用于从声波数据生成预测的超声测量值的方法与流程

相关申请的交叉引用

本申请要求于2018年6月8日提交的美国临时申请号62/682,327的权益；其内容通过引用并入本文。

本申请涉及预测超声测量，并且更具体地涉及从与井相关联的声波数据生成与井相关联的预测超声数据。

背景技术：

井完整性的评估可以通过使用固井和测井数据来帮助抑制和/或防止流体逸出至地下地层或地面。在井的整个生命周期中，评估井的完整性已成为一项重要任务。来自声波扫描仪和超声波扫描仪的声学测量结果可用于表征水泥的放置、机械和粘结条件。最近，在一些新兴市场中，例如在堵塞和废弃方面，人们越来越关注诊断井钻孔中多条管柱背后的水泥特性。

超声波工具通常使用超声波技术通过发送超声波(例如，频率高于200khz)并将经典脉冲回波技术与弯曲波传播相结合来计算波在两个接收器之间的衰减来估计固井和套管的条件。通过在套管后部进行方位测量，超声波工具通常可以确定层间隔离，如果有的话精确定位水泥通道，并可以确保可靠的粘结条件。但是，超声工具无法在多个套管柱几何形状中诊断出超出第一套管和/或其后的环空的层间隔离，因为所发送的超声波能量不会穿透第二套管。人们必须事先移除内部管柱，以评估外部管柱的层间隔离条件，这可能是昂贵且费力的。

技术实现要素：

在一些实施例中，一种方法(例如，计算机实现的方法)在计算设备上执行，并且可以包括但不限于接收与井的内部套管相关联的声波数据。可以至少部分地基于非线性回归模型和所接收的与井的内部套管相关联的声波数据来生成与井的外部套管相关联的预测的超声数据。

可以包括以下示例性特征中的一个或多个。可以使用一个或多个神经网络来生成非线性回归模型。使用一个或多个神经网络生成非线性回归模型可包括在多个井深度处接收与井的外部套管相关联的测量的超声数据。使用一个或多个神经网络生成非线性回归模型可包括从与井的内部套管相关联的接收的声波数据中识别多个井深度处的相应声波数据，从而定义针对多个井深度定义的多个声波数据和超声数据对。使用一个或多个神经网络生成非线性回归模型可包括利用针对多个井深度定义的多个声波数据和超声数据对训练一个或多个神经网络。使用一个或多个神经网络生成非线性回归模型可包括校准训练的一个或多个神经网络，以在使用或不使用转移学习技术的情况下，生成关于不同井和不同井深度中的一个或多个的预测的超声数据。可以至少部分地基于所测量的超声数据来从井的外部套管估计内部套管间隙(standoff)。一个或多个神经网络可以包括使用或不使用贝叶斯神经网络的一个或多个卷积神经网络和一个或多个完全连接的神经网络中的至少一个。所接收的声波数据可以包括经由声波扫描工具生成的多个声波波形。预测的超声数据可以包括多个超声测量值，包括但不限于超声弯曲衰减(ufak)、声阻抗(aibk)、水泥粘结测井(cbl)以及可以从超声和频率声波水泥评估工具获得的其他可能的测量值。

在另一示例实施方式中，一种计算系统可以包括一个或多个处理器和一个或多个存储器，其中该计算系统被构造为执行操作，该操作可以包括但不限于接收与井的内部套管相关联的声波数据。可以至少部分地基于非线性回归模型和所接收的与井的内部套管相关联的声波数据来生成与井的外部套管相关联的预测的超声数据。

可以包括以下示例性特征中的一个或多个。可以使用一个或多个神经网络来生成非线性回归模型。使用一个或多个神经网络生成非线性回归模型可包括在多个井深度处接收与井的外部套管相关联的测量的超声数据。使用一个或多个神经网络生成非线性回归模型可包括从与井的内部套管相关联的接收的声波数据中识别多个井深度处的相应声波数据，从而定义针对多个井深度的多个声波数据和超声数据对。使用一个或多个神经网络生成非线性回归模型可包括利用针对多个井深度定义的多个声波数据和超声数据对训练一个或多个神经网络。使用一个或多个神经网络生成非线性回归模型可以包括：经由转移学习，对训练后的一个或多个神经网络进行校准，以在不同的井和不同的井深度中的一个或多个上生成预测的超声数据。可以至少部分地基于所测量的超声数据来从井的外部套管估计内部套管间隙。一个或多个神经网络可以包括使用或不使用贝叶斯神经网络的情况下的一个或多个卷积神经网络和一个或多个完全连接的神经网络中的至少一个。所接收的声波数据可以包括经由声波扫描工具生成的多个声波波形。预测的超声数据可以包括多个超声测量值，包括但不限于超声挠曲衰减(ufak)、声阻抗(aibk)、水泥粘结测井(cbl)，以及可以从超声和高频声波水泥评估工具获得的其他可能的测量值。

