CN111946258A - 一种基于gru的滑动定向智能控制方法 - Google Patents
一种基于gru的滑动定向智能控制方法 Download PDFInfo
- Publication number
- CN111946258A CN111946258A CN202010800720.1A CN202010800720A CN111946258A CN 111946258 A CN111946258 A CN 111946258A CN 202010800720 A CN202010800720 A CN 202010800720A CN 111946258 A CN111946258 A CN 111946258A
- Authority
- CN
- China
- Prior art keywords
- data
- gru
- sample data
- initial sample
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005553 drilling Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B7/00—Special methods or apparatus for drilling
- E21B7/04—Directional drilling
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于GRU的滑动定向智能控制方法,包括:1:获取滑动钻井中的现场初始样本数据,归类整合并存储至数据库中;2:对数据库中的初始样本数据进行数据清洗,清洗后对初始样本数据进行标准化处理,处理之后得到标准化样本数据;3:构建GRU网络模型;步骤4:采集滑动钻井的实时数据输入至GRU网络模型中,生成自动控制参数,将自动控制参数输入扭摆系统实现智能控制。本发明通过获取、融合、存储现场数据,对数据进行清洗、标准化处理,获得有效、高质量数据,并设计数据生成器,利用现场数据进行GRU模型训练,形成GRU网络模型,并基于GRU网络模型生成滑动定向作业的自动控制参数,实现扭摆系统智能决策和控制。
Description
技术领域
本发明属于油气钻井(钻探)工程技术领域,尤其涉及一种基于GRU的滑动定向智能控制方法,该方法用于滑动定向智能控制,进一步提升滑动钻井定向作业智能化水平,实现滑动定向作业智能决策。
背景技术
随着大数据、人工智能等技术的兴起,近两年来定向井钻井人工智能化的概念逐渐被提出。为提高单井产量、油气采收率和开发效益,水平井、多分支井和大位移井等定向钻井作业规模不断加大,研究人员认为:采用人工智能最新理论方法,在大型服务器进行数据训练和模型优化,模拟定向专家的决策行为,使定向井钻井人工智能化,将为石油钻井技术再带来一次突破。
2017年以来,由川庆钻探自主研制的PIPE ROCK钻柱扭摆系统在川渝地区各个区块开展了密集的现场应用,应用范围涵盖昭通页岩气、威远页岩气、磨溪-高石梯、龙岗等区块,达到了预期效果。系统使用稳定,能够满足现场作业要求,具备大规模推广应用条件,能够为定向作业数据采集以及系统测试应用提供了有效支撑,但尚未实现滑动定向智能决策与自动控制。
公开号为CN110500034A的现有技术于2019年11月26日公开了一种建立滑动定向钻井神经网络模型的方法、扭摆钻柱控制参数确定方法和定向钻井方法。该方法虽然实现了通过历史作业数据确定扭摆钻柱控制参数的功能,但在实际应用过程中,该技术仍然存在着如下缺陷:滑动钻井数据量庞大,模型训练过程容易出现梯度爆炸、梯度消失等问题,其并未提出针对性解决措施。模型学习数据特征慢、效率低,甚至会出现学习不到任何数据特征的情况,难快速、高效地得到能用于指导钻井作业的神经网络模型。并且,模型的精度与泛华性能都较差,直接应用于控制扭摆系统存在安全风险。
发明内容
本发明的目的在于克服现有技术中存在的上述技术问题,提供了一种基于GRU的滑动定向智能控制方法,本发明通过获取、融合、存储现场数据,然后对数据进行清洗、标准化处理,获得有效、高质量现场数据,并设计数据生成器,利用现场数据对GRU模型进行训练,形成GRU网络模型。在此基础上,将现场实时采集的实时数据导入GRU网络模型,生成滑动定向作业的自动控制参数,将参数输入扭摆系统,实现扭摆系统智能决策和控制。
为实现上述目的,本发明采用的技术方案如下:
一种基于GRU的滑动定向智能控制方法,其特征在于包括如下步骤:
步骤1:数据采集融合与存储
获取滑动钻井中扭摆系统、MWD系统和综合录井系统的现场初始样本数据,将获取到的初始样本数据进行归类整合,并将整合后的初始样本数据存储至数据库中;
步骤2:数据清洗与标准化处理
对数据库中的初始样本数据进行数据清洗,清除与滑动定向无关的数据和重复的数据,同时清除缺失值数据、异常值数据和噪音数据;清洗之后,采用Z-score方法对初始样本数据进行标准化处理,处理之后得到标准化样本数据;
步骤3:构建GRU网络模型
S1:采用Python设计数据生成器,并以标准化样本数据为基础扩增和融合作业数据,增加标准化样本数据规模;
