CN116777908A - 油气井套管堵漏辅助方法及其系统 - Google Patents
油气井套管堵漏辅助方法及其系统 Download PDFInfo
- Publication number
- CN116777908A CN116777908A CN202311041221.9A CN202311041221A CN116777908A CN 116777908 A CN116777908 A CN 116777908A CN 202311041221 A CN202311041221 A CN 202311041221A CN 116777908 A CN116777908 A CN 116777908A
- Authority
- CN
- China
- Prior art keywords
- vulnerability
- deep
- semantic
- shallow
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 203
- 239000003795 chemical substances by application Substances 0.000 claims description 98
- 230000004927 fusion Effects 0.000 claims description 94
- 238000000605 extraction Methods 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000010191 image analysis Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 15
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 229910000278 bentonite Inorganic materials 0.000 description 3
- 239000000440 bentonite Substances 0.000 description 3
- SVPXDRXYRYOSEX-UHFFFAOYSA-N bentoquatam Chemical compound O.O=[Si]=O.O=[Al]O[Al]=O SVPXDRXYRYOSEX-UHFFFAOYSA-N 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002981 blocking agent Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012213 gelatinous substance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002522 swelling effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种油气井套管堵漏辅助方法及其系统,其通过摄像头采集油气井套管漏洞图像,并在后端引入图像处理和分析算法来进行图像的分析以自动进行堵漏剂类型的推荐,通过这样的方式,能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,保证油气井的正常运营。
Description
技术领域
本发明涉及智能化油气井技术领域,尤其涉及一种油气井套管堵漏辅助方法及其系统。
背景技术
在油气井的运营过程中,套管堵漏是一个常见的问题。套管漏洞可能导致油气泄漏、环境污染以及生产损失。因此,及时发现并修复套管漏洞至关重要。
堵漏剂是一种能够填充漏洞并形成堵漏效果的材料。与封堵剂不同,堵漏剂可以是液体或固体形式。注入堵漏剂需要专业的设备和技术支持,并且需要根据漏洞的性质和位置选择合适的堵漏剂。
然而,传统的堵漏剂选择通常依赖于操作人员的主观判断和经验,操作人员根据个人经验或厂商推荐来选择堵漏剂,无法确保所选堵漏剂的适用性和效果,这种主观性判断可能导致不同操作人员之间的选择差异,影响堵漏效果的一致性和准确性。此外,由于堵漏剂选择的不确定性,操作人员可能需要进行多次尝试和调整,才能找到适合的堵漏剂,这增加了试错成本和时间成本,并可能延长井口停产时间,给企业造成巨大损失。
因此,期望一种优化的油气井套管堵漏辅助方案。
发明内容
本发明提供一种油气井套管堵漏辅助方法及其系统,通过摄像头采集油气井套管漏洞图像,并在后端引入图像处理和分析算法来进行图像的分析以自动进行堵漏剂类型的推荐,通过这样的方式,能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,保证油气井的正常运营。
本发明还提供了一种油气井套管堵漏辅助方法,其包括:通过摄像头采集油气井套管漏洞图像;对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签。
在上述油气井套管堵漏辅助方法中,对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征,包括:通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
在上述油气井套管堵漏辅助方法中,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
在上述油气井套管堵漏辅助方法中,分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量,包括:计算所述漏洞浅层特征图和所述漏洞深层特征图的全局语义特征向量以得到所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量。
在上述油气井套管堵漏辅助方法中,融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征,包括:使用主成分分析来融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到所述漏洞深-浅语义融合特征向量。
