CN116084892A - 一种基于模糊神经网络的自动射孔系统 - Google Patents
一种基于模糊神经网络的自动射孔系统 Download PDFInfo
- Publication number
- CN116084892A CN116084892A CN202310120220.7A CN202310120220A CN116084892A CN 116084892 A CN116084892 A CN 116084892A CN 202310120220 A CN202310120220 A CN 202310120220A CN 116084892 A CN116084892 A CN 116084892A
- Authority
- CN
- China
- Prior art keywords
- ccl
- layer
- signal sequence
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 65
- 230000008878 coupling Effects 0.000 claims abstract description 27
- 238000010168 coupling process Methods 0.000 claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 239000002360 explosive Substances 0.000 claims description 17
- 230000000977 initiatory effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/11—Perforators; Permeators
- E21B43/116—Gun or shaped-charge perforators
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/11—Perforators; Permeators
- E21B43/119—Details, e.g. for locating perforating place or direction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及地质工程的井下射孔领域,具体涉及一种基于模糊神经网络的自动射孔系统。本发明通过引入人工智能技术,根据射孔器的工作场景与模糊神经网络结合,依据实时探测的CCL信号序列通过模糊神经网络进行自动化的精准接箍点判定。首先在现有CCL信号序列数据库的基础上,利用梯度下降算法训练模糊神经网络,得到网络参数并存入系统的智能识别单元;然后以结构简单,训练方便,正确率高的智能识别单元为核心的自动射孔系统,实现了不依靠人工经验,自动识别CCL信号序列,判断射孔器当前位置,根据目标位置坐标进行自动射孔作业的功能。该自动射孔系统解决了传统射孔作业中工作人员负担重,可靠性不足的问题。
Description
技术领域
本发明涉及地质工程的井下射孔领域,具体涉及一种基于模糊神经网络的自动射孔系统。
背景技术
射孔器是一种用于油气井射孔的器材(或装置)及其配套件的组合体,按照射孔器传输方式可以分为电缆传输式射孔与油管传输式射孔。油管传输式射孔相较于电缆传输式射孔具有很多优点:(1)可以按照目的层压力与岩性特点设计负压,减少射孔孔眼杵堵,提高产能;(2)输送能力强,可一次实施长井段射孔;(3)可以使用高性能射孔器;(4)适用于高压油气井;(5)能进行大斜度井和水平井射孔;(6)可以与地层测试联合作业。凭借这些突出优点,油管传输式射孔已得到了广泛的应用。
油管传输式射孔现场工作步骤如下:(1)了解施工井的情况,分配各岗施工任务;(2)装配射孔器;(3)井口连接射孔器,将所有射孔器身依次连接好,下入井内;(4)射孔器下入完毕后连接起爆装置;(5)作业队下放带有射孔器的油管柱;(6)射孔小队校深定位;(7)调整油管管柱,调整后射孔。在射孔器向井下探测的过程中,射孔器材通过自身携带的传感器不断获得井下CCL(磁性定位)信号序列,该信号序列在井下接箍处与非接箍处呈现出不同的特征,因此可以通过CCL信号序列的特征判断射孔器是否经过井内接箍处,进而判断无线射孔器材当前的位置。
射孔小队校深定位时需要观测工作人员实时观测对比地下返回的CCL信号曲线(使用CCL信号序列绘制成的平面曲线),整个过程连续不间断,因此校深定位时通常需要多人轮流观测对比曲线,整个过程繁琐机械,并且判断准确率依靠工作人员经验决定。如果可以实现一种无需人工校准并且识别CCL信号序列准确率高的自动射控系统,将会极大增加射孔作业的可靠性,减轻射孔作业工作人员的负担。
发明内容
