基于數(shù)據(jù)驅(qū)動模型加遷移學(xué)習(xí)的油田注水管網(wǎng)泄漏診斷方法

摘 "要""為解決油田注水管網(wǎng)泄漏診斷機器學(xué)習(xí)方法準(zhǔn)確率不高的問題，基于數(shù)據(jù)驅(qū)動模型結(jié)合遷移學(xué)習(xí)的思路，提出一種油田注水管網(wǎng)泄漏診斷方法。研究結(jié)果表明：通過Epanet軟件可在已知故障數(shù)據(jù)的基礎(chǔ)上對泄漏故障進(jìn)行模擬以實現(xiàn)數(shù)據(jù)增強；經(jīng)過遷移學(xué)習(xí)的預(yù)訓(xùn)練和二次訓(xùn)練后，對數(shù)據(jù)驅(qū)動模型的準(zhǔn)確率進(jìn)行對比，5種模型中CNN卷積神經(jīng)網(wǎng)絡(luò)模型為最佳解決方案，其注水管網(wǎng)泄漏診斷準(zhǔn)確率可達(dá)94.12%。

關(guān)鍵詞""注水管網(wǎng) "泄漏診斷 "數(shù)據(jù)驅(qū)動模型 "遷移學(xué)習(xí) "卷積神經(jīng)網(wǎng)絡(luò) "數(shù)據(jù)增強

中圖分類號""TQ055.8+1""""""""""""""""""文獻(xiàn)標(biāo)志碼 "A""""""""""""""""""文章編號 "0254-6094（2024）06-0000-00

DOI：10.20031/j.cnki.0254-6094.202406005

油田注水管網(wǎng)是油田注水系統(tǒng)中連接注水站、配水間和注水井的紐帶，一旦管網(wǎng)節(jié)點發(fā)生泄漏，將造成油井欠注，直接影響油田生產(chǎn)，同時也會給環(huán)保帶來巨大壓力。在人工排查方法存在定位不明確、效率低下的背景下，文獻(xiàn)[1～3]通過建立漏損定位模型，以不同的優(yōu)化算法對漏損定位模型進(jìn)行求解，得到了漏損點大致位置；文獻(xiàn)[4，5]采用不同降噪算法對城市供水管網(wǎng)中傳感器的壓力波進(jìn)行分析，極大地縮小了漏損檢測區(qū)域。但上述方法需要大量的傳感器實時監(jiān)測，對于油田注水管網(wǎng)系統(tǒng)而言，會極大地增加油田的生產(chǎn)成本。近年來，隨著計算機算力的提升和人工智能數(shù)據(jù)驅(qū)動模型的發(fā)展，文獻(xiàn)[6～8]提出了通過收集泄漏故障數(shù)據(jù)后訓(xùn)練數(shù)據(jù)驅(qū)動模型從而對供水管網(wǎng)、供熱管網(wǎng)進(jìn)行漏損定位診斷的方法，但是該方法需要大量的訓(xùn)練數(shù)據(jù)才能保證診斷精度；文獻(xiàn)[9～11]通過搭建實驗臺模擬故障，收集實驗數(shù)據(jù)，較好地實現(xiàn)了數(shù)據(jù)增強，但是其實際應(yīng)用的準(zhǔn)確率不高，無法滿足油田注水管網(wǎng)漏損診斷準(zhǔn)確率達(dá)85%的需求。

為此，筆者提出一種以實測數(shù)據(jù)為基礎(chǔ)，以模擬數(shù)據(jù)集實現(xiàn)少量實驗數(shù)據(jù)的數(shù)據(jù)增強技術(shù)，并基于數(shù)據(jù)驅(qū)動模型加遷移學(xué)習(xí)的方法提升油田注水管網(wǎng)泄漏診斷精度。該方法通過導(dǎo)入有限的油田注水系統(tǒng)實際數(shù)據(jù)進(jìn)行二次訓(xùn)練后，可用于油田注水管網(wǎng)的精確泄漏診斷。

