CN110766192A - 基于深度学习的钻井井漏预测系统及方法 - Google Patents
基于深度学习的钻井井漏预测系统及方法 Download PDFInfo
- Publication number
- CN110766192A CN110766192A CN201910850687.0A CN201910850687A CN110766192A CN 110766192 A CN110766192 A CN 110766192A CN 201910850687 A CN201910850687 A CN 201910850687A CN 110766192 A CN110766192 A CN 110766192A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- well leakage
- deep learning
- drilling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提出一种基于深度学习的钻井井漏预测系统及方法,采用VGG卷积神经网络模型进行深度学习,对井漏事故进行有效预警,挖掘出VGG模型在工业应用上的价值,为井漏预测提供了一种新的解决方案,实现简单,数据处理速度快、准确度高、成本低。本发明的方法包括:1)获取钻井生产运行数据;2)对获取的数据进行预处理,获取进行深度学习的样本数据;3)特征提取和分类训练;采用VGG卷积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型。4)结果输出和结果确认:使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及一种基于深度学习的钻井井漏预测系统及方法。
背景技术
石油钻井是一项复杂的地下工程,钻井过程中伴随着各种各样的随机、模糊、不确定、不可控因素。在钻井施工过程中,事故一旦发生,不仅会给生产单位带来巨大的经济损失,还会给员工生命安全造成极大威胁。随着石油井开采范围的延伸、生产能力的提高及开采深度的增加,其井下作业情况越来越复杂,井下涌水量进一步增大,井漏问题也更为突出,故需对其地质条件,防治水措施等进行分析研究,消除钻井过程中的井下复杂问题是安全钻井的最重要任务之一。使用深度学习技术提前预测钻井井下复杂情况、采取适当补救措施能确保钻井施工安全,同时可以节约大量的钻进时间和成本。
发明内容
本发明的目的是提出一种基于深度学习的钻井井漏预测系统及方法,采用VGG卷积神经网络模型进行深度学习,对井漏事故进行有效预警,挖掘出VGG模型在工业应用上的价值,为井漏预测提供一种新的解决方案,实现简单,数据处理速度快、准确度高、成本低。
本发明的技术方案是:
1.一种基于深度学习的钻井井漏预测方法,其特征在于,包括以下步骤:
1)获取钻井生产运行数据;所获取的数据包含历史数据和实时数据,分为三个部分:模型训练数据、模型测试数据以及实时验证数据;
2)对获取的数据进行预处理,获取进行深度学习的样本数据;
3)特征提取和分类训练;采用VGG卷积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;
4)结果输出和结果确认:使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
2.所述步骤1)中,所述钻井生产运行数据包括活动池体积,立管压力,大钩负荷,大钩高度,扭矩,钻压,出口流量,以时间序列的形式给出;模型训练数据和模型测试数据已判断并标注是否发生井漏;实时验证数据未有是否发生井漏的标注。
3.所述步骤2)中,包括数据整理和数据清洗的步骤:
所述数据整理是指:对于模型训练数据和模型测试数据,按照一定长度的时间窗口分别截取正负样本,整理为固定长度的样本数据,之后,将得到的样本数据按照正负标签分类;
所述数据清洗是指:首先,剔除由于设备故障或者采集失败造成的异常点,并使用线性插值法填补缺失值;之后,对各变量做SG滤波,去除由于工艺以及采集设备的限制造成的数据上的噪音;最后,对整理过的数据做.Min-Max标准化,消除不同变量由于物理量纲不同造成的数值差异。
4.所述步骤3)中,进行特征提取时,首先利用ImageNet项目的公开数据集快速训练VGG卷积神经网络的卷积层参数,然后通过迁移学习,对全连接层的参数进行重新训练。
5.所述步骤3)中,对全连接层的参数进行重新训练时,将经过清洗后的样本数据按照钻井历史生产运行数据排列为S行×N列的样本数据矩阵,S为截取的时间窗口,N为钻井生产运行数据参数的数量,将样本数据矩阵通过双线性插值采样整理为244×244×3的工况特征矩阵,送入VGG-16模型中。
6.所述步骤3)中,包括特征降维的步骤:所述工况特征矩阵经过VGG-16模型卷积计算后,得到4096维特征维度,进入全连接层,利用随机失活层与全连接层,将特征维度由4096维映射到2维;按照层次,依次经过两个4096个神经元的全连接层的映射,生成1000个神经元,再直接映射至2个神经元的输出层。
7.所述步骤3)中,包括分类训练的步骤:使用Softmax作为分类器作井漏分类,进行0与1的二值判断;对比模型训练数据中所标注的标签,将输出的分类结果与真实标签之间的交叉熵作为模型训练的损失函数,根据损失函数的变化,更新、迭代模型参数进行训练,并使用模型测试数据检验模型的准确率;经过不断迭代,损失函数最终收敛,波动趋于平缓,此时认为模型的训练已完成。
8.一种基于深度学习的钻井井漏预测系统,其特征在于,包括钻井数据预处理模块、井漏预测模块、结果输出验证模块;所述钻井数据预处理模块用于将获取的钻井历史生产运行数据进行数据预处理,获得进行深度学习的样本数据;所述井漏预测模块用于对预处理后的样本数据采用VGG积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;所述结果输出验证模块用于使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
本发明的技术效果是:
本发明提出一种基于深度学习的钻井井漏预测系统及方法,采用VGG卷积神经网络模型进行深度学习,对井漏事故进行有效的预测,具有实现简单,数据处理速度快、预测精度高、成本低的优点,达到了应用的要求。
本发明基于深度学习的方法,采用VGG神经网络模型与迁移学习的技术,将VGG模型从1000分类的图像识别模型迁移为2分类的井漏预测模型,形成了包含数据清洗、数据预处理、特征提取、模型迭代的一套工作流程,挖掘出了VGG模型在工业应用上的价值,为井漏预测业务提供了一种新的解决方案。本发明避免了人为定义特征的步骤,只需要根据模型的判别效果给出反馈,即可形成模型的更新、迭代或者特化,拥有更好的灵活性与泛用性。
本发明的方法验证时,连续采集了某油田14口井大量数据,实验过程经过多次训练模型测试,平均准确率为96.24%,召回率为96.54%。
附图说明
图1是本发明的基于深度学习的钻井井漏预测方法实施流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
如图1所示,是本发明的基于深度学习的钻井井漏预测方法实施流程图。
一种基于深度学习的钻井井漏预测方法,包括以下步骤:
1)获取钻井生产运行数据:所获取的数据包含历史数据和实时数据,分为三个部分:模型训练数据、模型测试数据以及实时验证数据;
2)对获取的数据进行预处理,获取进行深度学习的样本数据;
3)特征提取和分类训练:采用VGG卷积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;
4)结果输出和结果确认:使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
步骤1)中,本实施例获取的钻井生产运行数据包括活动池体积,立管压力,大钩负荷,大钩高度,扭矩,钻压,出口流量,以时间序列的形式给出;模型训练数据和模型测试数据已判断并标注是否发生井漏;实时验证数据未有是否发生井漏的标注。
步骤2)中,包括数据整理和数据清洗的步骤:
数据整理是指:对于模型训练数据和模型测试数据,本实施例按照长度为600行数据的时间窗口别截取正负样本,整理为固定长度的样本数据,之后,将得到的样本数据按照正负标签分类保存。一般来说窗口的大小是根据数据波动的周期特性而定的,600行数据的采样时间窗口由业务经验确定,这个窗口下对井漏能有比较直观、全面的考察。由于工艺条件限制,传感器采集频度不一致,有些是3秒钟一条数据,有些是5秒钟一条数据,针对井漏判断一般要观察30-50分钟内数据,得到600行(条)数据,因此,取600行数据作为一个窗口,数据整理后的结果为600行N列的csv文件,列名包括序号,时间,活动池体积,立管压力,大钩负荷,大钩高度,扭矩,钻压,出口流量,井编号等等。
数据清洗是指:首先,剔除由于设备故障或者采集失败造成的异常点,并使用线性插值法填补缺失值;之后,使用长度为201行数据的滑窗对各变量做SG滤波,去除由于工艺以及采集设备的限制造成的数据上的噪音;SG滤波的滑窗大小由数据本身的波动情况确定(主要根据活动池体积变化的速率),而奇数是受到算法所需要的窗口大小为2m+1的条件约束;最后,对整理过的数据做Min-Max标准化,消除不同变量由于物理量纲不同造成的数值差异。数据清洗后,得到数值大小分布在区间[0,1]且去除一定噪声(含异常点)的干净样本数据集。
步骤3)中,进行特征提取时,采用VGG-16卷积神经网络模型,使用神经网络训练中的迁移学习技术,在原有学习参数的基础上,通过钻井数据的学习,将VGG-16卷积神经网络模型的全连接层的参数数据进行重新改写。一般而言,卷积神经网络中前几层的卷积层参数量占比小,计算量占比大;而后面的全连接层正好相反,大部分卷积神经网络都具有这个特点。因此我们在进行计算加速优化时,重点放在卷积层;进行参数优化、权值裁剪时,重点放在全连接层。对于井漏预测而言,我们利用公开数据集快速训练卷积神经网络的卷积层参数,随后再利用迁移学习方法对全连接层的参数重新训练,进行调整。
首先利用ImageNet项目的1000类图像数据集对VGG-16网络进行训练,得到VGG-16卷积神经网络模型的卷积层和全连接层的每一层神经元的权重参数。每个神经元有weight和bias(权重和偏置),输入x后,执行wx+b的运算,得到可以用于1000类图像分类的VGG-16神经网络模型。
得到由ImageNet训练出的VGG-16模型之后,冻结卷积层的参数,训练全连接层参数。将经过预处理后的钻井数据送入上述用于1000类图像分类的VGG-16模型中。对于每条模型训练数据,经过清洗后的样本数据按照活动池体积,立管压力,大钩负荷,大钩高度,扭矩,钻压,出口流量的列标签排列为600行×N列的样本数据矩阵,N为钻井生产运行数据参数的数量,将样本数据矩阵通过双线性插值采样整理为244×244×3的工况特征矩阵,并送入VGG模型中。
本发明的实施例中,使用了14口井的生产数据,共处理为正样本7903个与负样本16578个。在具体的实施上,我们将样本数据以矩阵形式处理为jpeg的256位3通道图片格式送入VGG-16网络,并截取全连接层部分依据井漏的标签进行迁移学习的训练。
经过VGG-16模型卷积计算后,得到4096维特征维度,进入全连接层,进行特征降维,利用随机失活层与全连接层,将特征向量由4096维编码映射到2维;按照层次,依次经过两个4096个神经元的全连接层的映射,生成1000个神经元,再直接映射至2个神经元的输出层,并在最后使用Softmax的作为分类器,对井漏分类进行二值判断(0与1)。对比模型训练数据中业务人员所标注的标签,使用模型输出的分类结果与真实标签之间的交叉熵作为模型训练的损失函数,根据损失函数的变化,更新、迭代模型参数进行训练,并使用模型测试数据检验模型的准确率。经过不断迭代,损失函数最终收敛,波动趋于平缓,此时认为模型的训练已完成。
相应的,一种基于深度学习的钻井井漏预测系统,包括钻井数据预处理模块、井漏预测模块、结果输出验证模块;钻井数据预处理模块用于将获取的钻井历史生产运行数据进行数据预处理,获得进行深度学习的样本数据;井漏预测模块用于对预处理后的样本数据采用VGG-16卷积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;结果输出验证模块用于使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均涵盖在本发明创造专利的保护范围当中。
Claims (8)
1.一种基于深度学习的钻井井漏预测方法,其特征在于,包括以下步骤:
1)获取钻井生产运行数据;所获取的数据包含历史数据和实时数据,分为三个部分:模型训练数据、模型测试数据以及实时验证数据;
2)对获取的数据进行预处理,获取进行深度学习的样本数据;
3)特征提取和分类训练;采用VGG卷积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;
4)结果输出和结果确认:使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
2.根据权利要求1所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤1)中,所述钻井生产运行数据包括活动池体积,立管压力,大钩负荷,大钩高度,扭矩,钻压,出口流量,以时间序列的形式给出;模型训练数据和模型测试数据已判断并标注是否发生井漏;实时验证数据未有是否发生井漏的标注。
3.根据权利要求1所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤2)中,包括数据整理和数据清洗的步骤:
所述数据整理是指:对于模型训练数据和模型测试数据,按照一定长度的时间窗口分别截取正负样本,整理为固定长度的样本数据,之后,将得到的样本数据按照正负标签分类;
所述数据清洗是指:首先,剔除由于设备故障或者采集失败造成的异常点,并使用线性插值法填补缺失值;之后,对各变量做SG滤波,去除由于工艺以及采集设备的限制造成的数据上的噪音;最后,对整理过的数据做.Min-Max标准化,消除不同变量由于物理量纲不同造成的数值差异。
4.根据权利要求1所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤3)中,进行特征提取时,首先利用ImageNet项目的公开数据集快速训练VGG卷积神经网络的卷积层参数,然后通过迁移学习,对全连接层的参数进行重新训练。
5.根据权利要求4所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤3)中,对全连接层的参数进行重新训练时,将经过清洗后的样本数据按照钻井历史生产运行数据排列为S行×N列的样本数据矩阵,S为截取的时间窗口,N为钻井生产运行数据参数的数量,将样本数据矩阵通过双线性插值采样整理为244×244×3的工况特征矩阵,送入VGG-16模型中。
6.根据权利要求5所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤3)中,包括特征降维的步骤:所述工况特征矩阵经过VGG-16模型卷积计算后,得到4096维特征维度,进入全连接层,利用随机失活层与全连接层,将特征维度由4096维映射到2维;按照层次,依次经过两个4096个神经元的全连接层的映射,生成1000个神经元,再直接映射至2个神经元的输出层。
7.根据权利要求6所述的基于深度学习的钻井井漏预测方法,其特征在于,所述步骤3)中,包括分类训练的步骤:使用Softmax作为分类器作井漏分类,进行0与1的二值判断;对比模型训练数据中所标注的标签,将输出的分类结果与真实标签之间的交叉熵作为模型训练的损失函数,根据损失函数的变化,更新、迭代模型参数进行训练,并使用模型测试数据检验模型的准确率;经过不断迭代,损失函数最终收敛,波动趋于平缓,此时认为模型的训练已完成。
8.一种基于深度学习的钻井井漏预测系统,其特征在于,包括钻井数据预处理模块、井漏预测模块、结果输出验证模块;所述钻井数据预处理模块用于将获取的钻井历史生产运行数据进行数据预处理,获得进行深度学习的样本数据;所述井漏预测模块用于对预处理后的样本数据采用VGG积神经网络模型进行深度学习,通过特征提取和分类训练,获得训练完成的钻井井漏预测模型;所述结果输出验证模块用于使用训练完成的钻井井漏预测模型对实时验证数据作验证,给出井漏判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850687.0A CN110766192B (zh) | 2019-09-10 | 2019-09-10 | 基于深度学习的钻井井漏预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850687.0A CN110766192B (zh) | 2019-09-10 | 2019-09-10 | 基于深度学习的钻井井漏预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766192A true CN110766192A (zh) | 2020-02-07 |
CN110766192B CN110766192B (zh) | 2022-09-09 |
Family
ID=69329842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910850687.0A Active CN110766192B (zh) | 2019-09-10 | 2019-09-10 | 基于深度学习的钻井井漏预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766192B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN113077091A (zh) * | 2021-04-09 | 2021-07-06 | 中国石油大学(北京) | 一种基于机器学习的漏速概率分布预测方法和系统 |
CN113191425A (zh) * | 2021-04-28 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 |
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113723838A (zh) * | 2021-09-02 | 2021-11-30 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
CN114562236A (zh) * | 2022-02-15 | 2022-05-31 | 中海油能源发展股份有限公司 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
CN114991746A (zh) * | 2021-11-23 | 2022-09-02 | 中国石油天然气集团有限公司 | 一种钻井工况智能标定方法和系统 |
CN115293462A (zh) * | 2022-10-08 | 2022-11-04 | 西南石油大学 | 一种基于深度学习的漏失通道尺寸范围预测方法 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN108268860A (zh) * | 2018-02-09 | 2018-07-10 | 重庆科技学院 | 一种基于卷积神经网络的天然气集输站设备图像分类方法 |
CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
CN109472285A (zh) * | 2018-09-29 | 2019-03-15 | 北京中油瑞飞信息技术有限责任公司 | 井漏识别方法、装置及计算机设备 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
US20190114544A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks |
CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
CN110175596A (zh) * | 2019-06-04 | 2019-08-27 | 重庆邮电大学 | 基于双流卷积神经网络的虚拟学习环境微表情识别与交互方法 |
-
2019
- 2019-09-10 CN CN201910850687.0A patent/CN110766192B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
US20190114544A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN108268860A (zh) * | 2018-02-09 | 2018-07-10 | 重庆科技学院 | 一种基于卷积神经网络的天然气集输站设备图像分类方法 |
CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
CN109472285A (zh) * | 2018-09-29 | 2019-03-15 | 北京中油瑞飞信息技术有限责任公司 | 井漏识别方法、装置及计算机设备 |
CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
CN110163302A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于正则化注意力卷积神经网络的示功图识别方法 |
CN110175596A (zh) * | 2019-06-04 | 2019-08-27 | 重庆邮电大学 | 基于双流卷积神经网络的虚拟学习环境微表情识别与交互方法 |
Non-Patent Citations (1)
Title |
---|
段友祥等: "油井工况智能监测与风险防控技术研究", 《计算机应用与软件》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111783945B (zh) * | 2020-06-22 | 2022-08-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN111738620B (zh) * | 2020-07-17 | 2020-12-25 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN113077091A (zh) * | 2021-04-09 | 2021-07-06 | 中国石油大学(北京) | 一种基于机器学习的漏速概率分布预测方法和系统 |
CN113077091B (zh) * | 2021-04-09 | 2024-04-23 | 中国石油大学(北京) | 一种基于机器学习的漏速概率分布预测方法和系统 |
CN113191425A (zh) * | 2021-04-28 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种泄漏点数据模型的建立方法、漏点识别方法、识别装置 |
CN113486595B (zh) * | 2021-07-23 | 2024-05-14 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113486595A (zh) * | 2021-07-23 | 2021-10-08 | 中海石油(中国)有限公司 | 一种井喷智能预警方法、系统、设备和存储介质 |
CN113723838A (zh) * | 2021-09-02 | 2021-11-30 | 西南石油大学 | 基于卷积神经网络的随钻安全风险智能识别方法 |
CN114991746B (zh) * | 2021-11-23 | 2024-01-19 | 中国石油天然气集团有限公司 | 一种钻井工况智能标定方法和系统 |
CN114991746A (zh) * | 2021-11-23 | 2022-09-02 | 中国石油天然气集团有限公司 | 一种钻井工况智能标定方法和系统 |
CN114526052A (zh) * | 2021-12-31 | 2022-05-24 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
CN114526052B (zh) * | 2021-12-31 | 2023-09-19 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
CN114492757B (zh) * | 2022-01-29 | 2023-11-10 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
CN114492757A (zh) * | 2022-01-29 | 2022-05-13 | 中国石油化工股份有限公司 | 模型训练方法、测井信息预测方法、装置和设备 |
CN114562236A (zh) * | 2022-02-15 | 2022-05-31 | 中海油能源发展股份有限公司 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
CN115293462A (zh) * | 2022-10-08 | 2022-11-04 | 西南石油大学 | 一种基于深度学习的漏失通道尺寸范围预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110766192B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766192B (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
US9280517B2 (en) | System and method for failure detection for artificial lift systems | |
CN109063308A (zh) | 一种基于深度量子学习的健康评估方法 | |
CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
CN112380274B (zh) | 一种面向控制过程的异常检测方法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN116227365B (zh) | 一种基于改进vmd-tcn的滑坡位移预测方法 | |
CN115795351A (zh) | 一种基于残差网络和2d特征表示的电梯大数据风险预警方法 | |
CN116383722A (zh) | 一种基于门控循环单元神经网络的压裂措施过程监控方法 | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
Pranesh et al. | Vibration-based brake health prediction using statistical features–A machine learning framework | |
CN117196350B (zh) | 一种矿山地质环境特征监测与恢复治理方法及系统 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
Yang et al. | A fault identification method for electric submersible pumps based on dae-svm | |
CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN111639609A (zh) | 基于机器视觉与深度学习的金属断口类型智能识别系统 | |
CN116665421A (zh) | 机械设备的预警处理方法、装置及计算机可读存储介质 | |
US11831527B2 (en) | Method for detecting anomalies in time series data produced by devices of an infrastructure in a network | |
CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
CN115423263A (zh) | 一种基于Prophet-LSTM的边坡风险预警及滑动体积预测方法 | |
Peng et al. | A temporal convolutional network based method for fault diagnosis of DEH system | |
CN114781450A (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
Lastra et al. | Computer Vision for Real-Time ESP Failure Detection and Diagnostics | |
CN108763728A (zh) | 基于并联型深度神经网络分层特征提取的机械故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |