CN118035652A - 一种针对随钻测量数据的处理方法、装置及电子设备 - Google Patents
一种针对随钻测量数据的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118035652A CN118035652A CN202410426399.3A CN202410426399A CN118035652A CN 118035652 A CN118035652 A CN 118035652A CN 202410426399 A CN202410426399 A CN 202410426399A CN 118035652 A CN118035652 A CN 118035652A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- training
- neural network
- target
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000001914 filtration Methods 0.000 claims abstract description 79
- 238000012360 testing method Methods 0.000 claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011435 rock Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本公开提供了一种针对随钻测量数据的处理方法、装置及电子设备，方法包括：获取钻进岩层时传感器的初始数据作为初始样本数据；对初始样本数据进行预处理得到目标样本数据，并将目标样本数据分为训练样本数据和测试样本数据；构建混合神经网络模型，通过训练样本数据对混合神经网络模型进行训练，并通过测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；通过目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。应用本方法，得到的目标滤波处理模型，能够自主学习和提取钻进时的非线性、非稳态和非高斯分布数据的特征并进行处理，可以高速实时地对传感器接收的流数据处理，数据处理能力强。
Description
技术领域
本公开涉及地质勘探领域，尤其涉及一种针对随钻测量数据的处理方法、装置及电子设备。
背景技术
在地质勘探进行钻进时，对钻进前方地质情况进行判断需要测量仪器的指导，目前在进行钻进时可通过随钻测量实时获取井下数据以指导完成钻进。但由于随钻测量的过程中会遇到很多复杂的情况，例如在对旋冲钻井和共振钻井进行钻进时，钻进工具会受到同等频率的振动和冲击，使得测量仪器如传感器，测量的数据往往呈非线性且不符合高斯分布，还会出现很多异常值点，大大降低了随钻测量的精准性；并且钻探产生的数据为流数据，使用传统的数据处理方法对流数据进行处理较为困难，因此需要一种针对随钻测量数据的处理方法，对由于冲击或振动产生的异常数据进行分析来提随钻测量的测量精度和可靠性，进一步提高随钻测量的精准性以更好地指导钻进。
发明内容
本公开提供了一种针对随钻测量数据的处理方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种针对随钻测量数据的处理方法，所述方法包括：获取钻进岩层时传感器的初始数据作为初始样本数据；对所述初始样本数据进行预处理得到目标样本数据，并将所述目标样本数据分为训练样本数据和测试样本数据；构建混合神经网络模型，通过所述训练样本数据对所述混合神经网络模型进行训练，并通过所述测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；所述混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络；通过所述目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
在一可实施方式中，所述通过所述训练样本数据对所述混合神经网络模型进行训练，包括：将所述训练样本数据输入所述长短期记忆递归神经网络进行训练得到第一输出数据；将所述第一输出数据输入所述卷积神经网络进行训练得到第二输出数据；将所述第二输出数据输入所述深度信念网络进行训练得到第三输出数据；确定所述第一输出数据、所述第二输出数据和所述第三输出数据分别对应的目标权重。
在一可实施方式中，所述对所述初始样本数据进行预处理得到目标样本数据，包括：对所述初始样本数据进行数据清洗；对数据清洗后的初始样本数据进行数据标注；对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
在一可实施方式中，在所述得到目标滤波处理模型后，所述方法还包括：对所述目标滤波处理模型的滤波性能进行评估。
在一可实施方式中，所述对所述目标滤波处理模型的滤波性能进行评估，包括：获取测试样本数据对经过训练后的混合神经网络模型进行测试得到的测试结果数据；基于预设指标以及所述预设指标对应的权重确定所述测试结果数据的综合指标，根据所述综合指标确定所述目标滤波处理模型的滤波效果。
根据本公开的第二方面，提供了一种针对随钻测量数据的处理装置，所述装置包括：获取模块，用于获取钻进岩层时传感器的初始数据作为初始样本数据；第一处理模块，用于对所述初始样本数据进行预处理得到目标样本数据，并将所述目标样本数据分为训练样本数据和测试样本数据；模型训练模块，用于构建混合神经网络模型，通过所述训练样本数据对所述混合神经网络模型进行训练，并通过所述测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；所述混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络；第二处理模块，用于通过所述目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
在一可实施方式中，所述模型训练模块，包括：第一训练子模块，用于将所述训练样本数据输入所述长短期记忆递归神经网络进行训练得到第一输出数据；第二训练子模块，用于将所述第一输出数据输入所述卷积神经网络进行训练得到第二输出数据；第三训练子模块，用于将所述第二输出数据输入所述深度信念网络进行训练得到第三输出数据；确定子模块，用于确定所述第一输出数据、所述第二输出数据和所述第三输出数据分别对应的目标权重。
在一可实施方式中，所述第一处理模块，具体用于，对所述初始样本数据进行数据清洗；对数据清洗后的初始样本数据进行数据标注；对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
在一可实施方式中，所述装置还包括：评估模块，用于在得到目标滤波处理模型后，对所述目标滤波处理模型的滤波性能进行评估。
在一可实施方式中，所述评估模块，包括：获取子模块，用于获取测试样本数据对经过训练后的混合神经网络模型进行测试得到的测试结果数据；评估子模块，用于基于预设指标以及所述预设指标对应的权重确定所述测试结果数据的综合指标；所述评估子模块，还用于根据所述综合指标确定所述目标滤波处理模型的滤波效果。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种针对随钻测量数据的处理方法、装置、电子设备及存储介质，首先获取钻进岩层时传感器的初始数据作为初始样本数据，对初始样本数据进行预处理得到目标样本数据，并将目标样本数据分为训练样本数据和测试样本数据，之后构建混合神经网络模型，通过训练样本数据对混合神经网络模型进行训练，并通过测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型，最后通过目标滤波处理模型对待处理数据进行滤波处理得到对应的目标滤波数据。应用本方法，基于目标样本数据对混合神经网络进行训练和测试得到的目标滤波处理模型，具有自适应性和学习能力，能够自主学习和提取钻进时的非线性、非稳态和非高斯分布数据的特征并进行处理，可以高速实时的对传感器接收的流数据处理，数据处理能力强；还可以根据不同岩性的地层等不同的需求进行高精度化的设计，极大降低了误差，且不易出现过拟合现象。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种针对随钻测量数据的处理方法的实现流程示意图一；
图2示出了本公开实施例一种针对随钻测量数据的处理方法的实现流程示意图二；
图3示出了本公开实施例一种针对随钻测量数据的处理装置的模块示意图；
图4示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
图1示出了本公开实施例一种针对随钻测量数据的处理方法的实现流程示意图一，包括：
步骤101，获取钻进岩层时传感器的初始数据作为初始样本数据。
针对岩层的钻进，收集钻进时传感器采集到的数据为初始数据，本申请中传感器为微电机电系统（Micro Electro-Mechanical System，MEMS）惯性传感器，是随钻测量技术的核心传感器部件。将该初始数据作为初始样本数据用于后续对混合神经网络模型的训练。
MEMS惯性传感器的核心部件是三轴陀螺仪和三轴加速度传感器，三轴加速度传感器的输出数据由以下公式获取：，/>、/>、/>为三轴加速度传感器三个轴方向对应输出的数据，/>为三轴加速度传感器的灵敏系数，/>、/>、/>为三轴加速度传感器三个轴方向对应的原始初值，/>、/>、/>为三轴加速度传感器三个轴方向对应的零偏值。三轴陀螺仪的输出数据由以下公式获取：/>，、/>、/>为三轴陀螺仪三个轴方向对应输出的数据，/>为三轴陀螺仪的灵敏系数，、/>、/>为三轴陀螺仪三个轴方向对应的原始初值，/>、/>、/>为三轴陀螺仪三个轴方向对应的零偏值。
由于在钻进时产生的数据为流数据，因此根据t时刻三轴加速度传感器的输出和三轴陀螺仪的输出确定t时刻传感器的初始数据，表示为，/>，/>，/>，/>。
此外，由于不同岩性的岩层对钻具的影响不同，因此可分别获取不同岩性的岩层在钻进时传感器的初始数据分别对后续混合神经网络模型进行训练，以使得到的目标滤波处理模型能够适应对应岩性的岩层，对对应岩性的岩层钻进得到的待处理数据的处理效果更好。
步骤102，对初始样本数据进行预处理得到目标样本数据，并将目标样本数据分为训练样本数据和测试样本数据。
在得到初始样本数据后，对初始样本数据进行预处理，如去除有问题的初始样本数据等，得到目标样本数据，以提高样本数据的质量和可靠性。之后将目标样本数据分为训练样本数据和测试样本数据，具体的分配比例可根据岩性和实际钻进情况确定，如为使得到的目标滤波处理模型的精确度更高，可将训练样本数据设置较大的比例，本申请不对训练样本数据和测试样本数据的比例进行详细限定。
步骤103，构建混合神经网络模型，通过训练样本数据对混合神经网络模型进行训练，并通过测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络。