1 "技術(shù)路線

基于數(shù)據(jù)驅(qū)動模型加遷移學(xué)習(xí)的油田注水管網(wǎng)泄漏診斷方法的技術(shù)路線如圖1所示。首先搭建多源環(huán)狀注水系統(tǒng)實驗臺，設(shè)置最佳壓力檢測點，然后進(jìn)行泄漏實驗并收集實驗數(shù)據(jù)，將實驗數(shù)據(jù)劃分為訓(xùn)練集和測試集。接著，通過Epanet軟件模擬實驗泄漏，獲取模擬數(shù)據(jù)集。通過模擬數(shù)據(jù)對模型進(jìn)行遷移學(xué)習(xí)預(yù)訓(xùn)練，使得模型學(xué)習(xí)到最基本的管網(wǎng)泄漏診斷機理，然后用實驗數(shù)據(jù)對模型進(jìn)行遷移學(xué)習(xí)二次訓(xùn)練，微調(diào)模型的權(quán)重參數(shù)。最后對預(yù)訓(xùn)練模型和二次訓(xùn)練后的模型進(jìn)行測試。

根據(jù)測試結(jié)果，如果遷移學(xué)習(xí)二次訓(xùn)練后的模型的準(zhǔn)確率低于、等于或者沒有遠(yuǎn)遠(yuǎn)高于預(yù)訓(xùn)練模型的準(zhǔn)確率，則說明該方法不合適或需要改進(jìn)；如果二次訓(xùn)練后的模型的準(zhǔn)確率遠(yuǎn)高于預(yù)訓(xùn)練模型的準(zhǔn)確率且符合工程要求，則說明遷移學(xué)習(xí)成功。

2 "實驗數(shù)據(jù)和模擬數(shù)據(jù)集的獲取

2.1""模擬實驗臺的構(gòu)建

搭建管網(wǎng)泄漏模擬實驗臺，節(jié)點布置如圖2所示。該實驗臺體現(xiàn)了油田常用的多源環(huán)狀注水系統(tǒng)結(jié)構(gòu)。該模擬注水系統(tǒng)由2個注水站、12口注水井和連接管線組成。注水站提供水源和壓力，配水間分配水源，注水井用水。其中，節(jié)點1～12為注水井節(jié)點，節(jié)點13、14為注水站節(jié)點，節(jié)點15～31為實驗時的泄漏節(jié)點。

圖3為注水系統(tǒng)實驗裝置實物圖，其中注水站由離心泵和儲水桶組成，離心泵額定功率890"W，揚程70"m，額定流量8.0"L/min，儲水桶容量20"L。注水井的模擬主要由減壓閥和開關(guān)組成，用于實現(xiàn)注水井所需的流量和壓力，每個注水井配備一個壓力檢測表，量程為0.0～0.4"MPa。管網(wǎng)分為上下兩層：上層為注水管網(wǎng)，每段管線主要由兩段長為0.15"m、內(nèi)徑為15"mm的304不銹鋼管，一個三通雙開關(guān)分水閥和一個4分外絲活接組成，其中三通雙開關(guān)分水閥長為0.10"m、內(nèi)徑為15"mm，用于模擬管段的泄漏；下層管網(wǎng)為回水管網(wǎng)，用于收集實驗用水，避免水資源的浪費。

2.2""基于Epanet的注水系統(tǒng)模擬

為避免小型模擬實驗系統(tǒng)的局部水頭損失對實際注水系統(tǒng)流動和水力特性的影響，將局部水頭損失等效為一定長度管道的沿程水頭損失，計算式如下：

其中，為等效長度，d為鋼管內(nèi)徑，為局部阻尼系數(shù)，g為重力加速度，C為海曾-威廉粗糙系數(shù)，l為謝才系數(shù)。

表1為部分管段的局部阻尼系數(shù)和等效長度。

2.3""壓力監(jiān)測點的設(shè)定

油田注水系統(tǒng)相對龐大，節(jié)點眾多且連接復(fù)雜，工業(yè)場景中并不可能在每個節(jié)點上都布置壓力傳感器。實際上，傳統(tǒng)的壓力布置點方法是根據(jù)人工經(jīng)驗進(jìn)行布置的，往往不能反映整個管網(wǎng)的運行狀態(tài)。文中通過引入影響系數(shù)模型[12]對注水系統(tǒng)進(jìn)行模擬壓力監(jiān)測。影響系數(shù)模型如下：

其中，和為節(jié)點流量變化前節(jié)點與節(jié)點的壓力值；和為節(jié)點流量變化后節(jié)點與節(jié)點的壓力值；為節(jié)點流量變化時對節(jié)點的影響大小。

利用MATLAB語言和開源工具箱Open"Water"Analytics對Epanet軟件進(jìn)行二次開發(fā)，通過編寫代碼求解影響系數(shù)矩陣，設(shè)置節(jié)點變化的流量為總流量的2%。得到的前4個最佳壓力檢測點依次為節(jié)點10、節(jié)點11、節(jié)點7、節(jié)點2。

2.4""實驗數(shù)據(jù)與模擬數(shù)據(jù)的收集

開展泄漏實驗時，設(shè)置管段泄漏節(jié)點的流量分別為1.0、2.0、2.5、3.0 L/min，共17個管段，可收集泄漏數(shù)據(jù)68組，加上一組沒有泄漏點的正常數(shù)據(jù)共計69組。將泄漏流量為2.5"L/min的17組數(shù)據(jù)作為測試數(shù)據(jù)。

在實驗數(shù)據(jù)的基礎(chǔ)上采用Epanet軟件仿真管網(wǎng)泄漏，每個泄漏節(jié)點的流量設(shè)置為0.5、1.0、1.5、2.0、2.5、3.0、3.5"L/min?？傆嫷玫叫孤嶒灁?shù)據(jù)119組及1組正常實驗數(shù)據(jù)，實現(xiàn)了泄漏數(shù)據(jù)集的數(shù)量增強。

3 "模型訓(xùn)練與測試結(jié)果對比分析

3.1""模型遷移學(xué)習(xí)的預(yù)訓(xùn)練

將模擬數(shù)據(jù)集按103：17的比例分為訓(xùn)練集和驗證集。由于BP神經(jīng)網(wǎng)絡(luò)具有較強擬合能力和多信息處理能力[13～16]，Resnet系列是遷移學(xué)習(xí)常用的模型[17～19]，CNN卷積神經(jīng)網(wǎng)絡(luò)具有特征提取功能[20～24]，因此筆者選擇BP神經(jīng)網(wǎng)絡(luò)、Resnet18、Resnet34、Resnet50和CNN卷積神經(jīng)網(wǎng)絡(luò)模型5種模型分別進(jìn)行預(yù)訓(xùn)練，然后通過實驗數(shù)據(jù)進(jìn)行測試。其中，損失函數(shù)選擇交叉熵?fù)p失函數(shù)，反向傳播選擇Adam優(yōu)化器。

圖4為不同模型的遷移學(xué)習(xí)預(yù)訓(xùn)練效果。從圖4a可以看出，訓(xùn)練集的損失值起初正常收斂，到后期有發(fā)散的跡象；驗證集的損失值起初有收斂趨勢，但后期逐漸發(fā)散，且逐漸升高；這表明BP神經(jīng)網(wǎng)絡(luò)可以擬合出注水管網(wǎng)泄漏診斷的內(nèi)在機理，后期發(fā)散是因為BP神經(jīng)網(wǎng)絡(luò)擬合了訓(xùn)練數(shù)據(jù)中其他雜質(zhì)機理，導(dǎo)致其出現(xiàn)了過擬合現(xiàn)象。從圖4b～d可以看出，Resnet系列預(yù)訓(xùn)練模型的損失值基本沒有收斂，這是因為Resnet系列模型較大，油田注水管網(wǎng)級別的數(shù)據(jù)對驅(qū)動Resnet系列模型作用有限，導(dǎo)致其收斂效果不理想。從圖4e可以看出，不論是訓(xùn)練集還是驗證集的損失值都趨于收斂，表明CNN卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)學(xué)到了注水管網(wǎng)漏損診斷的內(nèi)在機理。結(jié)合BP神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練結(jié)果可以得出：CNN卷積層發(fā)揮了作用，將數(shù)據(jù)的漏損診斷機理特征進(jìn)行了準(zhǔn)確篩選和提取，避免了BP神經(jīng)網(wǎng)絡(luò)的過擬合現(xiàn)象。

3.2""模型遷移學(xué)習(xí)的二次訓(xùn)練和測試

保存預(yù)訓(xùn)練模型，利用實驗數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)的二次訓(xùn)練，促進(jìn)模型的權(quán)重參數(shù)被動微調(diào)，使得計算模型具有更好的泛化性能，模型的權(quán)重參數(shù)更加貼合真實數(shù)據(jù)。

圖5為不同模型的二次訓(xùn)練效果。從圖5a～d可以看出，BP神經(jīng)網(wǎng)絡(luò)模型和Resnet系列模型的損失值均沒有收斂。從圖5e可以看出，CNN卷積神經(jīng)網(wǎng)絡(luò)模型的二次訓(xùn)練損失值起初很大但是很快收斂且后期平穩(wěn)無波動，大約在100個訓(xùn)練周期后損失值收斂到最小值。

