《Electronics》:A Neural Network-Based Real-Time Casing Collar Recognition System for Downhole Instruments
Si-Yu Xiao,
Xin-Di Zhao,
Xiang-Zhan Wang,
Tian-Hao Mao,
Ying-Kai Liao,
Xing-Yu Liao,
Yu-Qiao Chen,
Jun-Jie Wang,
Shuang Liu and
Yang Liu
+ 1 author
编辑推荐:
套管接箍定位器(Casing Collar Locator, CCL)测量被广泛用作可靠的深度标记,用于在射孔等作业中定位井下仪器,从而实现精确的深度控制。然而,井下环境中的自主接箍识别仍然具有挑战性,因为CCL信号经常受到钻具串或套管引起的磁干扰污染,同时严
套管接箍定位器(Casing Collar Locator, CCL)测量被广泛用作可靠的深度标记,用于在射孔等作业中定位井下仪器,从而实现精确的深度控制。然而,井下环境中的自主接箍识别仍然具有挑战性,因为CCL信号经常受到钻具串或套管引起的磁干扰污染,同时严格的尺寸和功耗预算限制了计算密集型算法的使用,且特定作业要求实时、原位处理。为了解决这些限制,研究人员提出了Collar Recognition Nets(CRNs),这是一个特定领域的轻量级一维卷积神经网络系列,用于从流式CCL波形中识别接箍特征。通过深度可分离卷积(Depthwise Separable Convolutions)和输入池化(Input Pooling),CRNs在不牺牲准确率的情况下优化了效率。研究人员最紧凑的模型在野外数据上实现了0.972的F1分数,仅有1985个参数和8208次乘加运算(MACs)。该模型使用TensorFlow Lite for Microcontrollers(TFLM)库部署在基于ARM Cortex-M7的嵌入式系统上,表现出每秒1000次推理的吞吐量和343.2微秒的延迟,证实了在严格的井下限制下实现稳健、自主和实时接箍识别的可行性。
这篇题为《A Neural Network-Based Real-Time Casing Collar Recognition System for Downhole Instruments》的论文由Si-Yu Xiao、Xin-Di Zhao等学者撰写,发表于《Electronics》期刊。该研究聚焦于油气勘探开发中井下仪器精确定位的难题,提出了一种基于轻量级一维卷积神经网络的实时接箍识别系统,成功在资源受限的嵌入式硬件上实现了高精度推理。以下是对该论文的详细解读。
研究背景与问题提出
在油气资源勘探开发中,井下仪器的精确定位直接影响最大产能与作业安全。检测作为深度标记的套管接箍是估算井下仪器深度的主流方法。然而,当前技术面临四大核心挑战。首先,CCL信号易受套管壁及金属钻具串等外部磁源污染,某些干扰波形与真实接箍特征高度相似且频带重叠,难以甄别。其次,超长电缆会引入严重的信号衰减与噪声,传统滤波技术难以抑制复杂的干扰成分。第三,地面人工识别效率低下且易出错,而新兴的无线射孔、泵送射孔等先进作业迫切需要实时接箍识别能力。第四,受限于井眼直径,井下仪器的空间与功耗预算极为严苛,无法集成高功耗的高性能计算硬件。因此,开发嵌入井下仪器的轻量级自动原位实时CCL信号处理算法势在必行。
关键技术方法
研究人员提出了一套专为接箍识别设计的Collar Recognition Nets(CRNs)网络架构。模型输入为预处理后的CCL信号最近160个采样点序列。网络骨干采用受时间卷积网络启发的MobileNet框架,包含标准块与头部结构。为了适应微控制器单元的资源限制,研究人员采用了深度可分离卷积来降低计算成本,并在CRN-3模型中引入初始平均池化层进一步削减负载。数据集来源于中国四川省的现场作业CCL测井记录,按3比1划分为训练集与验证集。为增强数据多样性,研究采用了标签分布平滑、随机裁剪、标签平滑正则化、时间缩放和多重采样等数据增强技术。模型在PyTorch框架下使用二元交叉熵损失函数和Adam优化器进行离线训练,随后转换为TensorFlow Lite for Microcontrollers格式部署于ARM Cortex-M7微处理器。
研究结果
方法论
研究人员将原始模拟CCL信号通过包含可编程增益放大器、抗混叠滤波器和模数转换器的模拟前端模块进行采集与数字化,采样率为1千赫兹,分辨率为16位。数字化信号经归一化后存入滑动窗口缓冲区输入神经网络。网络输出的概率图经过固定阈值检测与平滑处理,计算出接箍特征的时间质心并记录时间戳。最终,结合已知的套管表通过运动学方程估算钻具串的运动状态与当前深度。
验证与讨论
研究人员使用两条全长现场CCL测井记录对系统进行了验证,这些记录严格排除在训练集之外。结果显示,随着网络容量减小,概率图与理想图的偏差更为明显,体现了硬件效率与识别精度之间的权衡。CRN-1取得了0.992的最高F1分数,而最紧凑的CRN-3在仅有1985个参数和8208次乘加运算的情况下仍达到了0.972的F1分数。在ARM Cortex-M7硬件上的实现验证表明,CRN-3模型单次推理平均耗时343.2微秒,吞吐量达到每秒1000次推理,平均功耗约为74.3毫瓦,完全满足实时处理需求。
研究结论
本研究提出了一种基于特定领域神经网络架构的新型轻量级套管接箍识别算法。通过有效平衡计算复杂度与识别性能,最紧凑的模型变体CRN-3在实现高达0.972的F1分数的同时,复杂度仅为8208次乘加运算。这代表了与标准TinyML基线和现有工作相比计算成本的显著降低,且性能下降微乎其微。所提出的方法克服了现有接箍识别模型因计算需求过高而导致的部署障碍。为验证其实用性,CRN-3模型被实施于由ARM Cortex-M7微处理器驱动的套管接箍识别系统,并集成到井下仪器中。机载验证证实了该系统在实时约束下准确识别接箍特征的能力,实现了每秒1000次推理的处理吞吐量。这项研究证明了为实时、原位套管接箍识别设计和部署轻量级神经网络的可行性,这是迈向井下作业自动化的重要一步。通过将先进的深度学习技术与井下仪器内资源受限的嵌入式环境连接起来,这项工作为开发全自主井下仪器铺平了道路。