CN114190103A - 用于石油和天然气遥测系统的具有系统在环的机器学习技术 - Google Patents

Abstract

提供了一种遥测系统。所述遥测系统包括发射器，所述发射器被配置将表示石油和天然气操作的数字位转换成模拟信号并且经由通信信道发射所述模拟信号。所述遥测系统还包括接收器，所述接收器被配置为接收所述模拟信号并经由编码器将所述模拟信号转换成输出数字位，其中所述接收器包括一个或多个接收器部件，所述一个或多个接收器部件经由机器学习进行训练以处理所述模拟信号以获得改进的通信。

Description

用于石油和天然气遥测系统的具有系统在环的机器学习技术

相关申请的交叉引用

本申请要求2019年5月14日提交的名称为“MACHINE LEARNING TECHNICS WITHSYSTEM IN THE LOOP FOR OIL&GAS TELEMETRY SYSTEMS”的美国临时申请号62/847789的优先权和权益，该临时申请的全部内容以引用方式并入本文。

背景技术

本部分旨在向读者介绍本领域中可能与下文描述和/或要求保护的本公开的各个方面相关的各个方面。这种论述被认为有助于向读者提供背景信息，以便于更好地理解本公开的各个方面。因此，应当理解，这些陈述应以上述角度进行阅读而不是作为对于现有技术的承认。

在海底操作中，可通过钻探穿过地下地质地层的井来从称为储层的地下地质地层获得烃流体(例如，石油和天然气)。遥测系统可用于石油和天然气行业，以在钻探时在地下到地面之间进行实时信息通信(例如，泥浆脉冲遥测、电磁遥测)或在海底运载工具到地面运载工具之间进行实时信息通信(例如，水下通信)。例如，钻井数据以及来自海底运载工具的数据(例如，检查数据)可从地下发射到地面。改进通信系统和通信方法将是有益的。

发明内容

在一个实施方案中，提供了一种遥测系统。该遥测系统包括发射器，该发射器被配置为将表示石油和天然气操作的数字位转换成模拟信号并经由通信信道发射该模拟信号。该遥测系统还包括接收器，该接收器被配置为接收模拟信号并经由编码器将该模拟信号转换成输出数字位，其中该接收器包括一个或多个接收器部件，该一个或多个接收器部件经由机器学习进行训练以处理模拟信号以获得改进的通信。

在一个实施方案中，提供了一种方法。该方法包括经由发射器将表示水下机器操作的数字位转换成模拟信号。该方法还包括经由通信信道发射模拟信号，以及经由接收器接收模拟信号。该方法另外包括经由编码器将模拟信号转换成输出数字位，其中该接收器包括一个或多个接收器部件，该一个或多个接收器部件经由机器学习进行训练以处理模拟信号以获得改进的通信。

在一个实施方案中，提供了存储指令的非暂时性计算机可读介质。该指令在被执行时使得处理器经由发射器将表示水下机器操作的数字位转换成模拟信号，并且经由通信信道发射该模拟信号。该指令进一步致使该处理器经由接收器接收模拟信号并经由编码器将模拟信号转换成输出数字位，其中该接收器包括一个或多个接收器部件，该一个或多个接收器部件经由机器学习进行训练以处理模拟信号以获得改进的通信。

附图说明

下文将参考附图描述本发明的某些实施方案，其中相同的附图标记表示相同的元件。然而，应理解，附图示出了本文所述的各种实施方式，并不意味着限制本文所述的各种技术的范围，并且：

图1是根据本公开的一个实施方案的包括适用于遥测的通信系统的海底系统的示意图；

图2是根据本公开的一个实施方案的包括发射器和接收器的通信系统的示意图；

图3是根据本公开的一个实施方案的包数据结构和数据包滤波器处理的一个实施方案的框图；

图4是示出根据本公开的一个实施方案的用于数据包检测的机器学习过程的框图；

图5描绘了根据本公开的一个实施方案的接收器操作特性(ROC)曲线图；

图6描绘了根据本公开的一个实施方案的用于调谐或某些通信参数的并排曲线图；

图7是示出根据本公开的一个实施方案的具有调谐代理的通信系统的框图；

图8是根据本公开的一个实施方案的接收器阵列的透视图；

图9是示出根据本公开的一个实施方案的调制解调器字符串的示意图；

图10是根据本公开的一个实施方案的在水下机器操作期间在地面处所接收的信号的能量的曲线图；

图11是示出根据本公开的一个实施方案的具有自动频谱感知和分类的通信系统的示意图；

图12是示出根据本公开的一个实施方案的脉冲整形滤波器的一个实施方案的曲线图；

图13示出了根据本公开的一个实施方案的适用于脉冲形状建模的通信系统的一个实施方案的框图；

图14是描绘根据本公开的一个实施方案的适用于生成训练数据的系统的一个实施方案的框图；

图15是示出根据本公开的一个实施方案的具有系统在环能力的端到端学习通信系统的一个实施方案的框图；以及

图16是示出根据本公开的一个实施方案的适用于将机器学习用于包括石油和天然气遥测系统的通信系统的过程的框图。

具体实施方式

在以下描述中，阐述了许多细节以提供对本公开的一些实施方案的理解。然而，本领域普通技术人员将理解，可以在没有这些细节的情况下实践系统和/或方法，并且可以对所描述的实施方案进行多种变化或修改。

