CN105952434A - 基于测井大数据实时驱动的在役油套管缺陷自动判定方法 - Google Patents

Abstract

本发明公开了一种基于测井大数据实时驱动的在役油套管缺陷自动判定方法，通过确定出在役油套管的最小壁厚阈值和最大深度、测井仪记录的深度增量和圆周角度增量以及油套管壁厚大数据，再对油套管壁厚大数据进行补值和平滑处理，然后确定出油套管的缺陷区域，定量计算出油套管缺陷区域的基本参数，最后采用定量分析的方法确定出油套管缺陷的定性类型。本发明能根据测井大数据实时进行数据处理和分析，不仅能有效的检测出油套管的缺陷区域，而且能通过定量地计算出油套管缺陷基本参数来实现缺陷区域的准确定位，还能通过定量方法准确地判定出油套管缺陷的定性类型；本发明具有实时性好、精确度高、可靠性强、信息全面和自动化程度高等诸多优点。

Description

基于测井大数据实时驱动的在役油套管缺陷自动判定方法

【技术领域】

本发明属于油井管安全工程技术领域，具体涉及一种基于测井大数据实时驱动的在役油套管缺陷自动判定方法。

【背景技术】

在油气井实际使用过程中，油套管不仅承受着拉伸、内压和外挤压力等复合载荷作用，而且极易受地层水、储层介质和酸化等腐蚀性介质的化学作用，因而经常会出现孔洞、裂纹、腐蚀坑和均匀减薄等缺陷。据油田现场统计数据表明，因油套管缺陷造成的油气井损坏数量约占总油气井数量的20％，而在特殊工况油井中这一数值甚至可达30％～40％。因此，准确地判定出油套管的缺陷，不仅能及时减少油气井损坏，而且能合理控制油套管质量，还能有效避免生产事故和环境污染。

在申请号为03128759的发明创造中公开了一种套管损坏地面振动检测方法。本发明在井口平稳处放置传感器，并用敲击器敲击套管上端平整处的正平面产生振动波，然后利用电脑解释软件对反馈振动波进行计算，通过计算得到的反馈时间来确定套损点。本发明的缺点是只能确定套管损伤的大致深度，而不能获得损伤的严酷程度和缺陷类型等精确信息。

在申请号为200910307425的发明创造中公开了一种油田井下套管损坏方位的检测方法。本发明将套管检测仪与陀螺测斜仪连接(或者是在套管检测仪内安装方位测量机构)，通过测量陀螺测斜仪的斜度或方位测量机构的位置计算出套管检测仪的探头的位置，从而计算出套管损伤部位的具体方位。本发明的缺点是只能计算出套管损伤部位的具体方位，不能检测出井下套管的缺陷情况以及缺陷类型。

在申请号为201110216831的发明创造中公开了一种油套管用缺陷定量无损检测设备。该设备由探头、探头机架、信号无线传输及信号放大***、滚珠、定子、动子、支架和滚轮构成，然后利用电磁无损探伤原理获取缺陷的长度、深度和位置信息。但本发明的缺点是仅限于井口及地面检测，且只能检测出缺陷而不能实现缺陷类型的自动判定。

有鉴于此，本发明提供了一种基于测井大数据实时驱动的在役油套管缺陷自动判定方法。该方法不仅准确获得缺陷的基本信息，而且能自动判定缺陷的类型，还能为油套管的质量控制提供精准的定性定量信息。

【发明内容】

为克服上述现有技术的不足，本发明的目的在于提供一种基于测井大数据实时驱动的在役油套管缺陷自动判定方法，该方法具有实时性好、精确度高和可靠性强等优点。

为达到上述目的，本发明采用以下技术方案予以实现：

基于测井大数据实时驱动的在役油套管缺陷自动判定方法，包括如下步骤：

步骤一，根据油井装备信息确定出在役油套管的最小壁厚阈值D₁和最大深度H；

步骤二，根据测井仪装备确定出测井仪记录的深度增量ΔH和圆周角度增量ΔA；

步骤三，根据测井仪情况实时读取出油套管壁厚大数据，并存储为二维矩阵D；

D＝[D_ij]_N×M (1)

在式(1)中，D_ij表示第i行第j列的壁厚数据，其中1≤i≤N，1≤j≤M，N表示油套管壁厚大数据矩阵的最大行数，且其数值按式(2)进行计算；M表示油套管壁厚大数据矩阵列数，且其数值按式(3)进行计算；

$N=\frac{H}{\mathrm{\Δ}H}---\left(2\right)$

$M=\frac{360}{\mathrm{\Δ}A}---\left(3\right)$

步骤四，判定壁厚大数据矩阵D是否存在缺失值，若存在缺失值则进行补值处理；

按从上到下、从左到右的顺序遍历油套管壁厚大数据矩阵D的每一列，即i＝1,2,…,N，j＝1,2，…,M；观察壁厚大数据矩阵D中的每个值D_ij是否存在缺失值；若D_ij存在缺失值，则按式(4)对缺失值D_ij进行补值处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{12}+D_{21}+D_{22}}{3}& i=1,j=1\\ \frac{D_{(i-1)1}+D_{(i-1)2}+D_{i2}+D_{(i+1)1}+D_{(i+1)2}}{5}& i\∈\[2,N-1\],j=1\\ \frac{D_{(i-1)1}+D_{(i-1)2}+D_{i2}}{3}& i=N,j=1\\ \frac{D_{(i-1)(j-1)}+D_{i(j-1)}+D_{i(j+1)}+D_{(i+1)j}}{4}& i\∈\[2,N-1\],j\[2,M-1\]\\ \frac{D_{1(M-1)}+D_{2(M-1)}+D_{2M}}{3}& i=1,j=M\\ \frac{D_{(i-1)(M-1)}+D_{(i-1)M}+D_{i(M-1)}+D_{(i+1)(M-1)}+D_{(i+1)M}}{5}& i\∈\[2,N-1\],j=M\\ \frac{D_{(i-1)(M-1)}+D_{(i-1)M}+D_{i(M-1)}}{3}& i=N,j=M\end{array}\right.---\left(4\right)$

步骤五，判定补值化后的壁厚大数据矩阵D是否存在异常值，若存在异常值则进行平滑处理；

步骤六，确定出油套管的缺陷区域；

步骤七，定量计算出油套管缺陷区域的基本参数，油套管缺陷区域的基本参数包括缺陷区域的平均深度值H_D、缺陷区域的平均角度值A_D、缺陷区域的周长L_D和缺陷区域的截面积S_D；

步骤八，采用定量分析的方法确定出油套管缺陷的定性类型。

本发明进一步的改进在于：

所述步骤五中，平滑处理的具体方法如下：

5.1)按式(5)计算出补值化后的壁厚大数据矩阵D的壁厚平均值

$\stackrel{\‾}{D}=\frac{1}{NM}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{D}_{ij}---\left(5\right)$

5.2)按式(6)计算出补值化后的壁厚大数据矩阵D的壁厚标准差δ_D；

${\mathrm{\δ}}_D=\sqrt{\frac{1}{NM}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{(D_{ij}-\stackrel{\‾}{D})}^2}---\left(6\right)$

5.3)按式(7)所示原则将补值化后的壁厚数据D_ij判定为异常值；

$\left|D_{ij}-\stackrel{\‾}{D}\right|>3{\mathrm{\δ}}_D---\left(7\right)$

5.4)按式(8)对判定出的异常壁厚数据值D_ij进行平滑处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{i2}+D_{i3}+D_{i4}}{3}& j=1\\ \frac{D_{i1}+D_{i3}+D_{i4}}{3}& j=2\\ \frac{D_{i(j-2)}+D_{i(j-1)}+D_{i(j+1)}+D_{i(j+2)}}{4}& j\∈\[3,M-2\]\\ \frac{D_{i(M-3)}+D_{i(M-2)}+D_{iM}}{3}& j=M-1\\ \frac{D_{i(M-4)}+D_{i(M-3)}+D_{i(M-2)}}{3}& j=M\end{array}\right.---\left(8\right).$

