CN111737914B - 油井掺水流量的测量方法及装置、电子设备和存储介质 - Google Patents
油井掺水流量的测量方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111737914B CN111737914B CN202010545559.8A CN202010545559A CN111737914B CN 111737914 B CN111737914 B CN 111737914B CN 202010545559 A CN202010545559 A CN 202010545559A CN 111737914 B CN111737914 B CN 111737914B
- Authority
- CN
- China
- Prior art keywords
- water mixing
- preset model
- trained
- deviation
- flow
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000003129 oil well Substances 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 239000007788 liquid Substances 0.000 claims description 27
- 230000001105 regulatory effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012421 spiking Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 2
- 238000000691 measurement method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Measuring Volume Flow (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种油井掺水流量的测量方法及装置、电子设备和存储介质。涉及油田领域，所述的测量方法，包括：获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量本公开实施例可实现瞬时掺水流量测量。
Description
技术领域
本公开涉及油田技术领域，具体涉及石油地面工程领域，尤其涉及一种油井掺水流量的测量方法及装置、电子设备和存储介质。
背景技术
目前我厂掺水工艺多采用由转油站掺出水分流至多个计量(阀组)间,再由计量(阀组)间分配至多口油井的多分支并联管系掺水流程，分为双管掺输流程及环状流程两种，去各油井的掺水量由人工调节单支掺水管路上截止阀(井口掺水阀)的开度来调控。目前掺水计量普遍采用计量间内倒生产流程进行量掺水的方式(少数新建计量间安装了单井流量计)，人工劳动强度较大，量掺水周期较长，缺少实时连续的掺水流量监测；同时量掺水流程与正常生产流程不同，管径偏细，压力变化较大，掺水计量误差较大。
发明内容
本公开提出了一种油井掺水流量的测量方法及装置、电子设备和存储介质的技术方案，达到降低油田改造成本，降低员工劳动强度，提高掺水测量准确度，同时实施监测生产动态的目的，为油井掺水及集输系统提供数据支撑。
根据本公开的一方面，提供了一种油井掺水流量的测量方法，包括：
获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；
基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；
若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；
基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。
优选地，所述基于所述温度偏差调节预设待训练模型的学习速率的方法，包括：
获取学习速率的待定系数；
基于所述待定系数及所述温度偏差调节预设待训练模型的学习速率。
优选地，在所述获取学习速率的待定系数之前，需要确定所述待定系数，确定所述待定系数的方法，包括：
获取掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度；
根据所述掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度确定所述待定系数。
优选地，所述根据所述掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度确定所述待定系数的方法，包括：
获取设定常量，根据所述设定常量及掺水管线所在的环境温度确定所述待定系数的分母；
根据所述掺水管线总长度、所述井口产液量及所述井口产液温度确定所述待定系数的分子；
所述分子除以所述分母确定所述待定系数。
优选地，所述根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，包括：
获取上一次训练的参数变化量；
计算本次迭代的所述偏差的偏导数；
基于所述学习速率、所述偏导数以及所述上一次训练的参数变化量确定本次训练的参数变化量。
优选地，所述根据所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，还包括：
获取所述上一次训练的参数变化量的惯性系数；