S2:将数据生成器扩增并融合后的标准化样本数据按时间序列并以6:3:1的比例划分成训练集、验证集和测试集;
S3:基于划分后的数据集,采用GRU模型进行训练,训练完成后构建出GRU网络模型;
步骤4:输入控制
现场采集滑动钻井的实时数据并输入至GRU网络模型中,生成自动控制参数,将自动控制参数输入扭摆系统,实现扭摆系统智能控制。
所述步骤2中采用如下公式对初始样本数据进行标准化处理:
x←(x-u)/a
其中:μ为所有初始样本数据的均值,a为所有初始样本数据的标准差。
所述步骤3中采用GRU模型进行训练的具体过程如下:
S11:按时间序列将训练集、验证集和测试集中的标准化样本数据依次写入到输入层中,在输入层中进行监督学习转换,将标准化样本数据转换为0至1之间相同数量级的输入元素,转换后得到多组输入元素,再将每一组输入元素按照时间先后顺序输出到隐藏层中;
S22:由隐藏层对依次对来自输入层的输入元素进行处理,每一组输入元素的输入都会产生一个预测输出,处理后得到多个预测值;将预测值输出至输出层中与对应的真实值相比较,得出预测值与真实值之间的误差;再根据误差反向设置函数参数,使最终输出的预测值与真实值之间的误差符合设定,即完成GRU模型的训练。
本步骤中,在隐藏层中,每个时点来自输入层的输入元素都会对该时点及下时点的GRU产生影响,GRU中有相应的隐结点,该隐结点判断每一时点的输入元素是否存储己用于影响下一时点,即进行存储或“忘记”处理;最终输出的结果便有效记录了实时作业数据序列的影响,并且不会因为前期输入量太大而陷入崩溃。
所述步骤4中的自动控制参数包括转正向扭矩参数、反向扭矩参数、扭摆摇摆范围参数、转盘正向转速参数和转盘反向转速参数。
采用本发明的优点在于:
1、本发明基于数据采集融合、数据清洗与标准化、GRU模型训练等步骤,形成了一种基于GRU的滑动定向智能控制方法,实现了数据自动化处理、神经网络深度学习、GRU模型智能决策、滑动定向参数自动生成等功能,为滑动定向智能化控制提供了理论基础,为安全、快速、高效定向作业提供了新的技术思路。
2、本发明基于GRU模型建立的滑动定向智能控制方法,相较于LSTM,GRU的参数量少,减少过拟合的风险,使用两个门控开关,达到了和LSTM接近的结果,有效提升了模型的训练效率。
3、本发明基于GRU模型建立的滑动定向智能控制方法,能有效的解决梯度消失以及梯度爆炸等问题,可以学习跨度相对较长的依赖关系,在数据量很大的情况下,具有较高的训练效率,为准确、及时、智能化处理大量井场实时数据提供了技术支持。
附图说明
图1为本发明的原理框图。
图2为本发明中采用GRU模型进行训练的流程图。
具体实施方式
本发明公开了一种基于GRU的滑动定向智能控制方法,如图1所示,其包括如下步骤:
步骤1:数据采集融合与存储
获取滑动钻井中扭摆系统、MWD系统和综合录井系统的现场初始样本数据,将获取到的初始样本数据进行归类整合,并将整合后的初始样本数据存储至数据库中。
本步骤中,初始样本数据均来源于扭摆、MWD、综合录井这个三个系统,数据可以是当前的实时采集数据,也可以是前期的采集数据,为模型训练提供真实现场数据。
步骤2:数据清洗与标准化处理
由于现场采集的数据量庞大且类型多,部分数据对滑动定向作业无实际指导意义,因此应对数据库中的初始样本数据进行数据清洗,清除与滑动定向无关的数据和重复的数据,同时清除缺失值数据、异常值数据和噪音数据;又由于采集数据来源于多个系统,导致数据标准众多,增加管理难度、影响调用效率,因此清洗之后需要进行数据标准化处理。
其中,数据标准化处理的方法比较多,常用的方法有Min-max标准化、Z-score标准化、Atan函数转换、Softmax函数等方法。滑动钻井作业的采集数据属于多类型的有序数据,Min-max和Z-score均可实现有序数列的标准化,但由于采集数据类型多样,且无法确定数据的最大值与最小值,因此优选采用Z-score方法对初始样本数据进行标准化处理,z-score标准化方法适用于最大值和最小值未知的情况,或有超出取值范围的离群数据的情况,处理之后得到标准化样本数据。
本步骤中,采用如下公式对初始样本数据进行标准化处理:
x←(x-u)/a
其中:μ为所有初始样本数据的均值,a为所有初始样本数据的标准差。
步骤3:构建GRU网络模型
S1:采用Python设计数据生成器,并以标准化样本数据为基础扩增和融合作业数据,增加标准化样本数据规模。
S2:将数据生成器扩增并融合后的标准化样本数据按时间序列并以6:3:1的比例划分成训练集、验证集和测试集。
S3:基于划分后的数据集,采用GRU模型进行训练,训练完成后构建出GRU网络模型。
本步骤中,一个性能稳定、精度高的模型必须进行大量实验对比,为了实现数据的任意生成,需要进行数据生成器设计,可以选择采用Python进行数据生成器设计,Python一种面向对象的动态类型语言,具有语言结构简单、执行效率高、无需修改就可实现多系统平台上运行等优点。
本步骤中,如图2所示,采用GRU模型进行训练包括输入层处理、隐藏层处理和输出层处理,其中,输入层处理是指:读取滑动定向作业时间序列,划分训练集、标准化数据;隐藏层是指:识别并抽象化数据特征,利用数据特征进行数据类型线性划分。输出层是指:主要功能是进行网络模型预测,通过送代预测和反标准化,获取测试集对应的时间序并输出预测值。其具体训练过程如下:
