贝克休斯AutoTrak旋转导向指令成功率与涡轮转数配比研究

伴随各行业对石油需要的日益增加,油气开发的重心逐渐从常规直井转向水平井开发,随钻测量技术作为水平井开发的核心技术,也从最初的随钻钻井参数测量(MWD)发展到与地质参数测量(LWD)相结合,并最终发展成闭环钻井系统。同时随着开采深度和水平段长度的不断增加,井下温度不断提高,以及井下测量参数的逐渐增多,井下电力系统需要提供更高的功率和续航时间。为了解决供电系统的稳定性和续航能力,国外油服公司多采用井下涡轮发电机为工具供电。而新一代的旋转导向系统中,涡轮更是作为下行通讯的重要一环,识别地面下发的指令。以贝克休斯公司AutoTrak旋转导向工具作为研究对象,针对工作中下发指令不成功的现象,研究分析了实钻过程中指令成功率与井下涡轮转数配比之间的关系。

面向簇化移动机器人的网络资源调度算法

工厂自动化要求超可靠低时延通信,使控制中心能够可靠实时地向移动机器人传输控制指令。为此,面向移动机器人作业的工厂环境,提出基于深度增强学习的资源调度算法(DRL-RS)。DRL-RS算法由两个阶段构成:在第一阶段,一起作业的移动机器人形成簇群,将簇群内多个移动机器人的指令包融合成一个包,再将此包传输至簇群的领导者;在第二阶段,领导者向它簇群成员广播指令包。DRL-RS算法引用深度增强学习算法优化资源调度。领导者扮演Agent,通过向环境学习,择优选择接入点以及子信道和传输功率,进而最大化向所有机器人传输指令包的成功率。性能分析结果表明,DRL-RS算法传输指令包成功率逼近于穷搜索法。