根据所述惯性系数及所述上一次训练的参数变化量得到第一确定量；
根据所述学习速率及所述偏导数得到第二确定量；
基于所述第一确定量及所述第二确定量确定本次训练的参数变化量。
优选地，所述的测量方法，还包括：
实时检测井口的压力；
若所述井口的压力大于或等于设定井口压力，则控制所述掺水调节阀开大所述阀门开度，停止训练所述预设待训练模型或停止所述预设模型对所述瞬时掺水流量的测量；
待所述井口的压力降低到所述设定井口压力以下，则开始训练所述预设待训练模型或所述预设模型开始对所述瞬时掺水流量的测量。
根据本公开的一方面，提供了一种油井掺水流量的测量装置，包括：
获取单元，用于获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；
模型训练单元，基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；
模型确定单元，若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；
测量单元，基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述油井掺水流量的测量方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述油井掺水流量的测量方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例油井掺水流量的测量方法的流程图；
图2为本发明BP神经网络预测流量与实际流量比较；
图3为本发明BP神经网络预测流量与实际流量的差值；
图4为本发明预测流量的百分比误差；。
图5为本发明实际流量与预测流量对照；
图6是根据一示例性实施例示出的一种电子设备800的框图；
图7是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了油井掺水流量的测量装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种油井掺水流量的测量方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的油井掺水流量的方法流程图，如图1所示，一种油井掺水流量的测量方法，包括：步骤S101：获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；步骤S102：基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；步骤S103：若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；步骤S104：基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。具体地说，将所述压力差及所述阀门开度输入所述预设模型完成所述瞬时掺水流量的测量。达到降低油田改造成本，降低员工劳动强度，提高掺水测量准确度，同时实施监测生产动态的目的，为油井掺水及集输系统提供数据支撑。
在本发明的具体实施例中，以压力差和阀门开度作为预设待训练模型或预设模型的输入，以掺水瞬时流量作为预设待训练模型或预设模型的输出，掺水瞬时流量以流量计读数作为标准。
在本发明的具体实施例中，期望瞬时掺水流量为在给定的压力差和给定的阀门开度下对应的设定值。也就是说，在一定的压力差及一定的阀门开度下，期望瞬时掺水流量的数值应该是不变的。
在本发明的具体实施例中，预设待训练模型可根据本领域技术人员的需要选用适当的模型，如可选用神经网络作为预设待训练模型，神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。例如：BP神经网络、Hopfield网络、ART络和Kohonen网络的一种或几种。
油井掺水流量的测量方法的执行主体可以是信号处理装置，例如，油井掺水流量的测量方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该油井掺水流量的测量方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。”
步骤S101：获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度。
在本发明的具体实施例中，通过安装在井口和掺水汇管上的压力变送器测量得到井口与掺水汇管的压力差。从掺水调节阀测得掺水调节阀的阀门开度，通过安装在计量间的流量计测量得到瞬时掺水流量。
在本发明的具体实施例中，实际回油温度为计量间掺水调节时的实时采集的温度，设定温度也称为期望温度，也就是希望实际回油温度最终达到设定温度。
步骤S102：基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数。
以下，以预设待训练模型为BP神经网络为例进行说明，例如：三层BP神经网络，三层BP神经网络包括：网络输入层、网络隐含层及网络输出层。
在三层BP神经网络中，网络输入层的函数为：
式中，输入层神经元i＝1,2，为网络输入层(1)的第i个输入，x(i)为第i个输入变量。其中，x(1)为压力差的输入变量，x(2)为阀门开度的输入变量。
网络隐含层的输出：
其中，输入层神经元i＝1,2；隐含层的神经元j＝1,2,3；隐含层的神经元输出的个数k＝1,2,3。
式中，为网络隐含层(2)的第j个神经元的第k个输出，其值等于输入层的第i个输入/>与权值矩阵对应权值/>乘积的求和，f()为隐含层神经元的活化函数，上角标(1)、(2)分别代表神经网络的输入层及隐含层。
隐含层神经元的活化函数f()取正负对称的Sigmoid函数：
其中，f(x)为隐含层神经元的活化函数，e为常数可取2.718。
网络输出层的输入输出为：
其中，输出层神经元l＝1，为输出层第l个神经元的第k个输出，/>为输出层的权值矩阵，/>为隐含层的第j个神经元的输出，g(x)为输出神经元的活化函数，上角标(3)代表神经网络的输出层。
由于输出层输出节点所对应的变量为不小于0的数，因此，输出神经元的活化函数取非负的Sigmoid函数：
在本发明中，预设待训练模型的学习速率是可以根据计量间掺水调节时的实际回油温度与设定温度的温度偏差进行调节的。
具体地说，在本发明的具体实施例中，在标准BP神经网络中学习速率为固定值，由于计量间掺水调节时，实际回油温度随掺水量变化，在掺水调节的过程中，调节阀的阀门开度变化后，实际回油温度温度经过一段时间后才会达到回油温度的期望值(设定温度)，当实际回油温度与设定温度的偏差较大(大于第一设定值，如5℃)时，应加快学习速度，因此将实际回油温度与设定温度的差值作为学习速率的变化因子，当温度偏差较大时，加快神经网络的学习速率，使预设待训练模型更快的变化，从而使回油温度以更快的速度接近设定温度。当实际回油温度温度接近设定温度(如，小于第二设定值，如1℃，)时，降低预设待训练模型的学习速率，同时降低掺水调节阀的调节频次，延长掺水调节阀的使用寿命。根据生产实际情况，可以定义实际回油温度与设定温度的变化范围为-20℃～20℃。
在本发明的实施例中，所述基于所述温度偏差调节预设待训练模型的学习速率的方法，包括：获取学习速率的待定系数；基于所述待定系数及所述温度偏差调节预设待训练模型的学习速率。
在本发明的实施例中，在所述获取学习速率的待定系数之前，需要确定所述待定系数，确定所述待定系数的方法，包括：获取掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度；根据所述掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度确定所述待定系数。
在本发明的实施例中，所述根据所述掺水管线总长度、井口产液量、井口产液温度及掺水管线所在的环境温度确定所述待定系数的方法，包括：获取设定常量，根据所述设定常量及掺水管线所在的环境温度确定所述待定系数的分母；根据所述掺水管线总长度、所述井口产液量及所述井口产液温度确定所述定系数的分子；所述分子除以所述分母确定所述待定系数。
在本发明的具体实施例中，学习速率的待定系数为kBP，kBP值的确定主要由掺水回路长度、井口产液量、井口产液温度决定。
其中，L为掺水管线总长度，Q为井口产液量，T为井口产液温度，t为掺水管线所在的环境温度。
也就是说，设定常量为273.15，其中所述设定常量的取值可以根据本领域人员的具体需要而确定。根据所述设定常量273.15及掺水管线所在的环境温度t确定所述待定系数的分母；根据所述掺水管线总长度L、所述井口产液量Q及所述井口产液温度T确定所述待定系数的分子，所述掺水管线总长度L乘以所述井口产液量Q得到乘积，所述乘积除以所述掺水管线总长度L，然后在取对数作为所述待定系数的分子。
在本发明的实施例中，所述根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，包括：获取上一次训练的参数变化量；计算本次迭代的所述偏差的偏导数；基于所述学习速率、所述偏导数以及所述上一次训练的参数变化量确定本次训练的参数变化量。
在本发明的实施例中，所述根据所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，还包括：获取所述上一次训练的参数变化量的惯性系数；根据所述惯性系数及所述上一次训练的参数变化量得到第一确定量；根据所述学习速率及所述偏导数得到第二确定量；基于所述第一确定量及所述第二确定量确定本次训练的参数变化量。
在本发明的具体实施例中，按照梯度下降法修正网络的权系数(即预设待训练模型的参数)，即按E(K)对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项：
本次(第K次)训练的参数变化量
其中，为第K次迭代的神经网络输出层权值矩阵的变化量，第K次迭代的E(K)为当前输出/>与期望输出的误差函数，/>为前一次学习过程中输出层的权值矩阵，此处即对网络输出层权值矩阵的修正，η为学习速率，α为惯性系数可取常数0.9。
步骤S103：若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型。
在本发明的具体实施例中，预设偏差可取5‰，所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差e≤5‰时，停止训练，得到训练后的预设模型。
步骤S104：基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。
在本发明的具体实施例中，基于参数已经训练好的预设模型，将所述压力差及所述阀门开度作为预设模型的输入即可得到瞬时掺水流量，完成掺水流量的测量。
在本发明的实施例中，所述的测量方法，还包括：实时检测井口的压力；若所述井口的压力大于或等于设定井口压力，则控制所述掺水调节阀开大所述阀门开度，停止训练所述预设待训练模型或停止所述预设模型对所述瞬时掺水流量的测量；待所述井口的压力降低到所述设定井口压力以下或另一设定井口压力，则开始训练所述预设待训练模型或所述预设模型开始对所述瞬时掺水流量的测量。