在又一示例实施方式中，计算机程序产品可以包括其上存储有多个指令的非暂时性计算机可读存储介质，当由处理器执行时，所述指令使处理器执行操作，包括但不限于接收与井的内部套管相关联的声波数据。可以至少部分地基于非线性回归模型和所接收的与井的内部套管相关联的声波数据来生成与井的外部套管相关联的预测的超声数据。

可以包括以下示例性特征中的一个或多个。可以使用一个或多个神经网络来生成非线性回归模型。使用一个或多个神经网络生成非线性回归模型可包括在多个井深度处接收与井的外部套管相关联的测量的超声数据。使用一个或多个神经网络生成非线性回归模型可包括从与井的内部套管相关联的接收的声波数据中识别多个井深度处的相应声波数据，从而定义针对多个井深度定义的多个声波数据和超声数据对。使用一个或多个神经网络生成非线性回归模型可包括利用针对多个井深度定义的多个声波数据和超声数据对训练一个或多个神经网络。使用一个或多个神经网络生成非线性回归模型可以包括：经由转移学习，对训练后的一个或多个神经网络进行校准，以在不同的井和不同的井深度中的一个或多个上生成预测的超声数据。可以至少部分地基于所测量的超声数据来从井的外部套管估计内部套管间隙。一个或多个神经网络可以包括在使用或不使用贝叶斯神经网络的情况下的一个或多个卷积神经网络和一个或多个完全连接的神经网络中的至少一个。所接收的声波数据可以包括经由声波扫描工具生成的多个声波波形。预测的超声数据可以包括多个超声测量值，包括但不限于挠曲衰减(ufak)、声阻抗(aibk)、cbl以及可以从超声和高频声波水泥评估工具获得的其他可能的测量值。

提供本概述是为了介绍一些构思，这些构思将在下面的详细描述中进一步描述。本概述既不旨在标识所要求保护的主题的必要特征，也不旨在用于帮助限制所要求保护的主题的范围。

附图说明

在下面的详细描述中，通过本公开的非限制性示例，参考所提到的多个附图，在下面的详细描述中进一步描述本公开，其中，贯穿附图的若干视图，相似的附图标记表示相似的部件，在附图中：

图1示出了根据本公开实施例的用于超声数据预测过程的系统的框图；

图2示出了示出与本公开的实施例一致的操作的流程图；

图3示出了与本公开的实施例一致的井钻孔的示例；

图4a示出了与本公开的实施例一致的与井的内部套管相关联的多个声波波形或图像；

图4b示出了与本公开的实施例一致的与井的外部套管相关联的多个超声测量值；

图5-6示出了与本公开的实施例一致的一个或多个神经网络；

图7示出了与本公开的实施例一致的神经网络的卷积层的示例；

图8-9示出了与本公开的实施例一致的、作为具有声数据和超声数据对的一个或多个神经网络的训练的误差指标函数的、在多个时期(epoch)上的均方误差和均绝对误差；和

图10示出了示出与本公开的实施例一致的操作的流程图。

具体实施方式

以下讨论针对某些实施方式和/或实施例。应当理解，以下讨论可以用于目的是使本领域普通技术人员能够制作和使用现在或以后由在本文的任何已发行专利中发现的专利“权利要求”所定义的任何主题。

特别地旨在，所要求保护的特征组合不限于本文中包含的实施方式和说明，而是包括那些实施方式的修改形式，包括这些实施方式的部分以及不同实施方式的要素的组合，落入以下权利要求的范围内。应当理解，在任何这样的实际实施方式的开发中，例如在任何工程或设计项目中，可以做出许多特定于实施方式的决策来实现开发者的特定目标，例如遵守与系统相关和与业务相关联的约束，这可能因实施方式而异。此外，应当理解，这样的开发工作可能是复杂且耗时的，但是对于受益于本公开的普通技术人员而言，这仍将是设计、制作和制造的例行工作。除非明确指出是“关键的”或“必要的”，否则本申请中的任何内容都不被认为对要求保护的发明是关键或必要的。

还应理解，尽管本文可以使用术语第一、第二等来描述各种元件，但是这些元件不应受到这些术语的限制。这些术语可用于将一个元素与另一个元素区分开。例如，在不脱离本公开的范围的情况下，第一对象或步骤可以被称为第二对象或步骤，并且类似地，第二对象或步骤可以被称为第一对象或步骤，而被脱离本公开的范围。第一对象或步骤以及第二对象或步骤分别都是对象或步骤，但是不应将它们视为相同的对象或步骤。

