技术领域:
[0001] 本
发明涉及一种估算方法,尤其涉及一种基于AIC-RBF的油气管道挤压形变估计方法。背景技术:
[0002] 在油气资源的勘探和开发过程中,铺设在地下的油气管道长期受到
地层运动的影响,容易发生挤压
变形,导致生产作业遇阻、遇卡。若不及时发现,在长期的地层应
力压迫下将导致管道错断,引发井喷、
泄漏等重大事故,容易造成巨大的经济损失和严重的环境污染。因此,如何实时对油气管道进行检测以及时发现管道受挤压的
位置,并估计其挤压程度,以便工程人员及时采取有效的修复措施,确保油气资源安全顺利开采,已成为
能源部
门的当务之急。
[0003] 在实际井
下管道检测中,存在检测的实时性要求高、检测任务繁重、变形情况复杂的问题,因此对管道形变估计
算法的
精度、速度、
稳定性具有较高的要求。目前,一些文献中给出的估算方法大都采用RBF神经网络、
支持向量机SVM及其衍生算法等,而基于RBF神经网络的方法对样本依赖性高,需要样本规模大,否则容易陷入局部最优;而基于支持向量机SVM的方法计算速度慢,开销大。这些现有的方法都无法满足油气管道挤压形变估计的现实要求,因此迫切需要一种速度快、稳定性强、精度高的油气管道挤压形变程度估计方法,本案由此而生。发明内容:
[0004] 本发明的目的旨在克服传统估计反演研究方法存在的精度低、速度慢、稳定性弱的缺点,提出一种适用于油气管道挤压形变的估计方法,能够有效弥补
现有技术中的不足。
[0005] 为了实现上述发明目的,本发明所采用的技术方案为:
[0006] 一种基于AIC-RBF的油气管道挤压形变估计方法,内容包括:
[0007] 通过对管道测量获得若干臂长数据以及与臂长数据对应的脉冲
涡流数据,建立样本数据集;
[0008] 对样本数据集中臂长数据的最小臂长变化曲线在不同多项式阶数下进行多项式拟合,通过建立统计综合评价指标F来确定多项式拟合阶数,所述统计综合评价指标F是基于AIC值、拟合优度、以及最佳AIC对应的样本段数量而建立,从而获得多项式拟合模型参数;
[0009] 将样本数据集中的脉冲涡流数据以及获得的多项式拟合模型参数作为输入,选择隐含层为径向基函数的神经网络进行训练,构建基于神经网络的多项式参数模型;
[0010] 将待测管道的脉冲涡流数据作为基于神经网络的多项式参数模型的输入,获得待测管道脉冲涡流数据对应的多项式模型参数,并获得待测管道的最小臂长多项式函数,对待测管道挤压段的最小臂长进行量化,获得待测管道挤压段形变的估计程度。
[0011] 进一步优化,所述多项式拟合模型参数的获得方法如下:
[0012] 2.1:对样本数据集中的若干臂长数据挤压样本段进行标号i=1,2...m;
[0013] 2.2:设定臂长数据中的最小臂长挤压样本标号i=1,设定多项式拟合阶数n=1;
[0014] 2.3:对标号为i的最小臂长挤压样本进行多项式阶数为n的多项式拟合;
[0015] 2.4:计算最小臂长挤压样本与多项式拟合曲线的AIC值,AIC计算公式为:
[0016] AIC=2w+nln(SSR/n) (1)
[0017] 其中,w是参数的数量,SSR是残差平方和,n是多项式阶数,当AIC值最小时对应的多项式阶数最优,其中SSR计算公式为:
[0018]
[0019] 式中,Ut为多项式阶数为t的最小臂长挤压样本曲线, 为多项式阶数为t的基于多项式拟合获得的最小臂长样本曲线;
[0020] 2.5:判断AICn<AICn-1,若是则进行2.6,否则n=n+1并返回2.3;
[0021] 2.6:判断挤压样本标号i>m,若是进行2.7,否则i=i+1,n=1并返回2.3;
[0022] 2.7:统计比较样本数据集中的最佳拟合阶数,其最大值作为多项式拟合的最高阶数N;
[0023] 2.8:计算多项式阶数n=1,2...N的AIC值与拟合优度,拟合优度R2计算公式为:
[0024]