针对上述存在的问题和不足,为解决传统射孔作业中识别CCL信号序列准确率依靠作业人员经验,射孔工作人员负担高,可靠性相对不足的问题,本发明引入人工智能技术,提供了一种基于模糊神经网络的自动射孔系统。
具体技术方案如下:
一种基于模糊神经网络的自动射孔系统,其架构包括CCL传感器、CCL滤波器、智能识别单元、控制单元、火工品单元、电源和头部保护单元。
所述CCL传感器通过自身携带的线圈,在施工井内下降过程中切割地磁感线,从而产生电信号,实时探测施工井内的CCL信号序列并将探测得到的CCL信号序列传输至CCL滤波器。
所述CCL滤波器通过自身滤波逻辑,将接收的CCL信号序列的毛刺与噪声去除,得到平滑的CCL信号序列,并输出至智能识别单元。
所述智能识别单元,其内部保存有已经训练完成的模糊神经网络的结构参数,用于判断CCL滤波器输入的平滑CCL信号序列是否是通过接箍时的序列。智能识别单元将接收到的平滑的CCL信号序列作为模糊神经网络的输入,模糊神经网络基于自身前向推理逻辑输出判断输入的CCL信号序列是否是通过接箍而产生的信号序列的电信号。该模糊神经网络结构具体如下:
第一层为输入层,用于将外部输入的CCL信号序列接入模糊神经网络。设输入的CCL信号序列为向量X,X的维度为n,即X=[x1x2x3…xn]T(T为转置运算符号)。第一层的节点数为n。
第二层为分割层,用于将输入向量X等量分割为维度为m的分量(m即第二层中每个节点的模糊分量数),一共分割为p个子集,其中若n不能被m整除,则在输入向量的最前端和最后段添加0,使得输入向量的维度可以被m整除,从而第二层的维度变为N。第二层的节点数为N,并且
第三层为模糊化层,用于将分割层中的每个节点映射到模糊语言值上。对于分割层中的每一个节点xi,都有 为节点xi在其第si个模糊语言值上的隶属度,是节点xi的第si个隶属函数(如高斯函数、S型函数)。第三层节点数为N*m。
所述控制单元接收来自智能识别单元的判断信号,进行逻辑控制。控制单元依靠射孔作业之前所确定的需要进行射孔的节点位置,以及施工井内所有接箍的位置,判断当前射孔器的位置坐标。如果判断当前已经到达某一个需要射孔的节点位置,则向火工品单元发出进行射孔的电信号。
所述火工品单元,用于对井下目标位置进行射孔。当火工品单元接收到来自控制单元需要进行射孔的电信号时,便进行一次射孔。
所述电源与所有需要供电的组件连接,用于给整个系统进行供电。
所述头部保护单元,用于保护整个自动射孔系统。
基于模糊神经网络的自动射孔系统,其工作流程包括准备阶段与执行阶段;
准备阶段工作步骤如下:
步骤1、初始化训练条件,包括:(1)确定网络结构,包括输入序列维度、输入序列分割数、每个输入元素的模糊语言数、隶属函数类型和输出类别数。(2)根据已有的CCL信号序列库,将其按照比例分为训练集、测试集和验证集。(3)确定学习率=、损失函数>和每次训练时的批数(batch_size)。
步骤2、训练模糊神经网络,具体步骤为:(1)训练开始。(2)按照初始化训练条件时的batch_size从训练集中按照顺序分批次选取一个样本输入网络。(3)计算网络实际输出与期望输出的误差。(4)根据参数关于误差的梯度调整网络各项参数。(5)判断训练集样本是否全部经过训练。如果训练集样本没有全部经过训练,则回到步骤(2)继续从训练集选择新的样本;如果训练集样本全部经过训练,则使用测试集测试当前正确率,如果当前正确率满足精度要求,则训练完成;如果当前正确率不满足精度要求,则回到步骤(1),直至当前正确率满足精度要求。
其中,训练参数的调整具体如下:
步骤3、将训练好的模糊神经网络结构参数存入系统的智能识别单元。
步骤4、将所有需要射孔的节点位置和井内所有接箍的位置存入系统的控制单元。
执行阶段工作步骤如下:
步骤1、控制单元判断所有需要射孔的节点是否已经全覆盖,如果已经全部覆盖,则任务完成;如果没有全部覆盖,则继续下放射孔器。
步骤2、射孔器持续下放过程中,通过CCL传感器实时得到CCL信号序列,该序列经过CCL滤波器得到平滑的CCL信号序列,平滑的CCL信号序列被实时输入智能识别单元,智能识别单元判断之后向控制单元发送判断结果。
步骤3、控制单元接收智能识别单元的判断电信号。控制单元如果接收到是接箍的电信号,则根据接箍位置判断当前射孔器的位置。如果到达需要射孔的节点位置之一,则向火工品单元发送需要进行射控的电信号,如果没有到达目标位置之一,则跳回至步骤2;控制单元如果接收得到不是接箍的电信号,则跳转至步骤2。
步骤4、火工品单元接收到进行射孔的电信号后,进行射孔,之后跳转至步骤1。
本发明通过引入人工智能技术,根据射孔器的工作场景与模糊神经网络结合,依据实时探测的CCL信号序列通过模糊神经网络进行自动化的精准接箍点判定。该系统整体工作流程包括准备阶段和工作阶段。在准备阶段,在现有CCL信号序列数据库的基础上,利用梯度下降算法训练模糊神经网络,得到网络参数并存入系统的智能识别单元。在工作阶段,以结构简单,训练方便,正确率高的智能识别单元为核心的自动射孔系统,实现了不依靠人工经验,自动识别CCL信号序列,判断射孔器当前位置,根据目标位置坐标进行自动射孔作业的功能。该自动射孔系统解决了传统射孔作业中工作人员负担重,可靠性不足的问题。
附图说明
图1是本发明提供的将输入序列分割的模糊神经网络;
图2是本发明的模糊神经网络的训练框架图;
图3是本发明用于自动射孔的系统架构单元图;
图4是本发明的实施流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1为本发明提出的一种将输入序列分割的模糊神经网络。整个网络共有六层,其中:
第一层为输入层,用于将外部输入的CCL信号序列接入模糊神经网络。设输入的CCL信号序列为向量X,X的维度为n,即X=[x1x2x3…xn]T(T为转置运算符号)。第一层的节点数为n。
第二层为分割层,用于将输入向量X等量分割为维度为m的分量(m即第二层中每个节点的模糊分量数),一共分割为p个子集,其中若n不能被m整除,则在输入向量的最前端和最后段添加0,使得输入向量的维度可以被m整除,从而第二层的维度变为N。第二层的节点数为N,并且
第三层为模糊化层,用于将分割层中的每个节点映射到模糊语言值上。对于分割层中的每一个节点xi,都有 为节点xi在其第si个模糊语言值上的隶属度,是节点xi的第si个隶属函数(如高斯函数、S型函数)。第三层节点数为N*m。
图2是本发明训练所提出模糊神经网络参数的训练框架图。训练网络的步骤如下:(1)确定网络结构,包括输入序列维度、输入序列分割数、每个输入元素的模糊语言数、隶属函数类型和输出类别数;根据已有的CCL序列库,将其按照比例分为训练集,测试集与验证集;确定学习率γ、损失函数E和每次训练时的批数(batch_size)。(2)训练开始。(3)按照初始化训练条件时的batch_size从训练集中按照顺序分批次选取一个样本输入网络。(4)计算网络实际输出与期望输出的误差。(5)根据参数关于误差的梯度调整网络各项参数。(6)判断训练集样本是否全部经过训练。如果训练集样本没有全部经过训练,则回到步骤(3)继续从训练集选择新的样本;如果训练集样本全部经过训练,则使用测试集测试当前正确率,如果当前正确率满足精度要求,则训练完成;如果当前正确率不满足精度要求,则回到步骤(2),直至当前正确率满足精度要求。其中,调整训练参数的具体运算如下:
图3是本发明提供的系统单元框架图。其架构包括CCL传感器、CCL滤波器、智能识别单元、控制单元、火工品单元、电源和头部保护单元。
所述CCL传感器通过自身携带的线圈,在施工井内下降过程中切割地磁感线,从而产生电信号,实时探测施工井内的CCL信号序列并将探测得到的CCL信号序列传输至CCL滤波器。
所述CCL滤波器通过自身滤波逻辑,将接收的CCL信号序列的毛刺与噪声去除,得到平滑的CCL信号序列,并输出至智能识别单元。
所述智能识别单元用于判断CCL滤波器输入的平滑CCL信号序列是否是通过接箍时的序列。智能识别单元内部保存有已经训练完成的模糊神经网络的结构参数。将智能识别单元接收到的平滑的CCL信号序列作为模糊神经网络的输入,模糊神经网络基于自身前向推理逻辑输出判断输入的CCL信号序列是否是通过接箍而产生的信号序列的电信号。
所述控制单元接收来自智能识别单元的判断信号,进行逻辑控制。控制单元依靠射孔作业之前所确定的需要进行射孔的节点位置,以及施工井内所有接箍的位置,判断当前射孔器的位置坐标。如果判断当前已经到达某一个需要射孔的节点位置,则向火工品单元发出进行射孔的电信号。
所述火工品单元,用于对井下目标位置进行射孔。当火工品单元接收到来自控制单元需要进行射孔的电信号时,便进行一次射孔。
所述电源与所有需要供电的组件连接,用于给整个系统进行供电。
所述头部保护单元,用于保护整个自动射孔系统。
从深度学习方向思考,自动射孔任务中传感器输出的CCL信号序列是一维向量,可考虑使用传统机器学习方法例如支持向量机(SVM),或者决策树算法对CCL信号进行判别。但这两种方法均存在缺点:SVM通过借助二次规划求解支持向量,而求解二次规划涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。决策树算法虽然效率高但是对于连续性的字段(例如CCL信号序列)比较难预测,并且容易出现过拟合;当类别太多时,错误可能就会增加的比较快,而且在处理特征关联性比较强的数据时表现较差;而对于各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。如果使用深度学习,例如循环神经网络(RNN),长短时记忆模型(LSTM),Transformer模型,这些算法也依然具有局限性:RNN的梯度需要更多的资源来训练和运行,而Transformer的局部信息获取不如RNN或者CNN强,并且信息位置编码存在问题,另外在训练过程中很容易出现顶层梯度消失的问题。
单纯的神经网络无法体现输入数据之间的不确定关系。模糊逻辑具有将人们生活中的经验映射成为模糊关系,从而将输入各个变量之间通过模糊关系来表现的作用。因此将模糊逻辑与神经网络结合起来,可以融合两种算法的优点:(1)将连续的一维信号之间的关系使用模糊逻辑进行映射,可以解决输入数据之间的不确定性关系;(2)模糊神经网络结构相较于RNN与Transformer,网络结构更加简单,直接;(3)并行分布式信息处理,神经网络具有并行结构,可以进行并行数据处理。这种并行机制可以解决系统中大规模实时计算问题;(4)神经网络本质上是非线性系统,理论上,神经网络能以任意精度实现任意非线性映射,网络还可以实现较其他方法更优越的系统建模;(5)具备学习与自适应能力,模糊神经网络基于所研究过去的数据记录来进行训练。当提供给网络的输入不包含在训练集中时,一个经过训练的网络具有归纳能力,同时也可以在线进行自适应调节;(6)可以用于处理多变量系统。
综上所述,本文在对比多种深度学习方法后,选择模糊神经网络学习CCL信号序列的特征,并以此为核心基础,设计自动射孔系统。
图4是本发明的实施流程图,阐明了整个实施过程。其工作流程包括准备阶段与执行阶段;准备阶段工作步骤如下:
步骤1、初始化训练条件,包括:(1)确定网络结构,包括输入序列维度、输入序列分割数、每个输入元素的模糊语言数、隶属函数类型和输出类别数。(2)根据已有的CCL信号序列库,将其按照比例分为训练集、测试集和验证集。(3)确定学习率=、损失函数>和每次训练时的批数(batch_size)。
步骤2、训练模糊神经网络,具体步骤为:(1)训练开始。(2)按照初始化训练条件时的batch_size从训练集中按照顺序分批次选取一个样本输入网络。(3)计算网络实际输出与期望输出的误差。(4)根据参数关于误差的梯度调整网络各项参数。(5)判断训练集样本是否全部经过训练。如果训练集样本没有全部经过训练,则回到步骤(2)继续从训练集选择新的样本;如果训练集样本全部经过训练,则使用测试集测试当前正确率,如果当前正确率满足精度要求,则训练完成;如果当前正确率不满足精度要求,则回到步骤(1),直至当前正确率满足精度要求。
步骤3、将训练好的模糊神经网络结构参数存入系统的智能识别单元。
步骤4、将所有需要射孔的节点位置和井内所有接箍的位置存入系统的控制单元。
执行阶段工作步骤如下:
步骤1、控制单元判断所有需要射孔的节点是否已经全覆盖,如果已经全部覆盖,则任务完成;如果没有全部覆盖,则继续下放射孔器。
步骤2、射孔器持续下放过程中,通过CCL传感器实时得到CCL信号序列,该序列经过CCL滤波器得到平滑的CCL信号序列,平滑的CCL信号序列被实时输入智能识别单元,智能识别单元判断之后向控制单元发送判断结果。
步骤3、控制单元接收智能识别单元的判断电信号。控制单元如果接收到是接箍的电信号,则根据接箍位置判断当前射孔器的位置。如果到达需要射孔的节点位置之一,则向火工品单元发送需要进行射控的电信号,如果没有到达目标位置之一,则跳回至步骤2;控制单元如果接收得到不是接箍的电信号,则跳转至步骤2。
步骤4、火工品单元接收到进行射孔的电信号后,进行射孔,之后跳转至步骤1。
本发明通过引入人工智能技术,根据射孔器的工作场景与模糊神经网络结合,依据实时探测的CCL信号序列通过模糊神经网络进行自动化的精准接箍点判定。该系统整体工作流程包括准备阶段和工作阶段。在准备阶段,在现有CCL信号序列数据库的基础上,利用梯度下降算法训练模糊神经网络,得到网络参数并存入系统的智能识别单元。在工作阶段,以结构简单,训练方便,正确率高的智能识别单元为核心的自动射孔系统,实现了不依靠人工经验,自动识别CCL信号序列,判断射孔器当前位置,根据目标位置坐标进行自动射孔作业的功能。该自动射孔系统解决了传统射孔作业中工作人员负担重,可靠性不足的问题。
Claims (2)
1.一种基于模糊神经网络的自动射孔系统,其特征在于:包括CCL传感器、CCL滤波器、智能识别单元、控制单元、火工品单元、电源和头部保护单元;
所述CCL传感器通过自身携带的线圈,在施工井内下降过程中切割地磁感线,从而产生电信号,实时探测施工井内的CCL信号序列并将探测得到的CCL信号序列传输至CCL滤波器;
所述CCL滤波器通过自身滤波逻辑,将接收的CCL信号序列的毛刺与噪声去除,得到平滑的CCL信号序列,并输出至智能识别单元;
所述智能识别单元,其内部保存有已经训练完成的模糊神经网络的结构参数,用于判断CCL滤波器输入的平滑CCL信号序列是否是通过接箍时的序列;智能识别单元将接收到的平滑的CCL信号序列作为模糊神经网络的输入,模糊神经网络基于自身前向推理逻辑输出判断输入的CCL信号序列是否是通过接箍而产生的信号序列的电信号;
模糊神经网络结构具体如下:
第一层为输入层,用于将外部输入的CCL信号序列接入模糊神经网络;设输入的CCL信号序列为向量X,X的维度为n,即X=[x1x2x3…xn]T,T为转置运算符号,第一层的节点数为n;
第二层为分割层,用于将输入向量X等量分割为维度为m的分量,一共分割为p个子集,其中若n不能被m整除,则在输入向量的最前端和最后段添加0,使得输入向量的维度可以被m整除,从而第二层的维度变为N,第二层的节点数为N,并且
所述控制单元接收来自智能识别单元的判断信号,进行逻辑控制;控制单元依靠射孔作业之前所确定的需要进行射孔的节点位置,以及施工井内所有接箍的位置,判断当前射孔器的位置坐标,如果判断当前已经到达某一个需要射孔的节点位置,则向火工品单元发出进行射孔的电信号;
所述火工品单元当接收到来自控制单元需要进行射孔的电信号时,便进行一次射孔;
所述电源与所有需要供电的组件连接,用于给整个系统进行供电;
所述头部保护单元,用于保护整个自动射孔系统。
2.如权利要求1所述基于模糊神经网络的自动射孔系统,其特征在于,工作流程包括准备阶段与执行阶段;
准备阶段工作步骤如下:
步骤1、初始化训练条件,包括:(1)确定网络结构,包括输入序列维度、输入序列分割数、每个输入元素的模糊语言数、隶属函数类型和输出类别数;(2)根据已有的CCL信号序列库,将其按照比例分为训练集、测试集和验证集;(3)确定学习率γ、损失函数E和每次训练时的批数batch_size;
步骤2、训练模糊神经网络,具体步骤为:(1)训练开始;(2)按照初始化训练条件时的batch_size从训练集中按照顺序分批次选取一个样本输入网络;(3)计算网络实际输出与期望输出的误差;(4)根据参数关于误差的梯度调整网络各项参数;(5)判断训练集样本是否全部经过训练:如果训练集样本没有全部经过训练,则回到步骤(2)继续从训练集选择新的样本;如果训练集样本全部经过训练,则使用测试集测试当前正确率,如果当前正确率满足精度要求,则训练完成;如果当前正确率不满足精度要求,则回到步骤(1),直至当前正确率满足精度要求;
其中,训练参数的调整具体如下:
步骤3、将训练好的模糊神经网络结构参数存入系统的智能识别单元;
步骤4、将所有需要射孔的节点位置和井内所有接箍的位置存入系统的控制单元;
执行阶段工作步骤如下:
步骤1、控制单元判断所有需要射孔的节点是否已经全覆盖,如果已经全部覆盖,则任务完成;如果没有全部覆盖,则继续下放射孔器;
步骤2、射孔器持续下放过程中,通过CCL传感器实时得到CCL信号序列,该序列经过CCL滤波器得到平滑的CCL信号序列,平滑的CCL信号序列被实时输入智能识别单元,智能识别单元判断之后向控制单元发送判断结果;
步骤3、控制单元接收智能识别单元的判断电信号;控制单元如果接收到是接箍的电信号,则根据接箍位置判断当前射孔器的位置;如果到达需要射孔的节点位置之一,则向火工品单元发送需要进行射控的电信号,如果没有到达目标位置之一,则跳回至步骤2;控制单元如果接收得到不是接箍的电信号,则跳转至步骤2;
步骤4、火工品单元接收到进行射孔的电信号后,进行射孔,之后跳转至步骤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120220.7A CN116084892B (zh) | 2023-02-14 | 2023-02-14 | 一种基于模糊神经网络的自动射孔系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120220.7A CN116084892B (zh) | 2023-02-14 | 2023-02-14 | 一种基于模糊神经网络的自动射孔系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116084892A true CN116084892A (zh) | 2023-05-09 |
CN116084892B CN116084892B (zh) | 2024-04-23 |
Family
ID=86202421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120220.7A Active CN116084892B (zh) | 2023-02-14 | 2023-02-14 | 一种基于模糊神经网络的自动射孔系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116084892B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727298A (zh) * | 2017-11-23 | 2018-02-23 | 川南航天能源科技有限公司 | 射孔用单芯电缆井下张力实时监测系统及其监测方法 |
CN109408896A (zh) * | 2018-09-27 | 2019-03-01 | 华南师范大学 | 一种污水厌氧处理产气量多元智能实时监控方法 |
CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
CN112832999A (zh) * | 2021-01-08 | 2021-05-25 | 中国石油大学(北京) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 |
CN114094896A (zh) * | 2021-12-01 | 2022-02-25 | 哈尔滨理工大学 | 一种永磁同步电机的自构式t-s型模糊神经网络控制方法 |
CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
-
2023
- 2023-02-14 CN CN202310120220.7A patent/CN116084892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727298A (zh) * | 2017-11-23 | 2018-02-23 | 川南航天能源科技有限公司 | 射孔用单芯电缆井下张力实时监测系统及其监测方法 |
CN109408896A (zh) * | 2018-09-27 | 2019-03-01 | 华南师范大学 | 一种污水厌氧处理产气量多元智能实时监控方法 |
CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
CN112832999A (zh) * | 2021-01-08 | 2021-05-25 | 中国石油大学(北京) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 |
CN114094896A (zh) * | 2021-12-01 | 2022-02-25 | 哈尔滨理工大学 | 一种永磁同步电机的自构式t-s型模糊神经网络控制方法 |
CN114575827A (zh) * | 2022-04-11 | 2022-06-03 | 中国地质大学(北京)郑州研究院 | 一种随钻测量数据智能处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116084892B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN106250288A (zh) | 一种基于数据挖掘的根告警分析识别方法 | |
CN111966076A (zh) | 基于有限状态机和图神经网络的故障定位方法 | |
CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
CN104268375A (zh) | 基于知识petri网的船用电站故障诊断方法 | |
Abdalla et al. | Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms (includes associated discussion) | |
CN106874963A (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
CN116739176A (zh) | 一种基于深度置信网络的隧道机械化施工风险预测方法 | |
CN113496302B (zh) | 一种对钻井风险进行智能识别预警的方法与系统 | |
Sheketa et al. | Case-based notations for technological problems solving in the knowledge-based environment | |
CN116911571A (zh) | 一种矿山运行与维护监控系统 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
CN116084892B (zh) | 一种基于模糊神经网络的自动射孔系统 | |
CN104850862B (zh) | 一种基于单位代价收益敏感决策树的分类方法 | |
CN113688885A (zh) | 一种基于脉冲神经网络的深空探测器自主故障诊断方法 | |
CN113095501A (zh) | 一种基于深度强化学习的不平衡分类决策树生成方法 | |
CN116733453A (zh) | 基于蚂蚁追踪的致密气藏水侵预警的方法及系统 | |
CN110457687A (zh) | 一种基于复合神经网络建模的数据挖掘与标注方法 | |
CN116090628A (zh) | 一种隧道施工工序作业时长智能预测与班组作业管控方法 | |
CN114575827A (zh) | 一种随钻测量数据智能处理系统及方法 | |
Lee et al. | Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results |
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 |