在本发明的具体实施例中，设定井口回压(井口的压力)的上限，当井口回压高于特定值(设定井口压力)的时候，开大掺水调节阀，直到井口回压降低到安全值之内，以保证井口回压在一定范围内，从而保障生产的顺利进行，安全值可以为所述设定井口压力以下或者另一设定井口压力，显然另一设定井口压力小于特定值(设定井口压力)。
本发明通过井口与掺水汇管的压力差(MPa)、计量间掺水调节时的实际回油温度与设定温度的温度偏差(℃)、及掺水调节阀的阀门开度(开度百分比)等参数，可以利用Matlab/Simulink建立计量间掺水系统动态模型，应用在现场采集的相关数据，通过神经网络自我学习能力确定影响掺水BP神经网络系统各变量间关系，完成参数整定。
建模参数选择的多少会直接影响到搭建模型的准确度，但过多参数的选择不但会增加系统的复杂程度而且会对系统的鲁棒性能和稳定性产生影响。所以我们只选择与掺水量关系密切的井口与掺水汇管的压力差及掺水调节阀的阀门开度(开度百分比)这两个变量。
取掺水调节阀开度及井口回压与计量间掺水汇管的压力差为神经网络的输入，掺水流量作为输出，建立隐藏层有三个神经元的BP神经网络。利用MATLAB软件将一部分实测数据输入到建好的BP神经网络中进行模拟测试，通过对得出数据的比较，可以看出建立的模型基本上与实际流量吻合。
图2为本发明BP神经网络预测流量与实际流量比较；图3为本发明BP神经网络预测流量与实际流量的差值；图4本发明为预测流量的百分比误差。
从图2可以看出，仿真预测结果与实际值变化趋势大体符合，数值曲线重合。图3中预测值与实际值的误差大多数在小范围内。图4中显示预测误差大多数小于10％。从Matlab中分析得到，预测误差小于20％的值占总数的97.7％，预测误差小于10％的值占总数的83.3％。结果上证实了模型的有效性。
在本发明中，预设待训练模型的在线修正是在某计量间进行，计量间掺水控制系统监测井口回压及掺水汇管压力的压力差及实际回油温度作为油井的特征参数，根据每口井的经验数据，将BP神经网络掺水控制算法嵌入下位机程序内，通过回油压力、阀门开度等参数，建立流量自学习模型，拟合掺水流量信号，同时将实时采集的生产参数导入控制模型，进行在线模拟和修正，提高模型精度、降低误差。实际流量与预测流量对照见图5。
图5为本发明实际流量与预测流量对照。由图5可以看出，随着网络模型在线学习的进行，预测值与实际流量的误差在逐渐减小。因此，掺水流量可通过BP神经网络的大数据方式进行拟合，具有可行性。软测量应采用“在线修正误差、离线测量数据”的方式，软测量误差可控制在10％以内，但在生产过程中需定期进行模型校验。利用软测量技术可取消掺水流量计，降低投资、减少故障点，同时降低后期运维及检定工作量。
经过现场试验，本发明的实施例以掺水流量神经网络的测量方法拟合掺水流量，误差<10％。本发明正在某计量间进行测试，目前已测试单井3口。在实验过程中发现，由于环境、流程和井底状况的不稳定，掺水预测模型会发生缓慢的变化，因此，需要定期校正模型，经过验证，掺水流量预测模型在运行一个月后，误差达到15％以上，建议每个月校正一次。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本发明同时还公开了一种油井掺水流量的测量装置，包括：获取单元，用于获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；模型训练单元，基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；模型确定单元，若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；测量单元，基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。具体详细的实现方式可参照一种油井掺水流量的测量方法中的详细说明。
本发明还公开了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述的测量方法。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种油井掺水流量的测量方法，其特征在于，包括：
获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；
基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；其中，所述基于所述温度偏差调节预设待训练模型的学习速率的方法，包括：获取学习速率的待定系数k BP ；基于所述待定系数k BP 及所述温度偏差调节预设待训练模型的学习速率；
其中，所述待定系数k BP 对应的计算公式配置为：
；
其中，L为掺水管线总长度，Q为井口产液量，T为井口产液温度，t为掺水管线所在的环境温度；
若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；
基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。
2.根据权利要求1所述的测量方法，其特征在于，所述根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，包括：
获取上一次训练的参数变化量；
计算本次迭代的所述偏差的偏导数；
基于所述学习速率、所述偏导数以及所述上一次训练的参数变化量确定本次训练的参数变化量。