所述步骤六中，确定油套管缺陷区域的具体方法如下：

6.1)将满足式(9)的进行缺失值补值和异常值平滑处理后的D_ij判定为缺陷值；

D_ij＜D₁ (9)

6.2)将判定出的缺陷值D_ij根据临近原则获取最大连通区域，该最大连通区域即为油套管的缺陷区域Reg；并确定出最大连通区域上的各缺陷值D′_{i j}、最大连通区域的中心点的行数R_C和列数C_C、最大连通区域包含缺陷点个数N_D、最大连通区域边界点个数n以及最大连通区域边界点位置矩阵B_n×2，按顺时针方向排列相邻边界点，第一列为行数，第二列为列数。

所述步骤七的具体方法如下：

7.1)按式(10)定量计算出油套管缺陷区域的平均深度值H_D；

H_D＝R_C·ΔH (10)

7.2)按式(11)定量计算出油套管缺陷区域的平均角度值A_D；

A_D＝C_C·ΔA (11)

7.3)按式(12)定量计算出油套管缺陷区域的周长L_D；

$L_D=\underset{i=1}{\overset{n-1}{\Σ}}\sqrt{{(B_{(i+1)1}-B_{i1})}^2\·2+{(B_{(i+1)2}-B_{i2})}^2\·{\mathrm{\ΔA}}^2}---\left(12\right)$

7.4)按式(13)定量计算出油套管缺陷区域的截面积S_D；

S_D＝N_D·ΔH·ΔA (13)。

所述步骤八的具体方法如下：

8.1)计算出最大连通缺陷区域中油套管各深度值上对应的各壁厚缺陷值的平均值其中k＝1,2,…,K，且K的值为最大连通区域最底点壁厚数据所对应的横坐标值减去最大连通区域最顶点壁厚数据所对应的横坐标值；

8.2)若满足式(14)则判定为该缺陷为孔洞缺陷；

$D_i^D\≤\frac{D_1}{30}---\left(14\right)$

8.3)若满足式(15)或式(16)则判定为该缺陷为均匀减薄缺陷；

$D_1^D\≤D_2^D\≤D_3^D\≤...\≤D_k^D\≤...\≤D_K^D---\left(15\right)$

$D_1^D\≥D_2^D\≥D_3^D\≥...\≥D_k^D\≥...\≥D_K^D---\left(16\right)$

8.4)若满足式(17)则判定为该缺陷为腐蚀坑缺陷；

$D_1^D\≥D_2^D\≥...\≥D_k^D\≤...\≤D_{K-1}^D\≤D_K^D---\left(17\right)$

8.5)若满足式(18)则判定为该缺陷为裂纹缺陷；

$\frac{S_D}{R_D}<F_{th}---\left(18\right)$

在式(18)中，F_th表示根据油套管材料事先给定的裂纹缺陷的判定阈值。

与现有技术相比，本发明具有以下有益效果：

本发明的主要特点是能根据测井大数据实时进行数据处理和分析，不仅能有效的检测出油套管的缺陷区域，而且能通过定量地计算出油套管缺陷基本参数来实现缺陷区域的准确定位，还能通过定量方法准确地判定出油套管缺陷的定性类型，这为进行基于状态的油套管缺陷识别和健康管理提供了有力支持。另外，本发明具有实时性好、精确度高、可靠性强、信息全面和自动化程度高等诸多优点，有利于促进油套管质量控制技术的进一步发展。

