油井防砂作业施工监控方法及其系统与流程

1.本公开涉及施工监控领域，且更为具体地，涉及一种油井防砂作业施工监控方法及其系统。


背景技术：

2.部分油井由于地层胶结程度较差、开采强度过大，导致储层岩石松散破碎，引发地层出砂。地层出砂可能会造成以下问题：砂埋油层减产；砂粒摩擦井下设备导致寿命缩短；砂埋管柱导致油井需要进行大修；地层亏空坍塌导致油井报废。因此，在油井防砂作业施工过程中，需要采用合适的监控方法来及时发现地层出砂的风险，并对于风险等级进行评估判定，以及时预警且采取相应地措施来减少地层出砂带来的损害。
3.然而，传统的地层出砂风险等级评估方案通常依赖于专家进行人工分析和评估，这种方案不仅效率较低，需要大量的人力资源进行监测和判断，而且易受到专家经验和主观判断的影响，导致对于风险等级评估的准确性较低，无法及时采取有效的防控措施。同时，这种方案无法实时监测油井的状态，也无法全面了解地层的情况，这可能导致地层出砂问题无法及时发现和处理，增加了油井发生事故的风险。
4.因此，期望一种优化的油井防砂作业施工监控方案。


技术实现要素：

5.有鉴于此，本公开提出了一种油井防砂作业施工监控方法及其系统，其可以及时地发现地层出砂风险，并对于风险等级进行评估，以此采取相应的应对措施来降低油井安全事故的风险，以确保油井安全作业。
6.根据本公开的一方面，提供了一种油井防砂作业施工监控方法，其包括：通过摄像头采集储层岩石的表面图像；对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。
7.在上述油井防砂作业施工监控方法中，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征，包括：对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像；以及通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征。
8.在上述油井防砂作业施工监控方法中，对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像，包括：对所述储层岩石的表面图像进行双边滤波以得到增强储层岩石表观图像。
9.在上述油井防砂作业施工监控方法中，通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征，包括：将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图；将所述储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图沿着通道维度排列为储
层岩石表观多尺度特征图；以及对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征。
10.在上述油井防砂作业施工监控方法中，将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图，包括：将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第一卷积模块以得到所述储层岩石表观浅层特征图；将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第二卷积模块以得到所述储层岩石表观中层特征图；以及将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第三卷积模块以得到所述储层岩石表观深层特征图。
11.在上述油井防砂作业施工监控方法中，对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征，包括：将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图。
12.在上述油井防砂作业施工监控方法中，将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图，包括：将所述储层岩石表观多尺度特征图通过第一注意力分支以得到第一多模态联合注意力特征图；将所述储层岩石表观多尺度特征图通过第二注意力分支以得到第二多模态联合注意力特征图；将所述储层岩石表观多尺度特征图通过第三注意力分支以得到第三多模态联合注意力特征图；以及融合所述第一多模态联合注意力特征图、所述第二多模态联合注意力特征图和所述第三多模态联合注意力特征图以得到所述储层岩石表观多尺度强化特征图。
13.在上述油井防砂作业施工监控方法中，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值，包括：对所述储层岩石表观多尺度强化特征图进行特征分布优化以得到优化储层岩石表观多尺度强化特征图；以及将所述优化储层岩石表观多尺度强化特征图通过分类器以得到分类结果，所述分类结果用于表示地层出砂的风险等级标签值。
14.在上述油井防砂作业施工监控方法中，对所述储层岩石表观多尺度强化特征图进行特征分布优化以得到优化储层岩石表观多尺度强化特征图，包括：以如下优化公式对所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化储层岩石表观多尺度强化特征图；其中，所述优化公式为：其中，是所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵，和分别为基于所述储层岩石表观多尺度强化特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，表示矩阵的谱范数，表示向量乘法，表示按位置点乘，且为所述优化储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵。