模型準(zhǔn)確率Precision計算式如下：

其中，TP為正確檢測出的泄漏管段個數(shù)，F(xiàn)P為檢測錯誤的管段個數(shù)。

5種模型的預(yù)訓(xùn)練和二次訓(xùn)練所得準(zhǔn)確率結(jié)果對比如圖6所示。分析可知，對于注水管網(wǎng)實際工程問題的學(xué)習(xí)，由于工程實際可獲取的故障數(shù)據(jù)有限，導(dǎo)致5種模型的準(zhǔn)確率不高；部分模型通過模擬數(shù)據(jù)增強后準(zhǔn)確率依然不高，但是將增強后的故障數(shù)據(jù)結(jié)合遷移學(xué)習(xí)思想進(jìn)行二次訓(xùn)練，可使模型權(quán)重參數(shù)得到微調(diào)，模型準(zhǔn)確率得到了顯著提升。從圖6可以看出，CNN卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)過遷移學(xué)習(xí)后，其準(zhǔn)確率提升了18倍左右，表明CNN卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過遷移學(xué)習(xí)后解決了數(shù)據(jù)之間的內(nèi)在差異性影響，可充分發(fā)揮Epanet模擬數(shù)據(jù)對少量稀疏故障數(shù)據(jù)的增強作用，是一種針對油田注水管網(wǎng)泄漏診斷的行之有效的方法。

4 "結(jié)束語

針對油田注水管網(wǎng)泄漏診斷面臨的低數(shù)據(jù)、差異化特點，提出了一種基于數(shù)據(jù)驅(qū)動模型加遷移學(xué)習(xí)思想的漏損診斷方法，該方法采用Epanet模擬數(shù)據(jù)實現(xiàn)數(shù)據(jù)增強，利用遷移學(xué)習(xí)的思想解決模擬數(shù)據(jù)、實驗數(shù)據(jù)與真實數(shù)據(jù)之間存在的差異，從而提升泄漏診斷準(zhǔn)確率。研究結(jié)果表明，單一數(shù)據(jù)訓(xùn)練的機器學(xué)習(xí)模型效果普遍不佳，常用的BP神經(jīng)網(wǎng)絡(luò)、Resnet18、Resnet34、Resnet50和CNN卷積神經(jīng)網(wǎng)絡(luò)5種數(shù)據(jù)驅(qū)動模型的預(yù)訓(xùn)練準(zhǔn)確率均不超過11.80%。Epanet軟件是一種對稀疏數(shù)據(jù)實現(xiàn)數(shù)據(jù)增強的方法，但會帶來一定的數(shù)據(jù)差異化影響；采用遷移學(xué)習(xí)進(jìn)行二次訓(xùn)練，使預(yù)訓(xùn)練模型的權(quán)重參數(shù)微調(diào)，可以很好地解決數(shù)據(jù)差異的影響。經(jīng)過預(yù)訓(xùn)練和二次訓(xùn)練后，5種模型中只有CNN卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)到了注水管網(wǎng)漏損診斷的內(nèi)在機理，且二次訓(xùn)練后效果提升明顯，準(zhǔn)確率高達(dá)94.12%。這一方法可用于油田注水管網(wǎng)的日常維護(hù)診斷，且隨著故障數(shù)據(jù)的積累，可以獲得更好的訓(xùn)練效果。

參 "考 "文 "獻(xiàn)

[1] 黃新敬，燕育培，裴連軍，等.基于最短路徑規(guī)劃的供熱管網(wǎng)泄漏定位方法[J].儀器儀表學(xué)報，2023，44（8）：164-172.

[2] 楊桃.基于機器學(xué)習(xí)的供水管網(wǎng)爆管診斷方法研究與實現(xiàn)[D].重慶：重慶大學(xué)，2021.

[3] 王顯赫.油田注水管網(wǎng)漏損診斷及定位研究[D].大慶：東北石油大學(xué)，2019.

[4] 高含.城市多源大型供水管網(wǎng)泄漏檢測方法研究[J].科學(xué)技術(shù)創(chuàng)新，2023（6）：93-96.

[5] 陳京鈺，馮新，肖詩云.一種基于壓力測點報警等級的供水管網(wǎng)泄漏區(qū)域識別方法[J].給水排水，2022，58（10）：173-179.

[6] 劉杰，朱正偉.基于稀疏輕量卷積神經(jīng)網(wǎng)絡(luò)的管道泄漏檢測[J].電子測量技術(shù)，2022，45（19）：131-135.

