申请/专利权人：浙江树人学院(浙江树人大学)

申请日：2021-09-01

公开（公告）日：2024-07-05

公开（公告）号：CN113762131B

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/22;G06F18/213;G06F18/15;G06T7/73;G06T7/00;G06N3/0464;G06N3/0455;G06N3/0475;G06N3/094;G06N3/006;G01B7/24;G01N27/90

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2021.12.24#实质审查的生效;2021.12.07#公开

摘要：本发明提供了一种高含硫气田的油套管双层管柱形变位置检测方法、终端及计算机可读存储介质,涉及无损检测技术领域,构建GAN网络的生成子网络和判别子网络，可提取大量特征较好的表征图像特征，更好捕获图像的细节，构造训练集和损失函数，并采用基于Pareto的海洋捕食者方法对两个子网络参数进行更新，从而提高参数寻优的收敛速度，而且克服梯度消失的问题，构造测试集对训练好的两个子网络进行测试，并设计异常评估函数评估对提取的涡流图像中每行像素进行异常评分，将异常像素行所在位置认为变形段位置并修正检测结果，从而实现变形段的检测，本发明可提高训练速度，提高双层管柱形变位置检测的速度和检测准确率，降低检测的误判率和错误接受率。

主权项：1.一种高含硫气田用油套管双层管柱形变位置检测方法，其特征在于，所述方法包括：构建GAN网络的生成子网络、判别子网络和损失函数；判断当前模式是否为训练模式，若为训练模式，则读取无形变油套管检测到的电涡流信号构建训练集，并初始化生成子网络和判别子网络的链接权重、偏置参数矩阵Λ、参数矩阵的上边界矩阵和下边界矩阵当前迭代次数λ＝1，最大迭代次数λmax、适应度函数权重；去除训练集中的节箍数据；将电涡流信号转化为像素；将像素排列为涡流图像；将训练集中数据转换后获得的电涡流图像和对应的深度信息分别输入生成子网络；生成子网络得到重构电涡流图像，并输入判别子网络；判别子网络输出重构图像、训练集原涡流图像的评价分数、实际特征分布和潜在特征分布；采用基于Pareto的海洋捕食者方法对子网络和判别子网络的参数进行迭代更新，令λ＝λ+1；判断λ是否为最大值λmax或损失函数小于预设阈值，若是，则保存训练好的最优参数，设置生成子网络和判别子网络参数；令当前模式为识别模式；若当前模式为识别模式，则读取待测电涡流信号，将电涡流信号转化为像素，将像素排列为电涡流图像；将转换后的待测电涡流图像和对应的深度信息输入训练好的生成子网络和判别子网络；判别子网络输出重构图像与原图像的实际特征分布和潜在特征分布；计算每个深度像素的异常评分判断电涡流图像是否存在异常，并对检测结果进行修正；根据电涡流图像的异常检测结果，输出存在形变的油套管深度位置。

全文数据：

权利要求：

百度查询： 浙江树人学院(浙江树人大学) 高含硫气田用油套管双层管柱形变位置检测方法及终端

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD