CN116087339A - 一种基于智能声纹识别的近钻头岩性识别方法和装置 - Google Patents
一种基于智能声纹识别的近钻头岩性识别方法和装置 Download PDFInfo
- Publication number
- CN116087339A CN116087339A CN202310377765.6A CN202310377765A CN116087339A CN 116087339 A CN116087339 A CN 116087339A CN 202310377765 A CN202310377765 A CN 202310377765A CN 116087339 A CN116087339 A CN 116087339A
- Authority
- CN
- China
- Prior art keywords
- rock
- voiceprint
- data
- sound
- lithology
- 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 54
- 239000011435 rock Substances 0.000 claims abstract description 230
- 238000005553 drilling Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007790 scraping Methods 0.000 claims description 4
- 238000010008 shearing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 22
- 230000005236 sound signal Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 11
- 235000019738 Limestone Nutrition 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000006028 limestone Substances 0.000 description 10
- 239000010438 granite Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000037433 frameshift Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002847 sound insulator Substances 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- -1 shale Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 230000005238 low-frequency sound signal Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 229940099259 vaseline Drugs 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Immunology (AREA)
- Acoustics & Sound (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Analytical Chemistry (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
Abstract
本发明涉及随钻声学探测技术领域,尤其为一种基于智能声纹识别的近钻头岩性识别方法和装置,包括采集岩石声音数据;对采集的岩石声音数据进行预处理;提取预处理后岩石声音的声纹特征;建立岩石声纹特征数据库;根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;利用智能声纹识别算法对岩石声纹特征进行智能识别/预测,输出岩性识别结果。本发明,可大大提高地面获得近钻头地层岩性数据的实时性与准确度,能够有效地提高储层钻遇率并及时地规避钻井风险。
Description
技术领域
本发明涉及随钻声学探测技术领域,具体为一种基于智能声纹识别的近钻头岩性识别方法和装置。
背景技术
为了更好地指导钻井过程中钻头的钻进方向,前人先后提出了随钻声波测井、随钻地震等相对靠近钻头的声学探测方法,以便更加及时、准确地掌握钻头附近以及钻头前方的地层特性。其中,随钻声波测井是在钻井的同时进行地层的纵波和横波测量,从而减少井场钻机占用时间,降低钻井和测井服务成本,其独特的测井方式可以满足水平井、大斜度井以及深水钻井的需求。但是,随钻声波测井仪器的结构复杂,一般由声波发射探头、隔声体、声波接收探头和井下电路等组成,特别是声波探头和隔声体的设计,其性能的好坏直接影响随钻声波测井技术的进步和随钻仪器研发的成败。此外,现有的随钻测井方法,由于仪器通常安装在距离钻头10 m左右以上的钻杆上,其探测的地层距离钻头还有挺长一段距离,这很可能会造成钻头已经偏离油气储层,而钻井人员却还未发觉的情况出现,这种“后知后觉”的探测方式会给油气开发造成不必要的麻烦。而随钻地震技术作为一种新颖的地震探测方法,研究热潮始于20世纪80年代后期,其利用在钻柱顶部记录下来的钻头震动作为一种相干可控震源技术来获得随钻地震剖面,需要先对钻柱顶端传感器和地表检波器进行定位,然后将对应同一深度范围的信号相关、叠加,进而获得地下的地质结构信息。需要指出的是,随钻地震由于以钻头振动作为震源、以经钻柱传输到地面的振动作为参考信号,具有以下局限性:(1)当钻遇软岩层、井深过大(超过6000 m)或者水平井情况下,震源信号强度不足,成像结果不可靠;(2)配合牙轮钻头使用效果较好,当使用PDC钻头钻进时,由于钻柱轴向振动较弱,参考信号很弱较难检测;(3)随钻地震钻井工程应用模型开发难度大,难以实现对随钻地震数据的实时快速处理。
总之,随钻声波测井仪器结构复杂、测量的地层范围受限,而随钻地震分辨率不足、数据量较大,因此,这两种相对靠近钻头的声学测量方法,目前都难以做到实时、准确地预测近钻头地层信息。
发明内容
本发明的目的在于提供一种基于智能声纹识别的近钻头岩性识别方法和装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于智能声纹识别的近钻头岩性识别方法,包括如下步骤:
S100、采集岩石声音数据;
S110、对采集的岩石声音数据进行预处理;
S120、提取预处理后岩石声音的声纹特征;
S130、建立岩石声纹特征数据库;
S140、根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
S150、利用智能声纹识别算法对岩石声纹特征进行智能识别/预测,输出岩性识别结果。
进一步的,所述步骤S100中,岩石断裂、敲击实验与钻进采集岩石声音数据,其中,岩石断裂声音由宽频麦克风记录石条折断声音获得;敲击与钻进声音采用对立方体石块进行敲击与钻进得到相应的声音数据,并通过微型压电换能器和示波器进行采集;当然,岩石的声音还可以通过其他方式获得,比如压裂、刮擦、剪切等;岩石的各种声音数据还可以通过井中近钻头声学测量仪器、地面宽频声压/振动传感器、钻柱顶驱传感器、地表/井中地震检波器、水听器等其他记录方式/采集设备采集得到。所述岩石声音数据,既包括传统的声压数据,也可以是三分量的振动数据。
进一步的,所述步骤S110中,岩石声音数据预处理主要包含:
剔除或者校正岩石样品声音数据中的异常数据;
在岩石声音同类数据的幅度值有较大差异时,做归一化处理;
当同类岩石声音的采样率不一致时,做重采样处理;
对采集的原始的岩石声音数据进行高通滤波、低通滤波或带通滤波处理,用于获得高信噪比的数据。
进一步的,所述步骤S120中,提取预处理后岩石声音的声纹特征包括:输入岩石断裂、敲击与钻进声音,然后进行预加重、分帧和加窗处理,再计算FFT振幅谱和能量谱,对所得的能量谱进行梅尔三角滤波,对梅尔三角滤波后的能量谱取自然对数,得到对数能量谱,对得到的对数能量谱进行离散余弦变换,输出岩石声纹特征,特别地,在本步中也可以采用其他信号处理方法,获得其他种类的岩石声纹特征,比如通过伽马通滤波提取功率归一化倒谱系数、伽马通频率倒谱系数等岩石声纹特征。
进一步的,所述步骤S130中,将断裂、敲击或钻进方式记录的岩石声音及最终的声纹数据分类存储,不同类型岩石的声音数据,采用数字符号标记,并保存在对应声纹特征向量的头部,标记即为数据标签,同步记录每组岩石声音与声纹数据所使用的仪器或设备型号、记录时间、采集方法、工作环境、操作人员等关键信息以及采样率、记录时长等参数。
进一步的,所述步骤S140中,通过随机算法将声纹数据库中的一部分数据划为岩石声纹训练数据集,另一部分数据划分为岩石声纹验证数据集,通过更改AI算法初始参数、修改滤波器参数、改变输入的岩石声纹特征数据、改变岩石声纹特征向量长度方法,进行模型训练和对比测试,以训练和优化智能声纹识别算法。
为实现上述目的,本发明还提供如下技术方案:
一种基于智能声纹识别的近钻头岩性识别装置,包括:
采集模块,用于采集岩石声音数据;
处理模块,用于对采集的岩石声音数据进行预处理;
提取模块,用于预处理后岩石声音的声纹特征;
构建模块,用于建立岩石声纹特征数据库;
训练模块,用于根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
输出模块,用于利用智能声纹识别算法对岩石声纹特征进行智能识别/预测,输出岩性识别结果。
为实现上述目的,本发明还提供如下技术方案:
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如前述中任一项所述方法的步骤。
为实现上述目的,本发明还提供如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述中任一项所述的方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明提出的基于智能声纹识别的近钻头岩性识别:一方面,因为算法利用的是钻头破岩激发的声音信号经处理后的岩石声纹特征作为,可以省去传统方法所需的声源或者发射换能器,可以简化近钻头声学仪器的机械与电路结构并降低仪器制造成本;另一方面,由于岩石声纹特征参数的提取可以在井下近钻头仪器中进行,井-地之间只需要传输非常少量的岩石声纹特征数据,这类数据相比传统随钻声波测井波形数据或者随钻地震数据的体量减小了1到3个数量级,可大大提高地面获得地层岩性数据的实时性,进而能够更好、更及时地规避钻井风险。总之,本发明的方法可为复杂储层钻井精准着陆、提高钻遇率、优化钻井流程提供新的理论方法与技术支撑,具有很好的科学研究意义和生产应用前景。
附图说明
图1为本发明用于实现根据本发明实施例的基于智能声纹识别的近钻头岩性识别方法和装置的示例电子设备的示意性框图。
图2为本发明一个实施例的基于智能声纹识别的近钻头岩性识别方法的示意性流程图。
图3为本发明一个实施例的岩石声纹特征(MFCC)提取方法流程图。
图4为本发明一个实施例的实验室采集的三种岩样的钻进声音原始波形数据图。
图5为本发明一个实施例的实验室采集的三种岩样的钻进声音经滤波后的波形数据图。
图6为本发明一个实施例的实验室采集的三种岩样的钻进声音滤波后提取的声纹特征参数--振幅谱图。
图7为本发明一个实施例的实验室采集的三种岩样的钻进声音滤波后提取的声纹特征参数—MFCC倒谱系数图。
图8为本发明一个实施例的基于实验室采集的岩石钻进声音的振幅谱(左)和MFCC倒谱系数(右)这两种声纹特征参数,采用BP神经网络算法进行智能岩性识别的结果对比图。
图9为本发明另一个实施例的基于实验室采集的岩石钻进声音的振幅谱(左)和MFCC倒谱系数(右)这两种声纹特征参数,采用SVM算法进行智能岩性识别的结果对比图。
图10为本发明一个实施例的基于智能声纹识别的近钻头岩性识别装置的示意性框图。
具体实施方式
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,所描述的实施例仅仅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做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。
在本发明的描述中,需要说明的是,术语“上端”、下端”、“内”、“外”、“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、 “套设有”、“套接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1至图10,本发明提供一种技术方案:
参考图1来描述用于实现根据本发明实施例的基于智能声纹识别的近钻头岩性识别方法和装置的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104。可选地,电子设备100还可以包括输入装置106、输出装置108和数据获取装置110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)、图形处理器(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的近钻头地层探测功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像和/或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述数据获取装置110可以采集图像等各种形式的数据,并且将所采集的数据存储在所述存储装置104中以供其它组件使用。数据获取装置110可以是摄像头等。应当理解,数据获取装置110仅是示例,电子设备100可以不包括数据获取装置110。在这种情况下,可以利用其他数据获取装置获取数据,并将所获取的数据发送给电子设备100。
示例性地,用于实现根据本发明实施例的基于随钻声波前视的近钻头地层探测方法及装置的示例电子设备可以在诸如个人计算机或远程服务器等的设备上实现。
下面,将参考图2描述根据本发明实施例的基于智能声纹识别的近钻头岩性识别方法。图2示出根据本发明一个实施例的基于智能声纹识别的近钻头岩性识别的示意性流程图。如图2所示,该方法包括以下步骤。
S100、采集岩石声音数据;
S110、对采集的岩石声音数据进行预处理;
S120、提取预处理后岩石声音的声纹特征;
S130、建立岩石声纹特征数据库;
S140、根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
S150、利用智能声纹识别算法对岩石声纹特征进行智能识别/预测,输出岩性识别结果。
下面做具体的介绍:
随着油气勘探开发的不断深入和无线传输技术的高速发展,钻井技术步入数字化、智能化时代,因而人们希望更加准确与及时地了解井下工作状况、地层结构和岩石特性。与此同时,大数据、人工智能算法、声纹识别技术的广泛应用与日趋完善,为新一代随钻监测技术的发展提供了全新的思路。鉴于石油钻井过程中,钻头与地下不同岩性的地层之间相互作用时发出声音的特征不同,因此,利用近钻头采集的钻头破岩产生声音与振动信号的声纹特征(即:“岩石声纹”),通过借用声纹识别技术原理和改进智能模式识别算法,可实现智能化预测近钻头的地层岩性。
本发明提供的近钻头岩性识别方法有两大竞争优势:(1)省去了声波发射换能器、隔声体等复杂结构,仅需在近钻头测量短节中安装声波接收换能器,大大简化了随钻声波测量方案;(2)需要采集的岩石声纹数据量小(如若只向地面处理中心传送声纹特征参数,则数据量将成倍减少),便于井-地之间的数据传输,有助于开展实时的近钻头监测,可以在很大程度上避免“后知后觉”现象的发生。
图4实验室采集的三种岩样的钻进声音原始波形数据;其中,横轴为时间,纵轴为数据编号,每种岩样共计80组。
图5实验室采集的三种岩样的钻进声音经滤波后的波形数据;其中,横轴为时间,纵轴为数据编号,每种岩样共计80组。
图6实验室采集的三种岩样的钻进声音滤波后提取的声纹特征参数--振幅谱;其中,横轴为频率点数,纵轴为数据编号,每种岩样共计80组。
图7实验室采集的三种岩样的钻进声音滤波后提取的声纹特征参数—MFCC倒谱系数;其中,横轴为特征点数,纵轴为数据编号,每种岩样共计80组。
图8基于实验室采集的岩石钻进声音的振幅谱(左图)和MFCC倒谱系数(右图)这两种声纹特征参数,采用BP神经网络算法进行智能岩性识别所得的预测标签值与真实标签值对比图;其中,横轴为数据编号,纵轴为数据标签,纵轴中的数字1代表砂岩,数字2代表石灰岩,数字3代表花岗岩;实线连接的小圆圈代表准确数据标签值,而虚线连接的星号代表BP神经网络算法预测的数据标签值。
图9基于实验室采集的岩石钻进声音的振幅谱(左图)和MFCC倒谱系数(右图)这两种声纹特征参数,采用SVM算法进行智能岩性识别所得的预测标签值与真实标签值对比图;其中,横轴为数据编号,纵轴为数据标签,纵轴中的数字1代表砂岩,数字2代表石灰岩,数字3代表花岗岩;实线连接的小圆圈代表准确数据标签值,而虚线连接的星号代表SVM算法预测的数据标签值。
针对现有随钻测量仪器结构复杂、井-地之间传输数据量大、难以做到实时判别近钻头岩性等问题,提出一种基于智能声纹识别技术的近钻头岩性识别方法,该方法不需要设计声波发射换能器,可以简化随钻声学仪器结构,且仅需传输较少的测量数据(即岩石声纹特征数据),可望实时监测钻头所钻遇的地层岩性等特性。本发明的整体技术方案如图2所示,接下来介绍具体的实施步骤。
