CN111191836A - 一种井漏预测方法、装置及设备 - Google Patents
一种井漏预测方法、装置及设备 Download PDFInfo
- Publication number
- CN111191836A CN111191836A CN201911379528.3A CN201911379528A CN111191836A CN 111191836 A CN111191836 A CN 111191836A CN 201911379528 A CN201911379528 A CN 201911379528A CN 111191836 A CN111191836 A CN 111191836A
- Authority
- CN
- China
- Prior art keywords
- data
- predicted
- similarity
- historical data
- piece
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 106
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101150009249 MAP2 gene Proteins 0.000 description 1
- 101100456045 Schizosaccharomyces pombe (strain 972 / ATCC 24843) map3 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本申请公开一种井漏预测方法、装置及设备,所述方法包括:获取待预测数据;待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;将待预测数据输入至第一特征提取模型中,经过处理后得到待预测数据的第一特征向量;第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;基于待预测数据的第一特征向量与每条历史数据的第一特征向量,分别计算待预测数据与每条历史数据之间的第一相似度;基于第一相似度最高的前N条历史数据分别对应的标签,确定待预测数据对应的井漏预测结果。与现有的人工预测井漏的方式相比,本申请能够提高井漏预测的效率和准确性。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种井漏预测方法、装置及设备。
背景技术
钻井本身是一项耗资巨大、风险性强的系统工程,钻井新技术的应用,在带来巨大经济效益的同时也增加了新的风险,钻井工程事故时有发生,轻者耗费大量人力、财力和时间,严重者将导致油气资源的浪费和油气井的废弃。每年钻探施工中事故处理时间已经占到总时间的6~8%,造成了巨额的工时和资金浪费,严重地影响了石油勘探的经济效益和社会效益。
井漏事故在各项钻井事故中发生频繁且贯穿于整个钻井生命周期,如何及时、准确地掌握地层、钻井工艺、泥浆性能等各种信息的异常变化,做到对井漏异常情况的早期发现和预警,采取正确有效的处理措施,避免事故的发生,成为各大钻井平台关心的首要问题。
目前,井漏预测方法主要基于专家经验预测,它要求操作人员能够仔细观察和了解工程等各方面参数的变化趋势,然后依靠丰富的经验对井漏的发生进行预测。显然,上述人工预测井漏的方式对操作人员的要求较高,且对井漏预测的准确性很难保证。
发明内容
有鉴于此,本申请提供了一种井漏预测方法,能够自动化的实现井漏预测,相比人工预测井漏的方式,提高了井漏预测的效率和准确性。
第一方面,为实现上述发明目的,本申请提供了一种井漏预测方法,所述方法包括:
获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度;
基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
一种可选的实施方式中,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果之前,还包括:
将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到;以及,基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度;
和\或,
基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量;以及,基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度;
相应的,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果,包括:
基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度;
基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
一种可选的实施方式中,所述基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量,包括:
计算所述待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值;
利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
一种可选的实施方式中,所述基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度,包括:
分别为所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度设置权重值;
基于所述权重值,确定所述待预测数据与每条历史数据之间的综合相似度。
一种可选的实施方式中,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果之前,还包括:
获取所述历史数据中发生井漏事件的总数量;
将所述总数量确定为N的取值。
第二方面,本申请还提供了一种井漏预测装置,所述装置包括:
获取模型,用于获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
第一处理模块,用于将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
第一计算模块,用于基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度;
第一确定模块,用于基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
一种可选的实施方式中,所述装置还包括:
第二处理模块,用于将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到;
以及,第二计算模块,用于基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度;
和\或,
第二确定模块,用于基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量;
以及,第三计算模块,用于基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度;
相应的,所述第一确定模块,包括:
第一确定子模块,用于基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度;
第二确定子模块,用于基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
一种可选的实施方式中,所述第二确定模块,包括:
计算子模块,用于计算所述待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值;
构成子模块,用于利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
第三方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现上述任一项所述的方法。
第四方面,本申请提供了一种设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述任一项所述的方法。
本申请提供的井漏预测方法中,以历史数据作为依据,通过将待预测数据与其进行比较,最终确定待预测数据对应的井漏预测结果。另外,本申请利用神经网络模型提取待预测数据的特征向量,基于特征向量将待预测数据与历史数据进行比较,得到井漏预测结果。与人工预测井漏的方式相比,本申请能够提高井漏预测的效率和准确性。
进一步的,本申请还可以结合第一相似度、第二相似度和第三相似度,确定待预测数据对应的井漏预测结果,因此,本申请能够进一步提高待预测数据对应的井漏预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种井漏预测方法的流程图;
图2为本申请实施例提供的另一种井漏预测方法的流程图;
图3为本申请实施例提供的另一种井漏预测方法的流程图;
图4为本申请实施例提供的一种井漏预测装置的结构示意图;
图5为本申请实施例提供的一种井漏预测设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
由于井漏事故在各项钻井事故中发生频繁且贯穿于整个钻井生命周期,如何及时准确地对井漏事故进行预警,以便采取正确有效的处理措施,避免事故的发生,成为各大钻井平台关心的首要问题。
为此,本申请提供了一种井漏预测方法,具体的,利用钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个构成待预测数据,利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到第一特征提取模型,然后利用第一特征提取模型对待预测数据进行处理,得到待预测数据的第一特征向量,并基于待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算待预测数据与每条历史数据之间的第一相似度,最终,基于第一相似度最高的前N条历史数据分别对应的标签,确定待预测数据对应的井漏预测结果。
本申请提供的井漏预测方法,以历史数据作为依据,通过将待预测数据与其进行比较,最终确定待预测数据对应的井漏预测结果。另外,本申请利用神经网络模型提取待预测数据的特征向量,基于特征向量将待预测数据与历史数据进行比较,得到井漏预测结果。与人工预测井漏的方式相比,本申请能够提高井漏预测的效率和准确性。
以下本申请提供了一种井漏预测方法,参考图1,为本申请实施例提供的一种井漏预测方法的流程图,所述方法包括:
S101:获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个。
实际应用中,以预设频率采集钻井中与井漏事故相关的信息,通常包括钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩等信息。基于最新采集到的钻井中与井漏事故相关的信息,确定待预测数据,用于对井漏进行预测。
本申请实施例中的待预测数据至少包括钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的两种,但是由于数据越丰富,对井漏预测的结果越准确,因此,本申请实施例确定的待预测数据可以包括钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩,作为对井漏预测的数据。
S102:将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到。
本申请实施例中,第一特征提取模型利用非对称卷积神经网络模型实现,具体的,利用具有标签的历史数据对其进行训练,得到经过训练的第一特征提取模型。
在对第一特征提取模型进行训练之前,首先基于具有标签的历史数据构建训练样本。具体的,历史数据由正常事件与井漏事件组成,每个事件也包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个。可以理解的时,训练样本的维度与待预测数据的维度相同。因此,将每条具有标签的历史数据作为训练样本,用于对第一特征提取模型进行训练。
假设历史数据中每个事件的时间跨度为15min,采样频率为秒,由于传感器中包含大量的噪声信号,因此,为了减少噪声对系统的影响,可以对历史数据进行均值化处理,即每个上采样频率时间段内计算历史数据的均值,假设上采样频率为6s,则基于历史数据确定的训练样本包含1*15*60/6=150个数据点。其中,每个数据点具有5个维度,即入口流量、出口流量、总池体积、立管压力和钻头扭矩,因此,每个训练样本的数据维度为150*5(H*W)。
在基于历史数据构建训练样本之后,利用训练样本对第一特征提取模型进行训练,得到经过训练的第一特征提取模型,用于对待预测数据进行井漏预测。
由于每个训练样本的数据是二维的,可以将每个训练样本作为单通道的图片进行处理,由于该图片维度的高度不对称性,即高150远大于宽5,所以设计了非对称的卷积核,即卷积核的高度和宽度不相同的模型,用于处理该类型的图片。
一种可选的实施方式中,本申请实施例构建的非对称卷积神经网络模型可以包含5层,其中,输入层与特征图Feature Map2使用了非对称的卷积核,特征图Feature Map3与输出层使用的是全连接,激活函数为sigmoid,用于输出二分类的概率,其中,本申请实施例构建的非对称卷积神经网络模型的具体参数可参见如下表1。
表1
实际应用中,在基于上述表1中的参数构建非对称卷积神经网络模型之后,利用基于历史数据构建的训练样本对该非对称卷积神经网络模型进行训练,得到第一特征提取模型。具体的,利用每个数据样本在训练过程中由特征图feature map3产生的特征向量作为该训练样本对应的历史数据的第一特征向量,分别将每条历史数据的第一特征向量进行保存,用于后续计算历史数据与待预测数据的相似度。
另外,本申请实施例可以采用focal loss方法克服正负样本比例不均衡所带来的网络难以训练的问题。
S103:基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度。
实际应用中,可以在基于历史数据训练第一特征提取模型的过程中,获取每条历史数据的第一特征向量;也可以利用经过训练的第一特征提取模型对每条历史数据进行处理,得到每条历史数据的第一特征向量。
本申请实施例中,在得到待预测数据的第一特征向量和每条历史数据分别对应的第一特征向量之后,基于第一特征向量分别计算待预测数据与每条历史数据之间的第一相似度。
一种可选的实施方式中,可以基于第一特征向量,分别计算待预测数据与每条历史数据之间的余弦相似度,作为第一相似度,具体公式(1)如下:
simcnn=cos(predictcnn,xcnn) (1)
其中,simcnn表示第一相似度,predictcnn表示待预测数据的第一特征向量,xcnn表示任一条历史数据的第一特征向量。
S104:基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
本申请实施例中,在计算得到待预测数据与每条历史数据之间的第一相似度之后,按照第一相似度由大到小的顺序对历史数据进行排序,获取第一相似度最高的前N条历史数据分别对应的标签,确定待预测数据对应的井漏预测结果。
由于与待预测数据相似度越高的历史数据的标签,越能够代表待预测数据的井漏预测结果,因此,本申请实施例可以基于第一相似度最高的前N条历史数据分别对应的标签确定待预测数据对应的井漏预测结果。其中,历史数据的标签是指该历史数据中是否发生井漏事件,可以将发生井漏事件的历史数据的标签设置为1,未发生井漏事件的历史数据的标签设置为0。
一种可选的实施方式中,计算第一相似度最高的前N条历史数据分别对应的标签的平均值,如果该平均值大于0.5,则确定待预测数据对应的井漏预测结果为预测发生井漏,且该平均值越接近于1,说明发生井漏的概率越大;如果该平均值不大于0.5,则确定该待预测数据对应的井漏预测结果为预测不发生井漏,且该平均值越接近于0,说明发生井漏的概率越小。
另一种可选的实施方式中,可以统计第一相似度最高的前N条历史数据分别对应的标签中0和1的数量,并基于数量多的标签确定待预测数据对应的井漏预测结果。
另外,由于历史数据中正负样本数量的不均衡性,正常事件的样本数量远大于井漏事件的样本数量,因此,如果上述N值设定过大,会导致第一相似度最高的前N条历史数据中包含有大量的正常事件,从而导致井漏预测结果接近0,即恒为正常事件;而如果上述N值设定过小,会导致井漏预测结果带有较强的随机性,不具有统计学意义。为了解决上述问题,本申请实施例将上述N值设定为历史数据中发生井漏事件的数量,以尽量避免N值过大或过小所带来的问题。
本申请实施例提供的井漏预测方法中,以历史数据作为依据,通过将待预测数据与其进行比较,最终确定待预测数据对应的井漏预测结果。另外,本申请利用神经网络模型提取待预测数据的特征向量,基于特征向量将待预测数据与历史数据进行比较,得到井漏预测结果。与人工预测井漏的方式相比,本申请能够提高井漏预测的效率和准确性。
为了进一步的提高井漏预测结果的准确性,本申请实施例还可以利用由自编码器实现的第二特征提取模型对待预测数据进行处理,结合由非对称卷积神经网络模型实现的第一特征提取模型的处理结果,最终得到的井漏预测结果,能够进一步提高预测的准确性。
参考图2,为本申请实施例提供的另一种井漏预测方法,该方法包括:
S201:获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
S202:将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
S203:基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度。
对于S201-S203可参照上述实施例中的S101-S103进行理解,在此不再赘述。
S204:将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到。
本申请实施例中,在获取到待预测数据之后,将待预测数据输入至第二特征提取模型中,经过处理后输出待预测数据的第二特征向量。
一种可选的实施方式中,可以利用自编码器实现第二特征提取模型,具体的,为了区分各个特征间的表达,提高预测效果,本申请实施例可以利用单独的自编码器分别对待预测数据中每个维度的数据进行处理,得到该维度对应的第二特征向量。假设待预测数据包括入口流量、出口流量、总池体积、立管压力和钻头扭矩5个维度的数据,可以利用5个自编码器分别实现5个第二特征提取模型,分别用于处理每个维度的数据,输出每个维度对应的第二特诊向量。
在利用每个第二特征提取模型对每个维度的数据进行处理之前,首先利用具有标签的历史数据对其进行训练,得到经过训练的第二特征提取模型。在对每个第二特征提取模型进行训练之前,首先基于历史数据构建训练样本。具体的,假设待预测数据包括入口流量、出口流量、总池体积、立管压力和钻头扭矩5个维度的数据,每个维度的训练样本包括150*1个数据点。在利用每个维度的训练样本对对应维度的自编码器进行训练,得到对应的第二特征提取模型。
一种可选的实施方式中,每个自编码器可以由三层组成,包括输入层inputlayer、隐藏层hidden layer与输出层output layer。假设训练样本包含150*1个数据点,可以将每个自编码器中设置的输入层神经元数量为150,同时设置隐藏层的神经元数量小于输入层的神经元数量,以达到信号压缩的目的。其中,隐藏层的神经元数量可以采用随机搜索的方法确定,输出层的神经元数量与输入层的神经元数量一致,均设置为150。
本申请实施例中,将待预测数据中每个维度的数据分别输入至对应的第二特征提取模型中,得到该维度对应的第二特征向量。
值得注意的是,本申请实施例对于S202和S204的执行顺序不作限制。
S205:基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度。
实际应用中,可以在基于历史数据训练第一特征提取模型的过程中,获取每条历史数据的第二特征向量;也可以利用经过训练的第二特征提取模型对每条历史数据进行处理,得到每条历史数据的第二特征向量。
本申请实施例中,基于待预测数据的每个维度的第二特征向量与每条历史数据的对应维度的第二特征向量,计算在该维度下待预测数据与每条历史数据之间的第二相似度,然后,综合各个维度下的第二相似度,确定待预测数据与每条历史数据之间的第二相似度。
假设以入口流量的维度为例,通过入口流量的维度对应的第二特征提取模型,提取待预测数据中的入口流程的第二特征向量,并基于第二特征向量,计算在入口流量的维度下,待预测数据与每条历史数据的第二相似度。依照上述方式,分别计算在出口流量、总池体积、立管压力和钻头扭矩维度下,待预测数据与每条历史数据的第二相似度。然后,分别为各个维度下的第二相似度设置权重值,基于权重值计算综合各个维度后的待预测数据与每条历史数据的第二相似度。
一种可选的实施方式中,可以基于需求为入口流量、出口流量、总池体积、立管压力和钻头扭矩5个维度的第二相似度分别设置权重值。例如,某些应用场景中出口流量和总池体积的变化可能更能够表现出井漏的特征,因此,可以为出口流量和总池体积设置的权重值大于为入口流量、立管压力和钻头扭矩。设置的权重值。本申请实施例不限制为各个维度的第二相似度分别设置权重值的方式。
S206:基于所述第一相似度和所述第二相似度,确定所述待预测数据与每条历史数据之间的综合相似度。
本申请实施例中,在得到待预测数据与每条历史数据之间的第一相似度和第二相似度之后,分别为第一相似度和第二相似度设置权重值,基于权重值,确定待预测数据与每条历史数据之间的综合相似度。
一种可选的实施方式中,由于第一相似度是利用非对称卷积神经网络模型得到的,而第二相似度是利用自编码器得到的,本申请实施例可以基于对非对称卷积神经网络模型和自编码器的信任程度,分别为第一相似度和第二相似度设置权重值,其中,信任程度越高,对应的相似度的权重值设置的越大。
S207:基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
本申请实施例中,基于结合第一相似度和第二相似度确定的综合相似度,确定待预测数据对应的井漏预测结果。与上述实施例相比,本申请实施例能够进一步的提高井漏预测结果的准确性。
由于在井漏事故发生时,钻井的总池体积和出口流量的数值会在短时间内发生迅速的下降,因此,本申请实施例还可以基于该特征对井漏预测。具体的,本申请实施例可以在此基础上结合上述实施例中的第一相似性和第二相似性,确定待预测数据对应的井漏预测结果,进一步的提高了预测的准确性。
参考图3,为本申请实施例提供的另一种井漏预测方法的流程图,该方法包括:
S301:获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
S302:将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
S303:基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度。
S304:将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到。
S305:基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度。
对于S301-S305可参照上述实施例中的S101-S103和S204-S205进行理解,在此不再赘述。
S306:基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量。
由于在井漏事故发生时,钻井的总池体积和出口流量的数值会在短时间内发生迅速的下降,因此,通过计算待预测数据中出口流量的斜率值可以体现钻井的出口流量在短时间内是否发生迅速的下降,通过计算待预测数据中总池体积的斜率值可以体现钻井的总池体积在短时间内是否发生迅速的下降。
具体的,计算待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值,然后,利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
值得注意的是,本申请实施例对于S302、S304和S306的执行顺序不作限制。
S307:基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度。
通过上述方式,可以获取到每条历史数据的斜率向量,然后基于斜率向量,分别计算待预测数据与每条历史数据之间的第三相似度。具体的,可以利用余弦相似度的计算公式,基于待预测数据的斜率向量和每条历史数据的斜率向量,计算待预测数据与每条历史数据之间的第三相似度。本申请实施例对于第三相似度的计算方式不做限定。
一种可选的实施方式中,可以结合所述第一相似度和所述第三相似度,确定所述待预测数据与每条历史数据之间的综合相似度。最终,基于综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
S308:基于第一相似度、第二相似度和第三相似度,确定所述待预测数据与每条历史数据之间的综合相似度。
为了进一步提高待预测数据对应的井漏预测结果的准确性,本申请实施例结合第一相似度、第二相似度和第三相似度,确定所述待预测数据与每条历史数据之间的综合相似度。
具体的,可以分别为第一相似度、第二相似度和第三相似度设置权重值,基于权重值,确定待预测数据与每条历史数据之间的综合相似度。
一种可选的实施方式中,由于第一相似度是利用非对称卷积神经网络模型得到的,而第二相似度是利用自编码器得到的,第三相似度是利用斜率计算的方式得到的,本申请实施例可以基于对非对称卷积神经网络模型、自编码器和斜率计算的信任程度,分别为第一相似度、第二相似度和第三相似度设置权重值,其中,信任程度越高,对应的相似度的权重值设置的越大。
S309:基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
由于本申请实施例结合第一相似度、第二相似度和第三相似度,确定待预测数据对应的井漏预测结果,因此,本申请实施例能够进一步提高待预测数据对应的井漏预测结果的准确性。
与上述方法实施方式相对应的,本申请还提供了一种井漏预测装置,参考图4,为本申请实施例提供的一种井漏预测装置的结构示意图,所述装置包括:
获取模型401,用于获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
第一处理模块402,用于将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
第一计算模块403,用于基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度;
第一确定模块404,用于基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
一种可选的实施方式中,所述装置还包括:
第二处理模块,用于将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到;
以及,第二计算模块,用于基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度;
和\或,
第二确定模块,用于基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量;
第三计算模块,用于基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度;
相应的,第一确定模块,包括:
第一确定子模块,用于基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度;
第二确定子模块,用于基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
另一种可选的实施方式中,所述第二确定模块,包括:
计算子模块,用于计算所述待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值;
构成子模块,用于利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
本申请实施例提供的井漏预测装置中,以历史数据作为依据,通过将待预测数据与其进行比较,最终确定待预测数据对应的井漏预测结果。另外,本申请利用神经网络模型提取待预测数据的特征向量,基于特征向量将待预测数据与历史数据进行比较,得到井漏预测结果。与人工预测井漏的方式相比,本申请能够提高井漏预测的效率和准确性。
进一步的,本申请实施例结合第一相似度、第二相似度和第三相似度,确定待预测数据对应的井漏预测结果,能够进一步提高待预测数据对应的井漏预测结果。
另外,本申请实施例还提供了一种井漏预测设备,参见图5所示,可以包括:
处理器501、存储器502、输入装置503和输出装置504。井漏预测设备中的处理器501的数量可以一个或多个,图5中以一个处理器为例。在本发明的一些实施例中,处理器501、存储器502、输入装置503和输出装置504可通过总线或其它方式连接,其中,图5中以通过总线连接为例。
存储器502可用于存储软件程序以及模块,处理器501通过运行存储在存储器502的软件程序以及模块,从而执行井漏预测设备的各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置503可用于接收输入的数字或字符信息,以及产生与井漏预测设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中,处理器501会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中,并由处理器501来运行存储在存储器502中的应用程序,从而实现上述井漏预测设备的各种功能。
另外,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现井漏预测功能。
可以理解的是,对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种井漏预测方法、装置及设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种井漏预测方法,其特征在于,所述方法包括:
获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度;
基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果之前,还包括:
将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到;以及,基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度;
和\或,
基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量;以及,基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度;
相应的,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果,包括:
基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度;
基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量,包括:
计算所述待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值;
利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度,包括:
分别为所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度设置权重值;
基于所述权重值,确定所述待预测数据与每条历史数据之间的综合相似度。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果之前,还包括:
获取所述历史数据中发生井漏事件的总数量;
将所述总数量确定为N的取值。
6.一种井漏预测装置,其特征在于,所述装置包括:
获取模型,用于获取待预测数据;其中,所述待预测数据包括任一钻井的入口流量、出口流量、总池体积、立管压力和钻头扭矩中的至少两个;
第一处理模块,用于将所述待预测数据输入至第一特征提取模型中,经过所述第一特征提取模型的处理后,得到所述待预测数据的第一特征向量;其中,所述第一特征提取模型为利用具有标签的历史数据对非对称卷积神经网络模型进行训练得到;
第一计算模块,用于基于所述待预测数据的第一特征向量与预先获取的每条历史数据的第一特征向量,分别计算所述待预测数据与每条历史数据之间的第一相似度;
第一确定模块,用于基于所述第一相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二处理模块,用于将所述待预测数据输入至第二特征提取模型中,经过所述第二特征提取模型的处理后,得到所述待预测数据的第二特征向量;其中,所述第二特征提取模型为利用具有标签的历史数据对自编码器进行训练得到;
以及,第二计算模块,用于基于所述待预测数据的第二特征向量与预先获取的每条历史数据的第二特征向量,分别计算所述待预测数据与每条历史数据之间的第二相似度;
和\或,
第二确定模块,用于基于所述待预测数据中的所述出口流量和所述总池体积,确定所述待预测数据的斜率向量;
以及,第三计算模块,用于基于所述待预测数据的斜率向量与预先获取的每条历史数据的斜率向量,分别计算所述待预测数据与每条历史数据之间的第三相似度;
相应的,所述第一确定模块,包括:
第一确定子模块,用于基于所述第二相似度和所述第三相似度中的至少一个以及所述第一相似度,确定所述待预测数据与每条历史数据之间的综合相似度;
第二确定子模块,用于基于所述综合相似度最高的前N条历史数据分别对应的标签,确定所述待预测数据对应的井漏预测结果。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块,包括:
计算子模块,用于计算所述待预测数据中的所述出口流量的斜率值以及所述总池体积的斜率值;
构成子模块,用于利用所述出口流量的斜率值和所述总池体积的斜率值,构成所述待预测数据的斜率向量。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现如权利要求1-5任一项所述的方法。
10.一种设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379528.3A CN111191836A (zh) | 2019-12-27 | 2019-12-27 | 一种井漏预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379528.3A CN111191836A (zh) | 2019-12-27 | 2019-12-27 | 一种井漏预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191836A true CN111191836A (zh) | 2020-05-22 |
Family
ID=70707653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911379528.3A Pending CN111191836A (zh) | 2019-12-27 | 2019-12-27 | 一种井漏预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191836A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113268803A (zh) * | 2021-06-08 | 2021-08-17 | 中国石油大学(北京) | 钻井溢流诊断模型的生成方法、钻井溢流诊断方法及装置 |
CN113556253A (zh) * | 2021-07-30 | 2021-10-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105939524A (zh) * | 2016-06-21 | 2016-09-14 | 南京大学 | 一种无线传感器网络节点事件实时预测方法 |
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和装置 |
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 |
CN109816554A (zh) * | 2019-01-24 | 2019-05-28 | 电子科技大学 | 基于灰色关联度的电网投资预测指标选择方法 |
-
2019
- 2019-12-27 CN CN201911379528.3A patent/CN111191836A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN105939524A (zh) * | 2016-06-21 | 2016-09-14 | 南京大学 | 一种无线传感器网络节点事件实时预测方法 |
CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和装置 |
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 |
CN109816554A (zh) * | 2019-01-24 | 2019-05-28 | 电子科技大学 | 基于灰色关联度的电网投资预测指标选择方法 |
Non-Patent Citations (5)
Title |
---|
方兴林: "基于字符笔画斜率特征的车牌识别算法研究", 重庆工商大学学报(自然科学版), vol. 31, no. 09, pages 72 - 76 * |
樊重俊 等: "《大数据分析与应用》", 31 January 2016, 立信会计出版社, pages: 199 - 201 * |
袁本福 等: "钻井井漏风险实时监测与诊断系统设计", 《天然气技术与经济》 * |
袁本福 等: "钻井井漏风险实时监测与诊断系统设计", 《天然气技术与经济》, vol. 7, no. 01, 28 February 2013 (2013-02-28), pages 46 - 48 * |
马建红 等: "基于自动编码器的句子语义特征提取及相似度计算", 郑州大学学报(理学版), vol. 50, no. 02, pages 86 - 91 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN113775327B (zh) * | 2020-06-05 | 2024-04-09 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
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 |
CN113268803A (zh) * | 2021-06-08 | 2021-08-17 | 中国石油大学(北京) | 钻井溢流诊断模型的生成方法、钻井溢流诊断方法及装置 |
CN113268803B (zh) * | 2021-06-08 | 2022-11-29 | 中国石油大学(北京) | 钻井溢流诊断模型的生成方法、钻井溢流诊断方法及装置 |
CN113556253A (zh) * | 2021-07-30 | 2021-10-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
CN113556253B (zh) * | 2021-07-30 | 2023-05-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191836A (zh) | 一种井漏预测方法、装置及设备 | |
US20190019111A1 (en) | Benchmark test method and device for supervised learning algorithm in distributed environment | |
CN109933984B (zh) | 一种最佳聚类结果筛选方法、装置和电子设备 | |
CN108491302B (zh) | 一种检测spark集群节点状态的方法 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN105119744B (zh) | 用户标识的关联关系判断方法和装置 | |
CN112214768A (zh) | 一种恶意进程的检测方法及装置 | |
CN113543117A (zh) | 携号转网用户的预测方法、装置及计算设备 | |
Hussain et al. | Analyzing the performance of smart industry 4.0 applications on cloud computing systems | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN109409091B (zh) | 检测Web页面的方法、装置、设备以及计算机存储介质 | |
CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
CN108133234B (zh) | 基于稀疏子集选择算法的社区检测方法、装置及设备 | |
CN111368837A (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
CN113781469A (zh) | 基于yolo改进模型的安全头盔佩戴检测的方法及系统 | |
CN113191888A (zh) | 催收评分方法及装置 | |
CN117112445B (zh) | 一种机器学习模型稳定性检测方法、装置、设备及介质 | |
Hoffmann et al. | Embedding Anomaly Detection Autoencoders for Wind Turbines | |
CN112148764B (zh) | 特征的筛选方法、装置、设备和存储介质 | |
CN116680602A (zh) | 磁盘故障预测方法及其装置、电子设备及存储介质 | |
CN116431973A (zh) | 一种水质变化趋势的确定方法、装置、设备和介质 | |
CN113673595A (zh) | 一种数据处理方法、装置及设备 |
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 |