S11:按时间序列将训练集、验证集和测试集中的标准化样本数据依次写入到输入层中,在输入层中进行监督学习转换,将标准化样本数据转换为0至1之间相同数量级的输入元素,转换后得到多组输入元素,再将每一组输入元素按照时间先后顺序输出到隐藏层中。
S22:由隐藏层对依次对来自输入层的输入元素进行处理,每一组输入元素的输入都会产生一个预测输出,处理后得到多个预测值;将预测值输出至输出层中与对应的真实值相比较,得出预测值与真实值之间的误差;再根据误差反向设置函数参数,使最终输出的预测值与真实值之间的误差符合设定,即完成GRU模型的训练。
其中,在隐藏层中,每个时点来自输入层的输入元素都会对该时点及下时点的GRU产生影响,GRU中有相应的隐结点,该隐结点判断每一时点的输入元素是否存储己用于影响下一时点,即进行存储或“忘记”处理;最终输出的结果便有效记录了实时作业数据序列的影响,并且不会因为前期输入量太大而陷入崩溃。
步骤4:输入控制
现场采集滑动钻井的实时数据并输入至GRU网络模型中,生成自动控制参数,将自动控制参数输入扭摆系统,实现扭摆系统智能控制。所述的自动控制参数包括转正向扭矩参数、反向扭矩参数、扭摆摇摆范围参数、转盘正向转速参数和转盘反向转速参数。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (4)
1.一种基于GRU的滑动定向智能控制方法,其特征在于包括如下步骤:
步骤1:数据采集融合与存储
获取滑动钻井中扭摆系统、MWD系统和综合录井系统的现场初始样本数据,将获取到的初始样本数据进行归类整合,并将整合后的初始样本数据存储至数据库中;
步骤2:数据清洗与标准化处理
对数据库中的初始样本数据进行数据清洗,清除与滑动定向无关的数据和重复的数据,同时清除缺失值数据、异常值数据和噪音数据;清洗之后,采用Z-score方法对初始样本数据进行标准化处理,处理之后得到标准化样本数据;
步骤3:构建GRU网络模型
S1:采用Python设计数据生成器,并以标准化样本数据为基础扩增和融合作业数据,增加标准化样本数据规模;
S2:将数据生成器扩增并融合后的标准化样本数据按时间序列并以6:3:1的比例划分成训练集、验证集和测试集;
S3:基于划分后的数据集,采用GRU模型进行训练,训练完成后构建出GRU网络模型;
步骤4:输入控制
现场采集滑动钻井的实时数据并输入至GRU网络模型中,生成自动控制参数,将自动控制参数输入扭摆系统,实现扭摆系统智能控制。
2.根据权利要求1所述的一种基于GRU的滑动定向智能控制方法,其特征在于:所述步骤2中采用如下公式对初始样本数据进行标准化处理:
x←(x-u)/a
其中:μ为所有初始样本数据的均值,a为所有初始样本数据的标准差。
3.根据权利要求1或2所述的一种基于GRU的滑动定向智能控制方法,其特征在于:所述步骤3中采用GRU模型进行训练的具体过程如下:
S11:按时间序列将训练集、验证集和测试集中的标准化样本数据依次写入到输入层中,在输入层中进行监督学习转换,将标准化样本数据转换为0至1之间相同数量级的输入元素,转换后得到多组输入元素,再将每一组输入元素按照时间先后顺序输出到隐藏层中;
S22:由隐藏层对依次对来自输入层的输入元素进行处理,每一组输入元素的输入都会产生一个预测输出,处理后得到多个预测值;将预测值输出至输出层中与对应的真实值相比较,得出预测值与真实值之间的误差;再根据误差反向设置函数参数,使最终输出的预测值与真实值之间的误差符合设定,即完成GRU模型的训练。
4.根据权利要求1所述的一种基于GRU的滑动定向智能控制方法,其特征在于:所述步骤4中的自动控制参数包括转正向扭矩参数、反向扭矩参数、扭摆摇摆范围参数、转盘正向转速参数和转盘反向转速参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800720.1A CN111946258B (zh) | 2020-08-11 | 2020-08-11 | 一种基于gru的滑动定向智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800720.1A CN111946258B (zh) | 2020-08-11 | 2020-08-11 | 一种基于gru的滑动定向智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111946258A true CN111946258A (zh) | 2020-11-17 |
CN111946258B CN111946258B (zh) | 2022-08-02 |
Family