【附图说明】

图1为油套管缺陷自动判定的流程；

图2为油套管孔洞缺陷示意图；

图3为油套管均匀减薄缺陷示意图；

图4为油套管腐蚀坑缺陷示意图；

图5为油套管裂纹缺陷示意图。

【具体实施方式】

下面结合附图对本发明做进一步详细描述：

参见图1-图5，本发明基于测井大数据实时驱动的在役油套管缺陷自动判定方法，包括以下步骤：

步骤一，根据油井装备信息确定出在役油套管的最小壁厚阈值D₁和最大深度H；

步骤二，根据测井仪装备确定出测井仪记录的深度增量ΔH和圆周角度增量ΔA；

步骤三，根据测井仪情况实时读取出油套管壁厚大数据，并存储为二维矩阵D；

D＝[D_ij]_N×M (1)

在式(1)中，D_ij表示第i行第j列的壁厚数据(1≤i≤N，1≤j≤M)，N表示油套管壁厚大数据矩阵的最大行数且其数值按式(2)进行计算，M表示油套管壁厚大数据矩阵列数且其数值按式(3)进行计算；

$N=\frac{H}{\mathrm{\&Delta;}H}---\left(2\right)$

$M=\frac{360}{\mathrm{\&Delta;}A}---\left(3\right)$

步骤四，判定壁厚大数据矩阵D是否存在缺失值，若存在缺失值则进行补值处理；

按从上到下(i＝1,2,…,N)从左到右(j＝1,2，…,M)的顺序遍历油套管壁厚大数据矩阵D的每一列，观察壁厚大数据矩阵D中的每个值D_ij是否存在缺失值。若D_ij存在缺失值，则按式(4)对缺失值D_ij进行补值处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{12}+D_{21}+D_{22}}{3}& i=1,j=1\\ \frac{D_{(i-1)1}+D_{(i-1)2}+D_{i2}+D_{(i+1)1}+D_{(i+1)2}}{5}& i\&Element;\&lsqb;2,N-1\&rsqb;,j=1\\ \frac{D_{(i-1)1}+D_{(i-1)2}+D_{i2}}{3}& i=N,j=1\\ \frac{D_{(i-1)(j-1)}+D_{i(j-1)}+D_{i(j+1)}+D_{(i+1)j}}{4}& i\&Element;\&lsqb;2,N-1\&rsqb;,j\&lsqb;2,M-1\&rsqb;\\ \frac{D_{1(M-1)}+D_{2(M-1)}+D_{2M}}{3}& i=1,j=M\\ \frac{D_{(i-1)(M-1)}+D_{(i-1)M}+D_{i(M-1)}+D_{(i+1)(M-1)}+D_{(i+1)M}}{5}& i\&Element;\&lsqb;2,N-1\&rsqb;,j=M\\ \frac{D_{(i-1)(M-1)}+D_{(i-1)M}+D_{i(M-1)}}{3}& i=N,j=M\end{array}\right.---\left(4\right)$

步骤五，判定补值化后的壁厚大数据矩阵D是否存在异常值，若存在异常值则进行平滑处理；

5.1)按式(5)计算出补值化后的壁厚大数据矩阵D的壁厚平均值

$\stackrel{\&OverBar;}{D}=\frac{1}{NM}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{D}_{ij}---\left(5\right)$

5.2)按式(6)计算出补值化后的壁厚大数据矩阵D的壁厚标准差δ_D；

${\mathrm{\&delta;}}_D=\sqrt{\frac{1}{NM}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{(D_{ij}-\stackrel{\&OverBar;}{D})}^2}---\left(6\right)$

5.3)按式(7)所示原则将补值化后的壁厚数据D_ij判定为异常值；

$\left|D_{ij}-\stackrel{\&OverBar;}{D}\right|>3{\mathrm{\&delta;}}_D---\left(7\right)$