参考图1，示出了可以驻留在服务器计算机12上并且可以由其执行的超声数据预测过程10，该服务器计算机可以连接到网络14(例如，因特网或局域网)。服务器计算机12的示例可以包括但不限于：个人计算机、服务器计算机、一系列服务器计算机、小型计算机和大型计算机。服务器计算机12可以是运行网络操作系统的网络服务器(或一系列服务器)，其示例可以包括但不限于：例如，服务器；或red(microsoft和windows是microsoftcorporation在美国、其他国家或二者的注册商标；novell和netware是novellcorporation在美国、其他国家或二者的注册商标；redhat是redhatcorporation在美国、其他国家或二者的注册商标；以及linux是linustorvalds在美国、其他国家或二者的注册商标。)此外/替代地，超声数据预测过程10可以全部或部分驻留在诸如个人计算机、笔记本计算机、个人数字助理等之类的客户端电子设备上并由其执行。

超声数据预测过程10的指令集和子例程，其可以包括一个或多个软件模块，并且其可以存储在联接到服务器计算机12的存储设备16上，可以由并入服务器计算机12的一个或多个处理器(未示出)和一个或多个存储器模块(未示出)执行。存储设备16可以包括但不限于：硬盘驱动器；固态驱动器、磁带驱动器；光盘驱动器；raid阵列；随机存取存储器(ram)；和只读存储器(rom)。存储设备16可以包括各种类型的文件和文件类型。

服务器计算机12可以执行web服务器应用程序，其示例可以包括但不限于：microsoftiis、novellwebservertm或webserver，其允许经由网络14使http(即，超文本发送协议)访问服务器计算机12(web服务器是novellcorporation在美国、其他国家或二者的商标；以及apache是apachesoftwarefoundation在美国、其他国家或二者的注册商标)。网络14可以连接到一个或多个次级网络(例如，网络18)，其示例可以包括但不限于：例如，局域网；广域网；或企业内部网。

超声数据预测过程10可以是独立的应用程序，或者可以是可以与应用程序20交互和/或在应用程序20中执行的小应用程序(applet)/应用程序/脚本。作为服务器端过程的替代过程或除此之外，超声数据预测过程10可以是客户端过程(未示出)，其可以驻留在客户端电子设备(如下所述)上并且可以与客户端应用程序(例如，客户端应用程序22、24、26、28中的一个或多个)交互。此外，超声数据预测过程10可以是可与应用程序20和客户端应用程序(例如，客户端应用程序22、24、26、28中的一个或多个)交互的混合服务器端/客户端过程。这样，超声数据预测过程10可以全部或部分地驻留在服务器计算机12和/或一个或多个客户端电子设备上。

可以存储在联接到服务器计算机12的存储设备16上的应用程序20的指令集和子例程可以由并入服务器计算机12的一个或多个处理器(未示出)和一个或多个存储器模块(未示出)执行。

客户端应用程序22、24、26、28的指令集和子例程，其可以(分别)存储在(分别)联接到客户端电子设备38、40、42、44的存储设备30、32、34、36上，可以(分别)由并入客户端电子设备38、40、42、44中的一个或多个处理器(未示出)和一个或多个存储器模块(未示出)执行。存储设备30、32、34、36可以包括但不限于：硬盘驱动器；固态驱动器，磁带驱动器；光盘驱动器；raid阵列；随机存取存储器(ram)；只读存储器(rom)，紧凑型闪存(cf)存储设备、安全数字(sd)存储设备和记忆棒存储设备。客户端电子设备38、40、42、44的示例可以包括但不限于个人计算机38、膝上型计算机40、移动计算设备42(例如智能手机、上网本等)、笔记本计算机例如44，例如。使用客户端应用程序22、24、26、28，用户46、48、50、52可以访问超声数据预测过程10。

用户46、48、50、52可以直接通过在其上执行客户端应用程序(例如，客户端应用程序22、24、26、28)的设备(即，例如客户电子设备38、40、42、44)访问超声数据预测过程10和/或与服务器计算机12相关联的其他应用程序。用户46、48、50、52可以直接通过网络14或通过次级网络18访问过程10和/或其他应用程序。此外，服务器计算机12(即执行这些应用程序的计算机)可以通过次级网络18，如链接虚线54所示，连接到网络14。

各种客户端电子设备可以直接或间接联接到网络14(或网络18)。例如，示出的个人计算机38经由硬线网络连接直接联接到网络14。此外，示出了笔记本计算机44经由硬线网络连接直接联接到网络18。示出的膝上型计算机40经由在膝上型计算机40和无线接入点(即，wap)68之间建立的无线通信通道66被无线地联接到网络14，无线通信点66被示出为直接联接到网络14。wap68可以是例如能够在膝上型计算机40和wap68之间建立无线通信通道66的ieee802.11a、802.11b、802.11g、wi-fi和/或蓝牙设备。示出了移动计算设备42经由在移动计算设备42与蜂窝网络/网桥72之间建立的无线通信通道70无线地联接至网络14，该无线通信通道70被示出为直接联接至网络14。