由于MEMS惯性传感器采集的流数据为时间序列数据，且根据实际钻进情况需要处理长时间的时间跨度的数据变化，因此本申请中采用长短期记忆递归神经网络（LongShort Term Memory，LTSM）以捕捉时间序列中时间与初始样本数据的长期依赖关系。并且由于井下振动冲击产生的初始数据非线性、异方性以及非正态性等特征更加复杂，因此本申请中采用可以自适应提取特征的卷积神经网络（Convolutional Neural Network，CNN）以进行优化。此外可通过深度信念网络（Deep Belief Network，DBN）进一步提取数据的高级特征以提升模型的精确度。因此本申请的构建的混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络。在一可实施方式中，可以通过pytorch框架构建混合神经网络模型。
通过训练样本数据对该混合神经网络模型进行训练，再通过测试样本数据对由训练样本数据训练后的混合神经网络模型进行测试，得到目标滤波处理模型。
步骤104，通过目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
在得到目标滤波处理模型后，获取待处理数据，该待处理数据即为钻进过程中MEMS惯性传感器输出的数据，将该待处理数据输入目标滤波处理模型，得到目标滤波数据，即通过目标滤波处理模型对待处理数据进行滤波处理。
本公开实施例提供的一种针对随钻测量数据的处理方法，获取钻进岩层时传感器的初始数据作为初始样本数据，对初始样本数据进行预处理得到目标样本数据，并将目标样本数据分为训练样本数据和测试样本数据，构建混合神经网络模型，由训练样本数据和测试样本数据对混合神经网络模型进行训练和测试，得到目标滤波处理模型，再通过目标滤波处理模型对待处理数据进行滤波处理。应用本方法，基于目标样本数据对混合神经网络模型进行训练和测试得到的目标滤波处理模型，具有自适应性和学习能力，能够自主学习和提取钻进时的非线性、非稳态和非高斯分布数据的特征并进行处理，可以高速实时的对传感器接收的流数据处理，数据处理能力强；还可以根据不同岩性的地层等不同的需求进行高精度化的设计，极大降低了误差，且不易出现过拟合现象。
在一可实施方式中，如图2所示，通过训练样本数据对混合神经网络模型进行训练，包括：
步骤201，将训练样本数据输入长短期记忆递归神经网络进行训练得到第一输出数据；
步骤202，将第一输出数据输入卷积神经网络进行训练得到第二输出数据；
步骤203，将第二输出数据输入深度信念网络进行训练得到第三输出数据；
步骤204，确定第一输出数据、第二输出数据和第三输出数据分别对应的目标权重。
训练样本数据即为经过预处理的初始样本数据，同样可以用表示训练样本数据，将测试样本数据/>输入LTSM中进行处理，LTSM的三门方程为：/>，，/>，其中/>为t时刻LTSM的输入门，/>为t时刻LTSM的输出门，/>为t时刻LTSM的遗忘门，/>为sigmoid激活函数，/>为输入门的权重矩阵，/>为输出门的权重矩阵，/>为遗忘门的权重矩阵，/>为用于调节上一个时刻即/>时刻的隐藏状态对当前时刻t影响的权重矩阵，/>、/>、/>、/>为偏置参数，/>为元素级乘法、tanh为激活函数，/>为t时刻的单元状态，/>为t-1时刻的单元状态，/>为t-1时刻LTSM的输出，/>为LTSM在当前时刻即t时刻的输出，即得到的第一输出数据。
将第一输出数据输入CNN中进行处理：，其中/>表示激活函数，/>表示第i个通道第j行第k列的权重，/>为第一输出数据，/>为CNN网络卷积核的宽度，/>为CNN网络卷积核的高度，/>为偏执参数，/>为CNN在当前时刻即t时刻的输出，即得到的第二输出数据，通过CNN可以提取训练样本数据的特征。
将第二输出数据输入DBN中进行处理：，/>，其中/>为sigmoid激活函数，/>为第二输出数据，作为DBN输入层的输入，/>为输入层到隐层的权重矩阵，/>为输入层偏置项，/>为隐层输出，/>为隐层输出层的权重，/>为隐层偏置项，/>为DBN在当前时刻即t时刻的输出，即得到的第三输出数据，通过DBN模型可以提取数据更深层次的特征。
可为第一输出数据、第二输出数据和第三输出数据分配对应的预设权重，基于第一输出数据、第二输出数据和第三输出数据及每一输出数据对应的预设权重，确定输出数据，，其中/>为第一输出数据、/>为第一输出数据对应的预设权重，/>为第二输出数据，/>为第二输出数据对应的预设权重，/>为第三输出数据，/>为第三输出数据对应的预设权重，/>为与训练样本数据对应的输出数据，/>之和为1，通过大量训练样本数据对应的输出数据对第一输出数据、第二输出数据和第三输出数据对应的预设权重进行迭代优化，得到对应的目标权重，以使训练样本数据对应的输出数据与理论输出数据的误差更小，该理论输出数据为钻进工具在钻进时未受到振动和冲击的理想状态时输出的数据。
在一可实施方式中，对初始样本数据进行预处理得到目标样本数据，包括：
对初始样本数据进行数据清洗；
对数据清洗后的初始样本数据进行数据标注；
对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
在得到初始样本数据后，对初始样本数据进行数据清洗处理，去除不完整、不正确的数据，以提高数据的质量和可靠性。对数据清洗后的初始样本数据进行数据标注，即标记初始样本数据中的噪声数据和正常数据，具体的标记方法为首先采用人工标注的方法对部分初始样本数据进行标注，标注初始样本数据中的噪声数据和正常数据，之后用标注好的初始样本数据训练支持向量机分类器（Support Vector Machines，SVM），利用训练好的支持向量机分类器对剩余初始样本数据进行标注。