下文将描述本公开的一个或多个具体实施方案。所描述的这些实施方案仅仅是本公开的示例。另外，为了提供这些示例性实施方案的简明描述，在说明书中可能没有描述实际实施方式的所有特征。应理解，如同在任何工程或设计项目中一样，在开发任何此类实际实施方式时，都必须作出与实施方式特定相关的众多决定，以实现开发人员的特定目标，诸如遵守与系统相关以及与业务相关的约束，这些约束可能会随实施方式而变化。此外，应理解，这种开发工作可能是复杂且耗时的，但是对受益于本公开的普通技术人员而言，这仍将是设计、制作和生产中的常规任务。

当介绍各种实施方案的要素时，冠词“一”、“一个”、“该”，“所述”等旨在表示存在一个或多个要素。术语“包含”、“包括”、“具有”等旨在是包括性的，并且意味着除了所列出的要素之外还可能存在另外的要素。使用“顶部”、“底部”、“上方”、“下方”以及这些术语的变型是为了方便起见，但不要求部件相对于某个固定基准(诸如重力方向)的任何特定取向。术语“通信”包括单向发射、信息的双向交换或其组合。

本文的公开内容总体涉及用于经由诸如神经网络的某些机器学习技术进行自适应通信的系统和方法。本文描述的自适应通信系统可包括例如遥测系统。石油和天然气应用中可使用不同的遥测系统，诸如不同形式(泥浆脉冲、电磁、声学等)的随钻测井(LWD)遥测，其提供适合于较低成本随钻测量(MWD)/LWD操作的技术。另一种通信系统(诸如无缆水下通信)可能是一种很有前景的解决方案，能够通过水下无缆机器人检查海底资产，而不会出现系绳被抓住或缠住的风险。这些通信系统中可各自包括并非精确已知的传播信道，以及可能因通信系统中存在的数字模拟链和模拟数字链而失真的信号生成。此外，遥测可能变得对环境噪声极其敏感。例如，根据操作条件(例如，盐度、距离、水温、温跃层等)，在地面测量的信号功率可能比噪声小几个数量级，从而妨碍了遥测信号的可靠解调。由于发射器侧可用的功率更有限，因此增加信号的能量可能不总是可能的，并且可能仅提供地面处能级的微小改进。相反，由于潜在的噪声源种类繁多，防止环境(例如，水下环境)中的噪声是一项艰巨的任务。

根据某些实施方案，本文描述的通信系统包括适于使全部或部分电信构建块(例如，接收器构建块、发射器构建块)适应感兴趣的特定通信平台的机器学习系统。例如，可训练神经网络(例如，经由监督训练、半监督训练、无监督训练或其组合)来创建一个或多个机器学习代理，所述一个或多个机器学习代理可向一个或多个电信构建块提供调谐“包”，所述一个或多个电信构件块包含感兴趣的特定硬件(硬件在环)以及特定软件(软件在环)。所述学习代理可补偿物理通信层的不利影响，而无需使用信号传播的显式模型。所述学习代理可另外学习在消除噪声与均衡接收信号之间更有效的折衷。此外，可基于传播信道中的变化来调整内部参数(例如，通信系统参数)。

在某些实施方案中，提供了用于超参数调谐代理的增强学习(RL)。调谐代理可使用如下文进一步描述的RL技术来调谐接收器和发射器使用的参数。例如，可经由RL调谐的接收器参数可包括均衡器大小(例如，前馈抽头的数量、反馈抽头的数量或其组合)、跟踪环路参数、阈值(例如，用于同步的相关系数)、滤波参数(例如，陷波滤波器的频率、带通滤波器参数、阻带滤波器参数等)或其组合。可经由RL调谐的发射器参数可包括中心频率、星座图、数据速率/带宽、纠错码模式和相关参数、发射器脉冲形状、功率或其组合。应当注意，接收器调谐可以是独立的，并且因此不需要与发射器通信或配合。同样，除了脉冲形状之外，发射器调谐可以是独立的，并且不需要与接收器通信或配合。