如本领域中已知的，所有ieee802.11x规范都可以使用以太网协议和具有冲突避免功能的载波侦听多路访问(即csma/ca)进行路径共享。各种802.11x规范可以使用例如相移键控(即psk)调制或互补码键控(即cck)调制。如本领域中已知的，蓝牙是电信行业规范，其允许例如移动电话、计算机和个人数字助理使用短距离无线连接来互连。

客户端电子设备38、40、42、44可以各自执行操作系统，其示例可以包括但不限于microsoftwindows、microsoftredhatlinux或其他合适的操作系统。(windowsce是microsoftcorporation在美国、其他国家或二者的注册商标)。

在一些实施例中，超声数据预测过程10可以生成输出，该输出可以被传递到一个或多个现场工具，例如储层工具74。储层工具74可以包括但不限于从本公开的受让人手中获得的那些。在一些实施例中，储层工具74可以包括一个或多个处理器，该处理器被构造为接收来自超声数据预测过程10的输出并改变储层工具74的操作。如将在下面更详细地讨论的，储层工具74通常可以包括声波扫描工具、超声扫描工具和/或声音和超声扫描仪工具的任何组合。

还参考图2-10，并且如将在下面更详细地讨论的，超声数据预测过程10可以利用低频声波数据上的特征来利用声波测量的更大的研究深度来评估多个套管柱中的环空的状态。在一个示例中，由本公开的受让人设计的超声扫描仪(sonicscanner)工具可以发送小于20khz的声波，并且可以在其接收器阵列中接收反射和折射的波形。接收器阵列通常包括例如13个轴向站和在每个站处例如8个方位接收器。在sonicscanner工具的一些实施例中，在接收器阵列的每一端上可以有两个近单极发送器和另一个远单极发送器，以及位于工具更下方的两个正交取向的偶极发送器。借助这样的功能，sonicscanner可能能够通过使用不同的波模式来测量具有一个或多个环空的井钻孔。虽然成功地检测出诸如水泥或固体顶部的变化，但是这些技术遭受了超声波扫描测量所带来的方位分辨率的损失。

在一些实施例中，超声数据预测过程10可以恢复一些方位分辨率，以便使用声波数据更好地保证。如将在下面更详细地讨论的，超声数据预测过程10可以利用具有相同物理条件的外部管柱和环空的探测以及内部管柱超声测量和外部管柱超声测量。如将在下面讨论的，超声数据预测过程10可以假定超声数据和声波数据之间的非线性关系。在本公开的一些实施例中，超声数据预测过程10可通过基于深度神经网络(例如一个或多个神经网络)建立非线性回归模型，使用在内部管柱中收集的声波数据来预测外部管柱的高分辨率超声图。这样的面向非线性回归取向的深度神经网络通常可以包括卷积和/或完全连接的神经网络以及其他类型的神经网络，以提高性能。可以提供声音和超声数据对的集合以从各种深度区域训练模型。利用生成的这样的非线性回归模型，超声数据预测过程10可以从内部管柱的声波数据预测外部管柱的超声数据，并节省去除内部管柱的努力以获得外部管柱的实际超声测量值。

在一些实施例中，还参考图2，超声数据预测过程10通常可以包括使用一个或多个处理器接收200与井的内部套管相关联的声波数据。可以至少部分地基于非线性回归模型和所接收的与井的内部套管相关联的声波数据来生成202与井的外部套管相关联的预测的超声数据。

还参考图3的示例，并且在一些实施例中，超声数据预测过程10可以接收200与井的内部套管相关联的声波数据。如在图3的示例中所示，井(例如，井300)可以包括钻孔(例如，钻孔302)，该钻孔包括内部套管(例如，内部套管304)、外部套管(例如，外部套管306)以及在内部套管和外部套管之间的环空(例如，环空308)。在一些实施例中，储层工具(例如，储层工具74)可被部署到钻孔(例如，钻孔302)中以获得与井相关联的测量。如本领域中已知的，套管通常可包括大直径管道，该大直径管道被组装并插入到钻孔中。在一些实施例中，套管通常可以保护和支撑该井。在一些实施例中，并且如本领域中通常已知的，环空通常可以包括在任何管道、油管或套管和直接围绕其的管道、油管或套管之间的任何空隙。尽管图3示出了井钻孔的单个内部套管和单个外部套管，但是应当理解，可以在井钻孔内使用任意数量的套管，并且套管之间具有任意数量的环空。例如，一井可在生产油管和最小的套管柱之间包括第一环空。该第一环空可提供气举和压井。在一些实施例中，井可在不同套管柱之间具有第二和/或第三环空。在一些实施例中，这些环空可能与井孔流体没有任何连接，但是可以维持其中的压力以确保套管柱的完整性。因此，将认识到，在本公开的范围内，具有多个套管和多个环空的各种构造是可能的。