1、采集岩石声音数据
岩石钻进或者钻井过程实质上是钻头对岩石以冲击、碾压、研磨、切削等多种方式进行的非常复杂的碎岩过程。为了采集尽可能丰富的岩石声纹特征数据,分别开展了岩石断裂、敲击实验与钻进等物理实验,记录了大量岩石声音数据,供后续进行岩石声纹分析。其中,岩石断裂实验可采用10 mm * 10 mm * 200 mm尺寸的石条或者其他尺寸的长条状或者片状岩石样品,断裂声音数据通过宽频麦克风记录;敲击与钻进实验可采用300 mm *300 mm * 300 mm尺寸的立方体石块或者其他尺寸、其他形状的岩石块体,相应的声音数据通过微型压电声波换能器和示波器进行采集。当然,本发明方法也适用于其他尺寸与其他类型的岩石产生的声音数据分析,不过,为了获得信噪比更高的岩石声音数据,应采用尽可能大尺寸的岩石样品进行敲击和钻进实验。岩石样品种类包括但不限于砂岩、石灰岩、花岗岩、泥页岩、煤岩、变质岩等。岩石的声音还可以通过其他方式获得,比如压裂、刮擦、剪切等;岩石的各种声音数据还可以通过井中近钻头声学测量仪器、地面宽频声压/振动传感器、钻柱顶驱传感器、地表/井中地震检波器、水听器等其他记录方式/采集设备采集得到。这里提到的岩石声音数据,既包括传统的声压数据,也可以是三分量的振动数据。
2、岩石声音数据预处理
岩石声音数据预处理主要包含数据清洗、归一化、重采样、去噪等主要步骤。为了建立一定规模的岩石声纹数据库,需要大量不同多种类型、不同尺寸岩石样品的声音数据,这些数据由于仪器设备故障或者参数设置不规范等因素,会产生少量的异常数据,因此需要剔除或者校正这种数据,避免其进入数据库,这也是所谓的数据清洗。不同设备或者不同批次采集的数据的采样率可能不一致,最好对数据进行重采样,以保证同类声音数据的采样率一致。同时,考虑不同岩样、不同仪器或者不同人员操作而导致岩石声音同类数据的幅度值有较大差异时,需要做归一化处理,避免因此影响算法的预测精度。此外,由于实验环境或者钻井现场中避免不了各种噪声干扰,需要对仪器采集的原始岩石声音数据应用高通滤波、低通滤波、带通滤波等处理手段,以获得信噪比相对高的数据。需要指出的是,针对某些信噪比高的原始岩石声音数据,在不进行滤波的情况下,也能取得比较不错的岩性识别效果。
3、提取岩石声纹特征
钻井过程中产生的声音信号特别复杂,想通过这种时间域的波形特征来判别岩性比较困难,因此,提出采用岩石声音数据的快速傅里叶变换(简称FFT)振幅谱和梅尔频率倒谱系数(简称MFCC)等岩石声纹特征参数来识别岩石特性。其中,FFT振幅谱是岩石声音特征在频率域的体现,而MFCC倒谱系数则为岩石声音特征在倒谱域的映射。岩石声纹特征参数的提取大致如下:
第一步:选定岩石声纹特征。常用的岩石声纹特征参数包括但不局限于FFT振幅谱和MFCC倒谱系数。计算FFT振幅谱时,需要截取指定长度(通常为2的n次幂,比如128、256)的声音数据采用FFT算法计算其振幅谱,然后存储适当个数的频谱数据(比如200个数据点)用于进行声纹识别。由于FFT分析是信号分析领域的常规手段,不作赘述。
MFCC倒谱系数的步骤如图3所示,具体包括岩石声音数据预处理(包括预加重、分帧和加窗等)、FFT运算求振幅谱、求振幅谱的能量、梅尔三角滤波、自然对数运算、离散余弦变换等计算步骤。通常情况下,MFCC倒谱系数的数据点数为13、26或者39;当然,也可以采用其他的数据点数。图2所示只是MFCC倒谱系数的提取步骤流程,若AI算法采用其他的岩石声纹特征参数,比如复倒谱、线性预测倒谱系数、巴克频率倒谱系数、功率归一化倒谱系数等,则应相应地修改与更新上述计算流程。
第二步:预加重。在岩石声音数据记录过程中,一方面,由于高频信息比低频声音信号在传播过程中衰减更快导致低频信号能量相对较强;另一方面,工作环境的各种噪声又不可避免;在这种情况下采集的岩石声音数据中的有效高频信号容易被淹没。通过预加重处理,可以有效增强岩石声音数据的高频成分,让岩石声音信号的频率分布更加均衡。预加重的方法包括数字高通滤波等信号处理手段。在一些特殊情况下,有时需要对岩石声音信号去加重,即压制声音信号的高频成分,以提高声音信号识别的准确率。
第三步:分帧和加窗。与语音识别应用不同,不同岩性的岩石声音信号的频率分布差异比较大,因此,在进行分帧时需要特别注意信号帧长的选取,避免漏掉常见岩石的特征频率信息,并确保信号是平稳的。此外,岩石声音数据的采集方式不同,也会导致分帧的参数不同。比如,针对岩石断裂声音,一帧信号的长度可选100 ms左右;针对岩石敲击或者钻进声音,一帧信号的长度可选5 ms左右。对于实验室或者现场实钻采集的岩石声音数据,每段声音数据仅需截取一帧信号进行训练或者预测分析,不需要设置帧移大小。当然,如果实际应用需要的话,也可根据具体应用场景定义相应的帧移,帧移大小通常取值为帧长的1/4到1/2之间。此外,在做FFT之前,为了使截取后的信号更像一个周期信号而减少频谱泄露,需要对前文所述的声音信号施加一个窗函数。实验发现,汉明窗或者汉宁窗的应用效果相对较好。当然,其他具有类似效果的窗函数也可使用,比如布莱克曼窗。
第四步:FFT振幅谱和能量谱计算。在计算岩石声音信号的FFT振幅谱时,首先,需要将预处理后的岩石声音信号采用补零的方式使得其长度为2的整数次幂,且尽可能取128、256等比较小的数值;然后,采用标准的FFT算法求取声音信号的振幅谱。岩石声音信号振幅谱的能量谱可通过取绝对值或者求平方的方法计算得到。
第五步:梅尔三角滤波。为了突出岩石声音的共振峰,需要让上一步所得的能量谱通过一组三角滤波器,以保证声音中的音色被提取到MFCC倒谱系数中。三角形带通滤波器组的一个传递函数可用以下公式描述:
(1)
上式中, m为三角滤波器的个数,M为三角滤波器的总个数,为三角滤波器的输入频率;,M取值通常在24到40之间;为三角滤波器的中心频率,随着m的增加,相邻两个之间的间隔变大。
第六步:取自然对数。对梅尔三角滤波后的能量谱取以自然常数e为底的对数,得到对数能量谱。
第七步:离散余弦变换。对上一步得到的能量谱进行离散余弦变换,计算方法可用下式表示:
