CN114492521A - 一种基于声振信号的随钻岩性智能识别方法与系统 - Google Patents
一种基于声振信号的随钻岩性智能识别方法与系统 Download PDFInfo
- Publication number
- CN114492521A CN114492521A CN202210070697.4A CN202210070697A CN114492521A CN 114492521 A CN114492521 A CN 114492521A CN 202210070697 A CN202210070697 A CN 202210070697A CN 114492521 A CN114492521 A CN 114492521A
- Authority
- CN
- China
- Prior art keywords
- data
- lithology
- model
- rock
- audio
- 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 42
- 238000005553 drilling Methods 0.000 title claims abstract description 33
- 239000011435 rock Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 238000012545 processing Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明涉及一种基于声振信号的随钻岩性智能识别方法与系统，包括：采集岩石与钻头碰撞的音频和振动信号数据，经过数据预处理和数据增强后构建样本数据集；采用基于CGRU‑AttGRU的深度学习优化模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型；将实时获取到的音频和振动数据和训练好的识别模型进行识别预测，得到识别预测岩性结果。本发明基于实时获取动态音频和振动参数作为岩性识别的基础，通过利用钻头与各岩层接触过程中发出的巨大信号包含的丰富地层信息，对钻孔过程中采集到的岩石信号结合深度学习等智能算法对岩石特征进行分析处理，减少人为因素和设备的依赖，并且不断优化预测模型，提高岩石分类准确度和模型泛化能力。
Description
技术领域
本发明涉及地质勘探领域，尤指涉及一种基于声振信号的随钻岩性智能识别方法与系统。
背景技术
随钻实时岩性识别一直是地质工程钻探领域的一项难题。实现随钻实时智能识别对地质勘探和油气井工程具有重大意义。
传统的岩性识别方法为钻井取芯和交会图法。取芯分析方法是最直接最有效的识别方法，但此方法存在效率低、非实时和人为主观因素影响等问题。交会图主要是通过测井曲线资料进行划分地层，测井曲线包含着丰富的地层信息，根据自然电位、声波时差和自然伽马等测井曲线实现非取芯识别，但由于地层环境复杂，大多数类似岩石具有相同的岩性曲线，导致采用测井曲线识别方法不能大规模适用。
通过查阅资料可知，在钻头与各岩层接触过程中，发出的巨大音频和振动信号携带着大量反映钻头、钻柱和地层的信息，这就使得利用钻井过程中的振动和音频信号结合人工智能技术实现实时岩性识别成为可能。随着计算机技术的不断发展，人工智能技术正在广泛应用于岩性识别领域。通过机器学习和深度学习在岩性识别领域的应用，探索不同算法模型对不同地质条件下的识别情况，有效提高了识别的速度和效率，实现了早期人工识别到智能识别的过渡，对岩性智能识别具有重要的意义。但目前的岩性识别方法依然具有以下一些问题：
(1)以岩石图像为基础的图像识别可以获得较好识别效果，但在实际钻井过程中井内不能满足实时获取岩石图像，不能满足实时识别要求；
(2)将测井资料结合机器学习的方法进行岩性识别可以达到实时识别的要求，但测井资料种类繁多，需提前进行资料数据的收集和整理，难以获取足够的数据集。
发明内容
为了解决上述实时岩性智能识别的难题以及结合时代技术发展的机遇，本发明提出了一种基于声振信号的随钻岩性智能识别方法与系统，从岩石声波和振动数据集出发，提出基于CGRU网络模型实现对岩性智能分类；同时为提高模型在钻孔复杂环境识别能力，引入注意力机制模型构建CGRU-AttGRU优化模型，该模型提高了提取特征表征能力，对复杂音频和振动信号分配权重实现重点学习，减少人为主观因素影响，识别方法更具有智能化，同时克服信号本身多样性的问题，提高识别准确率；并且音频信号和振动信号相对于实时图像和其他测井参数更容易获取，有效解决数据量少和数据获取困难等问题，为复杂地层进行随钻实时岩性识别提供一种新思路。
为实现上述目的，采用技术方案如下：
一种基于声振信号的随钻岩性智能识别方法，该方法包括：采集岩石与钻头碰撞的音频和振动信号数据，经过处理后构建样本数据集；对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型，将实时获取到的音频和振动数据和训练好的识别模型进行识别预测。在预测模型中，将CNN提取的局部特征作为GRU模型的输入，提取全局特征。同时，为了提升模型的泛化能力，引入注意力模型构建CGRU-AttGRU优化模型，Attention模型与GRU网络组合作为模型的解码器结构，CGRU作为模型的编码器结构。最终通过分类器输出识别预测岩性结果。
对采集到的音频和振动信号进行处理的方法，包括：为了有效减少机械频率和外部噪声对数据的影响，采用滤波器进行滤波处理，选择1～15kHz频率范围识别岩性，在此频率范围下各种岩石具有唯一性，确保用于分析的数据信号仅与地层岩性相关。为提高识别准确率，减少数据稀疏问题，将采集岩石音频和振动数据进行数据增强处理。
采用验证集对训练好的预测模型进行验证精确度时，若出现过拟合和预测准确度不满足要求时，则修改预测模型的正则化参数或者是进行数据增强提升训练样本数量，重新训练和验证，达到最优模型从而得到最好识别精度。
所述方法还包括：要定期采集实时岩石音频和振动数据来更新岩性识别模型，提高模型泛化性。