由于井下冲击振动产生的初始样本数据存在一定的噪声值或偏态问题，因此使用归一化的方法对初始样本数据进行归一化处理，本申请中可采用z-score进行归一化处理：，/>为归一化后的初始样本数据，/>为进行数据标注之后的初始样本数据，AVG为初始样本数据的均值，SD为初始样本数据的标准差，本申请采用的均值为0，标准差为1。
在一可实施方式中，在得到目标滤波处理模型后，方法还包括：对目标滤波处理模型的滤波性能进行评估。
在通过训练样本数据对混合神经网络模型进行训练，并通过测试样本数据对混合神经网络模型进行测试，得到目标滤波处理模型后，对滤波处理模型的性能进行评估，以评价目标滤波处理模型的泛化能力，便于对目标滤波处理模型进行优化以达到更好的处理效果。
在一可实施方式中，对目标滤波处理模型的滤波性能进行评估，包括：
获取测试样本数据对经过训练后的混合神经网络模型进行测试得到的测试结果数据；
基于预设指标以及与预设指标对应的权重确定测试结果数据的综合指标；
根据综合指标确定目标滤波处理模型的滤波效果。
在通过训练样本数据对混合神经网络模型进行训练后，通过测试样本数据对经过训练后的混合神经网络模型进行测试，即将测试样本数据输入训练后的混合神经网络模型中，得到对应的测试结果数据。基于预设指标确定测试结果数据的指标值，根据预设指标以及与预设指标对应的权重确定测试结果数据的综合指标。根据不同岩性的岩层情况设置合适的时间窗口和步长对测试结果数据进行分割，以根据预设指标确定测试结果数据对应的指标值。如本申请中的预设指标可以为均方根误差（Root Mean Square Error，RMSE）和频带宽度（Band Width，BW），确定测试结果数据的均方根误差用于评价测试结果数据的大小及稳定性，确定测试结果数据的频带宽度用于评价测试结果数据中包含的频率成分；根据均方根误差和频带宽度及对应的权重确定测试结果数据的综合指标：，其中，RMSE为测试结果数据的均方根误差，BW为测试结果数据的频带宽度，/>为均方根误差这一预设指标的权重，/>为频带宽度这一预设指标的权重，/>为测试结果数据的综合指标。根据该综合指标确定目标滤波处理模型的滤波效果，可根据多个测试结果对/>进行迭代更新，/>越小表示滤波处理后的值与真实值之间的差异越小，噪声分布越集中，目标滤波处理模型的滤波效果越好。
图3示出了本公开实施例一种针对随钻测量数据的处理装置的模块示意图。
参见图3，根据本公开实施例的第二方面，提供了一种针对随钻测量数据的处理装置，装置包括：获取模块301，用于获取钻进岩层时传感器的初始数据作为初始样本数据；第一处理模块302，用于对初始样本数据进行预处理得到目标样本数据，并将目标样本数据分为训练样本数据和测试样本数据；模型训练模块303，用于构建混合神经网络模型，通过训练样本数据对混合神经网络模型进行训练，并通过测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络；第二处理模块304，用于通过目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
在一可实施方式中，模型训练模块303，包括：第一训练子模块3031，用于将训练样本数据输入长短期记忆递归神经网络进行训练得到第一输出数据；第二训练子模块3032，用于将第一输出数据输入卷积神经网络进行训练得到第二输出数据；第三训练子模块3033，用于将第二输出数据输入深度信念网络进行训练得到第三输出数据；确定子模块3034，用于确定所述第一输出数据、所述第二输出数据和所述第三输出数据分别对应的目标权重。
在一可实施方式中，第一处理模块302，具体用于，对初始样本数据进行数据清洗；对数据清洗后的初始样本数据进行数据标注；对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
在一可实施方式中，装置还包括：评估模块305，用于在得到目标滤波处理模型后，对目标滤波处理模型的滤波性能进行评估。
在一可实施方式中，评估模块305，包括：获取子模块3051，用于获取测试样本数据对经过训练后的混合神经网络模型进行测试得到的测试结果数据；评估子模块3052，用于基于预设指标以及预设指标对应的权重确定测试结果数据的综合指标；评估子模块3052，还用于根据综合指标确定目标滤波处理模型的滤波效果。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如一种针对随钻测量数据的处理方法。例如，在一些实施例中，一种针对随钻测量数据的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的一种针对随钻测量数据的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行一种针对随钻测量数据的处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
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或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种针对随钻测量数据的处理方法，其特征在于，所述方法包括：
获取钻进岩层时传感器的初始数据作为初始样本数据；
对所述初始样本数据进行预处理得到目标样本数据，并将所述目标样本数据分为训练样本数据和测试样本数据；