在一些实施例中，储层工具通常可包括超声扫描仪工具、声波扫描仪工具和/或其任何组合。在一个示例中，由本公开的受让人设计的隔离扫描仪(isolationscanner)工具可以使用超声波技术，以通过发送频率高于约200khz的超声波并将经典的脉冲回波技术与弯曲波传播结合来计算其在两个接收器之间的衰减，而估计固井和套管的条件。通过在套管后部进行方位测量，isolationscanner通常可以确认层间隔离、精确定位水泥通道(如果有)，并确保有可靠的粘结条件。但是，isolationscanner(通常是超声波扫描工具)无法在多个套管柱几何形状中诊断出超出第一套管及其后的环空的层间隔离，因为所发送的超声波能量不会穿透第二套管。例如，通常必须事先取下内部管柱(例如内部套管304)以评估外部管柱(例如外部套管306)的层间隔离条件，这通常是相当昂贵的。尽管上面已经描述了isolationscanner工具的示例，但是应当理解，在本公开的范围内可以使用任何超声波扫描工具。如上所述，超声数据预测过程10可以接收200与井的内部套管相关联的声波数据，并且如将更详细地讨论的，可以使用非线性回归模型来生成与井钻孔的外部套管和/或井钻孔的环空相关联的预测超声测量值，该非线性回归模型是使用一个或多个神经网络至少部分地基于与井的内部套管相关联的接收到的声波数据生成的。

例如，由受让人设计的sonicscanner工具可以发射小于20khz的声波，并且可以在其接收器阵列中接收反射和折射的波形。接收器阵列通常包括例如13个轴向站和在每个站处例如8个方位接收器。在sonicscanner工具的一些实施例中，在接收器阵列的每一端上可以有两个近单极发送器和另一个远单极发送器，以及位于工具更下方的两个正交取向的偶极发送器。借助这样的特征，sonicscanner工具可能能够通过使用不同的波模式来测量具有一个或多个环空的井钻孔。尽管已经提供了声波扫描工具的示例，但是应当理解，在本公开的范围内可以使用任何声波扫描工具。在一些实施例中，虽然成功地检测到诸如水泥或固体顶部的变化，但是声波扫描技术通常遭受由超声波扫描测量所提供的方位分辨率的损失。

在一些实施例中，声波数据通常可以指代由声波扫描工具生成的多个声波波形。如上所述，声波数据通常可以包括由部署在井钻孔(例如，钻孔302)中并被构造为将声波发送到内部套管(例如，内部套管304)、外部套管(例如，外部套管306)以及内部和外部套管之间的环空(例如，环空308)中的声波工具产生的声学测量结果。在一些实施例中，可以处理声波数据(例如，接收到的声波波形)(例如，通过超声数据预测过程10)，以生成多个经频带滤波的慢度时间相干(stc)图像。例如，在接收200到声波波形之后，超声数据预测过程10可以将接收到的声波波形归一化为在声波扫描工具的阵列中其相应接收器的归一化因子，并且可以将波形裁剪为较短的以用于加速处理。在一些实施例中，对于每个深度，在第i个轴向站的第j个接收器处的归一化和经裁剪的声波波形可以被称为rij(t)，其中，i＝1,…,nz，j＝1,…,nφ，t∈[0,nt]和nz是声波扫描工具的轴向站的数量，nφ是方位的数量，以及nt是时间采样数。在一些实施例中，可以利用连续的小波变换(例如，使用莫雷特(morlet)小波)来执行归一化和裁剪的声波波形的带通滤波。例如，morlet小波可以表示为如以下等式1所示的：

其中，fc中心频率以及σ是恒定带宽。

在一些实施例中，连续小波变换可以是时域中的卷积过程，并且等效地，它只是频域中的乘法过程。在一个示例中，可以使用傅立叶变换分别如以下等式2和3中所示获得rij(t)和的频谱：

因此，频域中经带通滤波的接收信号可以在下面的等式4中示出：

为了包括用于stc图像的慢度信息，可以引入等式5：

(5)ss(f)＝e^j2πfs

其中s∈[s1,…,sn]属于一组关注的慢度值，

在一些实施例中，等式5可以将带通滤波的频域信号移位到关注的慢度，如等式6所示：

在一些实施例中，可通过逆傅立叶变换将慢度移位的带通滤波信号转换为时域，如以下等式7所示：

在一些实施例中，可以通过归一化轴向域来获得关于在中心频率fc下滤波的第j个方位和带通的慢度和时间的stc图像，如以下等式8所示：

还参考图4a-4b的示例，并且在一些实施例中，图4a演示了在内部管柱的一个单个深度处以例如在fc＝20khz下进行了带通滤波的8个方位接收器的多个经处理的声波stc图像示例。每个图像的行可以指慢度轴，并且每个图像的列可以指时间轴。可以观察到，这些stc图像指示方位异质性。在一些实施例中，在相同深度处，图4b可以绘制外部管柱的相应测量的超声数据。在一些实施例中，超声数据通常可以指代地图或方位图，例如超声弯曲衰减(ufak)测量值。但是，可以从超声或高频声波水泥评估工具中获得的其他超声数据表示或地图可以用作替代方案，也可以与ufak测量结合使用，包括但不限于声阻抗(aibk)或cbl。因此，声波stc图像和ufak、aibk和cbl测量值都可以反映外部管柱的固井特性，并指示一些方位异质性。