在上述油气井套管堵漏辅助方法中,基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签,包括:对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量;以及将所述优化漏洞深-浅语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示推荐的堵漏剂类型标签。
在上述油气井套管堵漏辅助方法中,对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量,包括:对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量;以及将所述融合特征向量和所述漏洞深-浅语义融合特征向量进行融合以得到所述优化漏洞深-浅语义融合特征向量。
在上述油气井套管堵漏辅助方法中,对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量,包括:以如下融合优化公式对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述融合特征向量;其中,所述融合优化公式为:其中,/>是所述漏洞浅层语义特征向量,/>是所述漏洞深层语义特征向量,/>是所述漏洞深层语义特征向量的转置向量,/>表示闵式距离,且/>为超参数,/>和/>分别是所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量的全局特征均值,且特征向量/>和/>均为行向量,/>为按位置点乘,/>为按位置加法,/>是所述融合特征向量。
本发明还提供了一种油气井套管堵漏辅助系统,其包括:图像采集模块,用于通过摄像头采集油气井套管漏洞图像;图像分析模块,用于对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及类型标签确定模块,用于基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签。
在上述油气井套管堵漏辅助系统中,所述图像分析模块,包括:浅层特征提取单元,用于通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;深层特征提取单元,用于通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;全局关联单元,用于分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及融合单元,用于融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
与现有技术相比,本发明提供一种油气井套管堵漏辅助方法及其系统,通过摄像头采集油气井套管漏洞图像,并在后端引入图像处理和分析算法来进行图像的分析以自动进行堵漏剂类型的推荐,通过这样的方式,能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,保证油气井的正常运营。
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。
在附图中:图1为本发明实施例中提供的一种油气井套管堵漏辅助方法的流程图。
图2为本发明实施例中提供的一种油气井套管堵漏辅助方法的系统架构的示意图。
图3为本发明实施例中提供的一种油气井套管堵漏辅助方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种油气井套管堵漏辅助系统的框图。
图5为本发明实施例中提供的一种油气井套管堵漏辅助方法的应用场景图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
堵漏剂是一种用于填充漏洞并形成堵漏效果的材料,可以阻止油气或其他流体从套管漏洞处泄漏出来,保持井口的封闭性和安全性。堵漏剂可以是液体或固体形式,具体选择取决于漏洞的性质和位置。
堵漏剂类型包括:1. 水泥堵漏剂:水泥是一种常用的固体堵漏剂,适用于较大的漏洞或需要长期封堵的情况。水泥可以通过注入井口并在漏洞处硬化,形成坚固的封堵层。
2. 聚合物堵漏剂:聚合物堵漏剂通常是液体形式,具有较低的粘度和表面张力,可以渗透到细小的漏洞中。它们在接触到漏洞处的油水环境时会发生化学反应,形成胶状物质,堵塞漏洞。
3. 膨润土堵漏剂:膨润土是一种具有吸水膨胀性能的天然矿物质,可以在接触水分后膨胀成胶状物质。膨润土堵漏剂可以通过注入井口并与漏洞处的水分接触,膨胀形成堵塞层。
4. 金属封堵剂:金属封堵剂通常是固体颗粒或纤维的形式,可以通过注入井口并在漏洞处形成堵塞层。金属封堵剂具有较高的密度和耐高温性能,适用于一些特殊环境下的堵漏需求。
选择堵漏剂时,需要考虑漏洞的大小、位置、环境条件、堵漏剂的物理化学性质以及操作的可行性等因素。在自动化堵漏剂选择方案中,可以根据漏洞图像的分析结果和已有的堵漏剂数据库进行推荐,以提高选择的准确性和适配性。
传统的堵漏剂选择通常依赖于操作人员的主观判断和经验,在面临套管漏洞时,操作人员根据个人经验或者厂商的建议来选择堵漏剂。传统堵漏剂可以通过以下方向进行选择:操作人员根据自己在堵漏剂使用方面的经验,选择他们认为适合的堵漏剂。这种方法依赖于操作人员的经验和直觉,可能存在主观性和不确定性。
操作人员可能依赖于堵漏剂供应商或厂商的建议。堵漏剂供应商通常会提供产品说明和推荐,但这些建议可能基于一般性的情况,无法针对具体的套管漏洞进行个性化推荐。
在一些情况下,操作人员可能会将漏洞样本或者漏洞相关信息发送给实验室进行测试。实验室会根据样本的特性和实验结果,推荐适合的堵漏剂。然而,这种方法通常需要时间和费用,并且在现场操作时可能无法及时获得测试结果。
传统的堵漏剂选择方法存在一些局限性,依赖于操作人员的主观判断和经验,可能导致选择的不确定性和试错成本。此外,由于堵漏剂选择的不确定性,操作人员可能需要进行多次尝试和调整,才能找到适合的堵漏剂,这增加了试错成本和时间成本,并可能延长井口停产时间,给企业造成损失。因此,引入自动化的图像处理和分析算法来辅助堵漏剂选择,可以提高选择的准确性和适配性,降低成本和风险。
在本发明的一个实施例中,图1为本发明实施例中提供的一种油气井套管堵漏辅助方法的流程图。图2为本发明实施例中提供的一种油气井套管堵漏辅助方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的油气井套管堵漏辅助方法,包括:110,通过摄像头采集油气井套管漏洞图像;120,对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及,130,基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签。
在所述步骤110中,使用摄像头或其他图像采集设备获取油气井套管漏洞图像。确保图像的清晰度和准确性,以便后续的图像分析能够得到可靠的结果,选择合适的采集角度和距离,以获取全面的漏洞信息。其中,通过图像采集,可以实时获取油气井套管漏洞的视觉信息,为后续的图像分析提供数据基础。
在所述步骤120中,利用图像处理和分析算法对采集到的油气井套管漏洞图像进行处理和分析,提取漏洞的语义特征,使用适当的图像处理技术,如边缘检测、分割、特征提取等,以准确地识别和描述漏洞的形状、大小、位置等特征。考虑漏洞的多样性和复杂性,确保算法能够有效处理各种类型的漏洞。其中,通过图像分析,可以自动提取漏洞的语义特征,如漏洞的形状、大小、位置等,为后续的堵漏剂选择提供准确的信息。
在所述步骤130中,根据漏洞的语义特征,利用预先建立的堵漏剂数据库或算法模型,确定推荐的堵漏剂类型标签。建立准确和全面的堵漏剂数据库,包含各种堵漏剂的特性、适用范围和效果等信息,建立有效的算法模型,通过漏洞的语义特征与堵漏剂数据库的匹配,推荐适合的堵漏剂类型。其中,通过基于漏洞的语义特征的堵漏剂类型标签确定,可以自动推荐适合的堵漏剂,提高选择的准确性和适配性,降低成本和风险。
油气井套管堵漏辅助方法的引入可以实现油气井套管堵漏过程的自动化和优化,通过摄像头采集漏洞图像、图像分析和漏洞的语义特征提取,以及基于特征的堵漏剂类型标签确定,可以提高堵漏剂选择的准确性和适配性,降低试错成本和时间成本,从而提高堵漏效率和井口运营的安全性。
具体地,在所述步骤110中,通过摄像头采集油气井套管漏洞图像。针对上述技术问题,本申请的技术构思为通过摄像头采集油气井套管漏洞图像,并在后端引入图像处理和分析算法来进行图像的分析以自动进行堵漏剂类型的推荐,通过这样的方式,能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,保证油气井的正常运营。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的油气井套管漏洞图像。通过摄像头采集的图像可以提供漏洞的视觉信息,包括漏洞的形状、大小、位置等,这些信息对于确定适合的堵漏剂类型非常关键。不同类型的漏洞可能需要不同类型的堵漏剂来有效封堵。
通过图像分析算法,可以对采集到的漏洞图像进行处理和分析,提取漏洞的语义特征。这些特征可以包括漏洞的几何形状、边缘特征、纹理特征等,这些特征可以作为推荐堵漏剂类型的依据。
根据采集到的漏洞图像和提取的漏洞特征,可以进行个性化的推荐堵漏剂类型,不同类型的漏洞可能对不同的堵漏剂有更好的适应性。通过分析图像中的漏洞特征,可以根据实际情况推荐最适合的堵漏剂类型。
传统的堵漏剂选择方法常常依赖于操作人员的主观判断和经验,可能存在选择不确定性和试错成本。通过采集漏洞图像并进行图像分析,可以利用图像处理和分析算法来提高选择准确性和适配性。基于图像分析的堵漏剂选择可以更客观和准确地推荐合适的堵漏剂类型,降低选择的不确定性和试错成本。
通过摄像头采集油气井套管漏洞图像可以提供重要的视觉信息和语义特征,为最后确定推荐的堵漏剂类型标签提供准确的依据,提高选择的准确性和适配性。
具体地,在所述步骤120中,对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征。图3为本发明实施例中提供的一种油气井套管堵漏辅助方法中步骤120的子步骤的流程图。如图3所示,对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征,包括:121,通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;122,通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;123,分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及,124,融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
其中,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
首先,通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图。应可以理解,提取漏洞图像的浅层特征,如边缘、纹理等,可以捕捉到漏洞的基本形状和表面特征。浅层特征提取可以通过浅层神经网络模型实现,具有较低的计算复杂度和较快的处理速度,漏洞浅层特征图提供了漏洞图像的低级表示,为后续的深层特征提取和语义特征提取提供输入。
然后,通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图:应可以理解,深层特征提取可以通过深度神经网络模型实现,能够学习到更高级、抽象的特征表示。深层特征提取可以捕捉到漏洞图像的更丰富的语义信息,如漏洞的结构、组成等,漏洞深层特征图提供了漏洞图像的高级表示,为后续的语义特征提取和融合提供输入。
接着,分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量。其中,全局关联语义特征提取可以对漏洞浅层特征图和漏洞深层特征图进行综合分析,捕捉到它们之间的关联性和语义信息。通过全局关联语义特征提取,可以将浅层特征和深层特征结合起来,得到更全面、准确的语义特征向量。漏洞浅层语义特征向量和漏洞深层语义特征向量分别表示了漏洞图像的浅层和深层语义信息,为后续的特征融合提供基础。
最后,融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。应可以理解,漏洞深-浅语义融合特征向量综合了漏洞的浅层和深层语义信息,具有更全面、丰富的表示能力。融合漏洞浅层和深层语义特征可以弥补它们之间的信息差异,提高漏洞的语义特征的准确性和鲁棒性。漏洞深-浅语义融合特征向量作为最终的漏洞的语义特征,可以用于后续的堵漏剂类型标签的确定和推荐。
通过基于深度神经网络模型的漏洞特征提取器对漏洞图像进行浅层和深层特征提取,再通过全局关联语义特征提取和特征融合,可以得到综合的漏洞的语义特征,提高堵漏剂类型的准确性和适配性。
接着,考虑到由于在实际进行油气井套管的漏洞性质检测以进行堵漏剂类型的推荐时,为了能够更准确地推荐适配度高的堵漏剂,需要在进行油气井套管的漏洞特征提取时更加关注于漏洞的形状、轮廓和纹理等浅层特征,这些浅层特征对于堵漏剂的选择尤为重要。而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被噪声所淹没。因此,在本申请的技术方案中,使用漏洞浅层特征提取器和漏洞深层特征提取器来分别提取出所述油气井套管的漏洞特征,以保留图像中有关于漏洞的不同深度的特征信息,提高堵漏剂推荐的精准度。
应可以理解,浅层特征是指从原始输入数据中提取的低级别特征,通常包括边缘、颜色、纹理等基本特征,这些特征在卷积神经网络的浅层特征提取器中被提取出来。浅层特征具有较高的空间分辨率和局部感知能力,能够捕捉到图像的细节和局部结构。
深层特征是指在网络的较深层次中提取的高级别特征,通过多层卷积和池化操作逐渐抽象而得。深层特征具有更大的感受野和更强的语义表达能力,能够捕捉到图像的全局结构和语义信息。
浅层特征和深层特征之间存在相互联系和相互依赖,具体地,深层特征可以通过反向传播的方式影响浅层特征的学习过程。在网络的训练过程中,深层特征的梯度可以通过反向传播传递回浅层特征提取器,从而影响浅层特征的学习和优化。
在一些网络结构中,浅层特征和深层特征可以进行融合,以提高特征的表达能力。例如,可以通过连接或拼接的方式将浅层特征和深层特征进行融合,从而获得更丰富和综合的特征表示。
深层特征的学习依赖于浅层特征的提取,浅层特征提取器首先从原始输入数据中提取出低级别的特征,然后通过多层卷积和池化操作逐渐提取出更高级别的特征。深层特征的学习过程受到浅层特征的影响和指导。
浅层特征和深层特征在图像处理中具有相互联系和依赖关系,浅层特征提供了图像的细节和局部结构信息,而深层特征提供了图像的全局结构和语义信息。通过充分利用二者之间的联系,可以获得更准确、更丰富的特征表示,提高图像处理任务的性能和效果。
具体地,将所述油气井套管漏洞图像通过基于第一卷积神经网络模型的漏洞浅层特征提取器中进行特征挖掘,以提取出所述油气井套管漏洞图像中有关于所述油气井套管漏洞的形状、轮廓、边缘和纹理等浅层特征分布信息,从而得到漏洞浅层特征图。
然后,将所述漏洞浅层特征图通过基于第二卷积神经网络模型的漏洞深层特征提取器中进行特征提取,以提取出所述油气井套管漏洞的更高级别的深层隐含特征分布信息,例如漏洞的结构、组织和复杂性等特征信息,从而得到漏洞深层特征图。
在本申请中,深度神经网络可以学习到图像中的形状特征,通过浅层特征提取器,可以提取出油气井套管漏洞的形状信息,这对于漏洞的形态分析和定位非常重要。卷积神经网络在浅层特征提取过程中,可以捕捉到图像中的边缘特征,从而提取出漏洞的轮廓信息,轮廓特征可以提供关于漏洞边界的形状和位置信息。深度神经网络可以提取图像中的边缘特征,通过浅层特征提取器,可以捕捉到油气井套管漏洞图像中的边缘信息。这些特征可以用于判断漏洞的边界和边缘形态。
深层特征提取器可以学习到漏洞图像中更抽象、更高级别的特征表示,例如漏洞的结构、组织和复杂性等,这些特征对于漏洞的深层次分析和理解非常重要。深层特征提取器可以提取出漏洞图像中的语义信息,如漏洞的类型、组成和特征等,这些信息可以帮助进一步理解漏洞的本质和特点。深层特征提取器通过多层卷积和池化操作,可以逐渐提高特征的抽象能力,这使得提取的特征更具有代表性和区分性,有助于准确地表征漏洞的特征分布。
通过基于深度神经网络模型的漏洞浅层特征提取器和漏洞深层特征提取器,可以从油气井套管漏洞图像中提取出形状、轮廓、边缘和纹理等浅层特征以及更高级别的深层特征。这些特征提取的过程能够全面、准确地描述漏洞的特征分布信息,为后续的漏洞分析和处理提供有益的支持。
在本申请的一个实施例中,分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量,包括:计算所述漏洞浅层特征图和所述漏洞深层特征图的全局语义特征向量以得到所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量。
应可以理解,由于所述漏洞浅层特征图和所述漏洞深层特征图都是由卷积神经网络模型提取的图像特征,而由于卷积神经网络模型的固有局限性,其只能提取到图像中有关于油气井套管漏洞的各个局部特征信息。但对于堵漏剂选择来说,需要更加关注于整个漏洞的特征表示,而不仅仅是局部的特征。因此,在本申请的技术方案中,进一步计算所述漏洞浅层特征图和所述漏洞深层特征图的全局语义特征向量以得到漏洞浅层语义特征向量和漏洞深层语义特征向量。通过计算所述漏洞浅层特征图和所述漏洞深层特征图的全局语义特征向量,可以将图像中的全局信息进行编码。所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量是分别通过对所述漏洞浅层特征图和所述漏洞深层特征图中的所有位置的特征信息进行汇总和聚合得到的,其表示了整个漏洞的全局语义特征信息。特别地,所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量具有更低的维度,并且在特征空间中更具区分性,可以减少特征的冗余性,并提供更紧凑的漏洞特征表示。这种表示形式有助于降低计算复杂度,并且更适合用于后续的分类器进行堵漏剂类型的推荐和选择。
在本申请的一个实施例中,融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征,包括:使用主成分分析来融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到所述漏洞深-浅语义融合特征向量。
