一种井下油管腐蚀风险的评价方法及系统

技术领域

本发明属于钻井井下腐蚀风险评价技术领域，涉及一种井下油管腐蚀风险的评价方法及系统，具体涉及一种基于SVM算法的井下油管二氧化碳、硫化氢腐蚀风险的评价方法及系统。

背景技术

井下油管腐蚀受诸多因素影响，其中介质因素是最主要影响因素，其主要腐蚀形式是二氧化碳腐蚀和硫化氢腐蚀，并且以二氧化碳、硫化氢共存时的腐蚀最为普遍，也最为复杂。油管腐蚀不仅影响了油气井的安全生产，还会在一定程度上阻碍试、修井作业。通过对油管腐蚀的风险评价，获得油管内高风险腐蚀部位的信息，将为以后井下油管的防腐以及油气井安全生产留下宝贵的经验。顺北、跃进等开发区块均属于碳酸盐岩油藏，其腐蚀环境非常复杂,腐蚀介质具有极强的非均质性,不同的断裂带的腐蚀环境差异很大，油管腐蚀机理也很复杂, 开发风险高、难度大。

专利号为CN201210548324.X的中国专利“一种油管腐蚀程度预测方法及装置”，提出了一种油管腐蚀预测模型，对指定环境下的在役油管进行腐蚀程度预测，可以提高井下油管腐蚀程度预测的准确度。

专利号为CN201511018634.0的中国专利“一种基于数据挖掘的在役油管柱腐蚀失效预测系统”，提出了一种油管失效预测器模型，能准确预测当前环境对油管腐蚀速率的影响程度，并对其实用寿命进行预测，能大大提高油管柱使用的安全性和降低管柱泄漏事故的发生，节省企业用户成本，避免环境污染。

针对顺北、跃进等开发区块，关键问题在于其腐蚀环境非常复杂,腐蚀介质具有极强的非均质性，不同的断裂带的腐蚀环境差异很大，油管腐蚀机理也很复杂，开发风险高、难度大。但上述专利均未涉及这种复杂环境的油管腐蚀风险预测的问题。

因此，建立在统计学习理论基础上，通过学习样本类别间分界面附近的准确信息的基于 SVM的腐蚀风险的评价方法具有重要意义，是本领域亟待解决的问题。

发明内容

本发明的目的在于提供一种井下油管腐蚀风险的评价方法及系统，不需要确定权重，能够自动模拟各因子间的非线性关系，避免传统评价过程中在确定权重时的人为成分影响，进而客观地得到腐蚀速率等信息，准确度更高。

为了实现上述目的，本发明提供了如下技术方案：

一种井下油管腐蚀风险的评价方法，包括以下步骤：

S1、选取腐蚀风险基础指标，建立油管风险预测指标体系，计算腐蚀风险基础指标与腐蚀速率之间的相关性系数；

S2、从腐蚀风险基础指标中选取样本数据，并对选取的样本数据进行处理，得到原样本；

S3、将RBF核函数作为SVM分类核函数，利用步骤S2得到的原样本，建立腐蚀风险预测 SVM模型；

S4、利用得到的腐蚀风险预测SVM模型对油管腐蚀速率进行预测，根据预测的腐蚀速率评价油管腐蚀风险。

优选地，步骤S1中所述腐蚀风险基础指标包括油管所处环境的含水量、温度、压力、 CO2/H2S分压、Cl-浓度、腐蚀评价实验周期、应力开裂评价实验周期和油管材料。

优选地，步骤S1中所述相关性系数的计算方法为：利用皮尔逊相关性分析腐蚀风险基础指标与腐蚀速率之间的相关性系数，相关性系数从负相关到正相关之间变化，系数为0时表明无关系。