在一些实施例中，超声数据预测过程10可以至少部分地基于非线性回归模型和所接收的与井的内部套管相关联的声波数据来生成202与井的外部套管相关联的预测超声数据。如以下将更详细讨论的那样，非线性回归模型通常可以包括一种算法模型，其中观测数据由一个函数建模，该函数是模型参数的非线性组合，并且可能取决于一个或多个独立变量。在一些实施例中，可以通过逐次逼近的方法来拟合输入到非线性回归模型的数据。神经网络通常可以包括并行工作以解决特定问题的多个高度互连的处理元素。在一些实施例中，并且在本领域中是已知的，神经网络可以通过示例来学习(例如，通过用标记数据进行训练)。因此，尽管在整个本公开中使用术语“神经网络”，但是应当理解，在本公开的范围内可以使用任何机器学习或人工智能引擎或模型。

在一些实施例中，超声数据预测过程10可以使用一个或多个神经网络来生成204非线性回归模型。还参考图5-6的示例，并且在一些实施例中，一个或多个神经网络可以包括多层，并且可以将声波波形的经处理的方位带通滤波的stc图像接受为输入。还参考图5的示例，神经网络(例如，神经网络500)可以将输入的声波stc图像接受到输入层。在一些实施例中，这样的输入数据可以被组织为四阶张量，该四阶张量是一组三阶张量。例如，每个三阶张量可以是一维度为(nφ,f×nt×ns)的声波stc图像的方位集，其中nφ,f是方位的数量乘以频道数量，nt是时间采样的数量，以及ns是关注的慢度值的数量。输入张量的第一维度大小为nd，其可以是训练深度的总数。在接下来的层中，每个三阶张量可以独立处理。在一些实施例中，可以分批次更新神经网络参数(例如，使用随机梯度下降法，其中批次大小远小于nd)。然而，将理解到，在本公开的范围内，可以以不同的构造(例如，不是以批次或不同的批次大小)来更新神经网络参数。

在一些实施例中，并且响应于接收到输入张量，一个或多个神经网络的三个系列的卷积神经网络(cnn)模块可以处理该输入张量。尽管将描述三个cnn模块的示例，但是在本公开的范围内可以使用其他数量的cnn模块。在一些实施例中，每个cnn模块通常可以包括四个部分：二维卷积层(conv2d)、批处理归一化层、激活函数层和退出层(dropout)。还参考图7的示例，并且在一些实施例中，conv2d层可以通过使用卷积核(例如，尺寸为1×2×2，步长等于2且右填充等于1)，通过通用核属性和图像在不同位置的像素值的线性组合，将图像(例如，尺寸为1×5×5)处理并输入到输出图像(例如，尺寸为1×2×3)。在一些实施例中，通过将超参数步长设置为等于二，可以对图像进行二次采样以变得更小，并且可能不需要池化层。在一些实施例中，超声数据预测过程10可以为每个conv2d层设置合理数量的核(例如，从64、128、256，到512)，以便这些层能够从低到高的可视化级别捕获声波stc图像的固有特征。

在一些实施例中，批处理归一化层可用于通过减去均值并划分每个处理批次数据的标准偏差来归一化先前的输出。批处理归一化层可用于规范化内部数据分布并避免过度拟合，最终产生稳定的输出结果。在一些实施例中，泄漏线性修正单元(leakyrelu)可以用作激活函数层，其可以具有以下等式9所示的形式：

(9)leakyrelu(x)＝max(x,αx)，其中α∈(0,1)。

在一些实施例中，退出层可以随机地使一部分网络神经元静音，并且还可以使一个或多个神经网络更不容易过度拟合。

再次参考图6的示例，并且在一些实施例中，在第三系列的cnn模块之后，每个输出的三阶张量可以展平为矢量，然后馈送到三个系列的全连接神经网络(fc)模块用于回归结果的最终输出。尽管已经描述了三个fc神经网络模块，但是应当理解，在本公开的范围内，其他数量的fc神经网络模块也是可能的。在一些实施例中并且类似于cnn模块，除了最后的fc模块可以提供提供最终输出的完全连接的层之外，每个fc模块可以包括完全连接的层、批处理归一化层、激活函数层和退出层。一个或多个神经网络的输出神经元的数量(例如nufak)可以是与超声stc图像的输入方位范围相对应的超声(例如ufak)测量的相同长度。以这样的方式，一个或多个神经网络可以生成204非线性回归模型，用于使用接收到的声波数据来预测超声测量。