5.4)按式(8)对判定出的异常壁厚数据值D_ij进行平滑处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{i2}+D_{i3}+D_{i4}}{3}& j=1\\ \frac{D_{i1}+D_{i3}+D_{i4}}{3}& j=2\\ \frac{D_{i(j-2)}+D_{i(j-1)}+D_{i(j+1)}+D_{i(j+2)}}{4}& j\&Element;\&lsqb;3,M-2\&rsqb;\\ \frac{D_{i(M-3)}+D_{i(M-2)}+D_{iM}}{3}& j=M-1\\ \frac{D_{i(M-4)}+D_{i(M-3)}+D_{i(M-2)}}{3}& j=M\end{array}\right.---\left(8\right)$

步骤六，确定出油套管的缺陷区域；

6.1)将满足式(9)的进行缺失值补值和异常值平滑处理后的D_ij判定为缺陷值；

D_ij＜D₁ (9)

6.2)将判定出的缺陷值D_ij根据临近原则获取最大连通区域，该最大连通区域即为油套管的缺陷区域(记为Reg)，并确定出最大连通区域上的各缺陷值(分别记为D′_ij)、最大连通区域的中心点的行数R_C和列数C_C、最大连通区域包含缺陷点个数N_D、最大连通区域边界点个数n以及最大连通区域边界点位置矩阵B_n×2(按顺时针方向排列相邻边界点，第一列为行数，第二列为列数)；

步骤七，定量计算出油套管缺陷区域的基本参数，油套管缺陷区域的基本参数包括缺陷区域的平均深度值H_D、缺陷区域的平均角度值A_D、缺陷区域的周长L_D和缺陷区域的截面积S_D；

7.1)按式(10)定量计算出油套管缺陷区域的平均深度值H_D；

H_D＝R_C·ΔH (10)

7.2)按式(11)定量计算出油套管缺陷区域的平均角度值A_D；

A_D＝C_C·ΔA (11)

7.3)按式(12)定量计算出油套管缺陷区域的周长L_D；

$L_D=\underset{i=1}{\overset{n-1}{\&Sigma;}}\sqrt{{(B_{(i+1)1}-B_{i1})}^2\&CenterDot;2+{(B_{(i+1)2}-B_{i2})}^2\&CenterDot;{\mathrm{\&Delta;A}}^2}---\left(12\right)$

7.4)按式(13)定量计算出油套管缺陷区域的截面积S_D；

S_D＝N_D·ΔH·ΔA (13)

步骤八，采用定量分析的方法确定出油套管缺陷的定性类型；

8.1)计算出最大连通缺陷区域中油套管各深度值上对应的各壁厚缺陷值的平均值其中k＝1,2,…,K，且K的值为最大连通区域最底点壁厚数据所对应的横坐标值减去最大连通区域最顶点壁厚数据所对应的横坐标值；

8.2)若满足式(14)则判定为该缺陷为孔洞缺陷；

$D_i^D\&le;\frac{D_1}{30}---\left(14\right)$

8.3)若满足式(15)或式(16)则判定为该缺陷为均匀减薄缺陷；

$D_1^D\&le;D_2^D\&le;D_3^D\&le;...\&le;D_k^D\&le;...\&le;D_K^D---\left(15\right)$

$D_1^D\&GreaterEqual;D_2^D\&GreaterEqual;D_3^D\&GreaterEqual;...\&GreaterEqual;D_k^D\&GreaterEqual;...\&GreaterEqual;D_K^D---\left(16\right)$

8.4)若满足式(17)则判定为该缺陷为腐蚀坑缺陷；

$D_1^D\&GreaterEqual;D_2^D\&GreaterEqual;...\&GreaterEqual;D_k^D\&le;...\&le;D_{K-1}^D\&le;D_K^D---\left(17\right)$