进一步地,考虑到所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量通常具有较高的维度,这些高维特征可能包含冗余信息或不太重要的细节,而且会增加计算的复杂性,同时维度之间存在耦合的问题。因此,在本申请的技术方案中,进一步使用主成分分析来融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量,以此来减少特征的维度并提取最具代表性的特征。通过所述主成分分析的融合方式不仅可以将高维特征向量转换为低维的表示形式,同时保留重要的特征信息,避免了重要信息的丢失,保持特征集中对方差贡献最大的特征。具体来说,通过对漏洞浅层语义特征向量和漏洞深层语义特征向量进行主成分分析融合,可以得到一组新的特征向量,这些特征向量被认为是原始特征向量的最重要的线性组合。这些特征向量构成了所述漏洞深-浅语义融合特征向量,综合了漏洞的浅层和深层语义信息。特别地,这里,所述漏洞深-浅语义融合特征向量具有更低的维度,并且保留了原始特征向量中最重要的信息。这样,可以减少特征的冗余性,提高特征的区分度,并且有助于更好地表示漏洞的语义信息。
具体地,所述步骤130中,基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签,包括:对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量;以及,将所述优化漏洞深-浅语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示推荐的堵漏剂类型标签。
通过优化漏洞深-浅语义融合特征向量的特征分布,可以使不同类别的漏洞在特征空间中具有更好的可分性。优化后的特征分布可以使同一类别的漏洞更加接近,不同类别的漏洞更加分散,从而提高分类的准确性和可靠性。优化特征分布可以使不同类别的漏洞在特征空间中更加明显地区分开来,优化后的特征分布可以使漏洞的特征表示更具有代表性和区分性,有助于分类器更好地区分不同类别的漏洞。
通过优化漏洞深-浅语义融合特征向量的特征分布,可以提高分类器的准确性,优化后的特征分布可以使分类器更容易捕捉到不同类别漏洞的特征模式,从而提高分类的准确性和分类结果的可信度。分类结果可以用于表示推荐的堵漏剂类型标签,根据分类器的输出,可以确定漏洞所属的堵漏剂类型,并为后续的堵漏剂选择和处理提供指导和建议。
通过分类器对优化特征向量进行分类,可以减少人工对漏洞进行分类的工作量,降低试错成本和时间成本。分类器可以快速、自动地将漏洞分类,提供准确的分类结果。通过分类结果,可以快速确定推荐的堵漏剂类型,从而提高堵漏效率,正确选择合适的堵漏剂类型可以降低漏洞处理的风险,提高井口运营的安全性。
对漏洞深-浅语义融合特征向量进行特征分布优化,并将优化后的特征向量通过分类器进行分类,可以提高分类准确性、降低试错成本和时间成本,并为推荐的堵漏剂类型标签提供有益的支持。这将有助于提高堵漏效率和井口运营的安全性。
在本申请的一个实施例中,将所述优化漏洞深-浅语义融合特征向量通过分类器以得到分类结果,包括:使用所述分类器的全连接层对所述优化漏洞深-浅语义融合特征向量进行全连接编码以得到全连接优化漏洞深-浅语义融合特征向量;将所述全连接优化漏洞深-浅语义融合特征向量输入所述分类器的Softmax分类函数以得到所述全连接优化漏洞深-浅语义融合特征向量归属于各个分类标签的概率值,所述分类标签包括各个堵漏剂类型标签;将所述概率值中最大者对应的分类标签确定为所述分类结果。当然,除了基于Softmax分类函数的分类器外,还可以使用其他分类器,在本申请的另一个实施例中,所述分类器为决策树(Decision Tree),这里,应当知晓,决策树是一种基于树结构的分类器,通过一系列的判断条件将数据分割成不同的类别。决策树易于理解和解释,同时能够处理离散特征和连续特征。在本申请的再一个实施例中,所述分类器为随机森林(RandomForest):随机森林是一种集成学习方法,通过构建多个决策树并进行投票或平均来进行分类。随机森林能够处理高维数据和大规模数据集,并且对于处理特征选择和缺失值有一定的鲁棒性。
在本申请的一个实施例中,对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量,包括:对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量;以及,将所述融合特征向量和所述漏洞深-浅语义融合特征向量进行融合以得到所述优化漏洞深-浅语义融合特征向量。
进而,再将所述漏洞深-浅语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示推荐的堵漏剂类型标签。具体地,在本申请的技术方案中,所述分类器的分类标签为推荐的堵漏剂类型标签,因此,在得到所述分类结果后,可以自动进行堵漏剂类型的推荐,通过这样的方式,能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险。
特别地,在本申请的技术方案中,使用主成分分析来融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量时,虽然在避免重要特征信息的丢失的情况下进行了降维,但是级联融合的方式并没有考虑到所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量之间的逐点对应性,也就是,由于所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量是所述油气井套管漏洞图像通过基于卷积神经网络的特征提取器获得的,因此其每个位置的特征值都对应于卷积神经网络的通道维度下的图像语义特征,因而所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量之间具有逐点齐次对应性,即,作为基于所述油气井套管漏洞图像的表达浅层和深层图像语义特征的特征矩阵获得的密集采样式图像语义特征表达,因此,为实现基于所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量的逐点对应性的融合,对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量/>进行齐次吉尔伯特空间度量式密集点分布采样融合,以获得融合特征向量/>,具体表示为:以如下融合优化公式对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述融合特征向量;其中,所述融合优化公式为:其中,/>是所述漏洞浅层语义特征向量,/>是所述漏洞深层语义特征向量,/>是所述漏洞深层语义特征向量的转置向量,/>表示闵式距离,且/>为超参数,/>和/>分别是所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量的全局特征均值,且特征向量/>和/>均为行向量,/>为按位置点乘,/>为按位置加法,/>是所述融合特征向量。
这里,通过对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量/>的特征分布中心的齐次吉尔伯特空间度量,来对所述漏洞浅层语义特征向量/>和所述漏洞深层语义特征向量/>的融合特征分布进行高维特征空间内的融合特征流形超平面的真实(ground-truth)几何中心约束,并以交叉式距离约束的逐点特征关联作为偏置项,来实现特征分布的关联约束界限内的特征密集点采样式分布融合,从而增强向量间的齐次采样关联融合性。然后,再引入所述融合特征向量/>与所述漏洞深-浅语义融合特征向量进行融合来优化所述漏洞深-浅语义融合特征向量,就提升了优化的漏洞深-浅语义融合特征向量的表达效果。这样,能够基于油气井套管漏洞的实际情况来自动进行堵漏剂类型的推荐,以提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,从而保证油气井的正常运营。
综上,基于本发明实施例的油气井套管堵漏辅助方法被阐明,其能够避免操作人员的介入而引起的堵漏剂选择的不确定性和试错成本,从而提高堵漏剂选择的适配性和准确性,降低人工成本和环境风险,保证油气井的正常运营。
图4为本发明实施例中提供的一种油气井套管堵漏辅助系统的框图。如图4所示,所述油气井套管堵漏辅助系统,包括:图像采集模块210,用于通过摄像头采集油气井套管漏洞图像;图像分析模块220,用于对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及,类型标签确定模块230,用于基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签。
在所述油气井套管堵漏辅助系统中,所述图像分析模块,包括:浅层特征提取单元,用于通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;深层特征提取单元,用于通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;全局关联单元,用于分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及,融合单元,用于融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
本领域技术人员可以理解,上述油气井套管堵漏辅助系统中的各个步骤的具体操作已经在上面参考图1到图3的油气井套管堵漏辅助方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的油气井套管堵漏辅助系统200可以实现在各种终端设备中,例如用于油气井套管堵漏辅助的服务器等。在一个示例中,根据本发明实施例的油气井套管堵漏辅助系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该油气井套管堵漏辅助系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该油气井套管堵漏辅助系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该油气井套管堵漏辅助系统200与该终端设备也可以是分立的设备,并且该油气井套管堵漏辅助系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种油气井套管堵漏辅助方法的应用场景图。如图5所示,在该应用场景中,首先,通过摄像头采集油气井套管漏洞图像(例如,如图5中所示意的C);然后,将获取的油气井套管漏洞图像输入至部署有油气井套管堵漏辅助算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于油气井套管堵漏辅助算法对所述油气井套管漏洞图像进行处理,以确定推荐的堵漏剂类型标签。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种油气井套管堵漏辅助方法,其特征在于,包括:通过摄像头采集油气井套管漏洞图像;对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签;其中,对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征,包括:通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
2.根据权利要求1所述的油气井套管堵漏辅助方法,其特征在于,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
3.根据权利要求2所述的油气井套管堵漏辅助方法,其特征在于,分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量,包括:计算所述漏洞浅层特征图和所述漏洞深层特征图的全局语义特征向量以得到所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量。
4.根据权利要求3所述的油气井套管堵漏辅助方法,其特征在于,融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征,包括:使用主成分分析来融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到所述漏洞深-浅语义融合特征向量。
5.根据权利要求4所述的油气井套管堵漏辅助方法,其特征在于,基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签,包括:对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量;以及将所述优化漏洞深-浅语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示推荐的堵漏剂类型标签。
