本发明涉及石油与天然气钻采工程，尤其适用于油井管腐蚀情况的预测，具体是一种基于机器学习的全井筒油井管腐蚀形貌三维重构方法。
背景技术：
1、随着能源行业的快速发展，管道作为重要的运输工具，在与全国甚至世界进行资源调配时，有低成本、大运输量、高效率等独特优势。然而管道的服役环境是极其复杂的，如陆地环境、土壤环境、海洋环境，所以管道腐蚀是较为常见的现象，当管道腐蚀严重时，管道不能继续承担运输任务，导致运输物体的泄露，造成经济损失和环境污染，严重时可能会导致人员伤亡。
2、石油作为国家的经济命脉，在能源行业中扮演着举足轻重的作用。油管作为油气开发过程中重要的石油装备物资，承担着许多生产任务，如洗井、注水、试油、压裂和采油等。而石油行业中，常采用co2驱油技术(co2-eor)提高采收率，并且地层伴随着水、h2s和微生物等介质，使得油管必不可免的发生腐蚀。油管的腐蚀类型主要为均匀腐蚀、局部腐蚀和点腐蚀，这些腐蚀均会对井下油管安全运行造成极大的威胁，也给油气井生产和检修等带来了众多困难，且油气外泄会造成停工停产和环境污染等重大经济损失。如四川气田合100井，因腐蚀导致油管仅使用4年断为四节，北海油田挪威的ekofisk油田某高温立管，仅使用2月发生爆炸，美国little creek油田未采用任何抑制腐蚀措施，导致油管五个月内管壁被蚀穿，由以上案例可以看出，无论国内还是国外，油管腐蚀已成为一个不可忽视的问题。
3、传统的油井管腐蚀检测方法主要依赖于物理检测技术，如磁通泄露(mfl)、超声波检测等，这些方法虽然能够识别出腐蚀的位置和大致形态，但难以准确重构腐蚀的三维形貌，影响了对腐蚀程度的精确评估。并且，目前对于油管腐蚀形貌特征和含有随机腐蚀缺陷的油管剩余寿命的研究很少，主要是由于腐蚀缺陷位置、形貌和尺寸的随机性所导致的，致使三维模型的建立非常复杂和困难，从而无法采用有限元软件对其进行研究和分析。
技术实现思路
1、针对上述问题，本发明的目的是提供一种基于机器学习的全井筒油井管腐蚀形貌三维重构方法，以解决含随机腐蚀缺陷的油井管三维数值建模的技术难题，该方法适用于深井、超深井及非常规油气井服役工况下不同钢级油井管腐蚀形貌的三维重构。
2、为实现上述目的，本发明所述的一种基于机器学习的全井筒油井管腐蚀形貌三维重构方法，其特征在于：通过对油井管样本进行有控(温度、压力、生产及运行时间、腐蚀介质浓度/分压及地层水组分)腐蚀实验，采用激光扫描仪和三维轮廓扫描仪测定油井管腐蚀缺陷的位置及形貌特征数据，然后基于机器学习方法与实验数据(75％用于训练和25％用于测试)精确预测腐蚀缺陷的尺寸、形貌及位置分布，为石油工程师根据现场工况预测油井管腐蚀情况和研究含腐蚀缺陷的油井管剩余寿命提供依据。采取的具体技术方案如下：
3、步骤一：现场获取井下某一深度的油井管1根，并收集该油井管服役温度、压力、腐蚀介质浓度/分压及地层水组分分析结果。
4、步骤二：采用聚焦离子束切割仪(fib)将步骤一获取的油井管沿轴向等分为16段，并在每段油井管外表面标记参考点和编号，为腐蚀特征三维扫描及测量提供定位基准，确保全面获取不同方向上的腐蚀信息，以系统评估油井管的腐蚀特征。
5、步骤三：基于步骤二获取的油井管段分为4组，记为a组、b组、c组、d组，采用环氧树脂将4组油井管段的5个面进行封装，只暴露油井管内表面或者外表面于腐蚀液，并参照腐蚀标准(gb/t 7901-1999)对暴露面进行处理。
6、步骤四：根据步骤一获取的服役压力、生产及运行时间、腐蚀介质浓度/分压及地层水组分分析结果开展a组油井管段在不同服役温度下的腐蚀测试，得到服役温度对油井管腐蚀缺陷的影响规律。
7、步骤五：将步骤四腐蚀后的a组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为ai(xj,yj,zj)，其中ai(xj,yj,zj)代表a组中第i段油井管某点j在x、y、z三个方向上的坐标。
8、步骤六：将步骤四腐蚀后的a组中4段油井管分别用聚焦离子束切割仪(fib)沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样。
9、步骤七：采用三维轮廓仪扫描步骤六a组中360块油井管试样(用于后续机器学习模型的训练与测试)，测定并获取腐蚀形貌特征数据，其中均匀腐蚀特征数据为腐蚀长度lj、宽度wj、深度dj，记为cuak(lj,wj,dj)，点腐蚀特征数据为腐蚀坑半径rj和深度dj，记为cpak(rj,dj)，cuak(lj,wj,dj)代表a组中第k块油井管试样某点j均匀腐蚀长度、宽度、深度，cpak(rj,dj)代表a组中第k块油井管试样某点j腐蚀坑半径和深度。
10、步骤八：根据步骤一获取的服役温度、生产及运行时间、腐蚀介质浓度/分压及地层水组分分析结果开展b组油井管段在不同服役压力下的腐蚀测试，得到服役压力对油井管腐蚀缺陷的影响规律。
11、步骤九：将步骤八腐蚀后的b组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为bi(xj,yj,zj)，其中bi(xj,yj,zj)代表b组中第i段油井管某点j在x、y、z三个方向上的坐标。
12、步骤十：将步骤八腐蚀后的b组中4段油井管分别用聚焦离子束切割仪(fib)沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样。
13、步骤十一：采用三维轮廓仪扫描步骤十b组中360块油井管试样(用于后续机器学习模型的训练与测试)，测定并获取腐蚀形貌特征数据，其中均匀腐蚀特征数据为腐蚀长度lj、宽度wj、深度dj，记为cubk(lj,wj,dj)，点腐蚀特征数据为腐蚀坑半径rj和深度dj，记为cpbk(rj,dj)，cubk(lj,wj,dj)代表b组中第k块油井管试样某点j均匀腐蚀长度、宽度、深度，cpbk(rj,dj)代表b组中第k块油井管试样某点j腐蚀坑半径和深度。
14、步骤十二：根据步骤一获取的服役压力、温度、腐蚀介质浓度/分压及地层水组分分析结果开展c组油井管在不同生产及运行时间下的腐蚀测试，得到时间对油井管腐蚀缺陷的影响规律。
15、步骤十三：将步骤十二腐蚀后的c组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为ci(xj,yj,zj)，其中ci(xj,yj,zj)代表c组中第i段油井管某点j在x、y、z三个方向上的坐标。
16、步骤十四：将步骤十二腐蚀后的c组中4段油井管分别用聚焦离子束切割仪(fib)沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样。
17、步骤十五：采用三维轮廓仪扫描步骤十四c组中360块油井管试样(用于后续机器学习模型的训练与测试)，测定并获取腐蚀形貌特征数据，其中均匀腐蚀特征数据为腐蚀长度lj、宽度wj、深度dj，记为cuck(lj,wj,dj)，点腐蚀特征数据为腐蚀坑半径rj和深度dj，记为cpck(rj,dj)，cuck(lj,wj,dj)代表c组中第k块油井管试样某点j均匀腐蚀长度、宽度、深度，cpck(rj,dj)代表c组中第k块油井管试样某j腐蚀坑半径和深度。
18、步骤十六：根据步骤一获取的服役压力、温度、生产及运行时间结果开展d组油井管在不同腐蚀介质浓度/分压及地层水组分下的腐蚀测试，得到腐蚀介质浓度/分压及地层水组分对油井管腐蚀缺陷的影响规律。
19、步骤十七：将步骤十六腐蚀后的d组中4段油井管分别用激光扫描仪对其腐蚀表面进行扫描获取腐蚀缺陷的位置特征数据并逐一编号，记为di(xj,yj,zj)，其中di(xj,yj,zj)代表d组中第i段油井管某点j在x、y、z三个方向上的坐标。
20、步骤十八：将步骤十六腐蚀后的d组中4段油井管分别用聚焦离子束切割仪(fib)沿轴向切割成9等份，再沿径向切割成20等份，得到360块油井管试样。
21、步骤十九：采用三维轮廓仪扫描步骤十八d组中360块油井管试样(用于后续机器学习模型的训练与测试)，测定并获取腐蚀形貌特征数据，其中均匀腐蚀特征数据为腐蚀长度lj、宽度wj、深度dj，记为cudk(lj,wj,dj)，点腐蚀特征数据为腐蚀坑半径rj和深度dj，记为cpdk(rj,dj)，cudk(lj,wj,dj)代表d组中第k块油井管试样某点j均匀腐蚀长度、宽度、深度，cpdk(rj,dj)代表d组中第k块油井管试样某点j腐蚀坑半径和深度。
22、步骤二十：建立用于预测全井筒油井管三维腐蚀形貌的机器学习模型。
23、步骤二十一：将a组、b组、c组和d组获得的4段油井管中的任意一段腐蚀缺陷的位置和形貌特征数据作为测试集，将另外3段油井管腐蚀缺陷的位置和形貌特征数据作为训练集，调试机器学习模型的准确性。
24、步骤二十二：将实际井下油井管服役温度、压力、生产及运行时间、腐蚀介质浓度/分压及地层水组分输入步骤二十一训练后的机器学习模型，获得油井管表面腐蚀缺陷位置、形貌(均匀腐蚀和点腐蚀)及演变规律的预测结果。
25、步骤二十三：基于步骤二十二获得的腐蚀缺陷位置及形貌特征预测结果，结合三维建模软件和python编程软件建立友好的用户界面，通过输入相关参数获得油井管腐蚀形貌的三维模型，从而可进行腐蚀寿命预测分析。
26、本发明的优点是：提供了一种新的油井管腐蚀形貌预测与三维重构方法，该方法结合了腐蚀实验和机器学习技术，能够提高腐蚀形貌特征评估的准确性及效率，对油田的安全生产和维护具有重要意义。
1.如权利要求所述的一种基于机器学习的全井筒油井管腐蚀形貌三维重构的方法，其特征在于，结合机器学习技术与油井管腐蚀实验，通过三维建模软件对全井筒油井管腐蚀形貌进行重构。包括以下步骤：
