论文部分内容阅读
为保证油井在长时间作业的情况下依旧保持良好的初始形态,钻井作业完成后会使用石油套管来支撑井壁,石油套管长时间使用后会造成不同程度的损伤,因此对其检测工作必不可少。目前通过视频测井技术获得的套管损伤图像的识别工作普遍是采用人工识别方式,对专业要求严格且主观意识参与度高,工作量大。本文工作是寻求更高效的基于机器学习的视频测井套管损伤识别算法,减少工作量和工作难度。(1)使用高斯滤波方法进行了图像去噪,再基于自适应阈值算法优化传统Canny算子的图像分割方法进行了图像分割,构建了套管损伤图像样本库。(2)对套管损伤图像的灰度特征,纹理特征和形状特征参数提取后,分别使用BP神经网络和遗传算法优化的BP神经网络对套管损伤图像进行了识别。(3)基于卷积神经网络结构分别训练了ResNet网络和VGG16网络,利用Stacking模型集成方法结合ResNet、VGG16网络构建了新的网络模型,并进行了套管损伤图像的识别训练。实验发现使用VGG16网络和ResNet网络得到准确率分别为79.3%和83%,而基于Stacking模型集成的方法实现了86.5%的准确率,使准确率有所提高,使用遗传算法优化BP神经网络的模型后比BP神经网络模型的网络收敛速度有明显提升,并且使得识别准确率从81.6%达到了85%。通过训练五种模型说明基于机器学习可以在套管损伤图像上有很好的识别效果。