15.根据本公开的另一方面，提供了一种油井防砂作业施工监控系统，其包括：图像采集模块，用于通过摄像头采集储层岩石的表面图像；图像特征分析模块，用于对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及风险等级确定模块，用于
基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。
16.在上述油井防砂作业施工监控系统中，所述图像特征分析模块，包括：图像增强处理单元，用于对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像；以及图像特征提取单元，用于通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征。
17.根据本公开的实施例，其首先通过摄像头采集储层岩石的表面图像，接着，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征，然后，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。这样，可以及时地发现地层出砂风险，并对于风险等级进行评估，以此采取相应的应对措施来降低油井安全事故的风险，以确保油井安全作业。
18.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
19.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
20.图1示出根据本公开的实施例的油井防砂作业施工监控方法的流程图。
21.图2示出根据本公开的实施例的油井防砂作业施工监控方法的架构示意图。
22.图3示出根据本公开的实施例的油井防砂作业施工监控方法的子步骤s120的流程图。
23.图4示出根据本公开的实施例的油井防砂作业施工监控方法的子步骤s122的流程图。
24.图5示出根据本公开的实施例的油井防砂作业施工监控方法的子步骤s1221的流程图。
25.图6示出根据本公开的实施例的油井防砂作业施工监控方法的子步骤s1223的流程图。
26.图7示出根据本公开的实施例的油井防砂作业施工监控方法的子步骤s130的流程图。
27.图8示出根据本公开的实施例的油井防砂作业施工监控系统的框图。
28.图9示出根据本公开的实施例的油井防砂作业施工监控方法的应用场景图。
实施方式
29.下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
30.如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备
也可能包含其他的步骤或元素。
31.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
32.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
33.针对上述技术问题，本公开的技术构思为通过摄像头采集储层岩石的表面图像，并在后端引入图像处理和分析技术来进行储层岩石的表面图像分析以判断地层出砂的风险等级，从而实现油井防砂作业施工的自动监控。通过这样的方式，能够避免专家介入引起的低效率问题以及监测不全面和主观因素引起的低精准度的问题，从而能够及时地发现地层出砂风险，并对于风险等级进行评估，以此采取相应的应对措施来降低油井安全事故的风险，以确保油井安全作业。
34.图1示出根据本公开的实施例的油井防砂作业施工监控方法的流程图。图2示出根据本公开的实施例的油井防砂作业施工监控方法的架构示意图。如图1和图2所示，根据本公开实施例的油井防砂作业施工监控方法，包括步骤：s110，通过摄像头采集储层岩石的表面图像；s120，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及，s130，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。
35.具体地，在本公开的技术方案中，首先，获取由摄像头采集的储层岩石的表面图像。应可以理解，在实际进行所述储层岩石的表面图像的采集过程中，图像可能会受到外界光线和阴影的影响，使得所述储层岩石的表面图像的质量较低，并且图像中还会存在噪声、模糊或者对比度过低等问题，这会对后续机器视觉算法的表现产生很大的影响，从而影响对于储层岩石表观检测的精准度，也就降低了对于地层出砂风险等级评估的精准度。因此，在对所述储层岩石的表面图像进行分析之前，需要先将其进行图像增强，以便更好的识别和分析储层岩石的表观的细节和纹理特征，从而更为准确地进行地层出砂风险等级评估。特别地，在本公开的一个具体示例中，可以采用双边滤波作为图像增强方法，这样能够在尽可能保留储层岩石的表观结构细节和边缘的同时，去除噪声和平滑处等不必要的图像细节。同时，双边滤波器可以根据图像自身的特点，基于空间域分布的高斯滤波函数，进而有效地解决了距离较远的像素影响边缘像素的问题，达到保护边缘去除噪声的目的，也就是说，利用像素之间的关系来调整滤波参数，从而得到更为准确和适合实际需求的增强效果，提高图像质量以及分析结果的准确度和可靠性。
36.然后，使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的特征提取器来进行所述增强储层岩石表观图像的特征挖掘。特别地，考虑到在实际进行所述储层岩石的表观特征检测时，不仅需要关注于所述储层岩石的结构和成分深层特征信息，还应更加关注于其表面的纹理和形状等特征。因此，为了能够进一步提高对于所述储层岩石的表观情况检测的精准度和充分性，在本公开的技术方案中，进一步将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图。通过多层级特征提取的方法，可以逐渐提取出图像的不同层次的特征信息，从而更好地理解和表示所述储层岩石的表观状态特