[7] 馬廣興，曲波，常琛，等.基于CNN的供熱管道泄漏識別方法研究[J].電子測量技術(shù)，2022，45（16）：34-41.

[8] 杜永峰，段鵬飛，趙秉旭，等.基于CABC-BP模型的供熱管網(wǎng)泄漏診斷研究[J].廣西大學(xué)學(xué)報（自然科學(xué)版），2023，48（4）：835-846.

[9] 吳磊.油田注水系統(tǒng)仿真模擬與智能診斷評價[D].大慶：東北石油大學(xué)，2021.

[10] 李杰.油田注水管網(wǎng)系統(tǒng)可視化診斷決策技術(shù)研究[D].大慶：東北石油大學(xué)，2023.

[11] 馮彬.注水管網(wǎng)優(yōu)化及漏損診斷[D].武漢：長江大學(xué)，2023.

[12] 楊啟航，周艷，吳水波，等.供水管網(wǎng)壓力監(jiān)測點優(yōu)化布置方法[J].給水排水，2022，48（4）：113-118.

[13] 王琳竣.基于神經(jīng)網(wǎng)絡(luò)的油藏自動歷史擬合方法研究[D].西安：西安石油大學(xué)，2023.

[14] 侯國鑫，劉梅清，梁興，等.基于神經(jīng)網(wǎng)絡(luò)的軸流泵性能曲線擬合研究[J].中國農(nóng)村水利水電，2020（8）：102-104.

[15] 高振耀，叢曉明.結(jié)合BP神經(jīng)網(wǎng)絡(luò)優(yōu)化GNSS高程擬合[J].青?？萍?，2023，30（3）：83-90.

[16] WU L J，CAO Y H，ZHANG Z X.Analysis and prediction of China’s future pension industry based on fitting algorithm and BP"neural network[J].Journal of Physics：Conference Series，2021，1952（4）：042141.

[17] LIU S P，TIAN G H，XU Y.A novel scene classification model combining ResNet based transfer learning and data augmentation with a filter[J].Neurocomputing，2019，338：191-206.

[18] ANSARI N，F(xiàn)AIZABADI A R，MOTAKABBER S M A，et al.Effective pneumonia detection using ResNet based transfer learning[J].Test Engineering and Management，2020，82：15146-15153.

[19] LIU Y B，LI J，LI Q J，et al.Transfer learning with inception ResNet-based model for rolling bearing fault diagnosis[J].Journal of Advanced Mechanical Design，Systems，and Manufacturing，2022，16（2）：1-19.

[20] WU J，LI J，REN Q.Application of artificial intelligence image recognition technology based on faster-RCNN in automatic inspection of power transmission and transformation[J].Journal of Physics：Conference Series，2022，2306（1）：012006.

[21] DIAO Z，YAN J，HE Z，et al.Corn seedling recognition algorithm based on hyperspectral image and lightweight-3D-CNN[J].Computers and Electronics in Agriculture，2022，201：107343.

[22] LI Z Y，WU Q M，YANG S M，et al.Diagnosis of rotor demagnetization and eccentricity faults for IPMSM based on deep CNN and image recognition[J].Complex amp; Intelligent Systems，2022，8（6）：5469-5488.

[23] ARVIND S，TEMBHURNE J V，DIWAN T，et al.Improvised light weight deep CNN based U-Net for the semantic segmentation of lungs from chest X-rays[J].Results in Engineering，2023，17：100929.

[24] YANG Y，YANG S，LI C，et al.Recognition of plasma discharge patterns based on CNN and visible images[J].IEEE Access，2021，9：67232-67240.

（收稿日期：2024-01-15，修回日期：2024-11-11）

基金項目：國家自然科學(xué)基金區(qū)域創(chuàng)新發(fā)展聯(lián)合基金重點支持項目（批準(zhǔn)號：U21A20104）資助的課題；大慶石油管理局項目（批準(zhǔn)號：2022SWX191）資助的課題；臺州市科技計劃項目（批準(zhǔn)號：23gyb10）資助的課題。

作者簡介：劉書張（1996-），碩士研究生，從事注水系統(tǒng)節(jié)能優(yōu)化的研究。

通訊作者：張艷（1981-），高級工程師，從事油氣田地面工程方面的研究工作，yandxx@hotmail.com。

引用本文：劉書張，張艷，申建非，等.基于數(shù)據(jù)驅(qū)動模型加遷移學(xué)習(xí)的油田注水管網(wǎng)泄漏診斷方法[J].化工機械，2024，51（6）：000-000.