构建混合神经网络模型，通过所述训练样本数据对所述混合神经网络模型进行训练，并通过所述测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；所述混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络；
通过所述目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
2.根据权利要求1所述的方法，其特征在于，所述通过所述训练样本数据对所述混合神经网络模型进行训练，包括：
将所述训练样本数据输入所述长短期记忆递归神经网络进行训练得到第一输出数据；
将所述第一输出数据输入所述卷积神经网络进行训练得到第二输出数据；
将所述第二输出数据输入所述深度信念网络进行训练得到第三输出数据；
确定所述第一输出数据、所述第二输出数据和所述第三输出数据分别对应的目标权重。
3.根据权利要求1所述的方法，其特征在于，所述对所述初始样本数据进行预处理得到目标样本数据，包括：
对所述初始样本数据进行数据清洗；
对数据清洗后的初始样本数据进行数据标注；
对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
4.根据权利要求1所述的方法，其特征在于，在所述得到目标滤波处理模型后，所述方法还包括：
对所述目标滤波处理模型的滤波性能进行评估。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标滤波处理模型的滤波性能进行评估，包括：
获取测试样本数据对经过训练后的混合神经网络模型进行测试得到的测试结果数据；
基于预设指标以及所述预设指标对应的权重确定所述测试结果数据的综合指标；
根据所述综合指标确定所述目标滤波处理模型的滤波效果。
6.一种针对随钻测量数据的处理装置，其特征在于，所述装置包括：
获取模块，用于获取钻进岩层时传感器的初始数据作为初始样本数据；
第一处理模块，用于对所述初始样本数据进行预处理得到目标样本数据，并将所述目标样本数据分为训练样本数据和测试样本数据；
模型训练模块，用于构建混合神经网络模型，通过所述训练样本数据对所述混合神经网络模型进行训练，并通过所述测试样本数据对经过训练后的混合神经网络模型进行测试，得到目标滤波处理模型；所述混合神经网络模型包括长短期记忆递归神经网络、卷积神经网络和深度信念网络；
第二处理模块，用于通过所述目标滤波处理模型对待处理数据进行滤波处理得到目标滤波数据。
7.根据权利要求6所述的装置，其特征在于，所述模型训练模块，包括：
第一训练子模块，用于将所述训练样本数据输入所述长短期记忆递归神经网络进行训练得到第一输出数据；
第二训练子模块，用于将所述第一输出数据输入所述卷积神经网络进行训练得到第二输出数据；
第三训练子模块，用于将所述第二输出数据输入所述深度信念网络进行训练得到第三输出数据；
确定子模块，用于确定所述第一输出数据、所述第二输出数据和所述第三输出数据分别对应的目标权重。
8.根据权利要求6所述的装置，其特征在于，所述第一处理模块，具体用于，
对所述初始样本数据进行数据清洗；
对数据清洗后的初始样本数据进行数据标注；
对数据标注后的初始样本数据进行归一化处理，得到目标样本数据。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410426399.3A CN118035652B (zh) | 2024-04-10 | 2024-04-10 | 一种针对随钻测量数据的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410426399.3A CN118035652B (zh) | 2024-04-10 | 2024-04-10 | 一种针对随钻测量数据的处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118035652A true CN118035652A (zh) | 2024-05-14 |
| CN118035652B CN118035652B (zh) | 2024-07-02 |
Family
ID=90989583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410426399.3A Active CN118035652B (zh) | 2024-04-10 | 2024-04-10 | 一种针对随钻测量数据的处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118035652B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140309959A1 (en) * | 2011-12-16 | 2014-10-16 | Halliburton Energy Services, Inc. | Methods of calibration transfer for a testing instrument |
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
| US20200183032A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
| CN111895986A (zh) * | 2020-06-30 | 2020-11-06 | 西安建筑科技大学 | 一种基于lstm神经网络的mems陀螺仪原始输出信号降噪方法 |
| CN116956754A (zh) * | 2023-09-21 | 2023-10-27 | 中石化经纬有限公司 | 一种结合深度学习的裂缝型漏失压力计算方法 |
| CN117056680A (zh) * | 2023-07-20 | 2023-11-14 | 鹏城实验室 | 数据降噪与信号探测方法、装置、系统及存储介质 |
-
2024
- 2024-04-10 CN CN202410426399.3A patent/CN118035652B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140309959A1 (en) * | 2011-12-16 | 2014-10-16 | Halliburton Energy Services, Inc. | Methods of calibration transfer for a testing instrument |
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
| US20200183032A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
| CN111895986A (zh) * | 2020-06-30 | 2020-11-06 | 西安建筑科技大学 | 一种基于lstm神经网络的mems陀螺仪原始输出信号降噪方法 |
| CN117056680A (zh) * | 2023-07-20 | 2023-11-14 | 鹏城实验室 | 数据降噪与信号探测方法、装置、系统及存储介质 |
| CN116956754A (zh) * | 2023-09-21 | 2023-10-27 | 中石化经纬有限公司 | 一种结合深度学习的裂缝型漏失压力计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118035652B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9683865B2 (en) | In-use automatic calibration methodology for sensors in mobile devices | |
| US10209078B2 (en) | Local perturbation rejection using time shifting | |
| CN109188026B (zh) | 适用于mems加速度计的自动标定的深度学习方法 | |
| CN110567491B (zh) | 惯性导航系统的初始对准方法、装置及电子设备 | |
| CN110728357A (zh) | 一种基于循环神经网络的imu数据去噪方法 | |
| CN108413986B (zh) | 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法 | |
| CN112541163B (zh) | 载荷谱数据的处理方法、装置及电子设备 | |
| CN108450007A (zh) | 使用廉价惯性传感器的冗余阵列的高性能惯性测量 | |
| CN115451803B (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
| CN118035652B (zh) | 一种针对随钻测量数据的处理方法、装置及电子设备 | |
| CN115155044A (zh) | 一种确定游泳转身时间的方法、装置、设备及介质 | |
| CN118067157B (zh) | 一种惯性测量单元性能评估方法、装置、设备及介质 | |
| CN102679984B (zh) | 基于极小化矢量距离准则的有限模型滤波方法 | |
| CN114896568B (zh) | 一种游泳数据统计方法、装置、设备及介质 | |
| CN114120252B (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
| CN115130754A (zh) | 一种基于XGBoost的储层渗透率预测方法 | |
| CN115727871A (zh) | 一种轨迹质量检测方法、装置、电子设备和存储介质 | |
| CN113496070B (zh) | 地层俘获截面曲线的处理方法、装置、设备及介质 | |
| CN104278990A (zh) | 测井数据质量恢复方法及装置 | |
| CN115482443A (zh) | 图像特征融合及模型训练方法、装置、设备以及存储介质 | |
| Ye et al. | Experimental design for the calibration of tri-axial magnetometers | |
| CN117910883B (zh) | 测井数据质量检测方法、装置、计算设备及存储介质 | |
| CN113076826B (zh) | 一种传感器的滤波方法和装置 | |
| Rawat et al. | Attitude Estimation Under Coal Minies Using Mems Based Sensors | |
| CN118643028A (zh) | 地震道数据分辨率提升方法、装置、设备及存储介质 |
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 |