基于时间序列数据和时频融合BiLSTM模型的气井筒泄漏智能识别方法

《Journal of Cleaner Production》：Intelligent identification method for gas well string leakage based on time-series data and time-frequency fusion BiLSTM model

　　• 通过温度-压力耦合多相流创建了高保真超深井泄漏数据集。• 提出了一种融合时频特征并采用门控注意力机制的BiLSTM模型。• 实现了管柱泄漏的精确定量反演（位置/尺寸 R2 > 0.99）。• 验证了相对于主流机器学习与深度学习模型的优越精度与鲁棒性。• 通过特征消融和少样本测试验证了极端条件下的潜在能力。## 引言地下储气库建设与深层天然气开发是实现"双碳"目标的核心任务，在全球能源战略中具有关键作用（Zhou等，2025）。作为连接地面管网与地下储层的唯一通道，井筒和管柱完整性直接决定了项目寿命和经济绩效。井下井筒内的气流往往面临高温、高压和高含硫量等恶劣条件。管柱因腐蚀、磨损和循环载荷而易发生泄漏，可能导致严重事故，包括持续套管压力（SCP）、密封失效甚至井喷，从而造成重大经济损失和显著环境风险（Chen等，2019；Zhu等，2012；Bérest等，2019）。因此，气井管柱泄漏的早期检测具有重要的工程意义。目前关于气井管柱泄漏监测的研究主要集中在高精度、高成本的测量技术，如压力传感器、加速度计和分布式光纤声学传感，通常采用基于阈值的方法进行泄漏识别。Hwang等（1994）通过高分辨率气相色谱法评估烃类饱和指纹以评估储层连通性，为诊断管柱窜流奠定了理论基础。Bourgoyne等（1999）通过分析放气后的压力升速率来应对SCP问题，有效区分了热膨胀效应与机械泄漏。Al-Hussain等（2015）提出了一种综合免钻机检测方案，将高精度温度、噪声和腐蚀测井相结合。Jalan等（2017）利用频谱噪声和高精度温度测井，配合宽带水声换能器和铂传感器，准确定位深层管柱泄漏。Baharum等（2021）在双管柱井中利用频谱噪声分析仪，通过分析穿透管壁的高频能量来定位相邻短管柱中的泄漏。Wu等（2022）基于声学时间频率特征构建了支持向量机（SVM）模型，有效区分了液面以上和以下的泄漏。Jiang等（2023）开发了一种用于盐穴储气井的定量分布式温度传感（DTS）泄漏模型，该模型纳入了焦耳-汤姆逊效应，将预测偏差控制在5%以下，同时明确了灵敏度阈值。Zou等（2024）设计了一种全尺寸物理模拟器，验证了DTS与分布式声学传感（DAS）联合检测微环形泄漏的高敏感性。Chen等（2025）将DTS-DAS组合应用于CO?注入井，通过数据去噪和频段处理，成功定位了1631米处的深层泄漏。除高精度测量技术外，早期研究还通过机器学习（ML）处理多源数据，在异常诊断领域受到了广泛关注（Barradas等，2009；Mandal等，2012；Xiao等，2019）。近期，先进的深度学习（DL）和集成算法进一步提高了泄漏检测性能（Yang等，2022）。这些方法通常强调多源数据融合，往往采用高保真物理模型生成大量"测量"数据（Sukarno等，2007；Afebu等，2015；Oyedeko和Balogun，2015）。此外，这些生成技术可以与低成本地面测量和运行数据相结合（Eastvedt等，2022；Ebrahimi等，2024）。缺失任何单一信号都不会影响整体多源分析。除了简单地检测泄漏是否存在外，这些方法还可以智能推断关键缺陷尺寸和瞬态特征（Zhang等，2022a；Asghari等，2023）。近期先进模型还实现了泄漏位置和实际孔径的同步定量表征（Harati等，2024；Li等，2024）。然而，现有研究主要集中于市政基础设施的泄漏诊断，如城市水网和供暖管道（Zhou等，2019；Hu等，2021；Xue等，2020a）。类似的智能诊断方法也被应用于其他供暖系统、交通隧道缺陷和关键阀件故障（Lee等，2023；Xue等，2020b；Zhang等，2023）。此外，这些方法越来越多地被用于评价井筒固井完整性和海底油气管道（Ferreira等，2024；Kim等，2021；Xiong等，2023）。此外，地面天然气输送管道的异常检测也得到了广泛研究（Wang等，2022；Zhang等，2025）。相比之下，气井管柱泄漏的智能识别在很大程度上仍缺乏报道。为此，本研究通过结合时间序列数据与时频融合BiLSTM模型，对气井生产管柱泄漏识别进行了初步探索。本文结构如下。首先，利用数值模拟构建了一个覆盖泄漏孔径0.1-30毫米和泄漏深度500-7500米的高质量物理特征数据集。基于该时间序列数据集，开发了一种复合深度学习模型，该模型融合了并行多尺度CNN、FFT、BiLSTM、自适应多头注意力机制和门控信息融合架构，并通过Optuna优化超参数。随后，与传统机器学习模型（如XGBoost、LightGBM）、非序列深度学习模型（如人工神经网络ANN、ResNet）以及常用的时间序列模型（如TCN、Transformer）进行了对比实验。还通过特征消融实验和少样本实验验证了模型在复杂井下条件下的优越性、鲁棒性和工程适用性。### 各节摘要**物理模型与数据集构建**本节详细介绍了管柱泄漏的理论基础和数据处理流程。首先构建了复杂井下条件下的多相流物理模型，随后分析了瞬态泄漏特征，最后概述了生成高保真实验数据集的统计方法。**方法论**针对超深气井泄漏信号中的非平稳性、强噪声和长程依赖问题，本研究提出了一种融合时频多模态特征与门控决策机制的模型（以下简称综合模型）。该工作流程采用四阶段范式，从多视图特征解耦和时序相关性建模到关键信息聚合和门控非线性回归，实现高精度泄漏识别。**实验与结果**为系统验证所提出的综合模型的有效性、优越性和工程适用性，设计了一系列综合实验。本节概述了整体实验流程，并展示了详细的性能评估、可解释性分析和对比研究。**结论**针对超深气井管柱泄漏检测问题，本研究提出了一种数据驱动的、多模块集成的深度学习模型（多尺度CNN-FFT-BiLSTM-AMA-GRN）。系统实验得出以下结论：(1) 本研究的核心贡献在于提出了用于管柱泄漏诊断的多模块深度学习框架。在工程领域，传统泄漏检测依赖于复杂的物理机理模型。然而，面对未知的流体动力学变化时……### CRediT作者贡献声明**孙晓辉：** 写作–审阅与编辑、写作–原稿撰写、软件、方法论、正式分析、概念构思。**邱尚书：** 写作–原稿撰写、可视化、软件、方法论、数据整理。**杨伟佳：** 验证、软件、调查、数据整理。**王金堂：** 写作–审阅与编辑、概念构思。**孙宝江：** 监督指导。**王智远：** 写作–审阅与编辑、监督指导、概念构思。### 利益冲突声明作者声明不存在已知的竞争性经济利益或个人关系，这些可能影响本文报告的工作。### 致谢本工作受国家自然科学基金资助（52434002、52474023、52104056）。