在某些实施方案中，可训练机器学习系统以将频谱分类并分割成噪声可能强并因此导致干扰的特定区域。分类和/或分割技术可分析不同的信道，并提供由时间间隔(例如，在开始时间Tstart和停止时间Tstop之间)、频率间隔(例如，在开始频率fstart和停止频率fstop之间)和/或物理区域(例如，一定深度处的海洋体积的正方形或其他形状)界定的感兴趣区域。然后可使用由分类和/或分割技术检测到的信息来避开存在最强噪声的时间-频率(和/或物理)区域，或者使用该信息作为后续噪声消除的先验知识。

在某些实施方案中，可对复杂硬件和/或信道进行建模。例如，生成对抗网络(GAN)可用于生成数据集，所述数据集可包括对通信信道(例如，海底环境)建模以及对完整通信链建模。实际上，发生器和鉴别器对可用于模拟更真实的数据集(包括传播信道)，所述数据集然后可被本文描述的其他实施方案用于例如训练。因此，可提供具有硬件在环的端到端学习，其可使用机器学习来调谐诸如解调、滤波、分组同步、均衡、解码、纠错码等的电信构建块。

现在转向图1，图1是海底系统10的实施方案。如图所示，海底系统10包括在海面14处的海上船只或平台12。叠堆组件16(例如，防喷器(BOP)组和/或水下隔水管总成(LMRP))在海床20处安装到水下采油树18。立管22(例如，海洋钻井立管)从平台12延伸到叠堆组件16。还示出了无缆水下通信系统24，其可包括海底发射器24，该海底发射器可通信地耦合到石油和天然气设备(诸如设备16、18)、感知设备26(例如，传感器、LWD设备、MWD设备等)以向地面14提供数据。因此，可使用适于接收经由发射器24发射的数据的接收器28。

还示出了通信节点30、32、34。在某些实施方案中，节点30、32、34可提供数据的重传(例如，数据“跳跃”)，从而实现更长的传输距离和改进的传输能量。通信节点30、32和/或34可包括在例如无缆远程水下运载工具中。然而，应当理解，通信节点30、32和/或34可另外或替代地包括在并非远程水下运载工具的一部分的其他电子器件中。通过提供通信系统24、28、30、32、34，可创建网状网络，该网状网络适于在网状网络的成员与地面14之间进行通信(例如，单向通信、双向通信)。通过使用本文描述的技术，网状网络可为自适应通信系统，其可学习并适应于环境条件、特定硬件、特定软件或其组合，从而提供具有硬件在环和/或软件在环的端到端学习。

如图2所示，描述数据的传输可能是有益的。更具体地，图2描绘了通信系统(例如，遥测系统)50的实施方案，该通信系统可用于石油和天然气应用。在使用中，输入数据52(即，数字数据)可经由发射器54转换为模拟数据。例如，可使用诸如相移键控(PSK)、频移键控(FSK)、正交幅度调制(QAM)、正交频分多路复用(OFDM)、振幅移位键控(ASK)和其他数字调制技术的技术来将数字数据52变换成模拟编码。一旦编码，信号就可被调制、被转换成电信号、被放大并被传送到换能器。发射器可经由通信信道56发射模拟信号。然而，噪声源58可能会注入不想要的噪声并使传输模糊。假设电子器件完美、传播信道简单且噪声很小，则技术PSK、FSK、QAM、OFDM、ASK等可被证明是最优的。

接收器62中的换能器可感知所发射的模拟信号、解调该模拟信号并将该模拟信号转换成数字信号。数字信号可包括例如一个或多个测量(例如，信道)62。然后，解码器64可将数字信号转换成输出数据66(例如，数字数据位)。用于创建编码位的系统和算法通常不考虑硬件或环境中特定噪声特征的存在。因此，与预期性能(或假设加性高斯白噪声(AWGN)时的理论性能)相比，通信系统的整体性能可能会下降。该系统和算法可针对特定环境在电子器件(即，所使用的硬件)、传播模型和噪声方面进行优化。然而，这种方法可能相对昂贵且耗时，因为人类对良好传播模型的构想可能是一项乏味的任务。

作为替代方案，本文描述的技术可利用机器学习来基于某些感兴趣的目标平台(硬件在环和软件在环)训练某些代理，以便“调谐”或以其他方式将电信算法专门用于特定的硬件和/或软件平台。这种机器学习方法可能不需要专门的专业知识，因为更优化的参数是直接从数据中学习的。

本文描述的机器学习方法可具有若干应用。例如，并且现在转向图3，可使用机器学习方法来进行包检测。在图3中，图3示出了数据包结构100的一个实施方案，该数据包结构可能已被发射到通信信道(诸如图2所示的信道56)中。数据包100被示出为以预定义的前导码部分102开始。在一些通信系统中，匹配滤波器104可用于检测前导码102，例如作为OFDM通信中的分量。在所描绘的示例中，图3示出了在信号110中检测到对应于前导码102的峰值108的时刻。然后，可稍后使用峰值108的时刻来同步接收器所接收的信号。当信号正通过具有AWGN噪声的简单传播信道发射时，匹配滤波器104方法可很好地工作。然而，更复杂的信道(例如，海底环境)可能迅速降低使用匹配滤波器104的前导码检测系统的性能。

有利的是，图4中示出了用于数据包检测的机器学习过程的一个实施方案。在所描绘的实施方案中，互相关(Rxy)过程152可与自相关联或自相关(Rxx)过程154组合。例如，互相关过程152可利用前导码102的先验知识，而自相关过程154可利用重复的前导码102模式。然后可将Rxy和Rxx输入提供给卷积层160。卷积层160可将学习的滤波器应用于输入，以便创建汇总输入中那些特征的存在的特征图。

然后可例如使用最大池化层162来计算特征图中的每个补丁的最大值。然后可使用全连接层164从特征图转换到输出预测。因此，例如可创建线性分类器神经网络166，其适于基于输入数据(诸如图3中所示的数据包100)来做出分类决策(例如，找到前导码、未找到前导码)。应当理解，作为线性分类器神经网络166的补充或替代方案，可使用其他机器学习技术来检测前导码102，诸如状态向量机(SVM)、决策树学习、关联规则学习、深度学习、归纳逻辑编程、遗传算法、数据挖掘等。同样，可训练其他类型的神经网络，诸如径向基函数神经网络、Kohonen自组织神经网络、递归神经网络、模块化神经网络等并将其用于检测前导码102以用于数据包100的后续处理。

图5示出了接收器操作特性(ROC)曲线图200的一个实施方案，该曲线图具有示出线性分类器神经网络166的训练结果的曲线。在所描绘的实施方案中，ROC曲线图200包括使用例如测试数据集实现的作为检测概率轴线204的函数的虚警概率轴线202。如图所示，线性分类器神经网络166实现了极佳的检测性能，这可能比人类设计的手动策略更好。利用本文描述的技术可改进各种通信块。例如，并且现在转向图6，可使用机器学习来诸如通过调谐超参数改进某些系统的调谐。更具体地，图6示出了用于诸如通过调谐均衡器的前馈和/或反馈抽头的数量来调谐某些接收器均衡器“长度”的并排曲线图250和252。

在所描绘的实施方案中，曲线图250、252分别包括反馈(FB)抽头与总抽头的比率的轴线254和256。曲线图250、252另外分别包括以分贝为单位的平均信噪比(SNR)的轴线258和260。曲线图250示出1和2信道实施方案，而曲线图252示出3和4信道实施方案。例如，对于给定的平均SNR，增强学习(RL)可用于超参数调谐以确定FB抽头的更优数量。电信接收器可能取决于许多可能需要不断调整以匹配特定环境的参数。已发现接收器的性能高度依赖于所说明的前馈抽头和反馈抽头的分配。最优参数可能取决于正在使用的特定通信信道以及接收器阵列的几何形状。因此，这些参数是动态的，并且可能需要在每个部署场景期间手动调整。这种人工优化通常由经验丰富的工程人员完成，他们通常接受过广泛的培训。在很多情况下，可能没有进行人工优化，这导致通信系统的性能没有得到充分利用。

作为对参数的手动调整的替代方案，本文描述的技术包括应用增强学习技术来训练代理以在给定接收器配置中自动优化参数。图7示出了代理体系结构。更具体地，图7是示出可能已经由RL训练的代理314的一个实施方案的框图。如先前所提及的，数字数据302进入发射器304以转换成模拟数据。然后，发射器304使用信道306来发射模拟信号。噪声源308可注入噪声，从而使所发射的信号模糊。然后接收器310可将所接收的信号转换成数字信号，该数字信号可被分成一个或多个信道或测量312。然后，解码器320可将数字信号转换为输出数据322(例如，数字数据位)。

代理314可从“可观察量”316读取信息。可观察量316可包括接收器310管线中的中间数据。该中间数据可包括在接收器314内的每个处理块之后可用的时间迹线，诸如包检测的时间迹线、星座相移的时间迹线、纠错码之前和之后的软符号等。超参数318可为任何感兴趣的参数，其可经调整以改善接收器的性能或以其他方式“调谐”接收器。例如，超参数318可包括用于调整到背景噪声级的同步字检测的参数、用于补偿信道306的前馈和反馈滤波器的分配和/或用于补偿传播速度的变化的跟踪环路的参数(例如，多普勒)。