在一些实施例中，可以放置概率conv2d和完全连接(fc)层，以将原始的上述点估计神经网络转换为贝叶斯神经网络。通过这样的方式，神经网络的参数不再固定，而是在给定输入数据的情况下具有后验概率分布，因此在给定基于贝叶斯神经网络的训练模型的情况下，可以多次输入相同的输入并获得多个不同的预测输出(相反，给定经过训练的上述点估计神经网络，如果一个人多次输入相同的数据，则总会得到相同的预测输出，使得给定深度下的预测超声数据的不确定性(又名置信度)可以被测量。

在一些实施例中，并且如将在下面更详细地讨论的，超声数据预测过程10可以利用针对多个井深度定义的多个声波数据和超声数据对来训练一个或多个神经网络。例如，超声数据预测过程10可以在多个井深度处接收206与井的外部套管相关联的测量的超声数据。如上所述的，可以使用超声波扫描工具将超声波发送到套管中，并将经典的脉冲回波技术与弯曲波传播相结合，以计算其在两个接收器之间的衰减。通过在套管后部进行方位测量，超声波扫描工具通常可以确认层间隔离、精确定位水泥通道(如果有)，并确保有可靠的粘结条件。

在一些实施例中，超声数据预测过程10可以从与井的内部套管相关联的所接收的声波数据中识别208多个井深度处的对应声波数据，从而定义针对多个井深度定义的多个声波数据和超声数据对。例如，为了验证现场数据上的回归模型，在井中相同深度区域的内部管柱的一对声波数据(例如，声波stc图像)和外部管柱的超声数据(例如，ufak测量值)可以被确定。超声波扫描工具的相对方位可以补偿到声波扫描工具的相对方位，使得来自两个工具的数据在方位方向上对准。

在一些实施例中，超声数据预测过程10可以至少部分地基于所测量的超声数据来估计210与井的外部套管的内部套管间隙。内部套管间隙是内部套管和外部套管之间的距离。例如，超声数据预测过程10可以使用来自内部套管的超声第三接口数据来包括两个套管的方位间隙。

在一些实施例中，超声数据预测过程10可以用针对多个井深度定义的多个声波数据和超声数据对来训练212一个或多个神经网络。例如，超声数据预测过程10可以从训练集中随机选择(例如)15％的数据作为不加入训练过程的验证集，以监视模型是否过拟合并提供训练集的其余部分(例如，针对多个井深度定义的多个声波数据和超声数据对)给一个或多个神经网络的输入。为了进一步减少除了上述深度学习的先进技术之外的使模型过拟合的可能性，超声数据预测过程10可以使用实时数据增强技术来扩展训练集。在非限制性示例中，实时数据增强可以包括利用数据对的方位的子集训练非线性回归模型，对准这些方位的子集，以重叠的方式旋转方位的子集并将其视为方位的新的子集(例如，来自声波方位(0，1，2)、声波方位(1，2，3)、声波方位(2，3，4)等的声波数据，以及来自超声波方位的其相应超声数据，被视为独立的训练数据)，因此用于训练的声音/超声波数据对的总数增加了。在一个示例中，回归模型的实际训练过程可以包括例如20个时期和例如每个时期500个批次的训练数据。每一批训练数据可以包括例如64对声波stc图像和ufak测量值。然而，应当理解，在本公开的范围内，可以使用其他数量的时期和批次以利用针对多个井深度定义的多个声波数据和超声数据对来训练212一个或多个神经网络。例如，在一些实施例中，方位声波数据的不同子集(例如覆盖象限、半圆、所有方位等)可以用作训练输入，以预测超声数据(例如，外部套管的超声图)。从一个声波方位(45度)到所有声波方位(360度)的范围的声波方位的任何子集都是可能的。

还参考图8-9，并且在一些实施例中，均方误差和/或均绝对误差可用作训练的误差指标函数。例如，并且在一些实施例中，内部套管的多个声波stc图像可以被输入到训练模型，并且可以针对真实映射的结果(例如，声波数据和超声数据对)与回归结果计算误差。产生的测试误差被绘制为如图8所示的训练过程期间的均方误差与时期数之间的关系，以及如图9所示的训练过程期间的平均绝对误差与时期数之间的关系，并与训练和验证误差有利地相比，表明此方法成功。如从图8-9可以看出的，两个误差指标都大大降低，并且从验证误差指标中未观察到明显的过拟合。