3.根据权利要求2所述的测量方法，其特征在于，所述根据所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数的方法，还包括：
获取所述上一次训练的参数变化量的惯性系数；
根据所述惯性系数及所述上一次训练的参数变化量得到第一确定量；
根据所述学习速率及所述偏导数得到第二确定量；
基于所述第一确定量及所述第二确定量确定本次训练的参数变化量。
4.根据权利要求1-3任一项所述的测量方法，其特征在于，还包括：
实时检测井口的压力；
若所述井口的压力大于或等于设定井口压力，则控制所述掺水调节阀开大阀门开度，停止训练所述预设待训练模型或停止所述预设模型对所述瞬时掺水流量的测量；
待所述井口的压力降低到所述设定井口压力以下，则开始训练所述预设待训练模型或所述预设模型开始对所述瞬时掺水流量的测量。
5.一种油井掺水流量的测量装置，其特征在于，包括：
获取单元，用于获取计量间掺水调节时的实际回油温度与设定温度的温度偏差、井口与掺水汇管的压力差及掺水调节阀的阀门开度；
模型训练单元，基于所述温度偏差调节预设待训练模型的学习速率；将所述压力差及阀门开度输入预设待训练模型得到瞬时掺水流量，根据所述学习速率及所述瞬时掺水流量与期望瞬时掺水流量的偏差训练所述预设待训练模型的参数；其中，所述基于所述温度偏差调节预设待训练模型的学习速率，包括：获取学习速率的待定系数k BP ；基于所述待定系数k BP 及所述温度偏差调节预设待训练模型的学习速率；其中，所述待定系数k BP 对应的计算公式配置为：
；
其中，L为掺水管线总长度，Q为井口产液量，T为井口产液温度，t为掺水管线所在的环境温度
模型确定单元，若所述偏差小于或等于预设偏差，则停止训练所述预设待训练模型，得到预设模型；
测量单元，基于所述压力差、所述阀门开度及所述预设模型完成所述瞬时掺水流量的测量。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545559.8A CN111737914B (zh) | 2020-06-16 | 2020-06-16 | 油井掺水流量的测量方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545559.8A CN111737914B (zh) | 2020-06-16 | 2020-06-16 | 油井掺水流量的测量方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111737914A CN111737914A (zh) | 2020-10-02 |
| CN111737914B true CN111737914B (zh) | 2023-10-24 |
Family
ID=72649266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010545559.8A Active CN111737914B (zh) | 2020-06-16 | 2020-06-16 | 油井掺水流量的测量方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737914B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113835449B (zh) * | 2021-11-29 | 2022-03-18 | 常州高凯电子有限公司 | 一种基于压力波动快速调节流量控制器阀门的控制方法 |
| CN117627989B (zh) * | 2024-01-25 | 2024-04-30 | 盛吉盛半导体科技(无锡)有限公司 | 一种压力阀及其控制方法、计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6601458B1 (en) * | 2000-03-07 | 2003-08-05 | Weatherford/Lamb, Inc. | Distributed sound speed measurements for multiphase flow measurement |
| CN202331142U (zh) * | 2011-11-02 | 2012-07-11 | 北京必创科技有限公司 | 掺水伴热控制系统 |
| CN110821457A (zh) * | 2019-10-25 | 2020-02-21 | 大庆油田有限责任公司 | 一种基于井口回压的掺水控制方法、控制器及控制系统 |
| CN110928215A (zh) * | 2019-11-08 | 2020-03-27 | 中国石油大学(北京) | 一种油田掺水管网智能控制系统及控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2677115B1 (en) * | 2012-06-22 | 2019-01-02 | Openfield | A predictive flow assurance assessment method and system |
-
2020
- 2020-06-16 CN CN202010545559.8A patent/CN111737914B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6601458B1 (en) * | 2000-03-07 | 2003-08-05 | Weatherford/Lamb, Inc. | Distributed sound speed measurements for multiphase flow measurement |