6.根据权利要求5所述的油气井套管堵漏辅助方法,其特征在于,对所述漏洞深-浅语义融合特征向量进行特征分布优化以得到优化漏洞深-浅语义融合特征向量,包括:对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量;以及将所述融合特征向量和所述漏洞深-浅语义融合特征向量进行融合以得到所述优化漏洞深-浅语义融合特征向量。
7.根据权利要求6所述的油气井套管堵漏辅助方法,其特征在于,对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量,包括:以如下融合优化公式对所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述融合特征向量;其中,所述融合优化公式为:其中,/>是所述漏洞浅层语义特征向量,/>是所述漏洞深层语义特征向量,/>是所述漏洞深层语义特征向量的转置向量,/>表示闵式距离,且/>为超参数,/>和/>分别是所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量的全局特征均值,且特征向量/>和/>均为行向量,/>为按位置点乘,/>为按位置加法,/>是所述融合特征向量。
8.一种油气井套管堵漏辅助系统,其特征在于,包括:图像采集模块,用于通过摄像头采集油气井套管漏洞图像;图像分析模块,用于对所述油气井套管漏洞图像进行图像分析以得到漏洞的语义特征;以及类型标签确定模块,用于基于所述漏洞的语义特征,确定推荐的堵漏剂类型标签;其中,所述图像分析模块,包括:浅层特征提取单元,用于通过基于第一深度神经网络模型的漏洞浅层特征提取器对所述油气井套管漏洞图像进行浅层特征提取以得到漏洞浅层特征图;深层特征提取单元,用于通过基于第二深度神经网络模型的漏洞深层特征提取器对所述漏洞浅层特征图进行深层特征提取以得到漏洞深层特征图;全局关联单元,用于分别对所述漏洞浅层特征图和所述漏洞深层特征图进行全局关联语义特征提取以得到漏洞浅层语义特征向量和漏洞深层语义特征向量;以及融合单元,用于融合所述漏洞浅层语义特征向量和所述漏洞深层语义特征向量以得到漏洞深-浅语义融合特征向量作为所述漏洞的语义特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041221.9A CN116777908B (zh) | 2023-08-18 | 2023-08-18 | 油气井套管堵漏辅助方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041221.9A CN116777908B (zh) | 2023-08-18 | 2023-08-18 | 油气井套管堵漏辅助方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777908A true CN116777908A (zh) | 2023-09-19 |
CN116777908B CN116777908B (zh) | 2023-11-03 |
Family
ID=88011917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041221.9A Active CN116777908B (zh) | 2023-08-18 | 2023-08-18 | 油气井套管堵漏辅助方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777908B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060719A1 (en) * | 2016-08-29 | 2018-03-01 | International Business Machines Corporation | Scale-space label fusion using two-stage deep neural net |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN111734399A (zh) * | 2020-04-01 | 2020-10-02 | 四川维泰科创石油设备制造有限公司 | 一种钻井过程中智能堵漏方法及系统 |
CN111898709A (zh) * | 2020-09-30 | 2020-11-06 | 中国人民解放军国防科技大学 | 一种图像分类方法及设备 |
CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
CN112580590A (zh) * | 2020-12-29 | 2021-03-30 | 杭州电子科技大学 | 一种基于多语义特征融合网络的指静脉识别方法 |
CN113095414A (zh) * | 2021-04-15 | 2021-07-09 | 中国石油大学(华东) | 一种基于卷积神经网络和支持向量机的示功图识别方法 |
CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
CN113742733A (zh) * | 2021-08-09 | 2021-12-03 | 扬州大学 | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 |
CN116038147A (zh) * | 2022-12-28 | 2023-05-02 | 东莞市新法拉数控设备有限公司 | 激光金属切割机及其控制方法 |
CN116563680A (zh) * | 2023-05-05 | 2023-08-08 | 北京卫星信息工程研究所 | 基于高斯混合模型的遥感图像特征融合方法、电子设备 |
-
2023
- 2023-08-18 CN CN202311041221.9A patent/CN116777908B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060719A1 (en) * | 2016-08-29 | 2018-03-01 | International Business Machines Corporation | Scale-space label fusion using two-stage deep neural net |
CN111734399A (zh) * | 2020-04-01 | 2020-10-02 | 四川维泰科创石油设备制造有限公司 | 一种钻井过程中智能堵漏方法及系统 |
CN111738620A (zh) * | 2020-07-17 | 2020-10-02 | 西南石油大学 | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 |
CN111898709A (zh) * | 2020-09-30 | 2020-11-06 | 中国人民解放军国防科技大学 | 一种图像分类方法及设备 |
CN112580590A (zh) * | 2020-12-29 | 2021-03-30 | 杭州电子科技大学 | 一种基于多语义特征融合网络的指静脉识别方法 |
CN112561211A (zh) * | 2021-02-19 | 2021-03-26 | 西南石油大学 | 基于神经网络深度学习的钻井循环压耗预测方法 |
CN113095414A (zh) * | 2021-04-15 | 2021-07-09 | 中国石油大学(华东) | 一种基于卷积神经网络和支持向量机的示功图识别方法 |
CN113111586A (zh) * | 2021-04-19 | 2021-07-13 | 西南石油大学 | 一种基于神经网络的钻井堵漏配方预测方法 |
CN113742733A (zh) * | 2021-08-09 | 2021-12-03 | 扬州大学 | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 |
CN116038147A (zh) * | 2022-12-28 | 2023-05-02 | 东莞市新法拉数控设备有限公司 | 激光金属切割机及其控制方法 |
CN116563680A (zh) * | 2023-05-05 | 2023-08-08 | 北京卫星信息工程研究所 | 基于高斯混合模型的遥感图像特征融合方法、电子设备 |
Non-Patent Citations (2)
Title |
---|
BIN PENG 等: "Attribute extraction by Combing Feature Ranking and Sequence labeling", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA AND SMART COMPUTING》, pages 553 - 556 * |
周志世 等: "超深井长裸眼井底放空井漏失返桥接堵漏工艺技术", 《钻井液与完井液》, vol. 37, no. 4, pages 456 - 464 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777908B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3928168B1 (en) | Automatic extraction of assets data from engineering data sources | |
Kaddah et al. | Optimized minimal path selection (OMPS) method for automatic and unsupervised crack segmentation within two-dimensional pavement images | |
CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN116049397B (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN112465798B (zh) | 一种基于生成对抗网络和记忆模块的异常检测方法 | |
CN111949535A (zh) | 基于开源社区知识的软件缺陷预测装置及方法 | |
CN111639579A (zh) | 一种基于红外图像的电力变压器套管智能油位识别方法 | |
CN111507986B (zh) | 一种孔隙内波及情况的确定方法和装置 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN111553176A (zh) | 一种适用于变电站屏柜接线的无线传输检查方法及系统 | |
CN116777908B (zh) | 油气井套管堵漏辅助方法及其系统 | |
CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
CN114154484A (zh) | 基于混合深度语义挖掘的施工专业术语库智能构建方法 | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
Jia et al. | Sample generation of semi‐automatic pavement crack labelling and robustness in detection of pavement diseases | |
CN115661695A (zh) | 基于无人机的河道排污口监控预警方法及系统 | |
CN114034260A (zh) | 一种基于流媒体与bim的深基坑围护结构变形诊断系统 | |
CN112488479A (zh) | 一种天然气数据分析的方法及系统 | |
CN108052987B (zh) | 图像分类输出结果的检测方法 | |
CN116245357B (zh) | 一种数智节能柜故障诊断方法及系统 | |
Pang et al. | A water environment security monitoring algorithm based on intelligent video surveillance | |
CN113283452B (zh) | 一种大型设备安拆步骤检测方法 | |
CN111046869B (zh) | 一种基于深度学习的显著区域提取方法及系统 |
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 |