一种基于声振信号的随钻岩性智能识别系统，该系统包括：数据采集模块，用于实时采集钻头与岩石碰撞得到的音频数据和振动数据，经过处理后构建样本数据集；采用基于CGRU的深度学习模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型；岩性识别模块，用于将实时获取到的音频和振动数据和训练好的识别模型进行识别预测，从而得到最终的预测结果。
该系统包括一种便捷处理设备，所述设备包括核心控制器和存储单元，可以配置相关外部设备进行人机交互；同时，该处理设备可以满足将训练好的岩性预测模型进行移植到设备上，实现移动端进行随钻实时岩性智能识别。
该系统也包括一种存储介质，将计算机程序保存在存储介质中，通过核心控制器对计算机程序进行调用实现基于声振信号的随钻岩性智能识别方法。
本发明提出了一种基于声振信号的随钻岩性智能识别方法与系统，从岩石声波和振动数据集出发，提出基于CGRU网络模型实现对岩性智能分类；同时为提高模型在钻孔复杂环境识别能力，引入注意力机制模型构建CGRU-AttGRU优化模型，该模型提高了提取特征表征能力，对复杂信号分配权重实现重点学习，减少人为主观因素影响，识别方法更具有智能化，同时克服音频和振动信号本身多样性的问题，提高识别准确率，为复杂地层进行随钻实时岩性识别提供一种新思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的总体结构示意图；
图2为本发明的系统模块结构示意图；
图3为摘要附图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，给出这些实施方法不是为了限制本发明的范围，而是为了使本领域技术人员能更加清楚了解本发明。
实施例1
如图1所示，本实例采用一种基于声振信号的随钻岩性智能识别方法，其步骤如下：
步骤1、采集岩石与钻头碰撞的音频和振动信号数据构建样本数据集；采用基于CGRU-AttGRU的深度学习模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型。
具体上述步骤1中，包含以下步骤：
步骤11、采集岩石与钻头碰撞的音频和振动信号数据，经过处理后构建样本数据集。
在实施例中，为了有效减少机械频率和外部噪声对数据的影响，采用带通滤波器进行滤波处理，选择1～15kHz频率范围识别岩性，在此频率范围下各种岩石具有唯一性，确保用于分析的数据信号仅与地层岩性相关。为提高识别准确率，减少数据稀疏问题，将采集的岩石数据进行数据增强处理。音频数据采用时间伸展增强和音高变换增强方式，振动信号采用时域和时频域的拉伸和掩蔽增强方式。
步骤12、将预处理后的数据集按照7：3的比例随机分为训练集和测试集，分别作为训练预测模型和验证模型准确性。
步骤2、从样本数据集出发，采用深度学习模型实现对岩性智能分类，为提高模型在钻孔复杂环境识别能力，引入注意力机制模型构建CGRU-AttGRU优化模型。利用训练好的岩性识别预测模型以及获取的实时测井数据对岩性进行识别预测，得到岩性识别预测结果。
具体上述步骤2中，包含以下步骤：
步骤21、CGRU作为模型的编码器结构，注意力机制与GRU网络组合作为模型的解码器结构。CGRU网络将输入序列X＝[x1,x2,x3…xt]的岩性特征进行编码得到编码序列H＝[h1,h2,h3…ht]，在t时刻，编码器完成对输入特征的最后一步编码操作后，将向量输入到解码器开始执行编码器-解码器框架的解码操作后通过分类器得到岩性类型。
进一步的，在使用的Encoder-Decoder网络中，解码器接收两个来自于编码器网络的输入向量。一个输入为上一时刻得到的岩性识别结果对应的岩性向量；另一个输入为上一时刻经过注意力机制计算后得到的带有注意力权重的岩性向量。j时刻的岩性识别结果，对应的岩性向量yj作为解码器的输入时，其计算方法是通过softmax函数计算得到不同岩性的概率值，最大的概率值即为模型预测标签，其计算公式如下：
yj＝largmax(Pj-1)
Pj-1＝softmax(WDecoder×kj-1+bDecoder)
其中，WDecoder与bDecoder是解码器网络全连接层的权重参数与偏置参数，kj-1是在j-1时刻，Decoder网络隐藏层的输出值。
在CGRU-AttGRU模型中，解码器结构使用隐藏层数目为1的GRU网络，隐藏节点设置为128，时间步32个，对编码器上一时刻识别的岩性向量与经过注意力机制处理后的岩性向量进行解码。模型训练中的参数与CGRU模型保持一致，从而实现对岩石种类的预测。
步骤3、将岩性识别预测结果与实际岩性种类进行对比分析，结合实际情况对预测模型进行改进优化，并且要定期采集实时岩石音频和振动数据来更新岩性识别模型，提高模型泛化性。
实施例2
本实施例对上述实施例1做进一步说明。
1.为保证实验有效性，采用红砂岩、青砂岩和花岗岩等三类岩石种类进行实验，采集此三类岩石实际钻孔下的音频数据和振动数据，并且收集岩石的自身属性，如密度、单轴抗压、硬度值等参数进行物理分析，收集数据如表1所示。
表1岩石样本
2、采用带通滤波器进行滤波处理，选择1～15kHz频率范围识别岩性，在此频率范围下各种岩石具有唯一性，确保用于分析的数据信号仅与地层岩性相关。为提高识别准确率，减少数据稀疏问题，将采集的岩石数据进行数据增强处理。音频数据采用时间伸展增强和音高变换增强方式，振动信号采用时域和时频域的拉伸和掩蔽增强方式。经过滤波处理和数据增强后的样本数据集如表2所示。
表2岩石样本数据集
3、将采集到的三类岩石各400条数据分别进行相同的两种数据增强过程，增强后的每种岩石各4000条数据，总共数据为12000条。训练集与测试集比例为7:3。
4、利用训练集建立深度学习预测模型，同时利用验证集验证模型精确度，利用准确率、精确率、召回率和F1值来作为模型的评价标准。
本实施例中，预测模型对数据集训练后的训练集与验证集结果如表3所示。
表3预测模型的训练集和验证集结果
| 训练集(％) | 验证集(％) | |
| 精确率 | 93.32 | 81.72 |
| 召回率 | 90.11 | 77.63 |
| F1值 | 90.81 | 78.52 |
5、对常用的GMM-SVM、CNN和CGRU模型与本实施例中使用的CGRU-AttGRU预测模型进行对比实验，体现模型在本实施例中的优势，结果如表4所示。
表4不同预测模型训练对比实验结果
从表4比较结果可以看出深度学习网络模型识别率高于传统机器学习模型。相较于传统模型，基于深度学习的岩性识别能更好的学习数据潜在特征，从而提高识别准确率；在深度学习模型中可以看出，卷积神经网络相较于CGRU模型，对于短时能量变化更为明显的岩性音频识别效果更佳，针对花岗岩碰撞能量较为明显的岩性上，具有较高的识别准确率，但对于能量情况类似的红砂岩与青砂岩，CNN识别效果较差。在CGRU模型上，CGRU综合了CNN网络对数据局部特征的强大学习能力与Bi-GRU网络对于全局特征信息的捕捉能力，使得对红砂岩和青砂岩等砂岩识别准确率提升。并且CGRU-AttGRU模型在整体岩性识别准确率上均高于其他模型，对三种岩石平均识别准确率达到90.17％。因此，本发明在进行实时岩性识别领域具有较大的应用价值。
实施例3
本实施例对应上述实施例1提供一种基于声振信号的随钻岩性智能识别系统，如图2所示，该系统主要包括数据采集模块，用于采集岩石与钻头碰撞的音频和振动信号数据；模型训练模块，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型；将实时获取到的音频和振动数据和训练好的识别模型进行识别预测；控制设备模块，用于将训练好的预测模型移植到移动硬件设备中，实现便捷和快速岩性识别。
进一步的，本实施例中的控制设备包括核心处理器、存储器、通信单元和外部设备，并且设备之间可以通过总线进行连接。本系统的存储器可以是控制设备自身存储单元，也可以采用TF卡和外置硬盘等作为外部存储器。此控制设备可以采用树莓派、Jetson Nano和Tx2Xiaver等设备，不做限定，只需要满足执行实施例1方法。
最后需要强调以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于声振信号的随钻岩性智能识别方法，其特征在于，该方法包括：
采集岩石与钻头碰撞的音频和振动信号数据，经过处理后构建样本数据集；
基于深度学习模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型，将实时获取到的音频和振动数据和训练好的识别模型进行识别预测，在预测模型中，将CNN提取的局部特征作为GRU模型的输入，提取全局特征；同时，为了提升模型的泛化能力，引入注意力模型构建CGRU-AttGRU优化模型，Attention模型与GRU网络组合作为模型的解码器结构，CGRU作为模型的编码器结构，最终通过分类器输出识别预测岩性结果。
2.如权利要求1所述的基于声振信号的随钻岩性智能识别方法，其特征在于，所述采集岩石与钻头碰撞的音频和振动信号数据，经过处理后构建样本数据集，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型的方法，包括：
对采集到的音频和振动信号进行预处理，确保用于分析的数据信号仅与地层岩性相关；
为提高识别准确率，减少数据稀疏问题，将采集岩石音频和振动数据进行数据增强处理；
将预处理后的数据集按照7：3的比例随机分为训练集和测试集，分别作为训练预测模型和验证模型准确性。
3.如权利要求2所述的一种基于声振信号的随钻岩性智能识别方法，其特征在于，对采集的音频和振动信号处理的方法，包括：为了有效减少机械频率和外部噪声对数据的影响，采用带通滤波器进行滤波处理，选择1~15kHz频率范围识别岩性，在此频率范围下各种岩石具有唯一性。
4.如权利要求2所述的一种基于声振信号的随钻岩性智能识别方法，其特征在于，对采集的数据进行数据增强的方法，包括：音频数据采用时间伸展增强和音高变换增强方式，振动信号采用时域和时频域的拉伸和掩蔽增强方式。
5.如权利要求2所述的一种基于声振信号的随钻岩性智能识别方法，其特征在于，采用验证集对训练好的预测模型进行验证精确度时，若出现过拟合和预测准确度不满足要求时，则修改预测模型的正则化参数或者是进行数据增强提升训练样本数量，重新训练和验证，达到最优模型从而得到最好识别精度。
6.如权利要求1所述的基于声振信号的随钻岩性智能识别方法，其特征在于，所述方法还包括：要定期采集实时岩石音频和振动数据来更新岩性识别模型，提高模型泛化性。
7.一种基于声振信号的随钻岩性智能识别系统，其特征在于，该方法包括：
数据采集模块，用于实时采集钻头与岩石碰撞得到的音频数据和振动数据，经过处理后构建样本数据集；采用基于CGRU-AttGRU的深度学习模型，对采集到的岩石数据进行深度学习与训练，得到训练好的预测模型；
岩性识别模块，用于将实时获取到的音频和振动数据和训练好的识别模型进行识别预测，从而得到最终的预测结果。
8.一种便捷处理设备，所述设备包括核心控制器和存储单元，可以配置相关外部设备进行人机交互；同时，该处理设备可以满足将训练好的岩性预测模型进行移植到设备上，实现移动端进行随钻实时岩性智能识别时实现权利1至6任一所述方法。
9.一种存储介质，将计算机程序保存在存储介质中，通过核心控制器对计算机程序进行调用时实现权利要求1至6任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070697.4A CN114492521A (zh) | 2022-01-21 | 2022-01-21 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070697.4A CN114492521A (zh) | 2022-01-21 | 2022-01-21 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114492521A true CN114492521A (zh) | 2022-05-13 |
Family
ID=81472196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070697.4A Pending CN114492521A (zh) | 2022-01-21 | 2022-01-21 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114492521A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115680645A (zh) * | 2022-09-27 | 2023-02-03 | 成都理工大学 | 基于多源随钻信息融合的岩体特征实时预测方法和系统 |
| CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
| CN116087339A (zh) * | 2023-04-11 | 2023-05-09 | 中国科学院地质与地球物理研究所 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
| WO2024087003A1 (en) * | 2022-10-25 | 2024-05-02 | Saudi Arabian Oil Company | Energy band method for processing acoustic data |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
| WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| CN111353040A (zh) * | 2019-05-29 | 2020-06-30 | 北京工业大学 | 基于gru的属性级别情感分析方法 |
| US20200372524A1 (en) * | 2019-05-20 | 2020-11-26 | Sony Corporation | Prediction of film success-quotient |
| WO2021026545A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical inversion with machine learning-based geologic priors |
| CN112836075A (zh) * | 2021-03-02 | 2021-05-25 | 中国科学院武汉岩土力学研究所 | 基于深度学习和迁移学习的岩层结构智能检测分类方法 |
| CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
| CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及系统 |
| CN113705424A (zh) * | 2021-08-25 | 2021-11-26 | 浙江工业大学 | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 |
| CN113792936A (zh) * | 2021-09-28 | 2021-12-14 | 中海石油(中国)有限公司 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
-
2022
- 2022-01-21 CN CN202210070697.4A patent/CN114492521A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388531A (zh) * | 2015-10-19 | 2016-03-09 | 成都理工大学 | 一种基于支持向量回归机和核fisher分析的岩性识别方法 |
| WO2020082824A1 (zh) * | 2018-10-25 | 2020-04-30 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| US20200372524A1 (en) * | 2019-05-20 | 2020-11-26 | Sony Corporation | Prediction of film success-quotient |
| CN111353040A (zh) * | 2019-05-29 | 2020-06-30 | 北京工业大学 | 基于gru的属性级别情感分析方法 |
| WO2021026545A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical inversion with machine learning-based geologic priors |
| CN112836075A (zh) * | 2021-03-02 | 2021-05-25 | 中国科学院武汉岩土力学研究所 | 基于深度学习和迁移学习的岩层结构智能检测分类方法 |
| CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
| CN112989708A (zh) * | 2021-04-08 | 2021-06-18 | 重庆科技学院 | 一种基于lstm神经网络的测井岩性识别方法及系统 |
| CN113705424A (zh) * | 2021-08-25 | 2021-11-26 | 浙江工业大学 | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 |
| CN113792936A (zh) * | 2021-09-28 | 2021-12-14 | 中海石油(中国)有限公司 | 一种随钻岩性智能识别方法、系统、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| CHUNBI JIANG等: "Lithology identification from well-log curves via neural networks with additional geologic constraint" * |