代理314中使用的神经网络可使用大的测试信号数据集来离线训练，其中所发射的符号是已知的。所述训练数据集表示现场部署中遇到的真实操作条件，并且可定义奖励函数，使得解码位的正确恢复得到奖励，而解码位的错误恢复受到惩罚。然后训练代理314，直到它学习如何利用可观察量来最大化奖励。在使用中，代理314然后可自适应地调谐接收器310和/或解码器320，从而改进信号接收和到数字位322的转换。

在多信道接收器的情况下，挑选有限数量的信道来执行解码可能是适当的。限制信道的数量降低了解码器的复杂度，并且可避免在解码器中增加噪声。选择相关信道来馈送解码器是一项重要的任务。它很大程度上取决于信道的时空方面。例如，当信道306为盐水时，盐度、温度、碎屑、流量可能会随时间影响信号。本文描述的技术包括使用增强学习来自适应地挑选要使用的信道。典型的示例是使用如图8所示的一个或多个信道接收器阵列。

更具体地，图8描绘了具有10×10个压电元件352的接收器阵列350(例如，具有100个信道的多信道接收器阵列)。在所有信道中，仅使用少数信道(例如，100个中的10个)可能更优化和更现实。信道312的选择可能取决于非常特定于任务的因素，诸如环境因素。环境因素可能包括发射器的物理位置、噪声源的类型、噪声的相干性、信道的空间相干性等。这些因素可能导致对于通信系统的每次部署可能非常难以解决的优化问题。本文描述的技术包括使用RL来原位学习在通信期间使用的最佳信道是什么。

另外，必须经常调整发射器的一些参数以实现更稳健和最优的遥测。这些参数包括但不限于遥测信号的中心频率、带宽、数据速率、脉冲整形、纠错码、数据包最大大小、前导码特性。其他参数可包括在实际信号调制中使用的参数，例如用于PSK、FSK、QAM、OFDM、ASK等的参数。在双向通信链路的假设下，有可能在发射器304和接收器310/解码器320之间交换辅助信息。因此，接收器/解码器可将对改善通信有用的信息通知给发射器304。可使用至少一对通信系统体系结构来优化发射器参数。

在一种体系结构中，在接收器304中使用一组指示符来执行RL，以评估奖励，诸如信号质量、遥测统计等。使用双向链路将改变发射器304参数的决策从发射器304发送到接收器310。在第二体系结构中，在发射器304中使用从接收器310使用双向链路发送到发射器304的信息来执行RL。这两体系种结构也可组合使用。

现在转向图9，图9示出了调制解调器400的网络。在某些石油和天然气操作中，可使用将信息从一端中继到另一端的一些调制解调器网络来实现从钻机到井下工具的无线通信。先前在图1中描述了无缆系统。这种拓扑结构的另一个示例可通过管道实施声学遥测。当使用管道作为信道306时，可能需要人工干预来更新通信参数，并且优化的频谱通常是有限的。本文描述的技术可利用增强学习(RL)来更好地优化通过一个或多个调制解调器(诸如通过调制解调器402-412)的通信路径，以及利用发射器参数来优化调制解调器400的网络环境中的遥测系统。所提出的解决方案是在顶部节点402中或在连接到顶部节点402的处理单元中实施RL。然后，从顶部节点402传送到目标节点(例如，节点404-412)的路径和相关联的参数可通过RL算法来优化，从而处理诸如数据吞吐量、延迟、稳定性的观察量。因此，可提供调制解调器402-412的更优化的通信系统，即使用管道作为通信信道的系统。

图10是在地面14处接收的信号的能量的曲线图。更具体地，曲线图450被描绘为具有时间轴线452和频率轴线454。电信设备可能对由感兴趣的带宽(例如，用于通信的带宽)上的外部噪声引起的扰动更高度敏感。在所描绘的实施方案中，示出了多种噪声。例如，示出了脉冲噪声456、未识别噪声458、电力线噪声460、泵噪声462、宽带噪声464、与钻机相关的噪声466(组合位置/钻压(WOB)/大钩载荷)以及与钻井每分钟转数(RPM)相关的噪声468。

如图10所示，带宽可能表现出由外部噪声源引起的强干扰模式。外部噪声源可由大范围来源产生，包括存在于地面的设备(例如，电动马达)或井附近的其他工具。提高电信信号可靠性的一个重要方面在于找到最适合的带宽，其中外部噪声源将对要发射的信号的影响最小。此任务通常由人类专家分析频谱图并找到最适合用于发射的带宽来执行。

