，多分类器包括2n个弱分类器，弱分类器为二分类模型，具体为n个svm分类器和n个决策树，n是缺陷类型数。每个弱分类器分别预测特定缺陷类型和其他缺陷类型的概率，每种缺陷类型分别由一个svm分类器和决策树分类器进行预测。每种缺陷类型的概率基于弱分类器预测概率进行加权求和，最后通过softmax函数进行归一化，输出各缺陷类型的概率，概率最高的输出为缺陷类型。
17.本发明的有益效果是：本发明有效提取了套管的畸变特征，具有较高的分类精度，对于不同高含硫气井井况具有良好的泛化性能，因此可有效的应用于高含硫气井的套变情况监测。
附图说明
18.图1是本发明基于直流磁场和集成学习的高含硫气井套管缺陷识别流程图；
19.图2是本发明的集成学习算法的示意图。
具体实施方式
20.下面结合附图，对本发明进一步详细描述：
21.如图1所示，本发明一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，包括以下步骤：
22.s1：利用直流磁场传感器对高含硫气井缺陷套管，进行扫描检测，获取套管缺陷的静态磁信号，并标注对应的实际缺陷类型。缺陷类型包含：单面挤压、双面挤压、弯曲、横缝、纵缝、孔洞、四面挤压、无缺陷。
23.s2：对步骤s1获取的静态磁信号进行平滑滤波、数据中心化等预处理。
24.s3：利用滑动平均法，对步骤s2预处理后的静态磁信号数据进行循环移位，通过求取不同移位情况下静态磁信号之间的皮尔逊系数，将最小皮尔逊相关系数下的移位长度作为最佳移位长度，对静态磁信号进行数据移位，实现同一缺陷类型下不同深度测量信号(畸变部位)的相位对齐。
25.s4：将步骤s3相位对齐后的数据分成训练集和测试集，划分方法为bootstrapping法。
26.s5：利用主成分分析对步骤s3相位对齐后的数据进行特征提取。
27.s6：基于步骤s5提取的训练集特征，及其对应的缺陷类型，训练多分类器。利用集成学习的bagging装袋算法，以加权平均的方式将多个弱分类器的分类结果相结合。
28.如图2所示，多分类器包括2n个弱分类器，弱分类器为二分类模型，具体为n个svm和n个决策树，这里n＝8是需要分类的缺陷类型数。每个弱分类器分别预测某一种缺陷类型和其他缺陷类型的概率，每种缺陷类型分别由一个svm分类器和决策树进行两次预测。每种缺陷类型的概率基于所有弱分类器的预测概率进行加权求和，最后通过softmax函数归一
化，多分类器最终输出各种缺陷类型的概率，概率最高的输出为缺陷类型。
29.s7：把步骤s5提取的测试集特征，输入到步骤s6训练后的多分类模型中，获得高含硫气井套管缺陷识别结果。


技术特征：
1.一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，包括如下步骤：s1：利用直流磁场传感器对高含硫气井缺陷套管进行扫描检测，获取套管缺陷的静态磁信号，并根据实际缺陷类型进行标注。s2：对步骤s1获取的静态磁信号进行预处理。s3：利用滑动平均法，对步骤s2预处理后的静态磁信号进行数据移位，实现同一缺陷类型下畸变部位的相位对齐。s4：将步骤s3相位对齐后的数据，利用主成分分析，进行特征提取。s5：基于步骤s5提取的特征，及其对应的缺陷类型，训练多分类器。利用集成学习的装袋算法，以加权平均的方式将多个弱分类器的分类结果相结合。s6：将待测高含硫气井缺陷套管经过步骤s1～s4的处理，提取得到对应的特征，输入步骤s5训练后的多分类器，获得模型预测的高含硫气井套管缺陷识别结果。2.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤s1中，缺陷类型包含：单面挤压、双面挤压、弯曲、横缝、纵缝、孔洞、四面挤压、无缺陷。3.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤s3中，对静态磁信号数据进行循环移位，分别计算不同移位情况下的皮尔逊相关系数，将最小皮尔逊相关系数下的移位长度作为最佳移位长度，得到数据移位后的静态磁信号。4.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤s2中，预处理包括平滑滤波、数据中心化等。5.如权利要求1所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤s5中，弱分类器为svm分类器或决策树分类器。6.如权利要求5所述基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，其特征在于，步骤s5中，多分类器包括2n个弱分类器，弱分类器为二分类模型，具体为n个svm分类器和n个决策树，n是缺陷类型数。每个弱分类器分别预测特定缺陷类型和其他缺陷类型的概率，每种缺陷类型分别由一个svm分类器和决策树分类器进行预测。每种缺陷类型的概率基于弱分类器预测概率进行加权求和，最后通过softmax函数进行归一化，输出各缺陷类型的概率，概率最高的输出为缺陷类型。

技术总结
本发明公开了一种基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，根据直流磁场信号，采用集成学习方法建立针对套管缺陷的多分类模型，主要包括预处理、特征提取、缺陷分类等步骤。首先利用滑动平均法对数据预处理，实现同种缺陷类型下直流磁场信号的相位对齐；然后用主成分分析对直流磁场信号进行特征提取；最后利用集成学习的装袋算法，以加权平均的方式将多个SVM分类器与决策树分类结果相结合，实现多种套管缺陷识别。本发明建立的基于直流磁场和集成学习的高含硫气井套管缺陷识别方法，有效提取了套管的畸变特征，具有较高的分类精度，对于不同高含硫气井井况具有良好的泛化性能，因此可有效的应用于高含硫气井的套变情况监测。套变情况监测。套变情况监测。


技术研发人员：黄平捷 任昊 侯迪波 赵腾 王晓伟 上官培俊 喻洁 张光新 张宏建
受保护的技术使用者：浙江大学
技术研发日：2021.11.29
技术公布日：2022/3/8