8.5)若满足式(18)则判定为该缺陷为裂纹缺陷；

$\frac{S_D}{R_D}<F_{th}---\left(18\right)$

在式(18)中，F_th表示根据油套管材料事先给定的裂纹缺陷的判定阈值。

实施例：

测得深度为2000m的某在役油井套管壁厚、内径和外径信息，该种材质套管的最小壁厚阈值为0.220m。

步骤一，确定在役油套管最小壁厚阈值D₁＝0.22和最大深度H＝2000；

步骤二，确定测井仪记录的深度增量ΔH＝0.125和圆周角度增量ΔA＝5°；

步骤三，根据测井仪情况实时读取出油套管壁厚大数据，并存储为二维矩阵D；由式(2)、式(3)计算得到壁厚矩阵行数N＝16000，列数M＝72；

步骤四，按从上到下(i＝1,2,…,N)从左到右(j＝1,2，…,M)的顺序遍历油套管壁厚大数据矩阵D，发现D中深度1237.075m(第9895行)和1237.2m(第9896行)的角度处(第4～11列)存在缺省。按式(4)依次计算得到其值如表1

表1缺省值补值处理

步骤五，对壁厚大数据矩阵D存在的异常值进行平滑处理；

5.1)按式(5)计算出补值化后的壁厚大数据矩阵D的壁厚平均值

5.2)按式(6)计算出补值化后的壁厚大数据矩阵D的壁厚标准差δ_D＝0.04192；

5.3)按式(7)所示原则判定第7716行第5列壁厚值D_7716，5＝0.6096，判定为异常值；

5.4)按式(8)对判定出的异常壁厚数据值进行平滑处理得到D_7716，5＝0.3028；

步骤六，确定出油套管的缺陷区域；

6.1)将满足式(9)的D_ij判定为缺陷值，根据临近原则获取最大连通区域及相关参数。包括最大连通区域边界点位置矩阵B_n×2，中心点行数R_C＝7714，列数C_C＝28，最大连通区域包含缺陷点个数N_D＝148，边界点个数n＝41；

步骤七，定量计算出油套管缺陷区域的基本参数；

7.1)按式(10)定量计算出油套管缺陷区域的平均深度值H_D＝964.25；

7.2)按式(11)定量计算出油套管缺陷区域的平均角度值A_D＝140；

7.3)按式(12)定量计算出油套管缺陷区域的周长L_D＝34.08；

7.4)按式(13)定量计算出油套管缺陷区域的截面积S_D＝92.5；

步骤八，采用定量分析的方法确定出油套管缺陷的定性类型，给定裂纹缺陷的判定阈值F_th＝0.5。计算出最大连通缺陷区域中油套管各深度值上对应的各壁厚缺陷值的平均值(如表2)；

表2缺陷区域各深度壁厚平均值

行号	1	2	3	4	5	6	7	8	9
										平均值	0.1971	0.1892	0.1802	0.1685	0.1687	0.1556	0.1438	0.1426	0.1302
行号	12	11	12	13	14	15	16	17	18
										平均值	0.1214	0.1136	0.1027	0.1133	0.1190	0.127	0.1406	0.1493	0.1596
行号	19	20	21	22	23	24	25	26
										平均值	0.1683	0.1739	0.1828	0.1959	0.2023	0.2061	0.2195	0.2157

由表2可知，缺陷区域壁厚平均值值满足式(17)，不满足(14)、(15)、(16)、(18)，故判定缺陷类型为腐蚀坑缺陷

$min\left(D_i^D\right)\&GreaterEqual;\frac{D_1}{30}=0.0073$

$\frac{S_D}{L_D}=2.65>F_{th}$

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (5)

1.基于测井大数据实时驱动的在役油套管缺陷自动判定方法，其特征在于，包括如下步骤：

步骤一，根据油井装备信息确定出在役油套管的最小壁厚阈值D₁和最大深度H；

步骤二，根据测井仪装备确定出测井仪记录的深度增量ΔH和圆周角度增量ΔA；

步骤三，根据测井仪情况实时读取出油套管壁厚大数据，并存储为二维矩阵D；

D＝[D_ij]_N×M (1)

在式(1)中，D_ij表示第i行第j列的壁厚数据，其中1≤i≤N，1≤j≤M，N表示油套管壁厚大数据矩阵的最大行数，且其数值按式(2)进行计算；M表示油套管壁厚大数据矩阵列数，且其数值按式(3)进行计算；