| 刘擘龙 等: "基于序列到序列和注意力机制的超短期风速预测" * |
| 李占涛 等: "岩石钻孔振动与声波频谱特性实验研究" * |
| 李明超 等: "耦合岩石图像与锤击音频的岩性分类智能识别分析方法" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115680645A (zh) * | 2022-09-27 | 2023-02-03 | 成都理工大学 | 基于多源随钻信息融合的岩体特征实时预测方法和系统 |
| WO2024087003A1 (en) * | 2022-10-25 | 2024-05-02 | Saudi Arabian Oil Company | Energy band method for processing acoustic data |
| CN115795369A (zh) * | 2023-02-09 | 2023-03-14 | 西安华创马科智能控制系统有限公司 | 煤岩界面识别方法和装置 |
| CN116087339A (zh) * | 2023-04-11 | 2023-05-09 | 中国科学院地质与地球物理研究所 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| CN114492521A (zh) | 一种基于声振信号的随钻岩性智能识别方法与系统 | |
| CN110751044B (zh) | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 | |
| CN113642698B (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
| CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
| CN107870321B (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
| CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
| CN112712025A (zh) | 一种基于长短期记忆神经网络的复杂岩性识别方法 | |
| Yan et al. | A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm | |
| CN114638255A (zh) | 一种结合深度学习的致密砂岩裂缝测井综合识别方法 | |
| CN111160163A (zh) | 一种基于区域关系建模和信息融合建模的表情识别方法 | |
| CN113761805A (zh) | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 | |
| Chang et al. | SegLog: Geophysical logging segmentation network for lithofacies identification | |
| CN115170943A (zh) | 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法 | |
| Yuan et al. | Lithology identification by adaptive feature aggregation under scarce labels | |
| Elsayed et al. | Attention-based fully convolutional DenseNet for earthquake detection | |
| CN110907996B (zh) | 一种致密气藏自动识别方法 | |
| Li et al. | Magnetotelluric noise suppression via convolutional neural network | |
| CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
| Wang et al. | Spatiotemporal synergistic ensemble deep learning method and its application to S-wave velocity prediction | |
| Zhou et al. | Lithology identification based on multi-scale residual one-dimensional convolutional neural network | |
| Yuan et al. | Application of Active Learning in Carbonate Lithologic Identification | |
| CN114898773A (zh) | 基于深度自注意力神经网络分类器的合成语音检测方法 | |
| CN114038480A (zh) | 一种基于一维卷积自编码器与对抗域自适应的跨库语音情感识别方法 | |
| Murúa et al. | An end-to-end DNN-HMM based system with duration modeling for robust earthquake detection |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220513 |
|
| WD01 | Invention patent application deemed withdrawn after publication |