进一步优选地，所述皮尔逊相关性的公式为：

式中，X为腐蚀风险基础指标，Y为腐蚀速率。

优选地，步骤S2中所述选取的样本数据与腐蚀速率呈正相关。

优选地，步骤S2中所述处理为：将选取的样本数据进行归一化处理，归一化处理后，样本数据取值范围x*限定在[-1，1]之间。

进一步优选地，，所述归一化处理的转化函数为：

其中，x表示原始数据，x*表示处理后的数据，min表示原始数据样本中的最小值，max 表示原始数据样本中的最大值。

优选地，步骤S3中所述腐蚀风险预测SVM模型的建立方法，包括以下步骤：

(1)将原样本中的数据进行预降维处理，并分为训练样本和预测样本；

(2)将RBF核函数作为SVM分类核函数，根据训练样本构建油管腐蚀风险预测SVM模型，并根据得到的油管腐蚀风险预测SVM模型对预测样本的风险类别进行预测，得到惩罚因子C与RBF核函数参数g；

(3)对得到惩罚因子C与RBF核函数参数g进行优化处理，得到惩罚因子C与RBF核函数参数g的最优参数值；

(4)根据得到的惩罚因子C与RBF核函数参数g的最优参数值作为油管腐蚀风险预测 SVM模型的参数值，对油管腐蚀风险预测SVM模型进行优化；

(5)将上一步确定的最优参数值(C，g)逐一对比来构建油管腐蚀风险预测SVM模型，并对其准确率与历史数据相比较进行验证，准确率≥85％的SVM模型具有较高的可靠性，可以用于油管腐蚀风险的预测当中，如果准确率低于85％，则返回步骤(4)。

进一步优选地，步骤(4)中所述优化处理为：通过K次交叉验证法对惩罚因子C与RBF核函数参数g进行优化；

具体为：把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的 K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。

优选地，步骤S4中所述油管腐蚀风险的评价分类为：

本发明还提供了一种基于SVM的油管腐蚀风险的评价系统，包括：

油管腐蚀风险基础指标体系，用于将油管腐蚀风险基础指标进行分类，便于对样本数据进行处理；

样本数据选取模块，用于在油管腐蚀风险基础指标中选取样本数据，并对样本数据进行处理；

风险预测模块，用于建立油管腐蚀风险预测SVM模型，并对油管腐蚀风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；

模型优化模块，用于将得到的最优参数值作为油管腐蚀风险预测SVM模型的参数值，对油管腐蚀风险预测SVM模型进行优化。

本发明的有益效果为：

本发明建立油管腐蚀风险基础指标体系，通过SVM分类模型并进行参数的寻优，基于 SVM的油管腐蚀风险评价方法及系统，对于非线性关系和小样本模型具有较高的预测准确度，在油管腐蚀风险评价中具有良好的预测效果。相比现有技术，本发明不需要确定权重，能够自动模拟各因子间的非线性关系，避免传统评价过程中在确定权重时的人为成分影响，进而客观地得到腐蚀速率等信息，准确度更高。

附图说明

图1为本发明实施例提供的腐蚀速率实际预测对比图。

具体实施方式

以下将结合具体实施例对本发明的一种井下油管腐蚀风险的评价方法及系统进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在进一步描述本发明具体实施方式之前，应理解，本发明的保护范围不局限于下述特定的具体实施方案；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。

一种井下油管腐蚀风险的评价方法，包括以下步骤：

S1、选取腐蚀风险基础指标，建立油管风险预测指标体系，计算腐蚀风险基础指标与腐蚀速率之间的相关性系数；

S2、从腐蚀风险基础指标中选取样本数据，并对选取的样本数据进行处理，得到原样本；

S3、将RBF核函数作为SVM分类核函数，利用步骤S2得到的原样本，建立腐蚀风险预测 SVM模型；

S4、利用得到的腐蚀风险预测SVM模型对油管腐蚀速率进行预测，根据预测的腐蚀速率评价油管腐蚀风险。

优选地，步骤S1中所述腐蚀风险基础指标包括油管所处环境的含水量、温度、压力、CO2/H2S分压、Cl-浓度、腐蚀评价实验周期、应力开裂评价实验周期和油管材料。

优选地，步骤S1中所述相关性系数的计算方法为：利用皮尔逊相关性分析腐蚀风险基础指标与腐蚀速率之间的相关性系数，相关性系数从负相关到正相关之间变化，系数为0时表明无关系。