在一些实施例中，超声数据预测过程10可以经由转移学习，对受训练的一个或多个神经网络进行校准214，以生成关于不同井和不同井深度中的一个或多个的预测的超声数据。例如，该方法可能涉及许多井，以在两个套管中使用一对声波和超声数据来训练非线性回归模型。在一些实施例中，可将经训练的非线性回归模型(例如，用于生成非线性回归模型的经训练的神经网络)应用于内部管柱中的声波数据上的新井，以预测通常由外部管柱的超声评估拾取的环空中的方位变化。以这样的方式，预测的超声数据的生成可以从用于训练非线性回归模型的第一井或井组转移到另一井或井组。在一些实施例中，校准214受过训练的一个或多个神经网络以生成非线性回归模型可以包括使用外部套管上的已知自由管截面来使用转移学习来校准模型。以这样的方式，已知的外部套管数据可以帮助校准214其他井的非线性回归模型。

还参考图10，并且在一些实施例中，超声数据预测过程10可以跨双管柱井(例如，多管柱)的内部套管内的深度段收集或接收1000用于多个方位接收器的声波数据。在一些实施例中，超声数据预测过程10可以使用例如来自内部管柱(例如，内部套管)的超声第三界面成像来估计1002距离外部套管的内部套管间隙。如上所讨论的，超声数据预测过程10可以使用一个或多个神经网络来生成非线性回归模型。例如，超声数据预测过程10可以通过方位和深度扫描来收集1004超声数据，并生成方位和深度图(例如，超声测量值)。对于超声方位图上的每个深度和一个或多个方位，超声数据预测过程10可以识别1006声波方位和深度帧数据的对应子集。在一些实施例中，超声数据预测过程10还可识别对应的套管间隙。超声数据预测过程10可以构造或生成1008一个或多个神经网络，以使用所识别的声波数据作为输入来预测外部套管超声图。在一些实施例中，超声数据预测过程10可以使用一对内部套管声波数据和外部套管超声数据作为训练和/或验证集合来训练1010一个或多个神经网络。超声数据预测过程10可以使用转移学习来校准1012在不同井或同一井的不同深度段上的一个或多个神经网络。在一些实施例中，超声数据预测过程10可以使用1014校准模型来预测外部套管超声方位图(例如，与外部套管相关联的超声数据)。在一些实施例中，超声数据预测过程10可以在预测的超声方位图(例如，通道等)中识别关注的特征。

附图中的流程图和框图示出了根据本公开的各种实施例的系统和方法的可能的实现的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以代表代码的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。还应注意，在一些替代实施方式中，框中指出的功能可以不按图中指出的顺序发生。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个框，或者有时可以以相反的顺序执行这些框。还应注意，框图和/或流程图说明的每个框以及框图和/或流程图说明中的框的组合可以由执行指定功能或动作的基于专用硬件的系统，或专用硬件和计算机指令的组合来实现。

本文使用的术语是出于描述特定实施例的目的，并且不旨在限制本公开。如本文所用的，单数形式“一”、“一个”和“该”也旨在包括复数形式，除非上下文另外明确指出。还将理解到，术语“包括”和/或“包含”在本说明书中使用时，指定存在所述特征、整数、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元素、组件和/或其组。

下面权利要求书中的装置或步骤加上功能元件的对应结构、材料、动作和等同物旨在包括用于与具体要求保护的其他要求保护的元件组合地执行功能的任何结构、材料或动作。已经出于说明和描述的目的呈现了本公开的描述，但是其并不旨在是穷举的或将本公开限于所公开的形式。在不脱离本公开的范围和精神的情况下，许多修改和变型对于本领域普通技术人员将是显而易见的。选择和描述实施例是为了最好地解释本公开的原理和实际应用，并使本领域的其他普通技术人员能够理解本公开的各种实施例，这些实施例具有适于所设想的特定用途的各种修改。

尽管上面已经详细描述了一些示例实施例，但是本领域技术人员将容易理解，在实质上不脱离本文描述的本公开的范围的情况下，示例实施例中的许多修改是可能的。因此，这样的修改旨在被包括在如所附权利要求书所限定的本公开的范围内。在权利要求中，装置加功能的条款旨在覆盖这里描述的执行所叙述的功能的结构，不仅覆盖结构上的等同物，而且还覆盖等同的结构。因此，尽管钉子和螺钉可能不是结构上的等同物，因为钉子采用圆柱形表面将木质零件固定在一起，而螺钉采用螺旋表面，但是在紧固木制零件的环境中，钉子和螺钉可能是等效结构。申请人的明确意图是不援引35u.s.c.§112、第6段对此处任何权利要求的任何限制，但权利要求明确使用“用于……的手段”和相关功能的限制除外。

这样，通过参考本发明的实施例详细描述了本申请的公开，很明显，在不脱离所附权利要求所限定的本公开的范围的情况下，可以进行修改和变化。