$N=\frac{H}{\mathrm{\&Delta;}H}---\left(2\right)$

$M=\frac{360}{\mathrm{\&Delta;}A}---\left(3\right)$

步骤四，判定壁厚大数据矩阵D是否存在缺失值，若存在缺失值则进行补值处理；

按从上到下、从左到右的顺序遍历油套管壁厚大数据矩阵D的每一列，即i＝1,2,…,N，j＝1,2，…,M；观察壁厚大数据矩阵D中的每个值D_ij是否存在缺失值；若D_ij存在缺失值，则按式(4)对缺失值D_ij进行补值处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{12}+D_{21}+D_{22}}{3}& i=1,j=1\\ \frac{D_{\left(i-1\right)1}+D_{\left(i-1\right)2}+D_{i2}+D_{\left(i+1\right)1}+D_{\left(i+1\right)2}}{5}& i\&Element;\&lsqb;2,N-1\&rsqb;,j=1\\ \frac{D_{\left(i-1\right)1}+D_{\left(i-1\right)2}+D_{i2}}{3}& i=N,j=1\\ \frac{D_{\left(i-1\right)\left(j-1\right)}+D_{i\left(j-1\right)}+D_{i\left(j+1\right)}+D_{\left(i+1\right)j}}{4}& i\&Element;\&lsqb;2,N-1\&rsqb;,j\&Element;\&lsqb;2,M-1\&rsqb;\\ \frac{D_{1\left(M-1\right)}+D_{2\left(M-1\right)}+D_{2M}}{3}& i=1,j=M\\ \frac{D_{\left(i-1\right)\left(M-1\right)}+D_{\left(i-1\right)M}+D_{i\left(M-1\right)}+D_{\left(i+1\right)\left(M-1\right)}+D_{\left(i+1\right)M}}{5}& i\&Element;\&lsqb;2,N-1\&rsqb;,j=M\\ \frac{D_{\left(i-1\right)\left(M-1\right)}+D_{\left(i-1\right)M}+D_{i\left(M-1\right)}}{3}& i=N,j=M\end{array}\right.---\left(4\right)$

步骤五，判定补值化后的壁厚大数据矩阵D是否存在异常值，若存在异常值则进行平滑处理；

步骤六，确定出油套管的缺陷区域；

步骤七，定量计算出油套管缺陷区域的基本参数，油套管缺陷区域的基本参数包括缺陷区域的平均深度值H_D、缺陷区域的平均角度值A_D、缺陷区域的周长L_D和缺陷区域的截面积S_D；

步骤八，采用定量分析的方法确定出油套管缺陷的定性类型。

2.根据权利要求1所述的基于测井大数据实时驱动的在役油套管缺陷自动判定方法，其特征在于，所述步骤五中，平滑处理的具体方法如下：

5.1)按式(5)计算出补值化后的壁厚大数据矩阵D的壁厚平均值

$\stackrel{\&OverBar;}{D}=\frac{1}{NM}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{D}_{ij}---\left(5\right)$

5.2)按式(6)计算出补值化后的壁厚大数据矩阵D的壁厚标准差δ_D；

${\mathrm{\&delta;}}_D=\sqrt{\frac{1}{NM}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}{(D_{ij}-\stackrel{\&OverBar;}{D})}^2}---\left(6\right)$

5.3)按式(7)所示原则将补值化后的壁厚数据D_ij判定为异常值；

$|D_{ij}-\stackrel{\&OverBar;}{D}|>3{\mathrm{\&delta;}}_D---\left(7\right)$

5.4)按式(8)对判定出的异常壁厚数据值D_ij进行平滑处理；

$D_{ij}=\left\{\begin{array}{cc}\frac{D_{i2}+D_{i3}+D_{i4}}{3}& j=1\\ \frac{D_{i1}+D_{i3}+D_{i4}}{3}& j=2\\ \frac{D_{i(j-2)}+D_{i(j-1)}+D_{i(j+1)}+D_{i(j+2)}}{4}& j\&Element;\&lsqb;3,M-2\&rsqb;\\ \frac{D_{i(M-3)}+D_{i(M-2)}+D_{iM}}{3}& j=M-1\\ \frac{D_{i(M-4)}+D_{i(M-3)}+D_{i(M-2)}}{3}& j=M\end{array}\right.---\left(8\right).$

