基于卷积胶囊网络的油套管变形程度评估方法

施佳椰,王章权,,徐 菲,刘半藤,周 莹

(1. 常州大学信息科学与工程学院数理学院，常州 213164； 2. 浙江树人大学信息科技学院，杭州 310015；3. 中国石化中原油田分公司石油工程技术研究院，濮阳 457000)

随着我国化工、机械、制造等行业的快速发展，对石油天然气能源的需求也日益增加。然而，在实际开采和运输过程中，由于长期受严苛工作环境的影响，如：地层运动、泥层膨胀等[1]，井下管道会受到挤压并发生形变，导致测试、作业遇阻遇卡，若不持续监测变形程度并及时进行相应处理，会影响油气井正常生产，严重时会造成油管破裂、有害有毒气体泄漏、油气井停产甚至封井，经济损失和安全隐患是巨大的[2]。因此，需要实时进行在役检测，对管道挤压形变情况进行估计，并进行针对性的处理，以提高油气井作业的安全性，减少事故发生，避免能源浪费和环境污染。

无损检测已成为产品质量监测的重要技术手段，在管道检测中也得到广泛应用。目前，管道检测常用的无损检测技术主要有超声波检测技术、光学类检测技术、漏磁检测技术和脉冲涡流检测技术等[3-6]。石油钻井管道是多层管柱结构，需要探测设备能够穿过内部油管检测到外部套管的状况，并且井下检测还受光照、温度、压力等恶劣条件的影响，因此一般采用电涡流检测方法对石油套管进行检测[7]。本工作采用某公司生产的脉冲电磁探伤测试仪作为电涡流检测设备，将脉冲电磁探伤测试仪垂直放入油气管内透过油气管对套管进行检测，获得电涡流检测数据；采用多臂井径测试仪对套管的内径进行物理检测，获得多臂检测数据；通过构建电涡流数据和多臂数据的反演模型实现油套管的形变估计。

目前，对管道缺陷进行反演的常用方法包括贝叶斯估计、支持向量机、神经网络等[8]。田凯等[9]提取静态阈值和一阶微分信号极小值作为特征值并采用基于贝叶斯算法的BP神经网络对管道缺陷长度、宽度等进行量化；朱红秀等[10]对差分信号的峰谷值进行分析并对RBF神经网络进行优化，提高缺陷量化的泛化能力；程迪等[11]采用结合粒子群优化的支持向量机缺陷量化方法对缺陷的深度和长度进行量化。但在实际井下管道检测中，缺陷形状、大小、走向、成因复杂、仪器受外界干扰多等问题会导致信号的缺陷响应特征难以准确提取；同时为了获得较全面的探测信息，需要多样化的检测仪器探头类型、布局、扫描方法和参数配置，这导致采集到的信号数据复杂庞大且特征难以提取，因此有学者引入深度学习的思想进行建模以解决上述问题[12]。ZHANG等[13]将深度学习应用到滚动轴承故障诊断中，用卷积神经网络对一维时域信号进行建模和故障分类，避免了复杂的特征提取；张东晓等[14]考虑到真实地下情况复杂和非均质性较强，将循环神经网络用于测井曲线的重构中，生成的测井数据精度更高；张曦郁等[15]采用堆叠自编码器神经网络进行多特征提取和融合对双层套管腐蚀缺陷进行分类，相比传统的特征提取与神经网络方法具有更好的分类效果。本工作针对多探头检测的情况下，上述方法建模时均未考虑各探头信号间的特征联系，易受被干扰探头的影响，导致量化精度不足的情况，提出了一种基于深度学习的卷积胶囊网络模型，利用胶囊网络的原理改进卷积神经网络，将各探头信号特征向量作为底层胶囊单元构建胶囊网络，考虑不同探头信号间的关系和对量化结果的贡献程度，抑制局部干扰影响，以期提升模型特征提取能力和量化精度。

1 基于深度学习的卷积胶囊网络模型

用胶囊网络对传统的卷积网络进行改进，提出基于深度学习的卷积胶囊网络算法，结构如图1所示。

图1 卷积胶囊网络结构Fig. 1 Convolution capsule network structure

首先对原始涡流信号进行预处理，将不同探头采集到的信号在深度和时序上进行对齐；然后构建卷积网络分别对不同探头信号进行特征提取，获得不同探头信号的卷积特征；再构建胶囊网络，提出非线性映射矩阵的方法对卷积后的特征进行“特征-胶囊单元”映射，设计基于不同探头信号特征向量的底层胶囊单元，采用动态路由机制优化模型参数整合底层胶囊单元得到高层胶囊单元。该模型充分考虑了不同探头信号间的特征联系，加强了底层特征与目标输出间的内在联系，增强模型的非线性拟合能力。