征信息，以利于对于地层出砂的风险等级进行精准评估。
37.进一步地，在分别得到所述增强储层岩石表观图像中有关于所述储层岩石的表观状态的浅层特征、中层特征和深层特征信息后，需要将所述储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图进行融合，以保留图像中的多层次信息来进行地层出砂的风险等级评估。因此，在本公开的技术方案中，将所述储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图沿着通道维度排列为储层岩石表观多尺度特征图，以此来更好地描述储层岩石的特征和性质。
38.接着，将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到储层岩石表观多尺度强化特征图。应可以理解，由于所述储层岩石表观多尺度特征图存在所述增强储层岩石表观图像中有关于所述储层岩石的表观状态的浅层特征、中层特征和深层特征之间的互补信息，因此，在本公开的技术方案中，进一步使用所述三分支注意力模块来加强所述储层岩石表观多尺度特征图中各个位置的特征在空间维度上的交互，空间维度和通道维度上的交互，以及，不同通道维度之间的交互以更为有效地挖掘和重视互补特征信息，有利于更充分地表达所述储层岩石的表观状态特征，从而提高对于地层出砂风险等级评估的准确性。
39.相应地，如图3所示，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征，包括：s121，对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像；以及，s122，通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征。
40.更具体地，在步骤s121中，对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像，包括：对所述储层岩石的表面图像进行双边滤波以得到增强储层岩石表观图像。值得一提的是，双边滤波是一种图像处理技术，它在保持图像边缘信息的同时，对图像进行平滑处理，它结合了空间域和灰度域的信息，通过考虑像素之间的空间距离和灰度差异来调整滤波器的权重，从而实现对图像的增强和去噪。双边滤波的主要目的是平滑图像的同时保留边缘信息，它能够有效地去除图像中的噪声，同时保持图像的细节和边缘清晰。相比于其他滤波方法，双边滤波能够更好地保持图像的结构和纹理信息，避免了传统平滑滤波器可能引起的模糊效果。对储层岩石的表面图像进行双边滤波处理，可以增强储层岩石的表观图像，使其更加清晰、细节更加突出，同时去除可能存在的噪声干扰，提高图像质量，这样可以为后续的储层岩石分析和处理提供更可靠的数据基础。
41.更具体地，在步骤s122中，如图4所示，通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征，包括：s1221，将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图；s1222，将所述储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图沿着通道维度排列为储层岩石表观多尺度特征图；以及，s1223，对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征。值得一提的是，金字塔网络是一种深度神经网络模型，它通过多层次的特征提取器来处理图像，从而获得不同尺度的特征表示，金字塔网络的结构类似于金字塔形状，底部是原始图像，顶部是最抽象的特征表示。金字塔网络的主要作用是对图像进行多尺度的特征提取，从而捕
捉到图像中不同层次的细节和结构信息。通过在不同层次上提取特征，金字塔网络可以同时考虑到局部细节和全局结构，使得网络能够更好地理解图像的内容和语义。在步骤s1221中，通过基于金字塔网络的图像特征提取器，将增强储层岩石表观图像分别提取为浅层特征图、中层特征图和深层特征图。这些特征图分别对应不同的尺度，可以提供不同层次的特征表示。将浅层特征图、中层特征图和深层特征图沿着通道维度排列，形成储层岩石表观多尺度特征图。这样做可以将不同尺度的特征信息整合在一起，为后续的特征处理和分析提供更全面的信息。
42.在步骤s1223中，对储层岩石表观多尺度特征图进行特征强化，得到储层岩石表观多尺度强化特征图。这一步骤可以进一步增强特征图中的有用信息，提高特征的表达能力，从而更好地描述和表示储层岩石的特征。
43.更具体地，在步骤s1221中，如图5所示，将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图，包括：s12211，将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第一卷积模块以得到所述储层岩石表观浅层特征图；s12212，将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第二卷积模块以得到所述储层岩石表观中层特征图；以及，s12213，将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第三卷积模块以得到所述储层岩石表观深层特征图。应可以理解，在图像处理中，特征提取是一项重要的任务，它可以将原始图像转换为更具有表征性的特征图，以便后续的分析和处理，在增强储层岩石表观图像后，通过基于金字塔网络的图像特征提取器进行特征提取，可以得到储层岩石表观的浅层特征图、中层特征图和深层特征图。将增强储层岩石表观图像通过基于金字塔网络的图像特征提取器的第一卷积模块，可以得到储层岩石表观的浅层特征图，浅层特征图通常包含一些低级别的图像特征，例如边缘、纹理等，这些特征可以用于表征储层岩石的细节信息；将增强储层岩石表观图像通过基于金字塔网络的图像特征提取器的第二卷积模块，可以得到储层岩石表观的中层特征图，中层特征图通常包含一些中级别的图像特征，例如形状、角点等，这些特征可以用于表征储层岩石的形态和结构信息；将增强储层岩石表观图像通过基于金字塔网络的图像特征提取器的第三卷积模块，可以得到储层岩石表观的深层特征图，深层特征图通常包含一些高级别的图像特征，例如物体的部分、整体等，这些特征可以用于表征储层岩石的整体特征和组合信息。通过提取不同层次的特征图，可以获得更全面、多样化的储层岩石表观特征，有助于更准确地表示储层岩石的性质和特点，这些特征图可以用于后续的分类、分割、检测等任务，提高对储层岩石的理解和分析能力。
44.更具体地，在步骤s1223中，对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征，包括：将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图。值得一提的是，三分支注意力模块是一种用于图像处理的注意力机制模块，用于增强储层岩石表观多尺度特征图。三分支注意力模块可以学习到每个像素点在不同尺度特征图中的重要性权重，从而选择出最具有代表性的特征，这有助于减少冗余信息和噪声的影响，提高特征的鲁棒性和表达能力。储层岩石表观多尺度特征图包含了不同尺度上的特征信息，而三分支注意力模块可以将这些特征进行融合，得到更全面和丰富的特征表达，通过综合考虑不
同尺度上的特征权重，可以更好地捕捉到储层岩石的细节和结构信息。通过三分支注意力模块的处理，储层岩石表观多尺度特征图可以得到进一步的强化，这意味着特征图中的有用信息将被加强，使得特征更加突出和明显，有利于后续的分类、分割或其他图像处理任务。三分支注意力模块在储层岩石表观多尺度特征图的处理中起到了特征选择、尺度融合和特征强化的作用，能够提高储层岩石表观特征的表达能力和区分度。
45.进一步地，如图6所示，将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图，包括：s12231，将所述储层岩石表观多尺度特征图通过第一注意力分支以得到第一多模态联合注意力特征图；s12232，将所述储层岩石表观多尺度特征图通过第二注意力分支以得到第二多模态联合注意力特征图；s12233，将所述储层岩石表观多尺度特征图通过第三注意力分支以得到第三多模态联合注意力特征图；以及，s12234，融合所述第一多模态联合注意力特征图、所述第二多模态联合注意力特征图和所述第三多模态联合注意力特征图以得到所述储层岩石表观多尺度强化特征图。
46.进一步地，再将所述储层岩石表观多尺度强化特征图通过分类器以得到分类结果，所述分类结果用于表示地层出砂的风险等级标签值。也就是说，以特征强化后的有关于所述储层岩石的表观状态多尺度特征信息来进行分类处理，从而基于储层岩石的表观状态的实际情况来对于地层出砂的风险等级进行评估判断。具体地，在本公开的技术方案中，所述分类器的标签为地层出砂的风险等级标签值，因此，在得到所述分类结果后，可以对于地层出砂风险等级进行评估，以实现油井防砂作业施工的自动监控。
47.相应地，如图7所示，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值，包括：s131，对所述储层岩石表观多尺度强化特征图进行特征分布优化以得到优化储层岩石表观多尺度强化特征图；以及，s132，将所述优化储层岩石表观多尺度强化特征图通过分类器以得到分类结果，所述分类结果用于表示地层出砂的风险等级标签值。
48.特别地，在本公开的技术方案中，将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器时，所述储层岩石表观浅层特征图、所述储层岩石表观中层特征图和所述储层岩石表观深层特征图分别表达不同深度维度下的基于金字塔网络的不同特征提取尺度的图像语义特征，而在沿着通道维度排列所述储层岩石表观浅层特征图、所述储层岩石表观中层特征图和所述储层岩石表观深层特征图得到所述储层岩石表观多尺度特征图时，所述储层岩石表观多尺度特征图的各个特征矩阵之间也存在由特征深度维度和空间关联尺度导致的特征表达差异。
49.进一步地，将所述储层岩石表观多尺度特征图通过三分支注意力模块时，无论是强化特征矩阵的局部空间特征分布的空间注意力机制，还是强化通道维度下的某些特征矩阵的整体特征分布的通道注意力机制，均为进一步增大所述储层岩石表观多尺度强化特征图的各个特征矩阵之间的特征表达差异，从而使得各个特征矩阵各自的特征流形表达的流形几何差异导致所述储层岩石表观多尺度强化特征图的流形几何连续性差的问题，影响其通过分类器得到的分类结果的准确性。因此，本公开的申请人针对所述储层岩石表观多尺度强化特征图的沿通道维度的每个特征矩阵，例如记为，进行特征图的通道维度遍历流形式凸优化。
50.相应地，在一个具体示例中，对所述储层岩石表观多尺度强化特征图进行特征分
布优化以得到优化储层岩石表观多尺度强化特征图，包括：以如下优化公式对所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化储层岩石表观多尺度强化特征图；其中，所述优化公式为：其中，是所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵，和分别为基于所述储层岩石表观多尺度强化特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，表示矩阵的谱范数，表示向量乘法，表示按位置点乘，且为所述优化储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵。
