A Neural Network-Based Real-time Casing Collar Recognition System for Downhole Instruments

Deze paper introduceert Collar Recognition Nets (CRNs), een familie van lichtgewicht 1D-convolutie-neurale netwerken die real-time en autonoom kokerhalsdetectie mogelijk maken in downhole-instrumenten met strenge energie- en ruimtebeperkingen, door een model te ontwikkelen dat op een ARM Cortex-M7-chip een hoge nauwkeurigheid en lage latentie bereikt.

De kern

🛠️ De Missie: Een slimme gids voor ondergrondse robots

Stel je voor dat je een robot moet sturen die honderden meters diep de aarde in gaat, door een buis van staal die als een tunnel fungeert. Deze robot moet op het exacte moment een gat boren of een explosie ontploffen. Maar hoe weet de robot waar hij is? De aarde eronder is donker en eentonig.

In de olie- en gasindustrie gebruiken ze een magneet-sensor (een CCL) om de "naden" in die stalen buis te vinden. Die naden heten koppelingen (collars). Elke keer als de robot over zo'n koppeling rijdt, geeft de sensor een klein elektrisch piepje. Het is alsof de robot over de naden van een schoen loopt en telkens een tik hoort.

Het probleem:

1. Ruis: De ondergrond is niet stil. Er is veel magnetisch gedoe van de machine zelf en de buis. Het is alsof je in een drukke fabriek probeert een zacht tikje van een horloge te horen, terwijl er ook hamers en zagen klinken die er precies hetzelfde uitzien.
2. Geen ruimte: De robot is heel klein en heeft weinig batterij. Je kunt er geen zware supercomputer in stoppen.
3. Snelheid: De robot moet nu beslissen, niet wachten tot de data naar de oppervlakte gaat en terugkomt. Dat is te langzaam.

🧠 De Oplossing: De "Slimme Knoop" (CRN)

De onderzoekers hebben een nieuw soort "hersenen" voor deze robot bedacht, genaamd Collar Recognition Nets (CRNs).

Stel je voor dat je een gewone computer een taak geeft: "Zoek de naden in deze lange lijst van geluiden." Een normale computer zou daar een enorme, zware machine voor nodig hebben, die te groot is voor de robot.

De onderzoekers hebben echter een mini-mensje in de computer gebouwd dat is getraind om alleen op de naden te letten en de rest te negeren. Ze hebben dit gedaan door:

• Slimme filters: In plaats van alles te bekijken, kijkt het systeem alleen naar de belangrijkste stukjes (zoals een detective die alleen naar de vingerafdrukken kijkt en niet naar de hele kamer).
• Klein en licht: Ze hebben de "hersenen" zo klein gemaakt dat ze in een horloge passen, maar toch net zo slim zijn als een groot model.

🚀 Hoe werkt het in de praktijk?

1. De Sensor: De robot rijdt door de buis en hoort een geluid (het signaal).
2. De Mini-Hersenen: Direct in de robot wordt dit geluid geanalyseerd door het kleine AI-model. Het vraagt zich af: "Is dit een echte naad of gewoon ruis?"
3. Het Besluit: Als het zeker weet dat het een naad is, telt het: "Oké, we zijn bij naad nummer 50. Nu weten we precies waar we zijn."
4. De Actie: De robot kan nu direct zijn werk doen (bijvoorbeeld een gat boren) zonder te wachten op een mens boven de grond.

📊 De Resultaten: Klein maar Krachtig

De onderzoekers hebben hun model getest met echte data uit de grond. Het resultaat is indrukwekkend:

• Snelheid: Het systeem kan 1.000 keer per seconde beslissingen nemen. Dat is sneller dan je oog kan knipperen.
• Nauwkeurigheid: Het mist bijna niets. Van de 100 naden herkent het er 97 of 98 perfect, zelfs als er veel ruis is.
• Efficiëntie: Het model is zo klein dat het slechts 1.985 "parameters" (de bouwstenen van de hersenen) heeft. Ter vergelijking: andere slimme modellen hebben er vaak honderdduizenden of miljoenen. Het is alsof je een Ferrari bouwt die net zo snel is als een Formule 1-auto, maar dan met de motor van een bromfiets.

💡 Waarom is dit belangrijk?

Vroeger moesten mensen boven de grond naar de data kijken en zelf beslissen waar de robot moest stoppen. Dat was traag, duur en foutgevoelig.

Met deze nieuwe technologie wordt de robot zelfstandig. Het is alsof je van een auto die alleen kan rijden als iemand hem bestuurt, overstapt naar een zelfrijdende auto die zelf de weg herkent en veilig zijn doel bereikt, zelfs als het regent of als er andere auto's zijn.

Dit maakt het boren van olie en gas veiliger, goedkoper en preciezer, en het opent de deur voor nog geavanceerdere robotica die diep onder de grond kunnen werken zonder menselijke hulp.

Technische samenvatting

Titel

Een op neurale netwerken gebaseerd real-time systeem voor het herkennen van kokerkoppelingen (Casing Collar) voor instrumenten in de ondergrond.

1. Het Probleem

Bij de exploratie en productie van olie en gas is het nauwkeurig positioneren van instrumenten in de ondergrond (downhole) cruciaal voor operaties zoals perforatie. Traditioneel worden kokerkoppelinglocators (CCL) gebruikt om dieptemarkeringen te detecteren langs de stalen koker (casing). Een CCL is een magnetische sensor die een spanningspuls genereert wanneer hij over een kokerkoppeling rijdt.

Echter, het autonoom herkennen van deze signalen in de ondergrond is zeer uitdagend vanwege:

• Interferentie: CCL-signalen worden vaak vervuild door magnetische interferentie van de kokerwand en het metalen gereedschap (toolstring). Deze interferentie heeft vaak een vergelijkbare vorm en frequentieband als de echte signatuur, wat discriminatie bemoeilijkt.
• Beperkte middelen: Downhole-instrumenten hebben strenge beperkingen qua ruimte, stroomverbruik en rekenkracht. Dit maakt het gebruik van zware, computatierijke algoritmen onmogelijk.
• Real-time vereisten: Voor geavanceerde operaties (zoals draadloze perforatie) is in-situ (ter plaatse) real-time verwerking noodzakelijk, in plaats van het verzenden van data naar de oppervlakte voor analyse.
• Onbetrouwbaarheid van alternatieven: Oppervlaktemetingen (SWM) zijn onbetrouwbaar door de elasticiteit van de kabel en zijn niet toepasbaar op nieuwe operatietechnieken.

2. Methodologie

De auteurs stellen Collar Recognition Nets (CRNs) voor, een familie van domeinspecifieke, lichtgewicht 1D-Convolutional Neural Networks (CNN's) die zijn ontworpen om op gestroomlijnde CCL-golfformuleringen te draaien.

Systeemarchitectuur:

• Hardware: Het systeem is geïntegreerd in een controlecapsule met een ARM Cortex-M7 microprocessor (MPU). De sensorruwe data wordt via een Analog Front-End (PGA, anti-aliasing filter, ADC) met een samplefrequentie van 1 kHz omgezet naar digitaal formaat.
• Signaalverwerking:
  1. Pre-processing: De data wordt genormaliseerd en een schuifvenster van 160 samples (160 ms) wordt gebruikt als invoer.
  2. Neuraal Netwerk: Het netwerk schat de waarschijnlijkheid van een kokerkoppeling op elk tijdstip.
  3. Post-processing: Een drempelwaarde (0,5) en een gladmakingsfilter worden toegepast op de waarschijnlijkheidskaart om de exacte tijdstippen van de koppelingen te bepalen.

Netwerkarchitectuur (CRN-familie):
Drie modellen werden ontwikkeld, waarbij de focus ligt op het balanceren van efficiëntie en nauwkeurigheid:

• CRN-1: Een baseline-model met standaard convoluties.
• CRN-2: Gebruikt dieptewijze scheidbare convoluties (Depthwise Separable Convolutions - DSC) om de rekenkosten te verlagen tot ongeveer 40% van de baseline.
• CRN-3 (De meest compacte): Voegt een input pooling laag toe (gemiddelde pooling met een kernelgrootte van 10) voordat het netwerk begint. Dit verlaagt de effectieve samplefrequentie van 1 kHz naar 100 Hz (nog steeds boven de Nyquist-frequentie van 80 Hz voor het 40 Hz signaal), wat de rekenlast drastisch verlaagt zonder significant verlies aan nauwkeurigheid.
• Implementatie: De modellen zijn getraind in PyTorch en gedeployd met TensorFlow Lite for Microcontrollers (TFLM) op de ARM Cortex-M7.

3. Belangrijkste Bijdragen

1. Ontwikkeling van CRNs: Een nieuwe familie van lichtgewicht 1D-CNN's die specifiek zijn ontworpen voor kokerkoppelherkenning, gebruikmakend van DSC en input pooling om de complexiteit te minimaliseren.
2. Edge Deployment: Het bewijzen van de haalbaarheid om het meest compacte model (CRN-3) met slechts 1.985 parameters en 8.208 MACs (Multiply-Accumulate operations) uit te voeren op een ARM Cortex-M7 MPU met TFLM.
3. Real-time Prestaties: Het systeem bereikt een doorvoer van 1.000 inferenties per seconde (IPS) met een latentie van slechts 343,2 µs, wat voldoet aan de eisen voor real-time verwerking in de ondergrond.
4. Validatie met Velddata: Het systeem is getest met echte velddata uit Sichuan, China, en toont aan dat het robuust kan werken onder strenge operationele beperkingen.

4. Resultaten

De prestaties zijn gevalideerd met twee volledige veldlogs (55 en 77 kokerkoppelingen) die niet in het trainingsset zaten.

• Nauwkeurigheid:
  • CRN-3 bereikte een F1-score van 0,972 (Precision: 100%, Recall: 94,6%).
  • CRN-1 (groter model) behaalde een F1-score van 0,992.
• Efficiëntie:
  • CRN-3 heeft een rekenkosten van slechts 8.208 MACs. Dit is orders van grootte lager dan bestaande TinyML-baselines (bijv. MobileNetV3 vereist 44 miljoen MACs; een gereduceerd DS-CNN vereist ~200.000 MACs).
  • De gemiddelde stroomconsumptie van het model op de MPU is geschat op 74,3 mW.
• Vergelijking: Hoewel CRN-3 iets minder nauwkeurig is dan de zwaardere modellen, is de daling in prestatie minimaal vergeleken met de enorme winst in rekenefficiëntie. Het systeem presteert beter dan veel traditionele methoden (zoals Random Forest of SVM) in termen van generalisatie bij complexe interferentie, maar doet dit met een fractie van de rekenkracht.

5. Betekenis en Conclusie

Dit onderzoek markeert een doorbraak in de automatisering van downhole-operaties. Door een evenwicht te vinden tussen de complexiteit van deep learning en de strenge hardwarebeperkingen van instrumenten in de ondergrond, maken de auteurs autonome, real-time positiebepaling mogelijk zonder afhankelijk te zijn van oppervlaktecomputing of menselijke interpretatie.

De succesvolle implementatie van CRN-3 op een ARM Cortex-M7 toont aan dat geavanceerde neurale netwerken nu operationeel kunnen zijn in extreme omgevingen (hoge temperatuur en druk) met beperkte energie. Dit pakt de weg vrij voor volledig autonome downhole-instrumenten die zelfstandig operaties zoals perforatie kunnen uitvoeren met hoge precisie, wat leidt tot veiligere en efficiëntere olie- en gasproductie.