1.1 卷积层网络

分别对不同探头使用卷积网络进行特征建模，得到相应的特征向量。卷积网络包含两个卷积层和两个激活层，通过设计卷积核的尺寸和个数，将每一个卷积核作为特征探测器，与输入层进行卷积运算，得到新的特征层，卷积层的计算公式可以表示为

(1)

(2)

(3)

1.2 胶囊层网络

胶囊层网络包括映射层和胶囊层，映射层采用自适应映射矩阵对向量维度进行转换，胶囊层将不同胶囊单元的结果进行整合输出。映射层将经过卷积层网络运算后的各个探头对应的三维张量进行P×U维度的特征非线性映射，即得到P个胶囊单元对应探头信号的特征向量，每个包含U个特征元素，胶囊单元的空间联系可以用来表示探头间的特征联系。胶囊层使用动态路由算法将低层特征整合并获得高层胶囊单元，将底层胶囊单元与高层胶囊单元的差异作为反馈更新权重矩阵，经过迭代计算获得最优权重矩阵，此时高层胶囊单元的向量模长便为模型输出。

在映射层中，提出自适应映射矩阵 ，采用Transform函数将三维张量映射成一维，随着训练的进行，其参数会动态修正。映射层的表达式如下：

U=Transform(Q)=Q×T

(4)

式中，Q代表卷积层输出的各探头对应的三维张量，U代表卷积网络输出的各探头的一维特征向量。

胶囊层的动态路由算法框架如图2所示(以3个胶囊单元输入为例)，主要包含3个阶段：

图2 胶囊层示意图Fig. 2 Schematic diagram of capsule layer

第一阶段将底层胶囊单元Ui与权重矩阵Wij相乘后得到uj|i为预测向量，其公式可由式(5)表示。

uj|i=WijUi

(5)

第二阶段对预测向量Uj|i进行加权求和得到输出向量sj，其公式可由式(6)表示，其中cij为耦合系数，对sj使用非线性激活函数Squash得到高层胶囊单元Vj，保证输出向量的模长为0～1，其公式如式(7)表示。

sj=∑icijuj|i

(6)

(7)

第三阶段是根据底层胶囊与高层胶囊的方向一致性特征来更新权重矩阵和耦合系数，在每次前向传播时，先将bij初始化为0，由式(8)计算出耦合系数cij的初始化值，然后由网络的前向传播计算出Vj，使用式(9)更新bij，进一步更新cij修正sj，从而改变输出向量Vj。为保证底层和高层胶囊单元的联系得到充分体现，对上述过程进行迭代，计算模型的损失，以获得最佳的耦合系数。

(8)

bij=bij+Vjuji

(9)

本工作用到的损失函数如式(10)所示，通过反向传播更新卷积层和映射层的权重值，式中V为胶囊层的输出向量，label为训练集中样本的标签。

L=(V-label)2

(10)

2 管道检测试验

2.1 测试对象

本工作测试来源于某高含硫气田的高含硫气藏安全高效开发技术项目，主要检测对象为高温、高压环境中的高含硫气井305-1井。该井套管外径177.8 mm，壁厚12.65 mm，完井管柱为“永久封隔器+遇油膨胀封隔器”双封完井管柱，完井油管为“φ88.9 mm+φ73 mm”组合油管，管柱最小内通径61.98 mm，其实物图和结构图如图3所示。在封井前，为了研究该井的套管变形情况，在该井打捞管柱前后，分别采用电磁探伤和多臂井径组合测井。

图3 井段套管实物图及结构示意Fig. 3 Physical and structure diagram of casing in well section

2.2 测试方法

采用某公司的电磁探伤测试仪和多臂井径测试仪进行了电涡流检测试验和多臂井径检测试验，其组合测井仪器的实物见图4。电涡流检测试验是将电磁探伤测试仪放置于油管中，用脉冲涡流激励穿透油管对套管进行检测，图5为电磁探伤测试仪探头示意图，其包含了A、B、C三种不同角度、不同形状的检测探头，设置脉冲激励频率均为1 kHz，占空比为50%，仪器垂直移动速度300 m/h，在同一深度可采集23个涡流信号数据；多臂井径检测试验需要将油管从井下抽出，将多臂井径测试仪放置于套管中，直接对套管进行机械检测，24个测臂沿管柱内壁运动，仪器垂直移动速度300 m/h，同一深度采集24个臂长数据。

图4 组合测井仪器实物图Fig. 4 Physical diagram of combined logging tool

图5 测井仪内部探头示意图Fig. 5 Schematic diagram of internal probe of logging tool

3 实例应用

3.1 工程检测数据获取

高含硫气田井下现场测试采用电缆传输，电缆作为连接地面与测试仪器的连接线，使用钢索外壳单芯供电方式，具有电力供应、承重仪器输送、信号双向传输和井下深度实时获取等功能，多臂井径测井仪与电磁探伤测试仪组合使用，为保障仪器居中电磁探伤测井仪两端放置金属支撑扶正器，通过地面绞车系统带动电缆上下提放仪器实现不同套变段监测数据录取。图6为套管变形监测现场试验图。