3.根据权利要求1所述的基于测井大数据实时驱动的在役油套管缺陷自动判定方法，其特征在于，所述步骤六中，确定油套管缺陷区域的具体方法如下：

6.1)将满足式(9)的进行缺失值补值和异常值平滑处理后的D_ij判定为缺陷值；

D_ij＜D₁ (9)6.2)将判定出的缺陷值D_ij根据临近原则获取最大连通区域，该最大连通区域即为油套管的缺陷区域Reg；并确定出最大连通区域上的各缺陷值D′_ij、最大连通区域的中心点的行数R_C和列数C_C、最大连通区域包含缺陷点个数N_D、最大连通区域边界点个数n以及最大连通区域边界点位置矩阵B_n×2，按顺时针方向排列相邻边界点，第一列为行数，第二列为列数。

4.根据权利要求1所述的基于测井大数据实时驱动的在役油套管缺陷自动判定方法，其特征在于，所述步骤七的具体方法如下：

7.1)按式(10)定量计算出油套管缺陷区域的平均深度值H_D；

H_D＝R_C·ΔH (10)

7.2)按式(11)定量计算出油套管缺陷区域的平均角度值A_D；

A_D＝C_C·ΔA (11)

7.3)按式(12)定量计算出油套管缺陷区域的周长L_D；

$L_D=\underset{i=1}{\overset{n-1}{\&Sigma;}}\sqrt{{(B_{(i+1)1}-B_{i1})}^2\&CenterDot;{\mathrm{\&Delta;H}}^2+{(B_{(i+1)2}-B_{i2})}^2\&CenterDot;{\mathrm{\&Delta;A}}^2}---\left(12\right)$

7.4)按式(13)定量计算出油套管缺陷区域的截面积S_D；

S_D＝N_D·ΔH·ΔA (13)。

5.根据权利要求1所述的基于测井大数据实时驱动的在役油套管缺陷自动判定方法，其特征在于，所述步骤八的具体方法如下：

8.1)计算出最大连通缺陷区域中油套管各深度值上对应的各壁厚缺陷值的平均值其中k＝1,2,…,K，且K的值为最大连通区域最底点壁厚数据所对应的横坐标值减去最大连通区域最顶点壁厚数据所对应的横坐标值；

8.2)若满足式(14)则判定为该缺陷为孔洞缺陷；

$D_i^D\&le;\frac{D_1}{30}---\left(14\right)$

8.3)若满足式(15)或式(16)则判定为该缺陷为均匀减薄缺陷；

$D_1^D\&le;D_2^D\&le;D_3^D\&le;...\&le;D_k^D\&le;...\&le;D_K^D---\left(15\right)$

$D_1^D\&GreaterEqual;D_2^D\&GreaterEqual;D_3^D\&GreaterEqual;...\&GreaterEqual;D_k^D\&GreaterEqual;...\&GreaterEqual;D_K^D---\left(16\right)$

8.4)若满足式(17)则判定为该缺陷为腐蚀坑缺陷；

$D_1^D\&GreaterEqual;D_2^D\&GreaterEqual;...\&GreaterEqual;D_k^D\&le;...\&le;D_{K-1}^D\&le;D_K^D---\left(17\right)$

8.5)若满足式(18)则判定为该缺陷为裂纹缺陷；

$\frac{S_D}{R_D}<F_{th}---\left(18\right)$

在式(18)中，F_th表示根据油套管材料事先给定的裂纹缺陷的判定阈值。