基于脉冲涡流的井下油管形变估算方法

为量化在役油气管道长期因地层运动而受到挤压的结构变形程度和避免油气泄漏等重大事故,基于电磁探伤测试仪MTD-J检测的脉冲涡流检测信号,提出一种基于脉冲涡流的井下油管形变估算方法(DEM),以及时发现管道形变严重的位置。在DEM中,对脉冲涡流响应信号进行预处理,去除外界因素引起的涡流信号基线漂移和油管连接处节箍信号。使用EMD方法对预处理后的信号进行分解,得到多个信号分量,再根据相关系数和均方根误差进行重构,从而去除混合噪声。最后采用基于改进粒子群算法的LSSVR模型对特征量进行训练,建立量化模型,实现油管形变的量化。实验结果表明:DEM的量化结果更符合实际情况,提高量化精度,降低平均误差和训练时间,具有较好的算法收敛性,比SVR和PSO-LSSVR更优。

基于卷积胶囊网络的油套管变形程度评估方法

针对当前油气田管道电磁检测中存在的管道形变量化方法单一、精度不足的问题,引入深度学习的思路,提出一种基于卷积胶囊网络的油套管变形程度估计方法,通过设计多个卷积层对不同探头涡流信号进行特征提取;设计胶囊网络的输出层,构建基于模长的约束函数,对最小臂值进行量化,实现对油套管形变程度的估计。本方法考虑了不同类型探头信息之间的联系,并构建量化模型,以提高模型非线性映射能力,适用于多个探头同时检测的设备。通过对实际井下管道的脉冲涡流检测数据进行验证,相比于常见的深度学习方法,本方法具有更好的量化精度。