申请/专利权人：西南石油大学

申请日：2024-04-16

公开（公告）日：2024-06-25

公开（公告）号：CN118247437A

主分类号：G06T17/00

分类号：G06T17/00;G06N20/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：一种基于机器学习的全井筒油井管腐蚀形貌三维重构的方法，其特征在于，通过对油井管样本进行有控考虑服役温度、压力及时间、腐蚀介质浓度等腐蚀实验，提取腐蚀后油井管腐蚀缺陷的位置及形貌特征数据；借助机器学习技术与实验数据，通过输入实际井下油井管服役温度、压力、生产及运行时间、腐蚀介质浓度分压及地层水组分，以获得油井管相应的腐蚀缺陷位置及形貌特征预测结果，并结合三维建模软件及Python编程软件建立友好的用户界面，重构全井筒油井管腐蚀三维形貌，降低获得油井管腐蚀形貌的成本，为石油工程师根据现场工况预测全井筒油井管腐蚀情况和研究含腐蚀缺陷的油井管剩余寿命提供依据。本发明适用于石油与天然气钻采工程技术领域。

主权项：1.如权利要求所述的一种基于机器学习的全井筒油井管腐蚀形貌三维重构的方法，其特征在于，结合机器学习技术与油井管腐蚀实验，通过三维建模软件对全井筒油井管腐蚀形貌进行重构。包括以下步骤：步骤一：现场获取井下某一深度的油井管1根，并收集该油井管服役温度、压力、腐蚀介质浓度分压及地层水组分分析结果；步骤二：采用聚焦离子束切割仪FIB将步骤一获取的油井管沿轴向等分为16段，并在每段油井管外表面标记参考点和编号，为腐蚀特征三维扫描及测量提供定位基准，确保全面获取不同方向上的腐蚀信息，以系统评估油井管的腐蚀特征；步骤三：基于步骤二获取的油井管段分为4组，记为A组、B组、C组、D组，采用环氧树脂将4组油井管段的5个面进行封装，只暴露油井管内表面或者外表面于腐蚀液，并参照GBT7901-1999腐蚀标准对暴露面进行处理；步骤四：根据步骤一获取的服役压力、生产及运行时间、腐蚀介质浓度分压及地层水组分分析结果开展A组油井管段在不同服役温度下的腐蚀测试，得到服役温度对油井管腐蚀缺陷的影响规律；步骤五：将步骤四腐蚀后的A组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为Aixj,yj,zj，其中Aixj,yj,zj代表A组中第i段油井管某点j在x、y、z三个方向上的坐标；步骤六：将步骤四腐蚀后的A组中4段油井管分别用聚焦离子束切割仪FIB沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样；步骤七：采用三维轮廓仪扫描步骤六A组中360块油井管试样用于后续机器学习模型的训练与测试，测定并获取腐蚀形貌特征数据，其中均匀腐蚀特征数据为腐蚀长度Lj、宽度Wj、深度Dj，记为CUAkLj,Wj,Dj，点腐蚀特征数据为腐蚀坑半径Rj和深度Dj，记为CPAkRj,Dj，CUAkLj,Wj,Dj代表A组中第k块油井管试样某点j均匀腐蚀长度、宽度、深度，CPAkRj,Dj代表A组中第k块油井管试样某点j腐蚀坑半径和深度；步骤八：根据步骤一获取的服役温度、生产及运行时间、腐蚀介质浓度分压及地层水组分分析结果开展B组油井管段在不同服役压力下的腐蚀测试，得到服役压力对油井管腐蚀缺陷的影响规律；步骤九：将步骤八腐蚀后的B组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为Bixj,yj,zj，其中Bixj,yj,zj代表B组中第i段油井管某点j在x、y、z三个方向上的坐标；步骤十：将步骤八腐蚀后的B组中4段油井管分别用聚焦离子束切割仪FIB沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样；步骤十一：采用三维轮廓仪扫描步骤十B组中360块油井管试样用于后续机器学习模型的训练与测试，测定并获取腐蚀形貌特征数据，其中均匀腐蚀数据为腐蚀长度Lj、宽度Wj、深度Dj，记为CUBkLj,Wj,Hj，点腐蚀特征数据为腐蚀坑半径Rj和深度Dj，记为CPBkRj,Dj，CUBkLj,Wj,Hj代表B组中第k块油井管某点j均匀腐蚀长度、宽度、深度，CPBkRj,Dj代表B组中第k块油井管某点j点腐蚀半径和深度；步骤十二：根据步骤一获取的服役压力、温度、腐蚀介质浓度分压及地层水组分分析结果开展C组油井管在不同生产及运行时间下的腐蚀测试，得到时间对油井管腐蚀缺陷的影响规律；步骤十三：将步骤十二腐蚀后的C组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为Cixj,yj,zj，其中Cixj,yj,zj代表C组中第i段油井管某点j在x、y、z三个方向上的坐标；步骤十四：将步骤十二腐蚀后的C组中4段油井管分别用聚焦离子束切割仪FIB沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样；步骤十五：采用三维轮廓仪扫描步骤十四C组中360块油井管试样用于后续机器学习模型的训练与测试，测定并获取腐蚀形貌特征数据，其中均匀腐蚀数据为腐蚀长度Lj、宽度Wj、深度Dj，记为CUCkLj,Wj,Hj，点腐蚀特征数据为腐蚀坑半径Rj和深度Dj，记为CPCkRj,Dj，CUCkLj,Wj,Hj代表C组中第k块油井管某点j均匀腐蚀长度、宽度、深度，CPCkRj,Dj代表C组中第k块油井管某点j点腐蚀半径和深度；步骤十六：根据步骤一获取的服役压力、温度、生产及运行时间结果开展D组油井管在不同腐蚀介质浓度分压及地层水组分下的腐蚀测试，得到腐蚀介质浓度分压及地层水组分对油井管腐蚀缺陷的影响规律；步骤十七：将步骤十六腐蚀后的D组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为Dixj,yj,zj，其中Dixj,yj,zj代表D组中第i段油井管某点j在x、y、z三个方向上的坐标；步骤十八：将步骤十六腐蚀后的D组中4段油井管分别用聚焦离子束切割仪FIB沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样；步骤十九：采用三维轮廓仪扫描步骤十八D组中360块油井管试样用于后续机器学习模型的训练与测试，测定并获取腐蚀形貌特征数据，其中均匀腐蚀数据为腐蚀长度Lj、宽度Wj、深度Dj，记为CUDkLj,Wj,Hj，点腐蚀特征数据为腐蚀坑半径Rj和深度Dj，记为CPDkRj,Dj，CUDkLj,Wj,Hj代表C组中第k块油井管某点j均匀腐蚀长度、宽度、深度，CPDkRj,Dj代表D组中第k块油井管某点j点腐蚀半径和深度；步骤二十：建立用于预测不同钢级的全井筒油井管三维腐蚀形貌的机器学习模型：1设样本集为x1，y1，...，xn，yn，寻找一个输入空间到输出空间的非线性映射；2在特征空间F中用下述函数进行线性回归：其中是非线性映射函，b是阙值，w是回归系数向量；3引入松弛因子，建立拉格朗日方程，偏导、对偶优化，最后得线性回归函数其中为核函数，选择不同形式的核函数就可以生成不同的支持向量回归模型；步骤二十一：将A组、B组、C组和D组获得的4段油井管中的任意一段腐蚀缺陷的位置和形貌特征数据作为测试集，将另外3段油井管腐蚀缺陷的位置和形貌特征数据作为训练集，调试机器学习模型的准确性；步骤二十二：将实际井下油井管服役温度、压力、生产及运行时间、腐蚀介质浓度分压及地层水组分输入步骤二十一训练后的机器学习模型，获得油井管表面腐蚀缺陷位置、形貌均匀腐蚀和点腐蚀及演变规律的预测结果；步骤二十三：基于步骤二十二获得的腐蚀缺陷位置及形貌特征预测结果，结合三维建模软件和Python编程软件建立友好的用户界面，通过输入相关参数获得油井管腐蚀形貌的三维模型，从而可进行腐蚀寿命预测分析。

全文数据：

权利要求：

百度查询： 西南石油大学 一种基于机器学习的全井筒油井管腐蚀形貌三维重构方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD