CN111652253A - 一种基于大数据的井漏事故检测预警方法 - Google Patents
一种基于大数据的井漏事故检测预警方法 Download PDFInfo
- Publication number
- CN111652253A CN111652253A CN201910159676.8A CN201910159676A CN111652253A CN 111652253 A CN111652253 A CN 111652253A CN 201910159676 A CN201910159676 A CN 201910159676A CN 111652253 A CN111652253 A CN 111652253A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- accident detection
- warning method
- big data
- 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 51
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000005553 drilling Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于油气勘探监控预警技术领域,尤其涉及一种基于大数据的井漏事故检测预警方法。本发明提供了一种基于大数据的井漏事故检测预警方法,实现钻井工程异常自动检测,其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。
Description
技术领域
该发明属于油气勘探监控预警技术领域,尤其涉及一种基于大数据的井漏事故检测预警方法。
背景技术
在油田生产过程逐步现代化与智能化的背景下,钻井过程中的工程异常检测(尤其是井漏、卡钻、气体异常等)主要是基于专家系统对录井设备所采集的作业数据的分析。管理人员利用其生产经验与专业知识发现生产参数变化中的异常,对可能存在的异常工况进行人工判定。然而发明人发现,人工判别依赖于管理人员的业务经验与主观性,难以及时判别事故并采取处理措施,并且维护专家系统需要花费大量的人力财力,如何实现钻井工程异常的自动判别,成为本领域技术人员亟待解决的问题。
发明内容
本发明所要解决的技术问题在于提供一种基于大数据的井漏事故检测预警方法,实现钻井工程异常自动检测。
为解决上述技术问题,本发明采用了如下技术方案:
一种基于大数据的井漏事故检测预警方法,包括有如下步骤:
步骤一:分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理,得到原始数据;
步骤二:对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性;
步骤三:采用极端随机树模型作为学习模型,建立多个模型组合并基于多个弱分类器的结果进行投票选择,最终生成一个强分类器以处理步骤二所得井漏事故检测数据;
步骤四:采用交叉验证方法对步骤三所使用的学习模型进行调参,生成用于检测钻井工程异常的最终模型。
进一步的,所述步骤一可具体描述为:
将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80%的字段认定为无效数据并予以删除,对于其余缺失值采用插值的方法进行补充;
采用语料匹配的方法对管理人员记录的日志数据进行提取,生成形式为“井号,时间,事故类型”的结构化数据。
较为优选的,所述自动录井装置采集的业务参数中包括有出入口流量、立管压力。
较为优选的,所述管理人员记录的日志数据中包括有事故类型、事故时间。
进一步的,所述步骤二可具体描述为:
通过设定滑动窗口对原始数据进行移动,从而完成对原始数据的平滑处理;
采用主成分分析方法,判断原始数据中各数据字段的重要性。
进一步的,所述主成分分析方法可具体描述为:
(1)、将特征数据进行标准化:
(2)、计算协方差矩阵:
C=DX(DX)T/N;
(3)、将协方差矩阵进行特征分解:
C=UΛUT;
(4)、对特征值进行排序,确定各特征值所对应的数据字段的重要程度;得到前l个重要的数据字段为u1,u2,…,ul,l≤m。
优选的,所述极端随机树可具体描述为:
(1)、选择C4.5决策树作为基础分类模型,将N个训练样本作为每棵决策树的训练集;
(2)、对于每棵决策树,从m维特征空间中随机选取分割属性进行分类;
(3)、重复上述步骤,直至所有决策树无法生长;
(4)、利用所有决策树进行投票表决。
进一步的,所述步骤四可具体描述为:
采用交叉验证方法,结合大量的离线数据,确定学习模型中弱分类器的个数以及决策树分裂时选取的属性值,生成用于检测钻井工程异常的最终模型。
本发明提供了一种基于大数据的井漏事故检测预警方法,其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。
与现有技术相比,本发明具有以下优点和效果:
1、本发明在传统专家系统的基础上,充分利用录井设备采集的数据,利用机器学习算法挖掘生产参数与井漏事故之间的关系;
2、本发明最终生成的判别模型能够发现潜在的安全事故威胁,为事故预警系统提供数据支持,使管理人员能够在事故发生之前及时采取相应处理措施,降低甚至避免事故危害;
3、本发明发掘业务数据中的有效信息,井漏事故检测准确率高,领先与现有的人工判别,对生成数据的处理与特征重组;将机器学习所得知识与专家系统规则相结合。
附图说明
图1为本发明提供的一种基于大数据的井漏事故检测预警方法的流程示意图。
具体实施方式
本发明所要解决的技术问题在于提供一种基于大数据的井漏事故检测预警方法,实现钻井工程异常自动检测。
如图1所示,本发明提供了一种基于大数据的井漏事故检测预警方法,该检测预警方法包括有如下步骤:
步骤一:分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理,得到原始数据;其中,优选自动录井装置采集的业务参数中包括有出入口流量、立管压力;而管理人员记录的日志数据中包括有事故类型、事故时间。
值得注意的是,自动录井装置采集的业务参数属于结构化数据;而对每口井所录入的数据而言,其中拥有着相当多的字段,甚至包括有大量缺失或者无效数据,如不进行数据清洗则会影响最终生成模型的性能。因而,可对自动录井装置采集的业务参数进行如下预处理:将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80%的字段认定为无效数据并予以删除,对于其余缺失值采用插值的方法进行补充。
而对管理人员记录的日志数据则采用语料匹配的方法进行提取,生成形式为“井号,时间,事故类型”的结构化数据。例如,“l7-p44在5月20日11点30分发生井漏事故,持续5分钟”为日志中的一条记录,则将该记录转换为(l7-p44,05-2011:30-05-2011:35,井漏),达到钻井事故自动标注的目的。
步骤二:对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性;
具体的,由于原始生产数据的更新周期通常很短,会产生有大量的冗余数据,容易使学习模型产生过拟合;并且为了进一步提高模型的运行效率,需要首先对原始数据进行重采样。
而后,为防止设备采集数据中存在的噪音成分所导致的各个字段存在有不同程度的突变,需要对原始数据进行平滑处理。其中优选的,平滑处理可具体描述为:通过设定滑动窗口对原始数据进行移动,从而完成对原始数据的平滑处理。
最后,为了帮助管理人员更好地利用参数判断是否发生事故,采用主成分分析方法判断原始数据中各数据字段的重要性。具体的,所述主成分分析方法可具体描述为:
(1)、将特征数据进行标准化:
(2)、计算协方差矩阵:
C=DX(DX)T/N;
(3)、将协方差矩阵进行特征分解:
C=UΛUT;
(4)、对特征值进行排序,确定各特征值所对应的数据字段的重要程度;得到前l个重要的数据字段为u1,u2,…,ul,l≤m;即通过计算数据矩阵的协方差矩阵,并得到协方差矩阵的特征值与特征向量,特征值越大表明该特征越重要。
步骤三:采用极端随机树模型作为学习模型,建立多个模型组合并基于多个弱分类器的结果进行投票选择,最终生成一个强分类器以处理步骤二所得井漏事故检测数据;
井漏事故的检测在本质上属于多分类问题,即根据工程参数判断此时的工况是否存在井漏的可能性,以及可能性多大。而利用极端随机树模型作为学习模型属于集成学习,也就是说通过建立多个模型组合来解决该多分类问题。具体的,在处理步骤二所得井漏事故检测数据的过程中,极端随机树的具体实施步骤可描述为:
(1)、选择C4.5决策树作为基础分类模型,将N个训练样本作为每棵决策树的训练集;
(2)、对于每棵决策树,从m维特征空间中随机选取分割属性进行分类;
(3)、重复上述步骤,直至所有决策树无法生长;
(4)、利用所有决策树进行投票表决。
步骤四:采用交叉验证方法对步骤三所使用的学习模型进行调参,生成用于检测钻井工程异常的最终模型。
具体的,结合大量的离线数据,采用常用的交叉验证方法对学习模型进行调参,确定弱分类器的个数以及决策树分裂时选取的属性值,生成用于检测钻井工程异常的最终模型。
值得注意的是,由于异常工况检测可以抽象为一个多分类问题,因此可以采用多种机器学习算法作为该方法中的学习模型,例如神经网络、支持向量机、感知器、聚类方法等,每种方法都具有各自的特点与使用场合。根据仿真实验与效果对比,本方法采用的集成学习方法在检测准确度与运行效率上已经能够满足生产需要,随着硬件设备运行与网络传输速度的提高,深度学习可能成为更好的替代方案。
本发明提供了一种基于大数据的井漏事故检测预警方法,其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。
与现有技术相比,本发明具有以下优点和效果:
1、本发明在传统专家系统的基础上,充分利用录井设备采集的数据,利用机器学习算法挖掘生产参数与井漏事故之间的关系;
2、本发明最终生成的判别模型能够发现潜在的安全事故威胁,为事故预警系统提供数据支持,使管理人员能够在事故发生之前及时采取相应处理措施,降低甚至避免事故危害;
3、本发明发掘业务数据中的有效信息,井漏事故检测准确率高,领先与现有的人工判别,对生成数据的处理与特征重组;将机器学习所得知识与专家系统规则相结合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于大数据的井漏事故检测预警方法,其特征在于,包括有如下步骤:
步骤一:分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理,得到原始数据;
步骤二:对原始数据进行重采样和平滑处理,判断原始数据中各数据字段的重要性;
步骤三:采用极端随机树模型作为学习模型,建立多个模型组合并基于多个弱分类器的结果进行投票选择,最终生成一个强分类器以处理步骤二所得井漏事故检测数据;
步骤四:采用交叉验证方法对步骤三所使用的学习模型进行调参,生成用于检测钻井工程异常的最终模型。
2.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述步骤一可具体描述为:
将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80%的字段认定为无效数据并予以删除,对于其余缺失值采用插值的方法进行补充;
采用语料匹配的方法对管理人员记录的日志数据进行提取,生成形式为“井号,时间,事故类型”的结构化数据。
3.根据权利要求2所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述自动录井装置采集的业务参数中包括有出入口流量、立管压力。
4.根据权利要求2所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述管理人员记录的日志数据中包括有事故类型、事故时间。
5.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述步骤二可具体描述为:
通过设定滑动窗口对原始数据进行移动,从而完成对原始数据的平滑处理;
采用主成分分析方法,判断原始数据中各数据字段的重要性。
6.根据权利要求5所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述主成分分析方法可具体描述为:
(1)、将特征数据进行标准化:
(2)、计算协方差矩阵:
C=DX(DX)T/N;
(3)、将协方差矩阵进行特征分解:
C=UΛUT;
(4)、对特征值进行排序,确定各特征值所对应的数据字段的重要程度;得到前l个重要的数据字段为u1,u2,…,ul,l≤m。
7.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述极端随机树可具体描述为:
(1)、选择C4.5决策树作为基础分类模型,将N个训练样本作为每棵决策树的训练集;
(2)、对于每棵决策树,从m维特征空间中随机选取分割属性进行分类;
(3)、重复上述步骤,直至所有决策树无法生长;
(4)、利用所有决策树进行投票表决。
8.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法,其特征在于,所述步骤四可具体描述为:
