CN115618167A - 一种多传感器冗余组合容错动态测量模型及建立方法 - Google Patents
一种多传感器冗余组合容错动态测量模型及建立方法 Download PDFInfo
- Publication number
- CN115618167A CN115618167A CN202211377017.XA CN202211377017A CN115618167A CN 115618167 A CN115618167 A CN 115618167A CN 202211377017 A CN202211377017 A CN 202211377017A CN 115618167 A CN115618167 A CN 115618167A
- Authority
- CN
- China
- Prior art keywords
- sensor
- measurement
- fault
- tolerant
- model
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005553 drilling Methods 0.000 claims abstract description 54
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 33
- 239000003245 coal Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005415 magnetization Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/02—Determining slope or direction
- E21B47/024—Determining slope or direction of devices in the borehole
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/09—Locating or determining the position of objects in boreholes or wells, e.g. the position of an extending arm; Identifying the free or blocked portions of pipes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics (AREA)
- Geochemistry & Mineralogy (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Gyroscopes (AREA)
Abstract
本发明公开了一种多传感器冗余组合容错动态测量模型及建立方法，属于随钻测量系统技术领域，包括以下步骤：步骤S1：利用磁通门、加速度计、陀螺仪对井斜角、方位角、工具面角的解算方法组成冗余信息下多传感器残差误差模型；步骤S2：通过分析每个传感器的误差特性及失效规律，构建基于深度学习的多传感器容错判断模型。步骤S3：通过构建一次预测状态方程，构建出多传感器冗余组合下状态方程，进而实现近钻头随钻测量装置姿态容错动态测量模型的构建。通过上述方式，本发明可达到进一步抑制惯性随钻测量系统测量误差的目的，可提高多传感器冗余组合定位系统的定位精度。
Description
技术领域
本发明涉及随钻测量系统技术领域，具体涉及一种多传感器冗余组合容错动态测量模型及建立方法。
背景技术
煤层气的开采利用在保障煤矿安全生产、优化能源产业结构、保护生态环境等方面具有重要意义。在煤层气钻井技术与装备现状中，提高煤层气采收率和降低钻井成本对于煤层气的大力发展具有重要的意义。为了实现煤层气开发的产业化、规模化，就必须大力发展煤层气开采钻井技术与装备，逐步形成了以定向钻井为核心的多分支丛式井钻井技术。
导引钻头按着预定三维轨迹到达煤层区域并保持在煤层中钻进是煤层气多分支水平井开采的核心问题。而在井下随钻测斜仪中，磁通门易受钻柱磁化与钻具组合磁干扰等的影响，加速度计与陀螺仪易受钻具复杂振动与钻柱摩阻变形等因素的影响。因此，减小传感器的误差影响是很有必要的。
基于此，本发明设计了一种多传感器冗余组合容错动态测量模型及建立方法以解决上述问题。
发明内容
针对现有技术所存在的上述缺点，本发明提供了一种多传感器冗余组合容错动态测量模型及建立方法。
为实现以上目的，本发明通过以下技术方案予以实现：
一种多传感器冗余组合容错动态测量模型的建立方法，包括以下步骤：
步骤S1：利用磁通门、加速度计、陀螺仪对井斜角、方位角、工具面角的解算方法组成冗余信息下多传感器残差误差模型；
步骤S2：通过分析每个传感器的误差特性及失效规律，构建基于深度学习的多传感器容错判断模型。
步骤S3：通过构建一次预测状态方程，构建出多传感器冗余组合下状态方程，进而实现近钻头随钻测量装置姿态容错动态测量模型的构建。
更进一步的，步骤S1具体包括：
根据三轴磁通门与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用欧拉角理论的井斜角、方位角与工具面角的实时解算方法；
根据三轴陀螺仪与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用四元数理论的井斜角、方位角与工具面角的实时解算方法；
针对两种钻柱三维姿态解算方法分别建立对于解算方法的单个残差误差模型，再结合卡尔曼滤波算法构建冗余信息下多传感器残差误差模型。
更进一步的，步骤S2中，根据钻柱磁化误差与钻具组合磁干扰对磁场的影响，钻具复杂振动与钻柱摩阻变形等因素对加速度计与陀螺仪的影响，构建多个影响因素下的测量参数误差特性及失效规律，进而建立随钻多传感器测量误差模型；利用模糊聚类分析理论研究多参数在异常情况下的测量误差和失效规律智能识别策略，进而实现在煤层气多分支定向井开采过程中随钻测量系统多传感器冗余组合容错动态测量模型的构建。
更进一步的，模糊聚类算法的目标函数集约束条件如下：
其中，U为模糊C划分矩阵，V为C个故障聚类中心向量，C为聚类中心数，n为样本数，Ci表示第i个聚类中心，xj表示第j个样本，为标识样本xj对聚类中心Ci的隶属度，m为聚类的簇数；
用拉格朗日数乘法得到上述算法的迭代公式为：
结合上述随钻多传感器测量误差模型、模糊聚类分析及步骤S1中的多传感器残差误差模型，建立基于深度学习的多传感器容错判断模型。
更进一步的，步骤S2中，采用门控循环神经网络构建基于深度学习的多传感器容错判断模型，包括GUR层和全连接层；
所述GUR层包括更新门、重置门、候选状态、隐藏状态；
GUR隐藏层内部表达式如下：
Zt＝σ(WZ[st-1，xt]+bz (3)
rt＝σ(Wr[st-1，xt]+br (4)
其中，Zt表示更新门激活向量，st-1为上一时刻的隐藏状态向量，xt为当前时刻的输入向量，WZ为更新门的权重矩阵，bz为更新门的偏置向量，σ表示Sigmoid函数，用于将数据转换为0到1范围内的值；rt为重置门的激活向量，Wr为重置门的权重矩阵，br为重置门的偏置向量，ht为候选状态向量，tanh为激活函数，
表示Hadamard乘积，它是运算矩阵中相应元素的乘积，Wh为控制候选状态信息的权重矩阵，bn为控制候选状态信息的偏置向量，st为当前时刻的隐藏状态向量。
更进一步的，步骤S3具体包括：
利用步骤S1得到的针对煤层气多分支定向井近钻头随钻测量系统的姿态解算模型，设定合理的状态向量，构建近钻头随钻测量系统的一次预测状态方程，通过近钻头随钻测量系统多传感器动态传递函数模型，进而实现对多传感器冗余组合下状态方程的构建；
结合步骤S2所述的基于深度学习的容错判断模型，对磁通门、加速度计以及陀螺仪参数观测异常下影响规律分析，建立基于深度学习的容错组合定位系统的观测方程，实现对惯性随钻测量组合定位系统状态空间方程的构建，进而实现近钻头随钻测量装置姿态容错动态测量。
本发明还提供了一种通过上述的建立方法构建得到的多传感器冗余组合容错动态测量模型。
有益效果
本发明可实现近钻头多传感器冗余下的随钻测量系统姿态容错动态测量模型的建立，以达到进一步抑制惯性随钻测量系统测量误差的目的，可提高多传感器冗余组合定位系统的定位精度。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，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为本发明的一种多传感器冗余组合容错动态测量模型的建立方法流程图；
图2为本发明的多传感器冗余组合容错动态测量模型的实施例的钻头实际轨迹和预设轨迹比较图。
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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例1
请参阅说明书附图1，一种随钻测量系统多传感器冗余组合容错动态测量模型的建立方法，包括以下步骤：
步骤S1：利用磁通门、加速度计、陀螺仪对井斜角、方位角、工具面角的解算方法组成冗余信息下多传感器残差误差模型。
可选的，根据三轴磁通门与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用欧拉角理论的井斜角、方位角与工具面角的实时解算方法。
可选的，根据三轴陀螺仪与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用四元数理论的井斜角、方位角与工具面角的实时解算方法。
可选的，为增加数据的可靠性及多个传感器下数据的准确性，针对两种钻柱三维姿态解算方法分别建立对于解算方法的单个残差误差模型，再结合卡尔曼滤波算法构建冗余信息下多传感器残差误差模型。
步骤S2：通过分析每个传感器的误差特性及失效规律，构建基于深度学习的多传感器容错判断模型。
可选的，为防止在钻井过程中，随着钻头的深入，传感器会受到磁场，震动等因素的影响，造成误差或传感器失效，本实施例根据钻柱磁化误差与钻具组合磁干扰对磁场的影响，钻具复杂振动与钻柱摩阻变形等因素对加速度计与陀螺仪的影响，构建多个影响因素下的测量参数误差特性及失效规律，进而建立随钻多传感器测量误差模型。
可选的，对于上述问题，本实施例利用模糊聚类分析理论研究多参数在异常情况下的测量误差和失效规律智能识别策略，进而实现在煤层气多分支定向井开采过程中随钻测量系统多传感器冗余组合容错动态测量模型的构建。
模糊聚类算法的目标函数集约束条件如下：
其中，U为模糊C划分矩阵，V为C个故障聚类中心向量，C为聚类中心数，n为样本数，Ci表示第i个聚类中心，xj表示第j个样本，为标识样本xj对聚类中心Ci的隶属度，m为聚类的簇数；
用拉格朗日数乘法得到上述算法的迭代公式为：
结合上述随钻多传感器测量误差模型、模糊聚类分析及步骤S1中的多传感器残差误差模型，建立基于深度学习的多传感器容错判断模型。
门控循环神经网络具有记忆的特性，可以更好的处理数据容错问题，可以更好捕捉时间序列中时间步距离较大的依赖关系。采用门控循环神经网络建立基于深度学习的多传感器容错判断模型，包括GUR层和全连接层。
所述GUR层包括更新门、重置门、候选状态、隐藏状态。
GUR隐藏层内部表达式如下：
Zt＝σ(WZ[st-1，xt]+bz (3)
rt＝σ(Wr[st-1，xt]+br (4)
其中，Zt表示更新门激活向量，st-1为上一时刻的隐藏状态向量，xt为当前时刻的输入向量，WZ为更新门的权重矩阵，bz为更新门的偏置向量，σ表示Sigmoid函数，用于将数据转换为0到1范围内的值；rt为重置门的激活向量，Wr为重置门的权重矩阵，br为重置门的偏置向量，ht为候选状态向量，tanh为激活函数，
表示Hadamard乘积，它是运算矩阵中相应元素的乘积，Wh为控制候选状态信息的权重矩阵，bn为控制候选状态信息的偏置向量，st为当前时刻的隐藏状态向量。
步骤S3：通过构建一次预测状态方程，构建出多传感器冗余组合下状态方程，进而实现近钻头随钻测量装置姿态容错动态测量模型的构建。
可选的，利用步骤S1得到的针对煤层气多分支定向井近钻头随钻测量系统的姿态解算模型，设定合理的状态向量，构建近钻头随钻测量系统的一次预测状态方程，通过近钻头随钻测量系统多传感器动态传递函数模型，进而实现对多传感器冗余组合下状态方程的构建。
可选的，结合步骤S2所述的基于深度学习的容错判断模型，对磁通门、加速度计以及陀螺仪参数观测异常下影响规律分析，建立基于深度学习的容错组合定位系统的观测方程，实现对惯性随钻测量组合定位系统状态空间方程的构建，进而实现近钻头随钻测量装置姿态容错动态测量。
利用卡尔曼滤波算法，实现近钻头多传感器冗余下的随钻测量系统姿态容错动态测量模型的建立，以达到进一步抑制惯性随钻测量系统测量误差的目的。
图2为本发明的多传感器冗余组合容错动态测量模型的实施例的钻头实际轨迹和预设轨迹比较图。可以看出，相对于未应用本发明模型的钻头轨迹，本发明的钻头实际轨迹和预设轨迹基本重合，误差更小。
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 (7)
1.一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，包括以下步骤：
步骤S1：利用磁通门、加速度计、陀螺仪对井斜角、方位角、工具面角的解算方法组成冗余信息下多传感器残差误差模型；
步骤S2：通过分析每个传感器的误差特性及失效规律，构建基于深度学习的多传感器容错判断模型；
步骤S3：通过构建一次预测状态方程，构建出多传感器冗余组合下状态方程，进而实现近钻头随钻测量装置姿态容错动态测量模型的构建。
2.根据权利要求1所述的一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，步骤S1具体包括：
根据三轴磁通门与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用欧拉角理论的井斜角、方位角与工具面角的实时解算方法；
根据三轴陀螺仪与三轴加速度计组合下的近钻头随钻测量系统钻柱三维姿态测量方法，构建利用四元数理论的井斜角、方位角与工具面角的实时解算方法；
针对两种钻柱三维姿态解算方法分别建立对于解算方法的单个残差误差模型，再结合卡尔曼滤波算法构建冗余信息下多传感器残差误差模型。
3.根据权利要求1所述的一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，步骤S2中，根据钻柱磁化误差与钻具组合磁干扰对磁场的影响，钻具复杂振动与钻柱摩阻变形等因素对加速度计与陀螺仪的影响，构建多个影响因素下的测量参数误差特性及失效规律，进而建立随钻多传感器测量误差模型；利用模糊聚类分析理论研究多参数在异常情况下的测量误差和失效规律智能识别策略，进而实现在煤层气多分支定向井开采过程中随钻测量系统多传感器冗余组合容错动态测量模型的构建。
4.根据权利要求3所述的一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，模糊聚类算法的目标函数集约束条件如下：
其中，U为模糊C划分矩阵，V为C个故障聚类中心向量，C为聚类中心数，n为样本数，Ci表示第i个聚类中心，xj表示第j个样本，为标识样本xj对聚类中心Ci的隶属度，m为聚类的簇数；
用拉格朗日数乘法得到上述算法的迭代公式为：
结合上述随钻多传感器测量误差模型、模糊聚类分析及步骤S1中的多传感器残差误差模型，建立基于深度学习的多传感器容错判断模型。
5.根据权利要求3所述的一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，步骤S2中，采用门控循环神经网络构建基于深度学习的多传感器容错判断模型，包括GUR层和全连接层；
所述GUR层包括更新门、重置门、候选状态、隐藏状态；
GUR隐藏层内部表达式如下：
Zt＝σ(WZ[st-1，xt]+bz (3)
rt＝σ(Wr[st-1，xt]+br (4)
其中，Zt表示更新门激活向量，st-1为上一时刻的隐藏状态向量，xt为当前时刻的输入向量，WZ为更新门的权重矩阵，bz为更新门的偏置向量，σ表示Sigmoid函数，用于将数据转换为0到1范围内的值；rt为重置门的激活向量，Wr为重置门的权重矩阵，br为重置门的偏置向量，ht为候选状态向量，tanh为激活函数，
表示Hadamard乘积，它是运算矩阵中相应元素的乘积，Wh为控制候选状态信息的权重矩阵，bn为控制候选状态信息的偏置向量，st为当前时刻的隐藏状态向量。
6.根据权利要求1所述的一种多传感器冗余组合容错动态测量模型的建立方法，其特征在于，步骤S3具体包括：
利用步骤S1得到的针对煤层气多分支定向井近钻头随钻测量系统的姿态解算模型，设定合理的状态向量，构建近钻头随钻测量系统的一次预测状态方程，通过近钻头随钻测量系统多传感器动态传递函数模型，进而实现对多传感器冗余组合下状态方程的构建；
结合步骤S2所述的基于深度学习的容错判断模型，对磁通门、加速度计以及陀螺仪参数观测异常下影响规律分析，建立基于深度学习的容错组合定位系统的观测方程，实现对惯性随钻测量组合定位系统状态空间方程的构建，进而实现近钻头随钻测量装置姿态容错动态测量。
7.根据权利要求1～6任一所述的一种多传感器冗余组合容错动态测量模型的建立方法构建得到的多传感器冗余组合容错动态测量模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211377017.XA CN115618167A (zh) | 2022-11-04 | 2022-11-04 | 一种多传感器冗余组合容错动态测量模型及建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211377017.XA CN115618167A (zh) | 2022-11-04 | 2022-11-04 | 一种多传感器冗余组合容错动态测量模型及建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115618167A true CN115618167A (zh) | 2023-01-17 |
Family
ID=84875612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211377017.XA Pending CN115618167A (zh) | 2022-11-04 | 2022-11-04 | 一种多传感器冗余组合容错动态测量模型及建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115618167A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382224A (zh) * | 2023-06-05 | 2023-07-04 | 云印技术(深圳)有限公司 | 一种基于数据分析的包装设备监测方法及系统 |
-
2022
- 2022-11-04 CN CN202211377017.XA patent/CN115618167A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382224A (zh) * | 2023-06-05 | 2023-07-04 | 云印技术(深圳)有限公司 | 一种基于数据分析的包装设备监测方法及系统 |
| CN116382224B (zh) * | 2023-06-05 | 2023-08-04 | 云印技术(深圳)有限公司 | 一种基于数据分析的包装设备监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuo et al. | Deep learning and its application in geochemical mapping | |