[0025] 其中,i是挤压样本段标号,m是挤压样本段数量,yi是第i段样本,是平均值,是拟合值;并统计不同拟合阶数下最佳AIC对应的样本段数量,建立统计综合评价指标F,F计算公式为:
[0026]
[0027] 挤压样本段数量为m,挤压样本段标号为i=1,2,...,m,对样本数据集中的若干臂长数据挤压段采用AIC准则进行多项式拟合,得到的多项式阶数的变化范围为k~k+p,nj为多项式阶数是k+j的样本段数量,Rij2为第i段样本用阶数为k+j拟合的拟合优度,AICij为第i段样本用阶数为k+j拟合的AIC值,其中
[0028]
[0029] 2.9:综合拟合优度、AIC值和nj数量评价指标,选取F值最大的模型对应的k+j作为最优多项式阶数,获得多项式拟合模型参数。
[0030] 进一步优化,所述基于神经网络的多项式参数模型的构建以及训练方法如下:
[0032] 3.2:设置包括学习率v、损失函数loss、
迭代次数iter、隐含层函数的网络参数;
[0033] 3.3:采用
梯度下降法对神经网络进行训练,计算隐含层、
输出层各单元的输入及输出,以及计算隐含层、输出层各单元的校正误差,构建公式(6)的基于神经网络的多项式参数模型:
[0034]
[0035] 其中x为输入脉冲涡流样本
信号,y为脉冲涡流对应的多项式参数,ωi为第i个基函数与输出
节点的连接权值,h为隐含层神经元个数,ci为每个隐含层神经元基函数的中心,σi为基函数的方差;选取h个中心做k-means聚类,通过训练样本
监督学习获得满足要求的ωi、ci、σi;
[0036] 3.4:判断训练样本是否训练完,若是进行3.5,否则返回3.3继续训练;
[0037] 3.5:更新迭代次数,判断迭代次数是否大于设定的迭代次数iter,若是进行3.6,否则返回3.3迭代训练;
[0038] 3.6:输出训练好的基于神经网络的多项式参数模型。
[0039] 本发明以多臂井径设备测得的管道臂长数据作为反映管道井径变化的样本,结合相应的脉冲涡流检测数据来构建量化模型,估计最小臂值以反映井下管道的形变程度,该方法能够降低离异点信号(少数偏差较大的信号)对挤压形变估计算法的影响,提高估计的精度和稳定性;通过研究基于AIC的油气管道形变多项式拟合
优化算法,构建基于RBF神经网络的多项式参数估计模型,将对油气管道挤压段中的最小臂长数据估计压缩为对多项式模型参数的估计,能够提高算法的量化速度。本发明所公开的方法具有量化误差小、量化速度快、稳定性强等优点,能够满足油气管道挤压形变估计的基本要求,具有较高的应用价值。
[0040] 以下通过
附图和具体实施方式对本发明做进一步阐述。附图说明:
[0042] 图2为实施例中基于AIC的管道形变多项式拟合优化
流程图;
[0043] 图3为实施例中基于RBF的多项式参数模型流程图;
[0044] 图4为实施例中对待测管道最小臂长量化流程图。具体实施方式:
[0045] 本实施例公开一种基于AIC-RBF的油气管道挤压形变估计方法,结合图1至图4具体内容说明如下:
[0046] 第一步,建立样本数据集:
[0047] 借助多臂井径仪对埋设在地下的油气管道进行测试,可以获得若干管道臂长数据,臂长数据中的最小臂长数据可以用于表征油气管道的形变程度。以测量获得的若干臂长数据以及与臂长数据对应的脉冲涡流数据来建立样本数据集。
[0048] 第二步,构建基于AIC的油气管道形变多项式拟合模型:
[0049] 对样本数据集中臂长数据的最小臂长变化曲线在不同多项式阶数下进行多项式拟合,通过建立统计综合评价指标F来确定多项式拟合阶数,该统计综合评价指标F是基于AIC值、拟合优度、以及最佳AIC对应的样本段数量而建立,选取F值最大的模型对应的阶数作为最优多项式阶数,从而获得多项式拟合模型参数,具体方法说明如下:
[0050] 2.1:对样本数据集中的若干臂长数据挤压样本段进行标号i=1,2...m;
[0051] 2.2:设定臂长数据中的最小臂长挤压样本标号i=1,设定多项式拟合阶数n=1;
[0052] 2.3:对标号为i的最小臂长挤压样本进行多项式阶数为n的多项式拟合;
[0053] 2.4:计算最小臂长挤压样本与多项式拟合曲线的AIC值,AIC计算公式为:
[0054] AIC=2w+nln(SSR/n) (1)
[0055] 其中,w是参数的数量,SSR是残差平方和,n是多项式阶数,当AIC值最小时对应的多项式阶数最优,其中SSR计算公式为:
[0056]
[0057] 式中,Ut为多项式阶数为t的最小臂长挤压样本曲线, 为多项式阶数为t的基于多项式拟合获得的最小臂长样本曲线;
[0058] 2.5:判断AICn<AICn-1,若是则进行2.6,否则n=n+1并返回2.3;
[0059] 2.6:判断挤压样本标号i>m,若是进行2.7,否则i=i+1,n=1并返回2.3;
[0060] 2.7:统计比较样本数据集中的最佳拟合阶数,其最大值作为多项式拟合的最高阶数N;
[0061] 2.8:计算多项式阶数n=1,2...N的AIC值与拟合优度,拟合优度R2计算公式为:
[0062]
[0063] 其中,i是挤压样本段标号,m是挤压样本段数量,yi是第i段样本, 是平均值,是拟合值;并统计不同拟合阶数下最佳AIC对应的样本段数量,建立统计综合评价指标F,F计算公式为:
[0064]
[0065] 挤压样本段数量为m,挤压样本段标号为i=1,2,...,m,对样本数据集中的若干臂长数据挤压段采用AIC准则进行多项式拟合,得到的多项式阶数的变化范围为k~k+p,nj为2
多项式阶数是k+j的样本段数量,Rij为第i段样本用阶数为k+j拟合的拟合优度,AICij为第i段样本用阶数为k+j拟合的AIC值,其中
[0066]
[0067] 2.9:综合拟合优度、AIC值和nj数量评价指标,选取F值最大的模型对应的k+j作为最优多项式阶数,获得多项式拟合模型参数。
[0068] 第三步,构建基于RBF神经网络的多项式参数模型,并对该模型进行训练:以上述样本数据集中的脉冲涡流数据以及获得的多项式拟合模型参数作为神经网络模型的输入,选择隐含层为径向基函数的神经网络进行训练,具体方法说明如下:
[0069] 3.1:随机初始化神经网络权重和阈值;
[0070] 3.2:设置包括学习率v、损失函数loss、迭代次数iter、隐含层函数的网络参数;
[0071] 3.3:采用梯度下降法对神经网络进行训练,计算隐含层、输出层各单元的输入及输出,以及计算隐含层、输出层各单元的校正误差,构建公式(6)的基于神经网络的多项式参数模型:
[0072]
[0073] 其中x为输入脉冲涡流样本信号,y为脉冲涡流对应的多项式参数,ωi为第i个基函数与
输出节点的连接权值,h为隐含层神经元个数,ci为每个隐含层神经元基函数的中心,σi为基函数的方差;选取h个中心做k-means聚类,通过训练样本监督学习获得满足要求的ωi、ci、σi;
[0074] 3.4:判断训练样本是否训练完,若是进行3.5,否则返回3.3继续训练;
[0075] 3.5:更新迭代次数,判断迭代次数是否大于设定的迭代次数iter,若是进行3.6,否则返回3.3迭代训练;
[0076] 3.6:输出训练好的基于神经网络的多项式参数模型。
[0077] 第四步,量化待测管道挤压段最小臂长,估计形变程度:
[0078] 4.1:将待测管道挤压段的脉冲涡流信号作为上述训练好的RBF多项式参数模型的输入,预测获得待测管道脉冲涡流数据对应的多项式模型参数;
[0079] 4.2:根据多项式模型参数获得待测管道的最小臂长多项式函数;
[0080] 4.3:根据输入的待测管道脉冲涡流信号尺寸,以及获得的多项式函数得到待测管道挤压段的最小臂长量化曲线,根据该量化曲线实现对待测管道挤压段形变程度的估计。
[0081] 以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他
修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的
权利要求范围中。