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!
摘要:本发明涉及一种基于半监督自编码器的钻塞过程套管损坏实时预警方法,该方法包括:收集整理钻塞过程中的录井时序数据;对录井时序数据预处理:后向差分获得单个数据之间的增量变化,归一化消除不同数据因量纲不一致引起的误差,时间错位和时间切片获得预测样本集;构建半监督自编码器网络架构,加入LSTM网络作为时序信息提取层;采用“预训练+微调”的策略进行模型训练,利用大量的无标签样本对模型进行预训练,接着用少量的有标签样本进行有监督学习微调,最终得到钻塞过程套管损坏实时预警模型。本发明能够实时、高效、精确地对套管状态进行预知,以便提前做好应对措施,降低钻塞作业降低风险,提高钻塞效率。
主权项:1.一种基于半监督自编码器的钻塞过程套管损坏实时预警方法,其特征在于:包括以下步骤:S1:获取钻塞过程中的录井时序数据和录井时序数据对应的套损信息;S2:对套损信息和与套损信息对应的录井时序数据进行数据处理,获得切割数据集;S3:根据套损信息将切割数据集划分为有标签样本和无标签样本;S4:对有标签样本按照8:2的比例随机抽样,其中80%部分与无标签样本构成训练样本和20%部分构成测试样本;S5:构建半监督自编码器分类模型,经过所述训练样本的训练和所述测试样本的测试,最终得到基于半监督自编码器的钻塞过程套损实时智能预测模型;所述半监督自编码器分类模型由编码器、无监督解码器和有监督解码器构成;所述编码器包括依次设置的输入层、LSTM层、激活层、全连接层、Dropout层以及输出层,其中,激活层使用ReLU作为激活函数: ;式中,z为上一层的输出;输出层使用Sigmoid函数对每一个节点进行激活: ;式中,z为上一层的输出;所述编码器输入层输入有标签样本或无标签样本,输出层输出为有标签样本信息或无标签样本信息;所述无监督解码器包括依次设置的无标签样本信息输入层、Dropout层、全连接层、激活层、LSTM层以及输出层,其中,激活层使用LeakyReLU作为激活函数: ;输出层输出使用Sigmoid函数对每一个节点进行激活: ;所述无监督解码器的无标签样本信息输入层输入编码器输出的无标签样本信息,输出层输出为无标签样本重构;所述有监督解码器包括依次设置的有标签样本信息输入层、Dropout层、全连接层、激活层、LSTM层以及输出层,其中,激活层使用LeakyReLU作为激活函数: ;输出层输出使用Sigmoid函数对每一个节点进行激活: ;所述有监督解码器的有标签样本信息输入层输入编码器输出的有标签样本信息,输出层输出为标签;所述训练样本的训练采用“预训练+微调”的策略,步骤如下:S51:无标签样本在编码器和无监督解码器上进行预训练,使用均方误差作为损失函数; ;其中,s为样本大小,n为每个子样本的分量个数,为第i个子样本的第j个分量的真实值,为第i个子样本的第j个分量的预测值;在预设迭代周期T1内,损失不再下降时终止训练,保存最后一次训练的子模型;S52:有标签样本在编码器和无监督解码器上进行微调,在有监督编码器进行预训练,使用二分类交叉熵和均方误差的和作为损失函数; ;其中,为样本真实标签,为模型预测标签,为权重系数,取值区间为[0,1];在预设周期T2内,损失不再下降时终止训练,保存最后一次训练的模型;将测试样本输入保存的模型,进行评估,不断对模型进行微调,直到预测效果良好并趋于稳定,保存最终的模型作为基于半监督自编码器的钻塞过程套损实时智能预测模型,并基于半监督自编码器的钻塞过程套损实时智能预测模型,对钻塞过程中套管损坏进行实时预警。
全文数据:
权利要求:
百度查询: 成都理工大学 基于半监督自编码器的钻塞过程套管损坏实时预警方法
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。