| CN202331142U (zh) * | 2011-11-02 | 2012-07-11 | 北京必创科技有限公司 | 掺水伴热控制系统 |
| CN110821457A (zh) * | 2019-10-25 | 2020-02-21 | 大庆油田有限责任公司 | 一种基于井口回压的掺水控制方法、控制器及控制系统 |
| CN110928215A (zh) * | 2019-11-08 | 2020-03-27 | 中国石油大学(北京) | 一种油田掺水管网智能控制系统及控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| Artificial Neural Network modelling for pressure drop estimation of oil-water flow for various pipe diameters;Shekhar Pandharipande et al;International Research Journal of Engineering and Technology;第4卷(第7期);3400-3409 * |
| Flow Adversarial Networks: Flowrate Prediction for Gas–Liquid Multiphase Flows Across Different Domains;Delin Hu et al;TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS;第31卷(第2期);475-487 * |
| 基于机采和集油系统整体能耗最低的集油参数优化方法;董世民 等;中国石油大学学报(自然科学版);41(5);123-129 * |
| 定量掺水装置的现场应用及分析;张金环;化工管理(12);220-221 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111737914A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109599128B (zh) | 语音情感识别方法、装置、电子设备和可读介质 | |
| CN110516745B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
| CN109684510B (zh) | 视频排序方法、装置、电子设备及存储介质 | |
| KR20210050485A (ko) | 신경망 모델을 압축하는 방법 및 장치, 코퍼스 번역 방법 및 장치, 전자 장치, 프로그램 및 기록 매체 | |
| CN111737914B (zh) | 油井掺水流量的测量方法及装置、电子设备和存储介质 | |
| US11419197B2 (en) | Adaptive display brightness adjustment | |
| CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
| CN109766954A (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
| CN107194464B (zh) | 卷积神经网络模型的训练方法及装置 | |
| CN111783898B (zh) | 图像识别模型的训练、图像识别方法、装置及设备 | |
| CN110245757A (zh) | 一种图像样本的处理方法及装置、电子设备和存储介质 | |
| CN110631221A (zh) | 一种空调的控制方法、装置、终端及存储介质 | |
| CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
| CN109272118B (zh) | 数据训练方法、装置、设备及存储介质 | |
| CN108764283A (zh) | 一种分类模型的损失值获取方法及装置 | |
| CN104063842A (zh) | 处理图像的方法、装置及终端 | |
| CN111722693B (zh) | 功耗调节方法、装置、存储介质、服务器和终端 | |
| EP3792872A1 (en) | Method, apparatus and medium for object tracking | |
| CN115039169A (zh) | 一种语音指令识别方法、电子设备以及非瞬态计算机可读存储介质 | |
| CN107480773A (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
| CN114840761B (zh) | 推送模型的训练方法、装置、设备、存储介质及程序产品 | |
| CN114095817B (zh) | 耳机的降噪方法、装置、耳机及存储介质 | |
| CN108108738A (zh) | 图像处理方法、装置及终端 | |
| CN109766463B (zh) | 应用于图像检索的半监督哈希学习方法及装置 | |
| CN110689166A (zh) | 一种基于随机梯度下降算法的用户行为分析方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |