一种二氧化碳混相驱油腐蚀检测方法技术

本发明专利技术提供一种二氧化碳混相驱油腐蚀检测方法，本发明专利技术通过神经网络模型对油井管道进行腐蚀程度检测，并根据神经网络模型的检测结果，采用漏磁检测仪对油井管道进行探伤检测；同时，采用神经网络模型和相似度算法相结合的方式对油井管道下一时刻的损伤程度进行获取；本发明专利技术提高了油井管道腐蚀检测、损伤程度预测的准确性，提高了管道腐蚀检测的效率。提高了管道腐蚀检测的效率。提高了管道腐蚀检测的效率。

【技术实现步骤摘要】
一种二氧化碳混相驱油腐蚀检测方法

：
[0001]本专利技术涉及二氧化碳混相驱油腐蚀检测领域，特别涉及一种二氧化碳混相驱油腐蚀检测方法。

技术介绍
：
[0002]目前，基于二氧化碳混相驱油的方法以其优良的特性在石油行业被广泛应用，二氧化碳混相驱油能够提高原油采收率。国内外近年来大力开展了二氧化碳混相驱油技术的研发和应用。
[0003]然而，随着注气时间延长及注气量的增加，二氧化碳驱油对油井实现了增油的效果，但也同时出现了二氧化碳对油井管道的腐蚀问题。目前，常见的油井管道腐蚀检测的方法多为采用超声波法、磁感应法、漏磁检测法等，上述方法效率低下，并且无法实现对油井管道腐蚀性的预测，无法为油井管道下一时刻的防腐措施提供有效数据支撑。
[0004]对于以上问题，本文提出了一种二氧化碳混相驱油腐蚀检测方法。