替代地，机器学习技术可用于本文描述的通信系统，其中自动系统已经训练以将频谱图分类和分割成噪声强且可能干扰感兴趣区域的特定区域。现在转向图11，图11是示出具有自动频谱感知和分类的通信系统500的一个实施方案的框图。在所示实施方案中，数字位502被用作发射器504的输入。然后，发射器504可将数字位502转换成模拟信号，以用于经由信道506进行发射。噪声源508可将噪声注入到信道506中，这可能会使所发射的信号模糊。然后接收器508可将模拟信号转换成数字信号，该数字信号可被分成一个或多个信道或测量510。然后频谱感知可对噪声区域进行分类和/或分割。

例如，可使用机器学习来识别噪声诸如噪声456-468，以及噪声456-458出现的区域(例如，频率、时间、地理位置)。实际上，所示的频谱感知分析不同的信道510并提供由时间间隔[Tstart-Tstop]和/或频率间隔[fstart-fstop]512界定的感兴趣区域。因此，由频谱感知检测到的信息512避开存在最强噪声的时间-频率区域，或者使用该信息作为后续噪声消除的先验知识。该技术可与本文描述的所有其他技术一起使用，包括与代理314的组合。

图12是示出脉冲整形滤波器550的实施方案的曲线图。更具体地，滤波器550为根余弦滤波器550。模拟数字链中的非线性可在石油和天然气电信系统中找到。这些非线性可由换能器(例如，水下声学换能器)的频率响应的变化、由信号放大器的技术引起的非线性、由数字模拟转换器(发射器)的低分辨率和/或由模拟数字转换器(接收器)以及频道的频率选择性引起。

传统上，电信接收器可使用“脉冲整形滤波器”来减少电信信号的带宽占用。脉冲整形的一种选择是使用图12所示的根升余弦滤波器550。根升余弦滤波器550的优点的特征在于相邻符号中心的符号间干扰图案为零。然而，滤波器550的最优性要求整个电信链是线性的，对于真实电信系统，这决不会得到验证。此外，在超奈奎斯特电信环境中，最优脉冲整形滤波器通常是未知的，并且因此必须凭经验确定。

作为脉冲整形的替代方案或补充，本文描述的机器学习技术可通过使用发射器、接收器、解码器等中的生产硬件和软件作为学习链的一部分来执行系统在环学习，从而学习更优的滤波器。图13示出了可使用系统在环学习的通信系统体系结构的一个实施方案。更具体地，图13示出了适于经由神经网络进行脉冲形状建模的通信系统600的一个实施方案的框图。

在所描绘的实施方案中，数字位602可被发射器604用作输入以转换成模拟信号。然后可经由通信信道606发射信号。噪声源608可将噪声注入到信道606中，从而使所发射的信号模糊。接收器610可接收模拟信号并将模拟信号转换成数字信号。数字信号可被分成一个或多个信道或测量612。然后解码器614可解码数字信号并提供数字位616作为输出。

可比较输入位602和输出位616以导出误差618。然后可使用误差618来训练神经网络。例如，可由具有未知权重的神经网络来对发射器脉冲形状620和接收器脉冲形状622建模。可初始通过最小化发射位602和接收位616之间的误差函数(例如，误差618)来以监督方式训练神经网络。可使用在实际传播信道606中操作的实际硬件和/或软件来训练该系统，或者在模拟信道上利用该系统来加速初始训练。应当注意，作为本文描述的任何其他通信系统的补充或替代方案，可包括关于通信系统600描述的自适应脉冲整形。通过提供用于自适应脉冲成形的原位机器学习，本文描述的技术可导致在噪声信道(包括海底信道)中产生更优化的现场通信。

图14是描绘适于生成训练数据的遥测系统650的一个实施方案的框图。由于与真实传播信道(例如，水下通信信道)的访问相关联的成本，使用足够大的数据库来训练机器学习系统可能是一项具有挑战性的任务。作为实现完整通信链的建模成本可能过高的物理建模的替代方案，所描绘的实施方案示出使用生成对抗网络(GAN)来学习通信系统的真实模型，包括硬件非线性和信道损伤。

在图14所示的遥测系统650的GAN实施方案中，真实遥测数据集652和经由发生器654生成的数据集被发送到鉴别器658。鉴别器658可在真实遥测数据集652和发生器654生成的数据集之间随机交替。鉴别器658可经训练以从生成的数据集中识别真实数据集，而发生器654经训练以最小化鉴别器658的成功率。还示出了发生器的数据集可能来自的潜在空间670。使用诸如GAN的技术，本文描述的技术可在感兴趣的传播信道上训练一个或多个神经网络，以包括诸如在水下通信、泥浆脉冲遥测、电磁遥测、声学穿管遥测和/或电缆遥测(例如，测井电缆、钢丝绳)中使用的那些信道，然后使用经训练的神经网络来模拟将用于训练前述机器学习系统的真实数据集。通过将GAN技术应用于训练神经网络的创建，可为各种通信系统提供更快且更有效的训练。

