CN117709738A - 基于风险效用函数的相似井的量化评价方法及装置 - Google Patents
基于风险效用函数的相似井的量化评价方法及装置 Download PDFInfo
- Publication number
- CN117709738A CN117709738A CN202311472272.7A CN202311472272A CN117709738A CN 117709738 A CN117709738 A CN 117709738A CN 202311472272 A CN202311472272 A CN 202311472272A CN 117709738 A CN117709738 A CN 117709738A
- Authority
- CN
- China
- Prior art keywords
- well
- lifting system
- similar
- data
- system design
- 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
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013461 design Methods 0.000 claims abstract description 163
- 239000003129 oil well Substances 0.000 claims abstract description 139
- 230000000694 effects Effects 0.000 claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000011161 development Methods 0.000 claims abstract description 63
- 230000006870 function Effects 0.000 claims description 51
- 238000003860 storage Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 10
- 239000007788 liquid Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010063659 Aversion Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及油气田开发技术领域，公开了一种基于风险效用函数的相似井的量化评价方法及装置，所述方法获取包括多套举升系统设计方案油井量化评价数据集，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据。从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法。并利用相似井聚类算法进行计算，确定相似井。从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值。最后，采用风险效用函数计算相似井与目标井之间的相似度，以及相似井的量化评价值，获得综合量化评分，可以准确地确定与目标井相似度高，且运行效果较好的油井对应的举升系统设计方案。
Description
技术领域
本申请涉及油气田开发技术领域，具体涉及一种基于风险效用函数的相似井的量化评价方法及装置。
背景技术
在油气田开发过程中，举升工艺设计是采油工程设计中的关键环节，对于提高抽油系统运行的效率和稳定性、延长抽油系统寿命等均有重要意义。传统基于采油工程理论的举升工艺设计方法难以有效处理复杂矿场实际情况，设计方案的可靠性有待提升。
相似井的量化评价是一项重要的任务。相似井是指在地质、工程和生产等方面具有相似特征的井。通过对相似井的评价，可以更好地预测和优化油气田的开发方案，提高开发效率和经济效益。
传统相似井的评价方法主要基于经验和专家知识，存在主观性和不确定性。在现有的相关技术中通过建立三种掉块对应元素的相似度评价方法，对各元素成分进行相似度评价，从而综合匹配得到最适合的井深数据；该方法采用数学分析手段对元素信息进行量化计算，从而获得客观定量的井深数据，克服了主观的认识上的不足。但上述现有的技术只考虑了掉块对应元素的相似度这一个评价指标，缺乏对获得的相似井数据进一步处理，缺乏对井深数据的综合评价。
发明内容
本申请实施例提供了一种基于风险效用函数的相似井的量化评价方法，以解决现有技术中，只考虑了掉块对应元素的相似度这一个评价指标，缺乏对获得的相似井数据进一步处理，缺乏对井深数据的综合评价的问题。
相应的，本申请实施例还提供了一种基于风险效用函数的相似井的量化评价装置、一种电子设备、一种计算机可读存储介质，用于保证上述方法的实现及应用。
为了解决上述技术问题，本申请实施例公开了一种基于风险效用函数的相似井的量化评价方法，所述方法包括：
获取油井量化评价数据集；油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法，并利用相似井聚类算法确定相似井；其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井；
从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值；
量化评价模块，用于计算相似井的举升系统设计方案与目标井的举升系统设计方案之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分。
本申请实施例还公开了一种基于风险效用函数的相似井的量化评价装置，所述装置包括：
数据获取模块，用于获取油井量化评价数据集；油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
相似井分析模块，用于从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法，并利用相似井聚类算法确定相似井；其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井；
运行效果分析模块，用于从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值；
量化评价模块，用于计算相似井的举升系统设计方案与目标井的举升系统设计方案之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分。
本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请实施例中一个或多个所述的方法。
本申请实施例还公开了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本申请实施例中一个或多个所述的方法。
本申请实施例中，获取油井量化评价数据集，油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据。从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法。并利用相似井聚类算法进行计算，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井。从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值，量化评价值越高，运行效果越好。最后，计算相似井与目标井之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分，通过综合量化评分可以较为准确地确定与目标井相似度高，且运行效果较好的油井对应的举升系统设计方案，可以通过这些方案指导目标井的举升设计。
本申请实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的基于风险效用函数的相似井的量化评价方法的流程图；
图2为本申请实施例提供的基于风险效用函数的相似井的量化评价装置的结构示意图；
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。对于现有技术中所存在的技术问题，本申请提供的基于风险效用函数的相似井的量化评价方法及装置，旨在解决现有技术的技术问题中的至少一项。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请实施例提供了一种可能的实现方式，如图1所示，提供了一种基于风险效用函数的相似井的量化评价方法的流程图，该方案可以由任一电子设备执行，可选的，可以在服务器端或终端设备执行。
如图1中所示，该方法可以包括以下步骤：
步骤101，获取油井量化评价数据集；油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
本申请实施例中可以采集多口油井涵盖油井地质、流体、生产、配套等维度的数据进行分析和处理，对每一口油井的数据进行处理，得到用于描述该油井的举升系统设计方案。
步骤102，从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法，并利用相似井聚类算法确定相似井。
其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井。
聚类算法可以将油井量化评价数据集中的油井自动分为多个类别，相似井为与目标井属于同一个类别中的油井，其中相似井可以有多个。本申请实施例中的聚类算法以油井量化评价数据集中每口油井的地质开发特征数据进行聚类处理。
步骤103，从所述油井量化评价数据集中选取多个所述举升系统运行效果数据，构建效果评分算法，并利用所述效果评分算法获得所述相似井的量化评价值。
其中，量化评价值越高，运行效果越好。
步骤104，计算相似井与目标井之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分。
风险效用函数可以结合相似度域运行效果两方面，计算得到综合量化评分，通过综合量化评分可以确定相似度高且运行效果较好的举升系统设计方案。具体地，可以将相似井对应的举升系统设计方案的风险偏好分为风险厌恶、风险爱好和风险中性。可以选取相似度高且运行效果较好的举升系统设计方案指导目标井的举升设计。
本申请实施例中，获取油井量化评价数据集，油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据。从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法。并利用相似井聚类算法进行计算，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井。从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值，量化评价值越高，运行效果越好。最后，计算相似井与目标井之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分，通过综合量化评分可以较为准确地确定与目标井相似度高，且运行效果较好的油井对应的举升系统设计方案，可以通过这些方案指导目标井的举升设计。
在一个可选的实施例中，获取油井量化评价数据集，包括：
获取油井的举升优化设计指标，举升优化设计指标包括油井基本信息、地质数据、流体数据、机采数据、生产数据以及效果数据。
本申请实施例中可以从不同的数据库中获取多个能够覆盖油井举升相关动静态特征的举升优化设计指标，包括但不限于油井基本信息、地质数据、流体数据、机采数据、生产数据以及效果数据，用于后续的量化评价。
其中，部分举升优化设计指标如表1所示：
表1油井举升优化设计指标
将同一口油井的油井举升优化设计指标进行预处理，获得该井的举升系统设计方案。
本申请实施例中可以利用井号区分不同的油井，可以根据井号将上述的举升优化设计指标进行预处理，得到多套举升系统设计方案，若共有M口油井，则生成M套举升系统设计方案。所述的预处理操作包括但不限于数据拼接以及数据清洗。
采用主成分分析法对每一套举升系统设计方案进行主要影响因素分析，获得油井量化评价数据集。
每套举升系统设计方案包含N维数值型指标(举升优化设计指标)，可以通过主成分分析法进行分析，将N维数值型指标划分为N1个地质开发特征数据和N2个举升系统运行效果数据。其中，举升系统设计方案中的地质开发特征数据可以根据油井基本信息、地质数据、流体数据、机采数据和生产数据获得；举升系统运行效果数据可以根据效果数据获得。主成分分析法可以提高样本质量，降低数据处理维度。
除此之外，本申请实施例还将N1个地质开发特征数据和N2个举升系统运行效果数据归一化到[0,1]的范围内，有单位的数据转换为没有单位的数据，消除各举升优化设计指标的量纲和数量级。
在一个可选的实施例中，将同一口油井的所述油井举升优化设计指标进行预处理，获得该井的举升系统设计方案，包括：
将同一口油井的多个油井举升优化设计指标进行拼接，获得对应油井的第一举升系统设计方案；第一举升系统设计方案中包括多列数据。
本申请实施例中可以以井号为查询目标，收集该井过去一年的油井举升优化设计指标，包括上述的基本信息、地质数据、流体数据、机采数据、生产数据以及效果数据，并按照时间顺序对油井举升优化设计指标进行拼接，合成一条数据，从而每一口油井生成一套第一举升系统设计方案。
从第一举升系统设计方案中删除相同的列数据，获得第二举升系统设计方案。
对第二举升系统设计方案进行异常点检测，获得异常数据，并根据预设的举升系统设计指标标准对异常数据进行核对和校正，获得第三举升系统设计方案。
本申请实施例中可以采用预设的异常值检测方法进行异常点检测，其中，异常值检测方法包括但不限于简单的描述性统计分析方法、3σ原则法、z分数(Z-score)方法、聚类算法(DBSCAN方法)、孤立森林(Isolation Forest)方法。
预设的举升系统设计指标标准可以根据采油工程理论确定。
从第三举升系统设计方案中确定缺失值，并对缺失值进行补充或删除处理，获得举升系统设计方案。
本申请实施例中可以采用isnull()方法寻找缺失值，对于返回True表示此处为缺失值，对于寻找到的缺失值，可以通过插补补充数据或删除数据。例如，若某一套举升系统设计方案所缺的指标数据较少，用该指标的均值填充；反之若某一套举升系统设计方案所缺的指标数据过多，可以删除该条数据。
在一个可选的实施例中，所述从所述油井量化评价数据集中选取多个所述地质开发特征数据，构建相似井聚类算法，并利用所述相似井聚类算法确定相似井，包括：
利用相似井聚类算法对油井量化数据集进行处理，确定多个聚类中心；
根据聚类中心将油井量化评价数据集中的多套举升系统设计方案分为多个聚类集；
将目标井的举升系统设计方案所在的聚类集作为相似集，并根据相似集中除目标井的举升系统设计方案之外的举升系统设计方案确定相似井。
在一个可选的实施例中，利用相似井聚类算法对油井量化数据集进行处理，确定多个聚类中心，包括：
在油井量化评价数据集中确定目标井，并将举升系统设计方案作为初始聚类中心，迭代多次聚类操作，获得多个聚类中心；其中，聚类操作为：
计算油井量化评价数据集中每一口油井的地质开发特征数据到最近聚类中心的距离；
根据距离计算对应井的举升系统设计方案作为下一个聚类中心的概率值，并将概率值最大的举升系统设计方案作为下一个聚类中心。
本申请实施例中的相似井聚类算法可以为K-means++的相似井聚类算法。可以基于油井量化评价数据集，从M套举升系统设计方案的总数据中，选取其中N1个地质开发特征数据，构建K-means++的相似井聚类算法，以获得相似井。
具体步骤如下：
步骤1.1：从油井量化评价数据集中将所选取的目标井的举升系统设计方案选定为第一初始聚类中心A1。
步骤1.2：计算每一个油井的举升系统设计方案到最近聚类中心的距离；即计算每一个油井的举升系统设计方案到所有聚类中心的距离，并获取所有距离中最近的距离。
本申请实施例中可以使用欧式距离、曼哈顿距离、切比雪夫距离等方式计算每一个油井的举升系统设计方案到最近聚类中心的距离。以欧式距离为例，点x和y的欧式距离D(x,y)为：
其中，xi和yi分别代表两口油井的第i个指标(其中，每一个地质开发特征数据均作为一个指标)，共有N1个地质开发特征数据参与距离计算。
步骤1.3：计算每一个油井的举升系统设计方案成为下一个聚类中心的概率P(x)，计算方法如下：
步骤1.4：选择最大概率值对应的油井的举升系统设计方案作为下一个聚类中心。
步骤1.5：重复步骤1.2～1.4直到选出预设数量(K)个聚类中心，根据K个聚类中心将油井量化评价数据集中的所有举升系统设计方案以各举升系统设计方案之间的距离分为K个聚类集，并将目标井所在的聚类集作为相似集，将相似集中除了目标井之外的其他油井作为相似井。
在一个可选的实施例中，效果评分算法基于熵权法构建，从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值，包括：
从油井量化评价数据集中选取多个举升系统运行效果数据作为评价指标变量，并根据每一套举升系统设计方案关于每一个评价指标变量的取值，构建数据矩阵。
基于油井量化评价数据集中包括M套举升系统设计方案，每套方案中包括N2个举升系统运行效果数据，第i个举升系统设计方案关于第j个指标值的取值为aij(i＝1,2,…,M；j＝1,2,…,N2)，构造数据矩阵A＝(aij)M×N2。
利用数据矩阵计算每一套举升系统设计方案关于每一个评价指标变量的比重熵值、变异系数和权重。
第i个举升系统设计方案，关于第j个评价指标变量的比重pij的计算公式如下：
关于第j项评价指标变量的熵值ej的计算公式如下：
关于第j项评价指标变量的变异系数gj的计算公式如下：
gj＝1-ej,j＝1,2,..,N2
关于第j项评价指标变量的权重wj的计算公式如下：
根据比重pij和权重wj计算举升系统设计方案的量化评价值Pi：
在一个可选的实施例中，风险效用函数的表达式为：
其中，Ui(x)为第i个举升系统设计方案的综合量化评分；Pi(x)为第i个举升系统设计效果量化评分，Di(x,y)为第i个举升系统设计方案与目标井的举升系统设计方案的相似度。
其中，本申请实施例中通过计算第i个举升系统设计方案与目标井的举升系统设计方案之间的距离，获得两个方案之间的相似度。可选地，可以使用欧式距离、曼哈顿距离、切比雪夫距离等方式计算第i个举升系统设计方案与目标井的举升系统设计方案之间的距离。
当相似井在举升系统运行效果方面的量化评价值越高，与目标井在地质开发特征条件方面的相似度越高(距离越小)，则综合量化评分越高。
本申请实施例中，对于不同相似井的举升系统设计方案与目标井的举升系统设计方案之间的计算距离结果，修改r的取值，将举升系统设计方案的风险偏好分为风险厌恶、风险爱好和风险中性，分别构造对应的凹性、凸性和线性风险效用函数。
风险效用函数反映了决策者的风险厌恶程度，即在相同期望收益下，愿意放弃多少收益来避免风险。例如，选择风险厌恶，即选择地质开发特征条件高度相似的方案，对于可能出现的举升运行效果优秀而相似度不高的方案进行舍弃。基于不同决策者对待风险的态度，提供个人偏好的函数表达式，可以得到与目标井地址开发特征相似且举升效果指标良好的举升系统设计方案，为目标井的举升系统设计提供一种新的思路。
作为第一示例，如表2、表3相似井的测试算例可知，首先通过聚类算法计算获得选取目标井的相似井的举升系统设计方案，然后计算相似井的量化评价值，对相似井的运行效果方面进行方案评分，最后考虑举升系统设计方案之间相似度与举升系统设计运行效果的量化评价值获得综合量化评分，将获得的各举升系统设计方案按照综合量化得分值降序排序。
表2目标井1的相似井的举升系统设计方案
| 井号 | 排量 | 冲程 | 泵深 | 泵径 | 冲次 |
| 目标井1 | 15.8 | 6 | 1799.14 | 44 | 0.83 |
| 相似井1 | 11.8 | 6 | 2099.53 | 44 | 0.49 |
| 相似井2 | 12.1 | 5 | 2200.26 | 44 | 1.13 |
| 相似井3 | 7.1 | 2.98 | 1747.98 | 44 | 1 |
| 相似井4 | 11.8 | 6 | 1699.28 | 44 | 0.88 |
| 相似井5 | 6.6 | 4.66 | 1503.14 | 44 | 0.67 |
| 相似井6 | 29.5 | 4.21 | 1848.61 | 44 | 2.1 |
| 相似井7 | 20.5 | 6 | 1703.58 | 44 | 1.05 |
| 相似井8 | 24.7 | 6 | 2199 | 44 | 1.6 |
| 相似井9 | 16.5 | 6 | 1995.6 | 44 | 1.28 |
| 相似井10 | 7.4 | 6 | 2000.48 | 44 | 1.25 |
| 相似井11 | 13.6 | 5 | 1901.7 | 44 | 1.24 |
| 相似井12 | 41.5 | 6 | 1502.49 | 56 | 0.72 |
| 相似井13 | 15.8 | 6 | 1799.14 | 44 | 0.83 |
| 相似井14 | 20.9 | 5.98 | 1999.06 | 44 | 0.51 |
| 相似井15 | 16.4 | 6 | 1900 | 44 | 1.26 |
其中，排量、冲程、泵深、泵径、冲次属于机采数据。
表3目标井1的相似井的运行效果数据
其中，泵效、系统效率、百米吨液耗电、检泵周期、免修期属于效果数据，欧式距离用以描述目标井与相似井之间的相似度(值越小，相似度越高)。
目标井1，举升系统设计参数：排量15.8ml·r-1，冲程6m，泵深1799.14m，泵径44mm，冲次0.83次/min；运行效果数据：泵效29.75％，系统效率27.7％，百米吨液耗电0.85kWh，检泵周期415天，免修期162天；综合量化得分0.23。
相似井1，举升系统设计参数：排量11.8ml·r-1，冲程6m，泵深2099.53m，泵径44mm，冲次0.49次/min；运行效果数据：泵效32.81％，系统效率36.9％，百米吨液耗电0.65kWh，检泵周期1419天，免修期1418天；综合量化得分0.37。
通过对比目标井1与相似井1可知：相似井1泵效提升3.06％，系统效率提升9.2％，百米吨液耗电量下降0.2kWh，检泵周期提升1004天，免修期提升1256天。两油井之间欧式距离仅有0.35，说明两油井之间的地址开发特征参数相似，可以为目标井1的举升系统设计参数调整提供指导。
作为第二示例，如表4、表5相似井的测试算例可知，首先通过聚类算法计算获得选取目标井的相似井的举升系统设计方案，然后计算相似井的量化评价值，对相似井的运行效果方面进行方案评分，最后考虑举升系统设计方案之间相似度与举升系统设计运行效果的量化评价值获得综合量化评分，将获得的各举升系统设计方案按照综合量化得分值降序排序。
表4目标井2的相似井的举升系统设计方案
表5目标井2的相似井的运行效果数据
目标井2，举升系统设计参数：排量13.1ml·r-1，冲程3.53m，泵深1804.31m，泵径44mm，冲次1.9次/min；运行效果数据：泵效24.77％，系统效率5.8％，百米吨液耗电4.13kWh，检泵周期706天，免修期773天；综合量化得分0.2。
相似井1，举升系统设计参数：排量13.6ml·r-1，冲程6.06m，泵深1999.32m，泵径44mm，冲次1.1次/min；运行效果数据：泵效41.08％，系统效率25.1％，百米吨液耗电0.93kWh，检泵周期1522天，免修期1521天；综合量化得分0.32。
通过对比目标井2与相似井1可知：相似井1泵效提升16.31％，系统效率提升19.3％，百米吨液耗电量下降3.2kWh，检泵周期提升816天，免修期提升745天。两油井之间欧式距离仅有0.41，说明两油井之间的地址开发特征参数相似，可以为目标井1的举升系统设计参数调整提供指导。
基于与本申请实施例所提供的方法相同的原理，本申请实施例还提供了一种基基于风险效用函数的相似井的量化评价装置，如图2所示，所述装置包括：
数据获取模块201，用于获取油井量化评价数据集；油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
相似井分析模块202，用于从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法，并利用相似井聚类算法确定相似井；其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井；
运行效果分析模块203，用于从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值；
量化评价模块204，用于计算相似井的举升系统设计方案与目标井的举升系统设计方案之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分。
本申请实施例中，数据获取模块获取油井量化评价数据集，油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据。相似井分析模块从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法。并利用相似井聚类算法进行计算，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井。运行效果分析模块从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值，量化评价值越高，运行效果越好。量化评价模块计算相似井与目标井之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分，通过综合量化评分可以较为准确地确定与目标井相似度高，且运行效果较好的油井对应的举升系统设计方案，可以通过这些方案指导目标井的举升设计。
本申请实施例提供的基于风险效用函数的相似井的量化评价装置能够实现图1的方法实施例中实现的各个过程，为避免重复，这里不再赘述。
本申请实施例的基于风险效用函数的相似井的量化评价装置可执行本申请实施例所提供的基于风险效用函数的相似井的量化评价方法，其实现原理相类似，本申请各实施例中的基于风险效用函数的相似井的量化评价装置中的各模块、单元所执行的动作是与本申请各实施例中的基于风险效用函数的相似井的量化评价方法中的步骤相对应的，对于基于风险效用函数的相似井的量化评价装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于风险效用函数的相似井的量化评价方法中的描述，此处不再赘述。
基于与本申请的实施例中所示的方法相同的原理，本申请实施例还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的基于风险效用函数的相似井的量化评价方法。与现有技术相比，本申请提供的基于风险效用函数的相似井的量化评价方法，获取油井量化评价数据集，油井量化评价数据集包括多口油井对应的多套举升系统设计方案，举升系统设计方案包括地质开发特征数据和举升系统运行效果数据。从油井量化评价数据集中选取多个地质开发特征数据，构建相似井聚类算法。并利用相似井聚类算法进行计算，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为相似井。从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值，量化评价值越高，运行效果越好。最后，计算相似井与目标井之间的相似度，并采用风险效用函数计算相似度和量化评价值，获得综合量化评分，通过综合量化评分可以较为准确地确定与目标井相似度高，且运行效果较好的油井对应的举升系统设计方案，可以通过这些方案指导目标井的举升设计。
在一个可选实施例中，还提供了一种电子设备，如图3所示，图3所示的电子设备300可以为服务器，包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable GateArray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture，扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(RandomAccess Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等的移动终端以及诸如数字TV、台式计算机等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请提供的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，本申请上述的计算机可读存储介质还可以是计算机可读信号介质或者计算机可读存储介质与计算机可读存储介质的组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的基于风险效用函数的相似井的量化评价法及装置。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，运行效果分析模块还可以被描述为“用于从油井量化评价数据集中选取多个举升系统运行效果数据，构建效果评分算法，并利用效果评分算法获得相似井的量化评价值的运行效果分析模块”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于风险效用函数的相似井的量化评价方法，其特征在于，所述方法包括：