技术实现思路
：
[0005]针对目前在二氧化碳混相驱油场景中油井管道腐蚀检测和预测方法不准确，无法为管道的及时维护提供准确数据支撑的问题，本文提出了一种二氧化二氧化碳混相驱油腐蚀检测方法。该方法包括如下步骤：
[0006]S1.构建并训练神经网络模型，在历史经验数据库中选择样本对神经网络模型进行训练，获得训练后的神经网络模型；
[0007]S2.选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度；所述腐蚀程度包括：无腐蚀，轻度腐蚀，中度腐蚀，重度腐蚀；
[0008]S3.根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果；
[0009]所述检测结果包括：二次采样点位置、二次采样点位置所对应的油井管道损伤类型；
[0010]所述油井管道损伤类型包括：无损伤、孔洞、片蚀、沟槽、断裂；
[0011]S4.将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练；
[0012]S5.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，结合相似度算法和步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的损伤程度；
[0013]S6.根据步骤S5获得的各二次采样点位置和各二次采样点位置下一采样时刻的损
伤类型C，对油井管道进行防腐处理。
[0014]所述步骤S5具体包括如下步骤：
[0015]S51.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型；
[0016]S52.根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度；
[0017]S53.根据步骤S5和步骤S6分别获得的下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度。
[0018]所述步骤S1具体包括如下步骤：
[0019]S11.构建BP神经网络模型；
[0020]S12.从历史经验数据库中选择训练样本和测试样本，所述历史经验数据库中存储样本数据，所述每条样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻、采样点腐蚀程度、采样点腐蚀类型；
[0021]所述采样点采样时刻为当前时刻距离油井开启二氧化碳混相驱油操作时刻的时间长度；
[0022]所述采样点采样时刻按照固定时间间隔进行周期设置；
[0023]S13.对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型。
[0024]所述步骤S12，具体包括如下步骤：
[0025]S121.根据所述腐蚀程度对历史经验数据库中每条样本进行分类，形成无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合；
[0026]S122.按照数量比为1:2:3:3的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取训练样本；
[0027]S123.按照数量比为1:1:1:1的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取测试样本。
[0028]所述步骤S13对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型，具体包括如下步骤：
[0029]S131.采用步骤S122的训练样本对BP神经网络模型进行训练，所述BP神经网络模型的输入参数为：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；所述BP神经网络模型的输出结果为：采样点腐蚀程度；
[0030]S132.采用步骤S123的测试样本对BP神经网络模型进行测试，直至BP神经网络模型的损失函数收敛，获得训练完成的BP神经网络模型。
[0031]所述步骤S2选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度，具体包括如下步骤：
[0032]S21.按照预设距离从油井管道口向下的方向选取多个首次采样点位置；
[0033]S22.将各个首次采样点位置所对应的采样点位置、采样点温度、采样点压力、采样
点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻输入至步骤S132获得的训练完成的BP神经网络模型中，获得各个首次采样点所对应的采样点腐蚀程度。
[0034]所述步骤S3根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果，具体包括如下步骤：
[0035]S31.当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为重度腐蚀时，在当前重度腐蚀对应的首次采样点位置向上和向下的第一预设距离按照第一预设频率设置多个二次采样点位置，所述多个二次采样点位置包括重度腐蚀对应首次采样点位置；
[0036]当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为中度腐蚀时，在当前中度腐蚀对应的首次采样点位置向上和向下的第二预设距离按照第二预设频率设置多个二次采样点位置，所述多个二次采样点位置包括中度腐蚀对应首次采样点位置；
[0037]当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为轻度腐蚀时，在当前轻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二氧化碳混相驱油腐蚀检测方法，其特征在于，包括如下步骤：S1.构建并训练神经网络模型，在历史经验数据库中选择样本对神经网络模型进行训练，获得训练后的神经网络模型；S2.选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度；所述腐蚀程度包括：无腐蚀，轻度腐蚀，中度腐蚀，重度腐蚀；S3.根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果；所述检测结果包括：二次采样点位置、二次采样点位置所对应的油井管道损伤类型；S4.将步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型与步骤S2获得的首次采样点位置和首次采样点位置的腐蚀程度进行对比，并根据对比结果对步骤S2中的神经网络模型进行优化训练；S5.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，结合相似度算法和步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的损伤程度；S6.根据步骤S5获得的各二次采样点位置和各二次采样点位置下一采样时刻的损伤程度，对油井管道进行防腐处理。2.根据权利要求1所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S5具体包括如下步骤：S51.根据步骤S3中获得的二次采样点位置和二次采样点位置所对应的油井管道损伤类型，采用相似度算法在历史经验数据库中进行相似度匹配，获得匹配结果，并根据匹配结果获得当前油井各二次采样点位置下一采样时刻的损伤类型；S52.根据步骤S3中获得的二次采样点位置、二次采样点位置所对应的油井管道损伤类型、下一采样时刻的时间参数，利用步骤S4获得的优化后的神经网络模型进行计算，获得当前油井各二次采样点位置下一采样时刻的腐蚀程度；S53.根据步骤S5和步骤S6分别获得的下一采样时刻的损伤类型和下一采样时刻的腐蚀程度，获得当前油井各二次采样点位置下一采样时刻的损伤程度。3.根据权利要求2所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S1具体包括如下步骤：S11.构建BP神经网络模型；S12.从历史经验数据库中选择训练样本和测试样本，所述历史经验数据库中存储样本数据，所述每条样本数据包括：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻、采样点腐蚀程度、采样点腐蚀类型；所述采样点采样时刻为当前时刻距离油井开启二氧化碳混相驱油操作时刻的时间长度；所述采样点采样时刻按照固定时间间隔进行周期设置；S13.对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型。
4.根据权利要求3所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S12，具体包括如下步骤：S121.根据所述腐蚀程度对历史经验数据库中每条样本进行分类，形成无腐蚀样本集合，轻度腐蚀样本集合，中度腐蚀样本集合，重度腐蚀样本集合；S122.按照数量比为1:2:3:3的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取训练样本；S123.按照数量比为1:1:1:1的比例在无腐蚀样本集合、轻度腐蚀样本集合、中度腐蚀样本集合、重度腐蚀样本集合中选取测试样本。5.根据权利要求4所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S13对步骤S11中的BP神经网络模型进行训练，形成训练完成的BP神经网络模型，具体包括如下步骤：S131.采用步骤S122的训练样本对BP神经网络模型进行训练，所述BP神经网络模型的输入参数为：采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻；所述BP神经网络模型的输出结果为：采样点腐蚀程度；S132.采用步骤S123的测试样本对BP神经网络模型进行测试，直至BP神经网络模型的损失函数收敛，获得训练完成的BP神经网络模型。6.根据权利要求5所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S2选择油井管道的多个首次采样点位置，利用神经网络模型计算获得当前油井管道各首次采样点位置的腐蚀程度，具体包括如下步骤：S21.按照预设距离从油井管道口向下的方向选取多个首次采样点位置；S22.将各个首次采样点位置所对应的采样点位置、采样点温度、采样点压力、采样点管道材料数据、采样点二氧化碳浓度、采样点水含量、采样点二氧化碳注入速率、采样点采样时刻输入至步骤S132获得的训练完成的BP神经网络模型中，获得各个首次采样点所对应的采样点腐蚀程度。7.根据权利要求6所述的二氧化碳混相驱油腐蚀检测方法，其特征在于，所述步骤S3根据步骤S2获取的各首次采样点位置、各首次采样点位置所对应的腐蚀程度，获取二次采样点位置，并采用漏磁检测仪对二次采样点位置进行油井管道探伤检测，获得检测结果，具体包括如下步骤：S31.当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为重度腐蚀时，在当前重度腐蚀对应的首次采样点位置向上和向下的第一预设距离按照第一预设频率设置多个二次采样点位置，所述多个二次采样点位置包括重度腐蚀对应首次采样点位置；当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为中度腐蚀时，在当前中度腐蚀对应的首次采样点位置向上和向下的第二预设距离按照第二预设频率设置多个二次采样点位置，所述多个二次采样点位置包括中度腐蚀对应首次采样点位置；当步骤S22中获取的首次采样点位置对应的采样点腐蚀程度为轻度腐蚀时，在当前轻度腐蚀对应的首次采样点位置向上和向下的第三预设距离按照第三预设频率设置多个二次采样点位置，所述多个...

【专利技术属性】
技术研发人员：徐玉兵，韩红霞，
申请(专利权)人：新疆敦华绿碳技术股份有限公司，
类型：发明
国别省市：