ID=73332645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800720.1A Active CN111946258B (zh) | 2020-08-11 | 2020-08-11 | 一种基于gru的滑动定向智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111946258B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113464120A (zh) * | 2021-09-06 | 2021-10-01 | 中国石油集团川庆钻探工程有限公司 | 工具面状态的预测方法和系统、滑动定向钻井方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103883250A (zh) * | 2013-04-24 | 2014-06-25 | 中国石油化工股份有限公司 | 一种基于滑动导向钻井的水平井方向优先着陆控制方法 |
CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
-
2020
- 2020-08-11 CN CN202010800720.1A patent/CN111946258B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103883250A (zh) * | 2013-04-24 | 2014-06-25 | 中国石油化工股份有限公司 | 一种基于滑动导向钻井的水平井方向优先着陆控制方法 |
CN110500034A (zh) * | 2019-08-30 | 2019-11-26 | 中国石油集团川庆钻探工程有限公司 | 建立神经网络模型、确定扭摆钻柱参数和定向钻井的方法 |
Non-Patent Citations (3)
Title |
---|
刘树春等: "《深度实践OCR基于深度学习的文字识别》", 31 May 2020, 机械工业出版社 * |
段生月等: "基于正则化GRU模型的洪水预测", 《计算机系统应用》 * |
许伟等: "<金融数据挖掘基于大数据视角的展望>", 30 June 2013, 知识产权出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113464120A (zh) * | 2021-09-06 | 2021-10-01 | 中国石油集团川庆钻探工程有限公司 | 工具面状态的预测方法和系统、滑动定向钻井方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111946258B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN111737911B (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN110096827B (zh) | 一种基于深度神经网络的盾构机参数优化方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
CN112879024B (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
CN112560327B (zh) | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN112733440A (zh) | 海上油气水井智能故障诊断方法、系统、存储介质、设备 | |
CN111946258B (zh) | 一种基于gru的滑动定向智能控制方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN115234220A (zh) | 利用智能钻头实时识别井下粘滑振动的方法及装置 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
Li et al. | The use of nonlinear dynamic system and deep learning in production condition monitoring and product quality prediction | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN112270123A (zh) | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 | |
Sudhakar et al. | Faulty diagnostics model for wind power plant application using AI | |
Zou et al. | Prediction of drilling rate of penetration (ROP) based on PSO-SVR algorithm | |
CN116304663B (zh) | 基于非平衡样本增强的列控车载设备健康状态管理装置 | |
CN117133116B (zh) | 一种基于时空关联网络的交通流预测方法及系统 |
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 |