(2)
通过上述的离散余弦变换,即可得到静态/零阶MFCC倒谱系数。在此基础上,对零阶MFCC倒谱系数作一阶或者二阶差分,可获得一阶与二阶MFCC倒谱系数。当采用26个三角滤波器器时,各阶MFCC倒谱系数均为13个,即总共有39个特征参数。在实际进行岩性识别时,可以只输入零阶MFCC倒谱系数,也可以输入所有各阶MFCC倒谱系数。为计算得到的静态/零阶MFCC倒谱系数。需要指出的是,上述三角滤波器的总个数、中心频率等参数可根据实际应用中处理岩石声音数据的需要进行相应调整。
4、建立岩石声纹特征数据库
在搭建岩石声纹数据库时,需将断裂、敲击、钻进、刮擦、压裂、剪切等不同方式记录的岩石声音及最终的声纹数据分类存储,并体现在文件夹或者文件名中。
不同类型岩石的声音数据,采用特殊数字符号标记,比如砂岩采用数字1标记、石灰岩采用数字2标记等等,并保存在对应声纹特征向量的头部,这种标记即为数据标签。岩石的含流体特性,比如含有油、气、水等不同流体,也可相应进行标记。对于钻进实验数据,还需要对钻进实验参数(比如钻压、扭矩、转速等)做好标记。
此外,还需同步记录每组岩石声音与声纹数据所使用的仪器/设备型号、记录时间、采集方法、工作环境、操作人员等关键信息以及采样率、记录时长等重要参数。
岩石声纹数据库中应含有目标工区的典型岩性,包括但不限于砂岩、石灰岩、花岗岩、泥页岩、煤岩、变质岩等。
5、智能声纹识别算法训练
进行AI算法训练前,可通过随机算法将声纹数据库中的一部分数据划为岩石声纹训练数据集,另一部分数据划分为岩石声纹验证数据集,并确保两者之间的比例可为4:1、3:1或者其他合理的比例。在进行声纹识别算法训练时,可通过更改AI算法初始参数、修改滤波器参数、改变输入的岩石声纹特征数据(FFT振幅谱和MFCC倒谱系数等)、改变岩石声纹特征向量长度等方法,进行大量的模型训练和对比测试,以达到优选智能声纹识别模型的目的。需要指出的是,本发明方法采用的AI算法可以是人工神经网络(ANN)、支持向量机(SVM)、随机森林、决策树等经典的智能模式识别算法,也可以是新发展的卷积神经网络、深度学习、迁移学习、联邦学习等AI声纹识别算法。具体实施时,既可以采用单一智能声纹识别算法进行岩性预测,也可以运用多种智能声纹识别算法搭建综合性的岩石声纹识别系统。
6、智能岩性预测
在优选好AI算法和对应的最优模型参数之后,通过将验证集数据输入AI算法中,即可智能化输出对应的岩性标签数据,这样便可实现对钻进岩石声音的智能判别。以BP神经网络算法为例,通常基于训练数据对学习率、迭代次数、隐含层节点数、权重、阈值等进行优选。此外,需要通过大量的实验数据和实测数据来训练和更新AI算法模型,使其适用范围更广、预测精度更高,最终打包成一套智能岩性识别软件/模块。通过将岩石声纹特征提取算法嵌入近钻头仪器中,基于井下仪器采集的宽频钻头破岩声音信号,提取得到典型的岩石声纹特征参数(比如数据量很小的MFCC倒谱系数、LPCC倒谱系数),通过高速无线遥传技术实时将最优的岩石声纹参数上传到地面处理中心,利用智能岩性识别软件,便可对钻头所钻遇地层的岩性进行实时化、智能化判别。在情况允许的情况下,也可以在系统中读入多种岩石声纹特征参数以及钻井工程参数、环境参数等,通过统计分析或者声纹参数自动优选等方式进行岩性综合判别,以尽可能提高岩性预测精度。具体实施时,既可以优选单一的岩石声纹特征与单一AI算法进行岩性判别,也可以选用多种岩石声纹特征与多种AI算法搭建一套智能化、多层级的岩石声纹识别系统,实现对近钻头岩性的智能识别。
7、实施例
为了验证智能岩性识别算法的可靠性,通过在实验室中利用微型电钻进行钻进实验采集岩石钻进过程产生的声音数据。本次测试分析采用了三种典型的岩石样品块,分别是砂岩、石灰岩和花岗岩,岩石样品的尺寸均为300 mm * 300 mm * 300 mm。实验过程中,在岩石样品上表面中心位置进行钻孔实验,岩样四个侧面中心位置的小孔中安装宽频压电接收换能器(简称接收器)来记录声音信号,并用凡士林作为耦合剂以提高接收器与岩石之间的耦合效果。具体实施时,将岩石样品放置在具有缓冲作用的泡沫板上,待钻速稳定时,通过示波器控制接收器进行岩石钻进声音信号的采集。每次钻进实验,仅仅采集一组声音数据,然后重复进行类似实验操作。本次实验每种岩石样品采集了100组数据钻进声音数据,后期挑选每种岩石样品的80组正常数据进行AI算法的训练和测试。其中,每种岩石样品的60组数据用于AI模型的训练,20组数据用于AI算法模型的测试。
本实施例采用经典的BP神经网络模型来验证本发明方法的预测精度,经过大量的训练和测试,发现这样一组模型参数进行岩性识别效果较好,且预测速度快。具体地,神经网络的输入层节点等于岩石声纹特征向量长度,隐含层有16个节点,输出层有3个节点,神经网络的学习率取值0.02,总迭代次数为500次。当输入FFT振幅谱作为岩石声纹特征参数时,输入层节点个数为250个;当输入MFCC倒谱系数作为岩石声纹特征参数时,输入层节点个数为13个。
图4显示的是声音接收器记录的三种典型岩石样品(砂岩、石灰岩和花岗岩)的钻进声音原始波形数据,波形数据已经做了归一化处理。其中,横轴为时间,单位为微秒(us);纵轴为数据编号,每种岩样共计80 组数据。
图5显示的是对三种典型岩石样品(砂岩、石灰岩和花岗岩)的钻进声音原始波形数据做了带通滤波之后的波形数据,滤波范围是500 Hz~15 kHz。其中,横轴为时间,单位为微秒(us);纵轴为数据编号,每种岩样共计80 组数据。
图6是实验室采集的三种岩样的钻进声音做完滤波后提取的声纹特征参数--振幅谱;其中,横轴为频率点数,纵轴为数据编号,每种岩样共计80 组振幅谱。
图7是实验室采集的三种岩样的钻进声音做完滤波后提取的声纹特征参数--MFCC倒谱系数;其中,横轴为特征点数,纵轴为数据编号,每种岩样共计80 组MFCC倒谱系数。
