CN115879047A - 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 - Google Patents
一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 Download PDFInfo
- Publication number
- CN115879047A CN115879047A CN202211234443.8A CN202211234443A CN115879047A CN 115879047 A CN115879047 A CN 115879047A CN 202211234443 A CN202211234443 A CN 202211234443A CN 115879047 A CN115879047 A CN 115879047A
- Authority
- CN
- China
- Prior art keywords
- coal mine
- drilling process
- working condition
- drilling
- 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
Images
Landscapes
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于梯度提升决策的煤矿井下钻进过程工况识别方法,包括以下步骤:步骤1:煤矿钻进过程运行状态等级划分:建立过程能力指数对应的状态等级划分,即正常、保守、过激三种工况;步骤2:煤矿钻进过程工况识别模型参数选择:选择固定门限的钻进运行参数为钻进过程工况识别模型的输入参数;步骤3:煤矿钻进过程工况识别模型实现:采用梯度提升决策树方法实现模型,最终实现煤矿钻进过程工况识别。本发明的方法克服了传统方法因地域限制带来的局限性,不但提升了煤矿钻进过程工况识别结果的准确性,而且为煤矿钻进过程状态监测、性能优化和智能控制等方面的研究提供指导,具有实用性和适用性。
Description
技术领域
本发明涉及煤矿钻探工程领域,尤其涉及一种基于梯度提升决策的煤矿井下钻进过程工况识别方法技术领域。
背景技术
煤炭是我国的主体能源和重要原料,为国民经济和社会发展提供了大量的一次能源,支撑了国内生产总值年均增长。然而煤矿井下作业环境恶劣,安全性差,且由于现有技术水平的限制,钻进过程状态信息缺失严重,司钻人员缺乏对钻进过程工况的实时感知,易出现钻进效率低下、井下钻具组合性能下降、孔内事故频发及预设井眼轨迹难以保证等技术问题。钻进过程工况识别技术能准确反映钻进系统运行状态,为司钻人员提供可靠的操作指导,当司钻人员能发现当前运行状态存在问题时,可以及时调整操作参数,保证钻进过程安全、高效、稳定进行。
近年来随着工业数字化、智能化发展加速推进,大量基于数据驱动的方法被应用于煤炭行业动态过程监测和过程建模。许多学者及国内外钻井公司都致力于利用各种方法和技术来监测、分析煤矿钻进过程状态趋势,分析并提取影响因子,识别煤矿钻进运行状态,为节约煤矿钻进成本,提升钻井效率提供建议。因此,本发明引入过程能力指数作为衡量钻进过程运行状态的基准,从而实现复杂煤矿钻进过程工况识别。所提方法对煤矿坑道钻进过程工况识别提供思路,为司钻人员及时调整参数做出指导,保持安全高效钻进。
发明内容
本发明提出一种基于梯度提升决策的煤矿井下钻进过程工况识别方法,引入过程能力指数作为衡量煤矿钻进运行状态的指标,克服了传统方法受地层因素的限制,以期获得对煤矿钻进过程运行工况有较好的识别,保证钻进过程安全、高效、稳定进行。
为实现上述目的,本发明采取的技术方案包括:
一种基于梯度提升决策的煤矿井下钻进过程工况识别方法,包括以下步骤:
步骤1:煤矿钻进过程运行状态等级划分:引入过程能力指数Cp,以钻速V为计算变量,获得煤矿钻进过程运行状态等级G,建立过程能力指数对应的状态等级划分,即正常、保守和过激三种工况;
步骤2:煤矿钻进过程工况识别模型参数选择:将钻进运行参数进行滤波和归一化处理后,采用奇异值分解方法对钻进运行参数进行变量特征提取,奇异值拟合曲线的拐点作为门限设置的依据,选择固定门限的钻进运行参数为钻进过程工况识别模型的输入参数;
步骤3:煤矿钻进过程工况识别模型实现:以步骤2获取的输入参数的奇异向量作为模型输入,以煤矿钻进过程运行状态等级为模型输出,采用梯度提升决策树方法实现模型,最终实现煤矿钻进过程工况识别。
可选的,所述的步骤1具体包括:
1.2过程能力指数与对应性能等级如下:当Cp≥1.67,为过激状态;当1≤Cp<1.67,为正常状态;当Cp<1,为保守状态。
可选的,所述的步骤2具体包括:
2.1采用最大最小值归一化统一参数格式,对煤矿钻进过程数据做滤波和归一化处理,获得标准化煤矿钻进数据,使用奇异值分解方法(SVD)提取变量特征。
I=USVT;
如果I是m*n矩阵,那么U是m*n酉矩阵;S是m*n对角矩阵,其对角线上排列的数字是实数且非负数;V是维数为n*n的酉矩阵,其中VT代表V的共轭转置;
奇异值λ从IIT和ITI获得的特征值的非零平方根,得到了两个奇异向量;U和V的列分别称为左奇异向量和右奇异向量;对角矩阵S中奇异值的排列是:
其中λ1≥λ2≥...≥λr,λr>0(i=1,2,...,r)为矩阵I的奇异值;
根据固定门限进行奇异值筛选;将非零奇异值重排列,从大至小选取固定数量i的奇异值,0<i<r;奇异值拟合曲线的拐点作为门限设置的依据,选择i=3的煤矿钻进参数作为模型的输入参数;
2.2根据上述判断标准,选取煤矿钻进参数中给进压力、扭矩和动力头位移3个特征的钻进特征参数作为模型的输入参数。
可选的,所述的步骤3具体包括:
3.1以给进压力、扭矩和动力头位移的奇异向量作为模型的输入;以过程能力指数对应的状态等级划分,为运行数据添加状态标签作为模型的输出;
3.2采用GBDT分类算法进行模型构建,其实现方法如下:
定义训练集为D={(x1,y1),(x2,y2),…,(xm,ym)},其中m为样本个数,最后得到的强学习器为F(x),损失函数为;
其中yk={0,1}表示是否属于第k类,0表示否,1表示是;k=1,2,…,K,K;为运行状态等级类别数3;Pk(x)表示样本点属于每个类别的概率。
可选的,采用GBDT分类算法进行模型构建具体步骤为:
步骤3.1:初始化弱学习器;
Fk0(x)=0,k=1,2,…,K;
步骤3.2:在第t次迭代时:
步骤3.2-1:计算样本点属于每个类别的概率;
步骤3.2-2:对于每个类别k=1,2,…,K;
步骤3.2-2-1:计算负梯度误差;
rki=yki-pk(xi),i=1,2,…,m;
步骤3.2-2-2:将{(x1,rt1),…,(xm,rtm)}作为训练数据,拟合得到第t个回归树,Rtlj为对应的叶节点区域,j=1,2,…,J,J为叶结点的个数,针对每个叶节点区域计算最佳拟合值;
步骤3.2-2-3:更新强学习器;
步骤3.3:迭代完成,得到最终的强学习器;
最后得到的FTk(x)可以被用来计算分为第k类相应的概率;
本发明的技术效果在于:
引入过程能力指数作为衡量煤矿钻进运行状态的指标,克服了传统方法受地层因素的限制,有更好的普适性,符合现场的实际需求;同时,对煤矿钻进数据进行滤波和归一化处理获得标准化数据,接着采用SVD方法对上述标准化的煤矿钻进数据进行特征提取,根据固定门限筛选奇异向量作为钻进过程工况识别模型的输入参数;最后,因为梯度提升决策(GBDT)能灵活处理多种类型数据,对特征工程要求比较少,且预测精度较高,具有良好的鲁棒性,利用GBDT方法实现钻进过程工况识别模型。通过实际数据验证,结果显示所发明的工况识别方法对煤矿钻进过程运行工况有较好的识别表现。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是变量奇异值拟合曲线图;
图2是本发明的煤矿钻进过程工况识别方法实现步骤;
图3是本发明设计的煤矿钻进过程工况识别方法流程图;
图4是本发明的煤矿钻进过程工况识别结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明针对现场实际需求,首先引入过程能力指数作为衡量钻进过程运行状态的基准,为钻进过程实际运行状态定义不同的等级;其次对煤矿钻进数据进行滤波和归一化处理获得标准化数据,接着采用SVD方法对上述标准化的煤矿钻进数据进行特征提取,根据固定门限筛选奇异向量作为钻进过程工况识别模型的输入参数;最后,以GBDT方法建立钻进过程工况识别模型,模型输出当前运行状态(即当前工况),完成煤矿钻进过程工况识别。
本发明的基于梯度提升决策的煤矿井下钻进过程工况识别方法,主要包含以下步骤:
步骤1:煤矿钻进过程运行状态等级划分:引入过程能力指数Cp,以钻速V为计算变量,获得煤矿钻进过程运行状态等级G,建立过程能力指数对应的状态等级划分,即正常、保守、过激三种工况;
步骤2:煤矿钻进过程工况识别模型参数选择:将钻进运行参数进行滤波和归一化处理后,采用奇异值分解(SVD)方法对上述标准化的煤矿钻进数据进行特征提取,将奇异值拟合曲线的拐点作为门限设置的依据,选择固定门限的奇异向量作为钻进过程工况识别模型的输入参数;
步骤3:煤矿钻进过程工况识别模型实现:模型以选取的固定门限的奇异向量作为模型输入,以根据过程能力指数定义的煤矿钻进过程运行状态等级(即钻进工况)作为模型输出,采用梯度提升决策树(GBDT)方法实现模型,最终实现煤矿钻进过程工况识别。
参考图2,图2是本发明的煤矿钻进过程工况识别方法的流程图,本发明具体包含如下步骤:
步骤1:煤矿钻进过程运行状态等级划分
煤矿钻进过程的运行能力是煤矿钻进效率的体现,通过引入过程能力指数Cp,以钻速V为计算变量,获得煤矿钻进过程运行等级G,建立过程能力指数对应的性能等级划分;
(1)过程能力指数是指过程能力满足产品质量标准要求(规格范围等)的程度,也称为工序能力指数,是指工序在一定时间里,处于控制状态(稳定状态)下的实际加工能力。它是工序固有的能力,或者说它是工序保证质量的能力。这里所指的工序,是指操作者、机器、原材料、工艺方法和生产环境等五个基本质量因素综合作用的过程,也就是产品质量的生产过程。煤矿钻进过程符合过程能力指数的应用范围,因此选择过程能力指数进行等级划分。根据煤矿钻进过程运行状态,分析运行参数变化并获取钻速所服从分布,即;与目标钻速值T;采用长度为10的滑动窗口,以钻速为计算变量获得对应过程能力指数值;本发明采用的田口过程能力指数计算公式如下:
(2)根据计算得到的过程能力指数值,对应表1所示的能力等级划分。
表1过程能力指数评价标准
C<sub>p</sub>取值范围 | 级别 | 煤矿钻进工况 |
C<sub>p</sub>≥1.67 | G<sub>1</sub> | 过激状态 |
1≤<sub>p</sub><1.67 | G<sub>2</sub> | 正常状态 |
C<sub>p</sub><1 | G<sub>3</sub> | 保守状态 |
步骤2:煤矿钻进过程工况识别模型参数选择
采用最大最小值归一化统一参数的格式,对煤矿钻进过程数据做滤波和归一化处理。采用奇异值分解(SVD)方法对上述标准化的煤矿钻进数据进行特征提取,将奇异值拟合曲线的拐点作为门限设置的依据,设置固定门限值为3,选取前3个奇异变量为特征变量作为工况识别模型的输入参数。步骤2所述的工况识别模型参数选择包含如下步骤:
(1)根据获得的标准化煤矿钻进数据,使用SVD方法提取变量特征,选择前3个奇异向量作为工况识别模型的输入参数。
奇异值分解(SVD)是任何实数或者复数矩阵的因式分解。它是一种线性代数,用于将矩阵I分解成其组成矩阵U、S和V。数学上:
I=USVT;
如果I是m*n矩阵,那么U是m*n酉矩阵。S是m*n对角矩阵,其对角线上排列的数字是实数且非负数。V是维数为n*n的酉矩阵,其中VT代表V的共轭转置。利用上述方程中所表示的这种分解,该过程被称为奇异值分解。矩阵S的元素按大小降序排列,沿对角线递减,最高值在矩阵的左上部分,最低值在右下部分,这些元素被称为奇异值。奇异值λ基本上是从IIT和ITI获得的特征值的非零平方根。得到了两个奇异向量,U和V的列分别称为左奇异向量和右奇异向量。对角矩阵S中奇异值的排列是:
其中λ1≥λ2≥...≥λr,λr>0(i=1,2,...,r)为矩阵I的奇异值。
将奇异值拟合曲线的拐点作为门限设置的依据,根据固定门限进行奇异值筛选。将非零奇异值重排列,从大至小选取固定数量i的奇异值,0<i<r。
(2)根据上述判断标准,选取煤矿钻进参数给进压力、扭矩、动力头位移3个特征的奇异变量作为工况识别模型的输入参数。
步骤3:煤矿钻进过程工况识别模型实现
以步骤2选取的奇异变量作为模型输入,根据步骤1过程能力指数定义的煤矿钻进过程运行状态等级作为模型输出,采用GBDT方法实现模型,实现煤矿钻进过程工况识别。煤矿钻进过程工况识别模型实现包含如下子步骤:
(1)以步骤2选取的奇异变量作为模型输入;以运行状态等级划分方法,为运行数据添加状态标签作为模型的输出,即输出煤矿钻进过程运行状态等级(当前工况);
(2)梯度提升决策(GBDT)能灵活处理多种类型数据,对特征工程要求比较少,且预测精度较高,具有良好的鲁棒性。GBDT是一种采用boosting思想的集成学习决策树算法,将多个弱学习器CART回归树组合得到一个强学习器。使用梯度下降的方法,通过不断的迭代学习,将上个周期强学习器的输出残差用来训练拟合当前周期的弱学习器,从而使残差不断减少,达到提高模型精度的结果。GBDT算法包括回归算法和分类算法两种,主要区别在于两者的损失函数,回归算法一般采用平方差函数,而分类算法则用类似于逻辑回归的对数似然函数。煤矿钻进过程运行状态感知模型输出的是运行状态等级标签,本质是一个多分类器,因此采用GBDT分类算法进行模型构建,其实现方法如下:
定义训练集为D={(x1,y1),(x2,y2),…,(xm,ym)},其中m为样本个数,最后得到的强学习器为F(x),损失函数为:
其中yk={0,1}表示是否属于第k类,0表示否,1表示是。k=1,2,…,K,K在本文中为运行状态等级类别数3。
算法具体步骤为:
步骤3.1:初始化弱学习器;
Fk0(x)=0,k=1,2,…,K;
步骤3.2:在第t次迭代时:
步骤3.2-1:计算样本点属于每个类别的概率
步骤3.2-2:对于每个类别k=1,2,…,K;
步骤3.2-2-1:计算负梯度误差:
rki=yki-pk(xi),i=1,2,…,m;
步骤3.2-2-2:2:将{(x1,rt1),…,(xm,rtm)}作为训练数据,拟合得到第t个回归树,Rtkj为对应的叶节点区域,j=1,2,…,J,J为叶结点的个数,针对每个叶节点区域计算最佳拟合值;
步骤3.2-2-3:更新强学习器;
步骤3.3:迭代完成,得到最终的强学习器;
最后得到的Fk(x)可以被用来计算分为第k类相应的概率;
由于分类器采用的是k个类别的预测概率值和真实概率值的差来拟合损失,因此最后还要将概率转化为实际输出类别:
通过上述方法建立的工况识别模型,输入表征煤矿钻进过程运行参数的奇异变量,输出运行状态等级,达到对煤矿钻进过程工况识别的目的。钻进过程工况识别流程如图3所示。
本实施中选用某井场的112组煤矿钻进数据为具体对象,其中包含:动力头位移、给进压力、动力头转速、扭矩、钻速等主要运行变量。由于缺乏扭矩的实测数据,考虑到扭矩与主泵压力成正相关,故采用主泵压力代替扭矩。在此基础上,首先引入过程能力指数,依靠过程能力指数为煤矿钻进运行状态标记等级,建立过程能力指数对应的等级划分;其次对煤矿钻进数据进行滤波和归一化处理,得到标准化煤矿钻进数据,接着采用SVD方法对标准化的煤矿钻进数据进行特征提取,将选取的奇异变量作为工况识别模型的输入参数;最后,以GBDT方法建立工况识别模型,模型输出当前运行状态(即当前工况),完成煤矿钻进过程工况识别。具体步骤如下:
(1)煤矿钻进过程运行状态等级划分
由于煤矿钻进过程中,随着钻遇地层变化,煤矿钻进效率会不断下降,无法满足预先设定的煤矿钻进要求,造成成本的浪费。因此根据煤矿钻进过程状态参数判断当前的煤矿钻进运行状态对煤矿钻进过程的优化和控制有很大帮助。传统的钻速方程法无法克服地域限制所带来的评估误差,本发明通过引入过程能力指数,建立了一种基于梯度提升决策的煤矿井下钻进过程工况识别方法,以达到煤矿钻进过程工况识别的目的。首先进行煤矿钻进运行状态的能级的划分,通过引入过程能力指数,以钻速为计算变量,为煤矿钻进运行数据添加状态等级标签。采用某井场的实际数据进行标定,部分数据如表2所示:
表2煤矿钻进运行状态等级划分
(2)煤矿钻进过程工况识别模型参数选择
对煤矿钻进数据进行滤波和归一化处理,得到标准化煤矿钻进数据,采用SVD方法进行特征提取,求取各个变量的奇异值(见表3)并依据大小进行排序,将奇异值拟合曲线的拐点作为门限设置的依据,由图1可知设置固定门限值为3选择特征变量。由结果可知选择给进压力、扭矩、动力头位移3个变量的奇异向量。因此,选取上述3个参数的奇异向量作为工况识别模型的输入参数。
表3变量奇异值
变量 | 给进压力 | 扭矩 | 动力头位移 | 转速 | 钻速 |
奇异值 | 11.1791 | 1.9043 | 0.0394 | 0.0204 | 0.0045 |
(3)煤矿钻进过程状态感知模型实现
模型的输入为步骤(2)中所选取的给进压力、扭矩、动力头位移3个煤矿钻进运行参数的奇异向量;模型的输出为步骤(1)中所定义的煤矿钻进运行状态的等级(即工况);模型采用GBDT方法实现,模型的识别结果如下表4所示:
表4煤矿钻进工况识别混淆矩阵
本次模型选择某井场的112组数据,选择前70%数据为训练集,后30%为测试集,测试结果的混淆矩阵如表4所示,最终的识别结果见图4。由图4可知,模型对G1等级的识别结果准确率高达93.3%,对G2等级的识别结果准确率高达91.6%,对G3等级的识别结果准确率高达83.3%,这在一定程度上验证了模型的有效性。
本发明的有益效果是:能够在煤矿钻进过程钻进数据的基础上,通过引入过程能力指数定义煤矿钻进运行状态等级的划分方法,通过建立的煤矿钻进过程工况识别模型,输入所选取的钻进参数奇异向量,模型输出为煤矿钻进过程运行状态等级(即工况),本发明为煤矿钻进过程的状态监测、优化和控制方面的研究奠定基础,具有实用性和适用性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于梯度提升决策的煤矿井下钻进过程工况识别方法,其特征在于,包括以下步骤:
步骤1:煤矿钻进过程运行状态等级划分:引入过程能力指数Cp,以钻速V为计算变量,获得煤矿钻进过程运行状态等级G,建立过程能力指数对应的状态等级划分,即正常、保守和过激三种工况;
步骤2:煤矿钻进过程工况识别模型参数选择:将钻进运行参数进行滤波和归一化处理后,采用奇异值分解方法对钻进运行参数进行变量特征提取,奇异值拟合曲线的拐点作为门限设置的依据,选择固定门限的钻进运行参数为钻进过程工况识别模型的输入参数;
步骤3:煤矿钻进过程工况识别模型实现:以步骤2获取的输入参数的奇异向量作为模型输入,以煤矿钻进过程运行状态等级为模型输出,采用梯度提升决策树方法实现模型,最终实现煤矿钻进过程工况识别。
3.根据权利要求1或2所述的基于梯度提升决策的煤矿井下钻进过程工况识别方法,其特征在于,所述的步骤2具体包括:
2.1采用最大最小值归一化统一参数格式,对煤矿钻进过程数据做滤波和归一化处理,获得标准化煤矿钻进数据,使用奇异值分解方法提取变量特征;
I=USVT;
如果I是m*n矩阵,那么U是m*n酉矩阵;S是m*n对角矩阵,其对角线上排列的数字是实数且非负数;V是维数为n*n的酉矩阵,其中VT代表V的共轭转置;
奇异值λ是从IIT和ITI获得的特征值的非零平方根,得到了两个奇异向量;U和V的列分别称为左奇异向量和右奇异向量;对角矩阵S中奇异值的排列是:
其中λ1≥λ2≥...≥λr,λr>0(i=1,2,...,r)为矩阵I的奇异值;
根据固定门限进行奇异值筛选;将非零奇异值重排列,从大至小选取固定数量i的奇异值,0<i<r;奇异值拟合曲线的拐点作为门限设置的依据,选择i=3的煤矿钻进参数作为模型的输入参数;
2.2根据上述判断标准,选取煤矿钻进参数中给进压力、扭矩和动力头位移3个特征的钻进特征参数作为模型的输入参数。
5.根据权利要求4所述的基于梯度提升决策的煤矿井下钻进过程工况识别方法,其特征在于,采用GBDT分类算法进行模型构建具体步骤为:
步骤3.1:初始化弱学习器;
Fk0(x)=0,k=1,2,…,K;
步骤3.2:在第t次迭代时:
步骤3.2-1:计算样本点属于每个类别的概率;
步骤3.2-2:对于每个类别k=1,2,…,K;
步骤3.2-2-1:计算负梯度误差;
rki=yki-pk(xi),i=1,2,…,m;
步骤3.2-2-2:将{(x1,rt1),…,(xm,rtm)}作为训练数据,拟合得到第t个回归树,Rtkj为对应的叶节点区域,j=1,2,…,J,J为叶结点的个数,针对每个叶节点区域计算最佳拟合值;
步骤3.2-2-3:更新强学习器;
步骤3.3:迭代完成,得到最终的强学习器;
最后得到的Fk(x)可以被用来计算分为第k类相应的概率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234443.8A CN115879047A (zh) | 2022-10-10 | 2022-10-10 | 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234443.8A CN115879047A (zh) | 2022-10-10 | 2022-10-10 | 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879047A true CN115879047A (zh) | 2023-03-31 |
Family
ID=85770352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234443.8A Pending CN115879047A (zh) | 2022-10-10 | 2022-10-10 | 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879047A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821835A (zh) * | 2023-08-30 | 2023-09-29 | 华洋通信科技股份有限公司 | 基于数字孪生的煤矿数据智能化采集方法 |
-
2022
- 2022-10-10 CN CN202211234443.8A patent/CN115879047A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821835A (zh) * | 2023-08-30 | 2023-09-29 | 华洋通信科技股份有限公司 | 基于数字孪生的煤矿数据智能化采集方法 |
CN116821835B (zh) * | 2023-08-30 | 2023-11-14 | 华洋通信科技股份有限公司 | 基于数字孪生的煤矿数据智能化采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
US10233728B2 (en) | Method and apparatus for drilling a new well using historic drilling data | |
CN109635461A (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN113431635B (zh) | 半监督的盾构隧道掌子面地质类型预估方法及系统 | |
CN107122860B (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
CN109345007B (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN115879047A (zh) | 一种基于梯度提升决策的煤矿井下钻进过程工况识别方法 | |
CN105550426A (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
CN114754973A (zh) | 基于机器学习的风洞测力试验数据智能诊断与分析方法 | |
CN109594967A (zh) | 一种基于录井大数据的卡钻事故检测预警方法 | |
CN115329853A (zh) | 一种基于多源域迁移的装备参数预测与知识转移方法 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
CN117350103A (zh) | 一种基于数字孪生系统的钻井参数优化方法及系统 | |
CN114444964B (zh) | 钻进过程运行性能评估方法 | |
CN112966355A (zh) | 基于深度学习的盾构机刀具剩余使用寿命预测方法 | |
CN116822971A (zh) | 一种井壁风险等级预测方法 | |
CN116434273A (zh) | 一种基于单正标签的多标记预测方法及系统 | |
CN115438402A (zh) | 基于岩-机互馈感知关系的tbm掘进岩体条件实时预测方法及装置 | |
US20240060419A1 (en) | Method and system for automated rock recognition | |
CN112144594B (zh) | 一种基于tpot的铣槽机施工地层识别方法 | |
CN113047859A (zh) | 基于局部Fisher土层识别的盾构掘进参数控制方法 |
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 |