51.这里，所述储层岩石表观多尺度强化特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定特征矩阵流形的基维度，并沿所述储层岩石表观多尺度强化特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵的遍历流形组成的所述储层岩石表观多尺度强化特征图的高维特征流形的几何连续性，以提升其通过分类器得到的分类结果的准确性。这样，能够基于储层岩石的表观状态情况来自动对于地层出砂风险等级进行评估，从而实现油井防砂作业施工的自动监控，以便能够及时地对于不同等级的地层出砂风险采取相应的应对措施来降低油井安全事故的风险，确保油井的安全作业。
52.进一步地，将所述优化储层岩石表观多尺度强化特征图通过分类器以得到分类结果，所述分类结果用于表示地层出砂的风险等级标签值，包括：将所述优化储层岩石表观多尺度强化特征图按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
53.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
54.值得一提的是，全连接层（fully connected layer）是神经网络中的一种常见层类型，也称为密集连接层或全连接层，它的作用是将输入数据的每个元素都连接到输出层的每个神经元，在图像处理任务中，通常将图像特征展开为一维向量，然后通过全连接层进行编码和处理，全连接层可以学习到输入数据中的更高级的特征表示，帮助网络更好地理解和分类输入数据。全连接编码（fully connected encoding）是指将输入数据通过全连接层进行编码，得到编码分类特征向量，全连接编码的过程可以理解为将输入数据映射到一个高维特征空间中，通过学习到的权重和偏置进行线性变换和非线性激活，得到对输入数据更抽象和高级的特征表达，编码分类特征向量可以更好地表示输入数据的特征，为后续
的分类任务提供更有区分度的特征表示。在储层岩石表观多尺度强化特征图的处理中，全连接层和全连接编码用于将优化特征图转换为编码分类特征向量。通过全连接层的线性变换和非线性激活，可以提取出更有代表性的特征信息。然后，将编码分类特征向量输入到分类器的softmax分类函数中，得到最终的分类结果，用于表示地层出砂的风险等级标签值。全连接层和全连接编码的使用可以提高分类器对特征的理解和分类能力，从而提高分类结果的准确性和可靠性。
55.综上，基于本公开实施例的油井防砂作业施工监控方法，其可以及时地发现地层出砂风险，并对于风险等级进行评估，以此采取相应的应对措施来降低油井安全事故的风险，以确保油井安全作业。
56.图8示出根据本公开的实施例的油井防砂作业施工监控系统100的框图。如图8所示，根据本公开实施例的油井防砂作业施工监控系统100，包括：图像采集模块110，用于通过摄像头采集储层岩石的表面图像；图像特征分析模块120，用于对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及，风险等级确定模块130，用于基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。
57.这里，本领域技术人员可以理解，上述油井防砂作业施工监控系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的油井防砂作业施工监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
58.如上所述，根据本公开实施例的油井防砂作业施工监控系统100可以实现在各种无线终端中，例如具有油井防砂作业施工监控算法的服务器等。在一种可能的实现方式中，根据本公开实施例的油井防砂作业施工监控系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该油井防砂作业施工监控系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该油井防砂作业施工监控系统100同样可以是该无线终端的众多硬件模块之一。
59.替换地，在另一示例中，该油井防砂作业施工监控系统100与该无线终端也可以是分立的设备，并且该油井防砂作业施工监控系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
60.图9示出根据本公开的实施例的油井防砂作业施工监控方法的应用场景图。如图9所示，在该应用场景中，首先，通过摄像头采集储层岩石的表面图像（例如，图9中所示意的d），然后，将所述储层岩石的表面图像输入至部署有油井防砂作业施工监控算法的服务器中（例如，图9中所示意的s），其中，所述服务器能够使用所述油井防砂作业施工监控算法对所述储层岩石的表面图像进行处理以得到用于表示地层出砂的风险等级标签值的分类结果。
61.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动
作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