| Wang et al. | Application of artificial neural network in tunnel engineering: a systematic review | |
| CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
| CN110231029B (zh) | 一种水下机器人多传感器融合数据处理方法 | |
| Qilong et al. | Continuous measurement-while-drilling utilizing strap-down multi-model surveying system | |
| CN105716610B (zh) | 一种地磁场模型辅助的载体姿态和航向计算方法和系统 | |
| CN115618167A (zh) | 一种多传感器冗余组合容错动态测量模型及建立方法 | |
| CN109891191A (zh) | 用于随钻自主导引的机会传感器融合算法 | |
| CN105701352A (zh) | 空间运动目标的轨迹预测方法 | |
| Yang et al. | A stable SINS/UWB integrated positioning method of shearer based on the multi-model intelligent switching algorithm | |
| Min et al. | Toward interpretable anomaly detection for autonomous vehicles with denoising variational transformer | |
| Yang et al. | A robust inclinometer system with accurate calibration of tilt and azimuth angles | |
| CN112004183A (zh) | 一种基于卷积神经网络融合IMU和WiFi信息的机器人自主定位方法 | |
| Fathi et al. | Optimizing extreme learning machine algorithm using particle swarm optimization to estimate iron ore grade | |
| CN112985380B (zh) | 基于非完整测量向量的航姿解算方法 | |
| Gao et al. | Random weighting adaptive estimation of model errors on attitude measurement for rotary steerable system | |
| Ekseth et al. | The reliability problem related to directional survey data | |
| Xu et al. | Highest wellbore stability obstacle avoidance drilling trajectory optimization in complex multiple strata geological environment | |
| Świetlicka et al. | Homogeneous ensemble model built from artificial neural networks for fault detection in navigation systems | |
| Kaviani et al. | The application of artificial neural networks with small data sets: an example for analysis of fracture spacing in the Lisburne Formation, Northeastern Alaska | |
| CN116678434A (zh) | 一种基于区间值置信规则库的三自激光惯组故障检测方法 | |
| CN106874627B (zh) | 一种用于检测矿用锚杆施工质量和工作状态的检测方法 | |
| CN113591371B (zh) | 基于时空关联模型的桥梁集群结构损伤定位方法 | |
| Yen et al. | Winner take all experts network for sensor validation | |
| Zheng et al. | Pipeline leak detection swimming robot design and deployment |
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 |