获取油井量化评价数据集；所述油井量化评价数据集包括多口油井对应的多套举升系统设计方案，所述举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
从所述油井量化评价数据集中选取多个所述地质开发特征数据，构建相似井聚类算法，并利用所述相似井聚类算法确定相似井；其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为所述相似井；
从所述油井量化评价数据集中选取多个所述举升系统运行效果数据，构建效果评分算法，并利用所述效果评分算法获得所述相似井的量化评价值；
计算所述相似井的举升系统设计方案与所述目标井的举升系统设计方案之间的相似度，并采用风险效用函数计算所述相似度和所述量化评价值，获得综合量化评分。
2.根据权利要求1所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述获取油井量化评价数据集，包括：
获取油井的举升优化设计指标，所述举升优化设计指标包括油井基本信息、地质数据、流体数据、机采数据、生产数据以及效果数据；
将同一口油井的所述油井举升优化设计指标进行预处理，获得该井的所述举升系统设计方案；
采用主成分分析法对每一套所述举升系统设计方案进行主要影响因素分析，获得所述油井量化评价数据集；
其中，所述举升系统设计方案中的所述地质开发特征数据根据所述油井基本信息、所述地质数据、所述流体数据、所述机采数据和所述生产数据获得；所述举升系统运行效果数据根据所述效果数据获得。
3.根据权利要求2所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述将同一口油井的所述油井举升优化设计指标进行预处理，获得该井的所述举升系统设计方案，包括：
将同一口油井的多个所述油井举升优化设计指标进行拼接，获得对应油井的第一举升系统设计方案；所述第一举升系统设计方案中包括多列数据；
从所述第一举升系统设计方案中删除相同的列数据，获得第二举升系统设计方案；
对所述第二举升系统设计方案进行异常点检测，获得异常数据，并根据预设的举升系统设计指标标准对所述异常数据进行核对和校正，获得第三举升系统设计方案；
从所述第三举升系统设计方案中确定缺失值，并对所述缺失值进行补充或删除处理，获得所述举升系统设计方案。
4.根据权利要求1所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述从所述油井量化评价数据集中选取多个所述地质开发特征数据，构建相似井聚类算法，并利用所述相似井聚类算法确定相似井，包括：
利用相似井聚类算法对所述油井量化数据集进行处理，确定多个聚类中心；
根据所述聚类中心将所述油井量化评价数据集中的多套举升系统设计方案分为多个聚类集；
将所述目标井的所述举升系统设计方案所在的所述聚类集作为相似集，并根据所述相似集中除所述目标井的举升系统设计方案之外的举升系统设计方案确定所述相似井。
5.根据权利要求4所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述利用相似井聚类算法对所述油井量化数据集进行处理，确定多个聚类中心，包括：
在所述油井量化评价数据集中确定目标井，并将所述举升系统设计方案作为初始聚类中心，迭代多次聚类操作，获得多个所述聚类中心；其中，所述聚类操作为：
计算所述油井量化评价数据集中每一口油井的所述地质开发特征数据到最近聚类中心的距离；
根据所述距离计算对应井的所述举升系统设计方案作为下一个聚类中心的概率值，并将概率值最大的所述举升系统设计方案作为下一个聚类中心。
6.根据权利要求1所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述效果评分算法基于熵权法构建，所述从所述油井量化评价数据集中选取多个所述举升系统运行效果数据，构建效果评分算法，并利用所述效果评分算法获得所述相似井的量化评价值，包括：
从所述油井量化评价数据集中选取多个所述举升系统运行效果数据作为评价指标变量，并根据每一套所述举升系统设计方案关于每一个所述评价指标变量的取值，构建数据矩阵；
利用所述数据矩阵计算每一套所述举升系统设计方案关于每一个所述评价指标变量的比重、熵值、变异系数和权重；
根据所述比重和所述权重计算所述举升系统设计方案的所述量化评价值。
7.根据权利要求1所述的基于风险效用函数的相似井的量化评价方法，其特征在于，所述风险效用函数的表达式为：
其中，Ui(x)为第i个举升系统设计方案的综合量化评分；Pi(x)为第i个举升系统设计效果量化评分，Di(x,y)为第i个举升系统设计方案与目标井的举升系统设计方案的相似度。
8.一种基于风险效用函数的相似井的量化评价装置，其特征在于，所述装置包括：
数据获取模块，用于获取油井量化评价数据集；所述油井量化评价数据集包括多口油井对应的多套举升系统设计方案，所述举升系统设计方案包括地质开发特征数据和举升系统运行效果数据；
相似井分析模块，用于从所述油井量化评价数据集中选取多个所述地质开发特征数据，构建相似井聚类算法，并利用所述相似井聚类算法确定相似井；其中，将地质开发特征数据与目标井的地质开发特征数据的相似度高于相似度阈值的油井作为所述相似井；
运行效果分析模块，用于从所述油井量化评价数据集中选取多个所述举升系统运行效果数据，构建效果评分算法，并利用所述效果评分算法获得所述相似井的量化评价值；
量化评价模块，用于计算所述相似井的举升系统设计方案与所述目标井的举升系统设计方案之间的相似度，并采用风险效用函数计算所述相似度和所述量化评价值，获得综合量化评分。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472272.7A CN117709738A (zh) | 2023-11-07 | 2023-11-07 | 基于风险效用函数的相似井的量化评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311472272.7A CN117709738A (zh) | 2023-11-07 | 2023-11-07 | 基于风险效用函数的相似井的量化评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117709738A true CN117709738A (zh) | 2024-03-15 |
Family
ID=90157713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311472272.7A Pending CN117709738A (zh) | 2023-11-07 | 2023-11-07 | 基于风险效用函数的相似井的量化评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709738A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118034992A (zh) * | 2024-04-15 | 2024-05-14 | 内蒙古中电储能技术有限公司 | 基于ems的储能系统非定期运维方法及系统 |
-
2023
- 2023-11-07 CN CN202311472272.7A patent/CN117709738A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118034992A (zh) * | 2024-04-15 | 2024-05-14 | 内蒙古中电储能技术有限公司 | 基于ems的储能系统非定期运维方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10504120B2 (en) | Determining a temporary transaction limit | |
| CN105224699B (zh) | 一种新闻推荐方法及装置 | |
| CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
| Hur et al. | A variable impacts measurement in random forest for mobile cloud computing | |
| CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
| US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
| EP4322031A1 (en) | Recommendation method, recommendation model training method, and related product | |
| CN109508879B (zh) | 一种风险的识别方法、装置及设备 | |
| CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
| CN117709738A (zh) | 基于风险效用函数的相似井的量化评价方法及装置 | |
| US11693836B2 (en) | System, method, and computer program product for monitoring and improving data quality | |
| CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
| CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
| CN116109373A (zh) | 金融产品的推荐方法、装置、电子设备和介质 | |
| CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
| CN116318989A (zh) | 用于用户网络活动异常检测的系统、方法和计算机程序产品 | |
| CN113656630A (zh) | 检索图像的方法、装置和系统 | |
| CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
| CN111198991A (zh) | 一种基于信任度和专家用户的协同过滤推荐方法 | |
| JP7213890B2 (ja) | 高速化された大規模な類似度計算 | |
| CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
| CN109255079B (zh) | 一种基于稀疏线性方法的云服务个性推荐系统及方法 | |
| CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN112529708B (zh) | 一种客户识别方法及装置、电子设备 |
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 |