图8是基于实验室采集的岩石钻进声音的振幅谱(左图)和MFCC倒谱(右图)这两种声纹特征参数,采用BP神经网络算法进行智能岩性识别的结果对比图;其中,横轴为数据编号,纵轴为数据标签值,纵轴中的数字1代表砂岩,数字2代表石灰岩,数字3代表花岗岩;实线连接的小圆圈代表准确的数据标签值,而虚线连接的星号代表BP神经网络算法预测的数据标签值。可以看出,两种声纹特征参数作为BP神经网络输入数据的预测精度均达到了90%以上,且用振幅谱作为声纹参数的识别准确度达到了98 %以上。
图9是基于实验室采集的岩石钻进声音的振幅谱(左图)和MFCC倒谱(右图)这两种声纹特征参数,采用SVM算法进行智能岩性识别的结果对比图;其中,横轴为数据编号,纵轴为数据标签值,纵轴中的数字1代表砂岩,数字2代表石灰岩,数字3代表花岗岩;实线连接的小圆圈代表准确的数据标签值,而虚线连接的星号代表SVM算法预测的数据标签值。可以看出,两种声纹特征参数作为SVM输入数据的预测精度均达到了95 %以上。
总之,这套新颖的智能近钻头岩性识别算法,仅仅需要从井中传输少量的岩石声纹特征数据到地面处理中心来做岩性预测分析。比如,针对FFT振幅谱,每组数据仅有250个甚至100个数据点;特别是MFCC倒谱系数,每组数据仅有13个数据点,当然,该计算参数时也可选择其他的数据点数;这样的数据量,相比常规随钻声学方法要记录的大量波形数据,井-地之间需传输的数据量得到了大幅度减少。在仅仅采用13个声纹特征数据点作为输入的情况下,AI算法的精度都达到了90 %以上,这为随钻测量情况下进行近钻头岩性实时判别提供了比较好的理论与实验基础。
本发明提出的这套智能近钻头岩性识别方法的优势主要体现在两个方面:一方面,因为算法利用的是钻头破岩激发的声音信号经处理后的岩石声纹特征作为,可以省去传统方法所需的声源或者发射换能器,可以简化近钻头声学仪器的机械与电路结构并降低仪器制造成本;另一方面,由于岩石声纹特征参数的提取可以在井下近钻头仪器中进行,井-地之间只需要传输非常少量的岩石声纹特征数据,这类数据相比传统随钻声波测井或者随钻地震数据的体量减小了1到3个数量级,可大大提高地面获得近钻头地层岩性数据的实时性,进而能够更好、更及时地规避钻井风险。总之,这套新方法可为复杂储层钻井精准着陆、提高钻遇率、优化钻井流程提供新的理论方法与技术支撑,具有很好的科学研究意义和生产应用前景。
如图10所示,基于智能声纹识别的近钻头岩性识别装置,包括采集模块200、处理模块210、提取模块220、构建模块230、训练模块240和输出模块250。所述各个模块可分别执行上文中所述的基于智能声纹识别的近钻头岩性识别方法的各个步骤/功能。以下仅对该装置的各部件的主要功能进行描述,而省略以上已经描述过的细节内容。
采集模块200,用于采集岩石声音数据;
处理模块210,用于对采集的岩石声音数据进行预处理;
提取模块220,用于提取预处理后岩石声音的声纹特征;
构建模块230,用于建立岩石声纹特征数据库;
训练模块240,用于岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
输出模块250,用于利用智能声纹识别算法对岩石声纹特征进行智能识别/预测,输出岩性识别结果。
各模块可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于智能声纹识别的近钻头岩性识别装置中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于智能声纹识别的近钻头岩性识别方法,其特征在于,包括如下步骤:
S100、采集岩石声音数据;
S110、对采集的岩石声音数据进行预处理;
S120、提取预处理后岩石声音的声纹特征;
S130、建立岩石声纹特征数据库;
S140、根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
S150、利用智能声纹识别算法对提取预处理后的岩石声纹特征进行智能岩性识别/预测,输出岩性识别结果。
2.如权利要求1所述的近钻头岩性识别方法,其特征在于,所述步骤S100中,采集岩石断裂、敲击与钻进产生的岩石声音数据,其中,岩石断裂声音由宽频麦克风记录石条折断声音获得;敲击与钻进声音采用对立方体石块进行敲击与钻进得到相应的声音数据,并通过微型压电换能器和示波器进行采集;当然,岩石的声音还可以通过其他方式获得,比如压裂、刮擦、剪切等;岩石的各种声音数据还可以通过井中近钻头声学测量仪器、地面宽频声压/振动传感器、钻柱顶驱传感器、地表/井中地震检波器、水听器等其他记录方式/设备采集得到,所述岩石声音数据,既包括传统的声压数据,也可以是三分量的振动数据。
3.如权利要求1所述的近钻头岩性识别方法,其特征在于,所述步骤S110中,岩石声音数据预处理主要包含:
剔除或者校正岩石样品声音数据中的异常数据;
在岩石声音同类数据的幅度值有较大差异时,做归一化处理;
当同类岩石声音的采样率不一致时,做重采样处理;
对采集的原始的岩石声音数据进行高通滤波、低通滤波或带通滤波处理,用于获得高信噪比的数据。
4.如权利要求1所述的近钻头岩性识别方法,其特征在于,所述步骤S120中,提取预处理后岩石声音的声纹特征包括:输入岩石断裂、敲击与钻进声音,然后进行预加重、分帧和加窗处理,再计算FFT振幅谱和能量谱,对所得的能量谱进行梅尔三角滤波,对梅尔三角滤波后的能量谱取自然对数,得到对数能量谱,对得到的到对数能量谱进行离散余弦变换,输出岩石声纹特征,特别地,在本步中也可以采用其他信号处理方法,获得其他种类的岩石声纹特征,比如通过伽马通滤波提取功率归一化倒谱系数、伽马通频率倒谱系数等岩石声纹特征。
5.如权利要求1所述的近钻头岩性识别方法,其特征在于,所述步骤S130中,将断裂、敲击或钻进方式记录的岩石声音及最终的声纹数据分类存储,不同类型岩石的声音数据,采用数字符号标记,并保存在对应声纹特征向量的头部,标记即为数据标签,同步记录每组岩石声音与声纹数据所使用的仪器或设备型号、记录时间、采集方法、工作环境、操作人员等关键信息以及采样率、记录时长等参数。