进一步优选地，所述皮尔逊相关性的公式为：

式中，X为腐蚀风险基础指标，Y为腐蚀速率。

优选地，步骤S2中所述选取的样本数据与腐蚀速率呈正相关。

优选地，步骤S2中所述处理为：将选取的样本数据进行归一化处理，归一化处理后，样本数据取值范围x*限定在[-1，1]之间。

进一步优选地，所述归一化处理的转化函数为：

其中，x表示原始数据，x*表示处理后的数据，min表示原始数据样本中的最小值，max 表示原始数据样本中的最大值。

优选地，步骤S3中所述腐蚀风险预测SVM模型的建立方法，包括以下步骤：

(1)将原样本中的数据进行预降维处理，并分为训练样本和预测样本；

(2)将RBF核函数作为SVM分类核函数，根据训练样本构建油管腐蚀风险预测SVM模型，并根据得到的油管腐蚀风险预测SVM模型对预测样本的风险类别进行预测，得到惩罚因子C与RBF核函数参数g；

(3)对得到惩罚因子C与RBF核函数参数g进行优化处理，得到惩罚因子C与RBF核函数参数g的最优参数值；

(4)根据得到的惩罚因子C与RBF核函数参数g的最优参数值作为油管腐蚀风险预测 SVM模型的参数值，对油管腐蚀风险预测SVM模型进行优化；

(5)将上一步确定的最优参数值(C，g)逐一对比来构建油管腐蚀风险预测SVM模型，并对其准确率与历史数据相比较进行验证，准确率≥85％的SVM模型具有较高的可靠性，可以用于油管腐蚀风险的预测当中，如果准确率低于85％，则返回步骤(4)。

进一步优选地，步骤(4)中所述优化处理为：通过K次交叉验证法对惩罚因子C与RBF核函数参数g进行优化；

具体为：把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，其余的 K-1个子集合并作为训练集，用该测试子集检验训练集上训练分类器的精度；如此依次循环，直至每个子集都被测试一次，训练和测试分别进行K次；同时，设定惩罚因子C与RBF核函数参数g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。

优选地，步骤S4中所述油管腐蚀风险的评价分类为：

本发明还提供了一种基于SVM的油管腐蚀风险的评价系统，包括：

油管腐蚀风险基础指标体系，用于将油管腐蚀风险基础指标进行分类，便于对样本数据进行处理；

样本数据选取模块，用于在油管腐蚀风险基础指标中选取样本数据，并对样本数据进行处理；

风险预测模块，用于建立油管腐蚀风险预测SVM模型，并对油管腐蚀风险进行预测，得到惩罚因子C与RBF核函数参数的最优参数值；

模型优化模块，用于将得到的最优参数值作为油管腐蚀风险预测SVM模型的参数值，对油管腐蚀风险预测SVM模型进行优化。

为了更好的理解本发明的技术方案和技术效果，下面针对顺北、跃进等开发区块来具体阐述本发明的技术方案及技术效果。此处针对井下油管腐蚀为井下油管二氧化碳、硫化氢腐蚀。

实施例1

一种井下油管腐蚀风险的评价方法，包括以下步骤：

步骤1：建立油管腐蚀风险预测指标体系；利用皮尔逊相关系性分析各个因素与腐蚀速率之间的关系，相关性系数从负相关到正相关之间变化，相关性系数为0时表明无关系。

计算方法如下：

8个腐蚀风险基础指标与腐蚀速率的相关性系数如下表1所示。

表1

步骤2：样本数据的选取与处理；

步骤2.1：实际所选各指标与风险之间可能存在3种关系：指标值越大，风险越大；

指标值越小，风险越大；指标值在某一区间内油管腐蚀速率处于安全状态，而指标值越偏离这一区间，对应的风险越大。为了统一各指标与风险的变动方向，即指标值越大，风险值越大，对各类指标进行正向化处理；