采用交叉验证方法,结合大量的离线数据,确定学习模型中弱分类器的个数以及决策树分裂时选取的属性值,生成用于检测钻井工程异常的最终模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159676.8A CN111652253A (zh) | 2019-03-04 | 2019-03-04 | 一种基于大数据的井漏事故检测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159676.8A CN111652253A (zh) | 2019-03-04 | 2019-03-04 | 一种基于大数据的井漏事故检测预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652253A true CN111652253A (zh) | 2020-09-11 |
Family
ID=72346187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159676.8A Pending CN111652253A (zh) | 2019-03-04 | 2019-03-04 | 一种基于大数据的井漏事故检测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652253A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113592039A (zh) * | 2021-09-02 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种模型主键的预测方法和装置 |
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 |
CN114726749A (zh) * | 2022-03-02 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 数据异常检测模型获取方法、装置、设备、介质及产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
-
2019
- 2019-03-04 CN CN201910159676.8A patent/CN111652253A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388921A (zh) * | 2018-03-05 | 2018-08-10 | 中国石油集团工程技术研究院有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
刘强 等: "《岩体质量分类的PCA-RF模型及应用》", 《黄金科学技术》 * |
李广 等: "《基于随机森林的钻井工程预警研究》", 《第四届中国石油工业录井技术交流会》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113592039A (zh) * | 2021-09-02 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 一种模型主键的预测方法和装置 |
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 |
CN114726749A (zh) * | 2022-03-02 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 数据异常检测模型获取方法、装置、设备、介质及产品 |
CN114726749B (zh) * | 2022-03-02 | 2023-10-31 | 阿里巴巴(中国)有限公司 | 数据异常检测模型获取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652253A (zh) | 一种基于大数据的井漏事故检测预警方法 | |
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN113657545B (zh) | 用户业务数据的处理方法、装置、设备及存储介质 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN108768946B (zh) | 一种基于随机森林算法的网络入侵检测方法 | |
CN108629413A (zh) | 神经网络模型训练、交易行为风险识别方法及装置 | |
CN109218223B (zh) | 一种基于主动学习的鲁棒性网络流量分类方法及系统 | |
CN109639734B (zh) | 一种具有计算资源自适应性的异常流量检测方法 | |
CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
CN111915418A (zh) | 一种互联网金融欺诈行为在线检测方法及其装置 | |
CN112733146B (zh) | 基于机器学习的渗透测试方法、装置、设备及存储介质 | |
CN109594967A (zh) | 一种基于录井大数据的卡钻事故检测预警方法 | |
CN114553591B (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
CN111428701B (zh) | 小面积指纹图像特征提取方法、系统、终端及存储介质 | |
CN111191720B (zh) | 一种业务场景的识别方法、装置及电子设备 | |
EP2909656A2 (en) | System, method and computer program product for multivariate statistical validation of well treatment and stimulation data | |
CN105354583B (zh) | 基于局部均值的不平衡数据分类方法 | |
CN110348510B (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 | |
CN117453764A (zh) | 一种数据挖掘分析方法 | |
CN111626377A (zh) | 一种岩相识别方法、装置、设备及存储介质 | |
CN116226693A (zh) | 基于密度峰值聚类的高斯混合模型核电运行工况划分方法 | |
CN115510248A (zh) | 基于深度学习的人员行为特征知识图谱构建与分析方法 | |
Silva et al. | Classifying feature models maintainability based on machine learning algorithms | |
CN109829500B (zh) | 一种职位构图和自动聚类方法 | |
CN113722230A (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 |
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 |