6.如权利要求1所述的近钻头岩性识别方法,其特征在于,所述步骤S140中,通过随机算法将声纹数据库中的一部分数据划为岩石声纹训练数据集,另一部分数据划分为岩石声纹验证数据集,通过更改AI算法初始参数、修改滤波器参数、改变输入的岩石声纹特征数据、改变岩石声纹特征向量长度等方法,进行模型训练和对比测试,以训练和优化智能声纹识别算法。
7.一种基于智能声纹识别的近钻头岩性识别装置,其特征在于,包括:
采集模块,用于采集岩石声音数据;
处理模块,用于对采集的岩石声音数据进行预处理;
提取模块,用于提取预处理后岩石声音的声纹特征;
构建模块,用于建立岩石声纹特征数据库;
训练模块,用于根据岩石声纹特征数据库中的岩性标签与岩石声纹特征数据训练智能声纹识别算法;
输出模块,用于智能声纹识别算法对岩石声纹特征的智能识别/预测,输出岩性识别结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310377765.6A CN116087339A (zh) | 2023-04-11 | 2023-04-11 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310377765.6A CN116087339A (zh) | 2023-04-11 | 2023-04-11 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116087339A true CN116087339A (zh) | 2023-05-09 |
Family
ID=86199513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310377765.6A Pending CN116087339A (zh) | 2023-04-11 | 2023-04-11 | 一种基于智能声纹识别的近钻头岩性识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087339A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130075157A1 (en) * | 2011-09-26 | 2013-03-28 | Saudi Arabian Oil Company | Methods for evaluating rock properties while drilling using drilling rig-mounted acoustic sensors |
CN111364981A (zh) * | 2018-12-26 | 2020-07-03 | 中国石油化工股份有限公司 | 用于测量近钻头随钻岩性的方法及监测随钻岩性的系统 |
CN111524523A (zh) * | 2020-04-26 | 2020-08-11 | 中南民族大学 | 基于声纹识别技术的仪器设备状态检测系统及其方法 |
CN112346128A (zh) * | 2020-10-12 | 2021-02-09 | 天捺科技(珠海)有限公司 | 探测岩性、地质界面和裂缝的方法及装置 |
CN112927694A (zh) * | 2021-03-08 | 2021-06-08 | 中国地质大学(武汉) | 一种基于融合声纹特征的语音指令合法性判别方法 |
CN113777171A (zh) * | 2021-08-05 | 2021-12-10 | 华北理工大学 | 基于声纹识别技术的岩石破裂模式分类识别方法 |
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 |
CN113963719A (zh) * | 2020-07-20 | 2022-01-21 | 东声(苏州)智能科技有限公司 | 基于深度学习的声音分类方法和装置、存储介质和计算机 |
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114596869A (zh) * | 2022-03-04 | 2022-06-07 | 江西理工大学 | 一种基于Conformer建模的语音超分辨率方法 |
-
2023
- 2023-04-11 CN CN202310377765.6A patent/CN116087339A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130075157A1 (en) * | 2011-09-26 | 2013-03-28 | Saudi Arabian Oil Company | Methods for evaluating rock properties while drilling using drilling rig-mounted acoustic sensors |
CN111364981A (zh) * | 2018-12-26 | 2020-07-03 | 中国石油化工股份有限公司 | 用于测量近钻头随钻岩性的方法及监测随钻岩性的系统 |
CN111524523A (zh) * | 2020-04-26 | 2020-08-11 | 中南民族大学 | 基于声纹识别技术的仪器设备状态检测系统及其方法 |
CN113963719A (zh) * | 2020-07-20 | 2022-01-21 | 东声(苏州)智能科技有限公司 | 基于深度学习的声音分类方法和装置、存储介质和计算机 |
CN112346128A (zh) * | 2020-10-12 | 2021-02-09 | 天捺科技(珠海)有限公司 | 探测岩性、地质界面和裂缝的方法及装置 |
CN112927694A (zh) * | 2021-03-08 | 2021-06-08 | 中国地质大学(武汉) | 一种基于融合声纹特征的语音指令合法性判别方法 |
CN113777171A (zh) * | 2021-08-05 | 2021-12-10 | 华北理工大学 | 基于声纹识别技术的岩石破裂模式分类识别方法 |
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 |
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114596869A (zh) * | 2022-03-04 | 2022-06-07 | 江西理工大学 | 一种基于Conformer建模的语音超分辨率方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10669846B2 (en) | Apparatus, computer readable medium, and program code for evaluating rock properties while drilling using downhole acoustic sensors and a downhole broadband transmitting system | |
US9624768B2 (en) | Methods of evaluating rock properties while drilling using downhole acoustic sensors and telemetry system | |
EP2761335B1 (en) | Methods of evaluating rock properties while drilling using downhole acoustic sensors and telemetry system | |
US10180061B2 (en) | Methods of evaluating rock properties while drilling using downhole acoustic sensors and a downhole broadband transmitting system | |
US11112513B2 (en) | Method and device for estimating sonic slowness in a subterranean formation | |
US9903974B2 (en) | Apparatus, computer readable medium, and program code for evaluating rock properties while drilling using downhole acoustic sensors and telemetry system | |
RU2369884C2 (ru) | Устройство и способы измерения интервального времени для бурового раствора в буровой скважине | |
GB2424707A (en) | Well logging while a mud pump is off | |
US10712466B2 (en) | Casing thickness measurement using acoustic wave correlation | |
WO2004095077A1 (en) | Method for predicting pore pressure | |
CN101285381B (zh) | 一种泄漏模式波反演软地层横波速度的方法 | |
CN111364981A (zh) | 用于测量近钻头随钻岩性的方法及监测随钻岩性的系统 | |
EP2761337A2 (en) | Methods of evaluating rock properties while drilling using downhole acoustic sensors and a downhole broadband transmitting system | |
CN117270053B (zh) | 一种基于偶极声波测井的地层横波慢度和衰减计算方法 | |
US11860325B2 (en) | Deep learning architecture for seismic post-stack inversion | |
CN116087339A (zh) | 一种基于智能声纹识别的近钻头岩性识别方法和装置 | |
US20180267190A1 (en) | Methods and systems employing windowed frequency spectra analysis to derive a slowness log | |
CN116378648B (zh) | 一种基于随钻声波前视的近钻头地层探测方法及装置 | |
US20180031722A1 (en) | Systems and methods employing a menu-based graphical user interface (gui) to derive a shear slowness log | |
US20240167380A1 (en) | Analyzing drill cuttings using acoustic analysis | |
CN116378648A (zh) | 一种基于随钻声波前视的近钻头地层探测方法及装置 | |
CN113504569B (zh) | 阵列声波测井识别和评价岩体弱面的方法、系统、设备及介质 | |
CN115951408A (zh) | 地下地层的声波探测的慢度提取方法、装置、介质及设备 |
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 |