图6 套管变形监测试验现场图Fig. 6 Field diagram of casing deformation monitoring test

以305-1井的两段套管具有严重变形的井段为例，采用三种网络模型对套管的最小臂值进行量化估计，图7和图8即为两段重度变形井段24臂井径成像测井的三维图。实例测试中模型选取了井段1和井段2共10个小变形段的测试数据，采用其中六段小变形段对应的脉冲涡流信号和最小臂值作为训练集数据输入模型，拟合另外四段小变形段的最小臂值并与实际值进行对比，从而得到量化模型的拟合精度。

图7 井段1管道三维图Fig. 7 Section 1 pipeline 3D drawing

图8 井段2管道三维图Fig. 8 Section 2 pipeline 3D drawing

在实际检测过程中，由于仪器在管柱内运动时受到节箍、仪器姿态的影响，在信号采集时容易发生偏移，产生最小臂值和涡流信号不对齐的情况，因此在进行模型训练前，需要将多臂数据和涡流数据进行对齐。首先确定套管中多臂、涡流信号的节箍位置，根据节箍的位置进行对齐，然后对相邻节箍之间的多臂和涡流数据进行重采样，确定其间的最少采样点数为重采样点数，对多臂和涡流数据进行等间隔的重采样。如图9所示为对齐后多臂数据和涡流数据的对比图，可见多臂数据在管道形变处臂值会发生明显的变小，变形越严重最小臂值越小；涡流响应信号也会发生相应变化，变形越严重涡流响应越明显；从涡流数据绘制的二维电压变密度测井(VDL)信号可以发现，在变形最严重的部位，亮度最大，可见在套管弯曲变形处，多臂数据和涡流数据存在一定的对应关系。

图9 井段1管道各信号对比图Fig. 9 Section 1 pipeline signal comparison diagram

3.2 模型训练

本工作提出的卷积胶囊网络模型具体结构如图10所示。

图10 卷积胶囊网络模型结构Fig. 10 Convolution capsule network model structure

输入信号为当前深度对应的A、B、C探头的涡流信号，标签为当前深度套管的最小臂值。使用两层卷积网络来提取特征，每个卷积网络由一维卷积、批归一化和LeakyRelu激活组成；将提取的特征通过Transform函数映射为胶囊单元，通过胶囊层整合并输出胶囊模长作为估计结果，其中胶囊层的动态路由算法的迭代次数为3次；最后用公式(10)计算估计结果与标签的损失值，使用Adam优化算法[16]对模型参数进行优化，为了防止模型过拟合，学习率设置为0.001，总迭代次数为400次。训练阶段使用批次大小为128，迭代步数与损失值关系如图11所示。

图11 损失下降图Fig. 11 Model training loss reduction

3.3 量化结果分析

使用构建好的模型在测试集上进行测试，获得量化结果，选择卷积网络和BP神经网络进行比较。获得如图12所示的试验结果，可见本工作提出的卷积胶囊网络对实际臂长具有最好的拟合效果，尤其在受挤压最严重的部位拟合效果明显优于卷积网络模型。表1和表2显示了最小臂长量化误差，从表中可以看出相比于BP神经网络，基于深度学习的算法具有较好的量化精度，基于卷积网络的算法平均误差约为4 mm；平均误差小于2 mm，比卷积网络算法在精度上提高了约50%，对工程中最关注的受挤压最严重部位，提出的方法量化误差也小于2 mm，比卷积网络算法在精度上提高了50%以上。

表1 不同形变段最小臂值量化的平均误差Tab. 1 Average error of minimum arm quantization in different deformation segments mm

表2 不同形变段最小内径量化的最低点误差Tab. 2 Minimum point error of minimum arm quantization in different deformation segments mm

综上所述，本工作提出的方法在井305-1上的应用效果较好，拟合精度较高。可以进行工程推广，在不破坏在役管柱工作的前提下，用脉冲涡流仪器进行过油管检测获得响应信号，再调用本工作构建的量化模型可以得到检测管柱的变形情况。

(a) 形变段1最小臂值量化曲线 (b) 形变段2最小臂值量化曲线

4 结论

提出一种基于卷积胶囊网络的新型油套管形变程度估计的量化模型，针对多探头脉冲涡流检测数据特征难以提取且量化精度低的问题，引入深度学习的思路，设计多个卷积层对不同探头涡流信号进行特征提取，设计基于胶囊网络的输出层，构建基于模长的约束函数，对最小臂值进行量化估计。通过对实测数据测试分析表明，相比经典算法，网络模型量化精度有较大提升，可应用于实际的油气管道检测中，对在役管道压缩形变情况进行估计，以便相关工程人员进行管道修复工作。