步骤2.2：为了消除不同指标变量的量纲差异对实证结果可靠性的影响，对数据进行归一化处理，将各指标的取值范围x*限定在[-1，1]之间。归一法采用的是最大最小值法，转换函数如下：

其中x表示原始数据，x*表示处理后的数据，min表示原始数据样本中的最小值，max 表示原始数据样本中的最大值。

步骤3：油管腐蚀风险程度评估；

步骤3.1：将原样本划分为两类，分别为训练样本和预测样本，用训练样本来构SVM模型，用所构建的模型对预测样本的风险类别进行预测，即以室内实验室的样本数据(215个) 来构建SVM模型，同时，用所构建的SVM模型对顺北1号断裂带、5号断裂带及顺南区、顺托区的风险类别进行预测；

步骤4：油管腐蚀风险预测SVM模型的建立与检验；

步骤4.1：在模型构建之前，应先对样本数据进行预降维处理；

步骤4.2：核函数是实现SVM算法中将问题由输入空间映射到高维空间的关键因素，不同核函数采用不同的支持向量机算法，其形式与参数决定了分类器的类型和复杂程度。满足 Mercer定理的函数都可以作为模型的核函数来运用，需要注意的是在支持向量机模型中选择不同的内积核函数会导致不同的算法。由于RBF核函数中只有一个参数g是可调节的，模型的运算难度大为降低；同时，已有研究表明，RBF核函数在大多情况都优于其他函数，具有较强的通用性。因此，选用RBF作为SVM分类核函数。

步骤4.3：在确定了核函数之后，需要确定SVM模型中的两个重要参数：惩罚因子C和 RBF核函数参数g。所采用的参数优化方法为K次交叉验证法，其基本思路是：把训练样本集分成K份大小一样的子集，取其中的一个子集为测试集，而将其余的K-1个子集合并作为训练集，用该测试子集通过对比分类率进行检验训练集上训练分类器的精度；如此依次循环，直至每一个子集都被测试一次，根据训练训练出模型或者假设函数，训练和测试分别进行K 次；同时，设定参数C与g的变化范围和每次变化的步径大小，对每组变化的(C，g)分别完成如上的K次循环；最后，选取交叉验证准确率最高的分类器所对应的(C，g)作为最优的参数值。

寻优的结果表明，当交叉验证准确率为100％时，SVM模型参数C值为138，g值为0.088。

步骤5：模型检验及预测结果分析，选定了核函数和模型参数后，将上一步确定的最优参数值(C，g)逐一对比来构建SVM风险预测模型，并对其准确率与历史数据相比较进行验证，准确率高(准确率≥85％)的SVM模型具有较高的可靠性，可以用于油管腐蚀风险的预测当中，如果准确率不高(低于85％)，则返回步骤4.3。

根据选取的样本数据，在选定了核函数和优化模型参数后，在MATLAB中使用libsvm 工具箱来构建SVM风险预测模型，并对其准确率进行验证。模型训练结果显示在30个测试样本中，有28个都得到了正确的归类，预测精确率达到93.333％。故训练出的SVM模型具有较高的可靠性，可以应用于油管腐蚀风险的评价当中。

综上所述，本发明建立油管腐蚀风险基础指标体系，通过SVM分类模型并进行参数的寻优，基于SVM的油管腐蚀风险评价方法及系统，对于非线性关系和小样本模型具有较高的预测准确度，如图1所示，在油管腐蚀风险评价中具有良好的预测效果。

相比现有技术，本发明的井下油管腐蚀风险的评价方法及系统，不需要确定权重，能够自动模拟各因子间的非线性关系，避免传统评价过程中在确定权重时的人为成分影响，进而客观地得到腐蚀速率等信息，准确性更高。

以上显示和描述了本发明的基本原理、主要特征和优点，因此以上所述仅为本发明的实施例。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还包括各种等效变化和改进，这些变化和改进都将落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。