龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：武汉轻工大学;上海灵信视觉技术股份有限公司
摘要：本发明公开了基于Stacking集成学习模型的非破坏性杨氏模量预测方法，以井下钻头的振动数据为样本通过构建合适的机器学习模型来实现对一定范围内的岩层参数杨氏模量的预测。首先，在钻柱动力学理论基础上通过解析法，对动载响应条件下的钻具钻进过程和振动过程进行分析，构建振动数学解析模型，确定了杨氏模量同振动数据间密不可分的关系。再者，采用有限元仿真的方式进一步得到杨氏模量与之对应的振动原始数据。其次，采用超立方采样的方式对原始数据进行均匀的采样，确保了样本空间的全面性。然后对振动原始数据进行特征提取和筛选确定了机器学习模型的输入和输出。最后，调整合适的机器学习模型参数最终实现杨氏模量的预测。
主权项：1.基于Stacking集成学习模型的非破坏性杨氏模量预测方法，其特征在于，包括以下步骤：步骤S1：建立整体的钻柱系统动力学振动模型，正演仿真生成大量样本数据，组成样本数据集；通过整体钻柱系统的受力分析，对地层作用的动载轴向力、动载切向力进行推导，确定其与岩石杨氏模量存在相关性，然后根据钻柱系统在地层中的动载受力状态，将动力学模型中的应变、惯性、阻尼及作用力通过虚功离散单元的方式构建出来，其次将钻柱系统的轴向位移、切向位移离散化，建立整体的钻柱系统动力学振动模型；然后在动力学振动模型的基础上，采用有限元仿真的方式由岩层的杨氏模量E通过正演仿真得到与之对应的原始的井下三轴振动数据，并将其三轴振动数据的时域特征提取出来与一组岩层杨氏模量E作为一条样本数据，最后由正演仿真生成大量样本数据；步骤S2：以从原始的三轴振动数据中特征提取的时域特征数据作为输入，使用深度神经网络模型进行反演预测，进而组成样本数据；步骤S3：将时域特征数据作为基学习器模型的输入，对杨氏模量进行预测得到初步预测值；步骤S4：将初步预测值作为第二次预测的输入，用于对Stacking模型中元学习器进行训练，从而得出最终的预测结果。
全文数据：
权利要求：
百度查询： 武汉轻工大学 上海灵信视觉技术股份有限公司 基于Stacking集成学习模型的非破坏性杨氏模量预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号