62.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种油井防砂作业施工监控方法，其特征在于，包括：通过摄像头采集储层岩石的表面图像；对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及基于所述储层岩石表观特征，确定地层出砂的风险等级标签值；其中，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征，包括：对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像；以及通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征。2.根据权利要求1所述的油井防砂作业施工监控方法，其特征在于，对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像，包括：对所述储层岩石的表面图像进行双边滤波以得到增强储层岩石表观图像。3.根据权利要求2所述的油井防砂作业施工监控方法，其特征在于，通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征，包括：将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图；将所述储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图沿着通道维度排列为储层岩石表观多尺度特征图；以及对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征。4.根据权利要求3所述的油井防砂作业施工监控方法，其特征在于，将所述增强储层岩石表观图像通过基于金字塔网络的图像特征提取器以得到储层岩石表观浅层特征图、储层岩石表观中层特征图和储层岩石表观深层特征图，包括：将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第一卷积模块以得到所述储层岩石表观浅层特征图；将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第二卷积模块以得到所述储层岩石表观中层特征图；以及将所述增强储层岩石表观图像通过所述基于金字塔网络的图像特征提取器的第三卷积模块以得到所述储层岩石表观深层特征图。5.根据权利要求4所述的油井防砂作业施工监控方法，其特征在于，对所述储层岩石表观多尺度特征图进行特征强化以得到储层岩石表观多尺度强化特征图作为所述储层岩石表观特征，包括：将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图。6.根据权利要求5所述的油井防砂作业施工监控方法，其特征在于，将所述储层岩石表观多尺度特征图通过三分支注意力模块以得到所述储层岩石表观多尺度强化特征图，包括：将所述储层岩石表观多尺度特征图通过第一注意力分支以得到第一多模态联合注意力特征图；将所述储层岩石表观多尺度特征图通过第二注意力分支以得到第二多模态联合注意力特征图；将所述储层岩石表观多尺度特征图通过第三注意力分支以得到第三多模态联合注意力特征图；以及融合所述第一多模态联合注意力特征图、所述第二多模态联合注意力特征图和所述第三多模态联合注意力特征图以得到所述储层岩石表观多尺度强化特征图。7.根据权利要求6所述的油井防砂作业施工监控方法，其特征在于，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值，包括：对所述储层岩石表观多尺度强化特征图进行特征分布优化以得到优化储层岩石表观多尺度强化特征图；以及将所述优化储层岩石
表观多尺度强化特征图通过分类器以得到分类结果，所述分类结果用于表示地层出砂的风险等级标签值。8.根据权利要求7所述的油井防砂作业施工监控方法，其特征在于，对所述储层岩石表观多尺度强化特征图进行特征分布优化以得到优化储层岩石表观多尺度强化特征图，包括：以如下优化公式对所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化储层岩石表观多尺度强化特征图；其中，所述优化公式为：其中，是所述储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵，和分别为基于所述储层岩石表观多尺度强化特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，表示矩阵的谱范数，表示向量乘法，表示按位置点乘，且为所述优化储层岩石表观多尺度强化特征图的沿通道维度的各个特征矩阵。9.一种油井防砂作业施工监控系统，其特征在于，包括：图像采集模块，用于通过摄像头采集储层岩石的表面图像；图像特征分析模块，用于对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征；以及风险等级确定模块，用于基于所述储层岩石表观特征，确定地层出砂的风险等级标签值；其中，所述图像特征分析模块，包括：图像增强处理单元，用于对所述储层岩石的表面图像进行图像增强处理以得到增强储层岩石表观图像；以及图像特征提取单元，用于通过基于深度神经网络模型的图像特征提取器对所述增强储层岩石表观图像进行特征提取以得到所述储层岩石表观特征。

技术总结
公开了一种油井防砂作业施工监控方法及其系统。其首先通过摄像头采集储层岩石的表面图像，接着，对所述储层岩石的表面图像进行图像特征分析以得到储层岩石表观特征，然后，基于所述储层岩石表观特征，确定地层出砂的风险等级标签值。这样，可以及时地发现地层出砂风险，并对于风险等级进行评估，以此采取相应的应对措施来降低油井安全事故的风险，以确保油井安全作业。井安全作业。井安全作业。


技术研发人员：金萍 卢智敏 臧强 芦学惠 方贺 张冰洁 史永祥 哈尔恒
受保护的技术使用者：新疆华屹能源发展有限公司
技术研发日：2023.07.28
技术公布日：2023/9/6