图15是示出具有系统在环能力的端到端学习通信系统700的一个实施方案的框图。经典电信系统传统上基于定义明确的构建块，诸如解调、匹配滤波、分组同步、均衡、解码和纠错码。虽然可以证明此类系统可通过实现信道容量在简单的通信信道上提供最佳可实现的性能，但在传播信道中存在硬件非线性和选择性的情况下，不存在最优性的证据。非常适合于目标硬件和感兴趣信道(例如，泥浆脉冲遥测、电磁遥测、声学穿管遥测和/或电缆遥测(例如，测井电缆、钢丝绳))的电信体系结构的研究和设计可能是一项耗时且昂贵的任务。

作为传统设计的替代方案或补充，本文公开的实施方案(诸如通信系统700)可使用自动编码器技术(例如，自动编码器神经网络)来实现电信信道的端到端学习。在所描绘的实施方案中，数字位720可用作编码器704的输入，所述位可转换成模拟信号以经由信道708进行发射(块706)。信道708可具有由噪声源710注入的噪声，从而使所发射的信号模糊。然后感知和模拟数字块712可接收模拟信号并将所接收的信号变换成数字信号。然后数字信号可被分成一个或多个信道或测量714，然后可经由解码器716解码成数字位718。

图15的体系结构实施方案是围绕传统编码器-解码器体系结构构建的，不同之处在于感兴趣的硬件被包括在这些构建块之间。因此，系统500可在真实部署场景上训练或使用简化的传播信道来训练。也就是说，当通信系统500操作时，可在一个或多个构建块(例如，接收器、发射器、脉冲发生器等)中捕获数据，并由自动编码器神经网络使用该数据来基于先前的训练调整或以其他方式调谐通信系统500。因此，可提供动态可调通信系统500，其使用系统在环技术进行端到端调整。

也可使用水下导航和任务特定声学遥测的自适应耦合。例如，在水下遥测层上方执行的外层自动化将在允许的情况下触发自适应路径和任务规划以最大化自主水下运载工具(AUV)占据某一区域的发现或持续时间，所述区域有利于向上传输稳健检查/测量帧，这原本是沿着AUV的正常路径无法实现的。一个这样的示例可能是在采油设备(以气体-液体流动状态操作的泵)的近距离检查期间通过管理设备与有利发射区之间的合理短行程而对检查视频/激光雷达图像的周期性发射，该采油设备生成显著的声学噪声。可通过增强学习来学习完成近距离检查与过程中向上传输之间的折衷。

还可提供使用来自多个现场位置的流数据的云增强学习。在传统增强学习中，底层模型通常使用示例性字段或合成数据来离线学习。在现场操作期间，学习模型与多个代理(即现场位置)共享，并用于推理参数，如本备忘录其他部分所讨论的。然而，在具有多个代理的设置中，每个代理并不知道其他现场位置的数据，并且推理模型通常在工作期间是固定的。为了利用来自多个现场位置的实时数据，本文描述的技术可使用实时流式传输到集中式服务器(即，云)的数据。在服务器中，使用新样本来改进边缘情况和整体可靠性方面的推理模型。然后更新的推理模型周期性地与所有现场位置共享。

图16是示出适合于将机器学习用于包括石油和天然气遥测系统的通信系统的过程750的框图。过程750可实施为可经由一个或多个处理器(例如，微处理器)执行并存储在存储器中的计算机代码或指令。在所描绘的实施方案中，可将真实数据集752与GAN系统754和经由GAN系统754提供的生成的数据集组合。然后，可将数据集752和/或756用于机器学习(块758)，如上图所述。然后，机器学习可产生自适应系统，诸如发射器自适应系统760、接收器自适应系统762和/或适于环境条件(例如，水下通信、泥浆脉冲遥测、电磁遥测、声学穿管遥测和/或电缆遥测(例如，测井电缆、钢丝绳))的通信系统764。通信系统(例如，海底声学通信系统)可另外用于石油和天然气(例如，海底采油现场)，但也可用于海上风场。部件的训练可为监督的、无监督的、半监督的或其组合。

尽管上面已详细描述了本公开的几个实施方案，但本领域普通技术人员将容易理解，在实质上不脱离本公开的教导的情况下，许多修改是可能的。因此，这种修改旨在被包括在如权利要求所限定的本公开的范围内。此外，关于图1至图16示出和/或描述的任何特征可以任何合适的方式组合。

Claims (20)

1.一种遥测系统，其包括：

发射器，所述发射器被配置为将表示石油和天然气操作的数字位转换成模拟信号并且经由通信信道发射所述模拟信号；以及

接收器，所述接收器被配置为接收所述模拟信号并将所述模拟信号转换成输出数字位，其中所述接收器包括一个或多个接收器部件，所述一个或多个接收器部件经由机器学习进行训练以处理所述模拟信号以获得改进的通信。

2.如权利要求1所述的系统，其中所述一个或多个接收器部件包括神经网络，所述神经网络被配置为检测经由所述通信信道发射的数据包前导码。

3.如权利要求1所述的系统，其中所述一个或多个接收器部件包括神经网络代理，所述神经网络代理被配置为使用接收器和/或解码器可观察量并生成超参数以用于调谐所述接收器和/或解码器。

4.如权利要求3所述的系统，其中所述超参数包括用于补偿所述通信信道的前馈和反馈滤波器的分配的参数、用于补偿传播速度的变化的跟踪环路的参数或其组合。

5.如权利要求1所述的系统，其中所述一个或多个接收器部件包括神经网络，所述神经网络被配置为提供接收器脉冲形状以对所述模拟信号进行滤波。

6.如权利要求5所述的系统，其包括发射器部件，所述发射器部件经由机器学习进行训练以提供发射器脉冲形状以用于发射所述模拟信号，其中所述发射器脉冲形状和所述接收器脉冲形状配合以改进所述模拟信号的接收。

7.如权利要求1所述的系统，其包括一个或多个发射器部件，所述一个或多个发射器部件经由机器学习进行训练以处理发射器信息，其中所述一个或多个发射器部件、所述一个或多个接收器部件或其组合经由由生成对抗网络(GAN)创建的数据集进行训练。

8.如权利要求1所述的系统，其包括一个或多个发射器部件，所述一个或多个发射器部件经由机器学习进行训练以处理发射器信息，其中所述一个或多个发射器部件、所述一个或多个接收器部件或其组合经由考虑到系统在环数据发射的自动编码器神经网络进行训练。

9.如权利要求1所述的系统，其中所述一个或多个接收器部件经训练以提供对噪声进行分类的频谱感知并提供所述通信信道中无噪声区域的指示。

10.一种用于遥测的方法，其包括：

经由发射器将表示水下机器操作的数字位转换成模拟信号；

经由通信信道发射所述模拟信号；

经由接收器接收所述模拟信号；以及

将所述模拟信号转换成输出数字位，其中所述接收器包括一个或多个接收器部件，所述一个或多个接收器部件经由机器学习进行训练以处理所述模拟信号以获得改进的通信。

11.如权利要求10所述的方法，其中所述水下机器操作包括石油和天然气操作、风力操作或其组合，并且其中所述一个或多个接收器部件包括神经网络，所述神经网络被配置为检测经由所述通信信道发射的数据包前导码。

12.如权利要求11所述的方法，其中所述一个或多个接收器部件包括神经网络代理，所述神经网络代理被配置为使用接收器和/或解码器可观察量并生成超参数以用于调谐所述接收器和/或解码器。

13.如权利要求11所述的方法，其中所述发射器包括一个或多个发射器部件，所述一个或多个发射器部件经由机器学习进行训练以在发射所述模拟信号之前处理发射器信息。

14.如权利要求11所述的方法，其中所述一个或多个发射器部件、所述一个或多个接收器部件或其组合经由监督训练、经由半监督训练、经由无监督训练或其组合进行训练。

15.如权利要求11所述的方法，其包括经由机器学习生成训练数据集以用于训练所述一个或多个接收器部件。

16.一种存储指令的非暂时性计算机可读介质，所述指令在由处理器执行时致使所述处理器：

经由发射器将表示水下机器操作的数字位转换成模拟信号；

经由通信信道发射所述模拟信号；

经由接收器接收所述模拟信号；以及

经由编码器将所述模拟信号转换成输出数字位，其中所述接收器包括一个或多个接收器部件，所述一个或多个接收器部件经由机器学习进行训练以处理所述模拟信号以获得改进的通信。

17.如权利要求16所述的非暂时性计算机可读介质，其中所述水下机器操作包括石油和天然气操作、风力操作或其组合，并且其中所述一个或多个接收器部件包括神经网络，所述神经网络被配置为检测经由所述通信信道发射的数据包前导码。

18.如权利要求16所述的非暂时性计算机可读介质，其中所述一个或多个接收器部件包括用于神经网络的计算机指令，所述神经网络被配置为检测经由所述通信信道发射的数据包前导码、使用接收器和/或解码器可观察量来生成超参数以用于调谐所述接收器和/或解码器或其组合。

19.如权利要求16所述的非暂时性计算机可读介质，其中所述一个或多个接收器部件、一个或多个发射器部件或其组合经由监督训练、经由半监督训练、经由无监督训练或其组合进行训练。

20.如权利要求19所述的非暂时性计算机可读介质，其中无监督训练包括执行自动编码器神经网络、生成对抗网络(GAN)或其组合。

Images