基于神经网络模型的水平井破裂压力预测方法

破裂压力是井身结构设计的基础依据,也是水力压裂设备选型和方案设计的基础参数,通常采用测井解释获取破裂压力剖面,但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题,机器学习提供了一种解决这些问题的新方法。为此,以测井数据作为输入参数,采用4种不同的神经网络模型,建立水平井测井数据与破裂压力间的非线性关系,通过测试集预测结果的对比分析,优选出最佳的神经网络模型,并优化模型网络结构和超参数,实现水平井破裂压力的直接预测。研究结果表明:1)破裂压力与井斜角、横波时差和纵波时差表现为极强相关性,与井深、岩性密度和补偿中子表现为强相关性,与井径和自然伽马表现为弱相关性;2)不同组合的测井参数对模型预测结果具有显著影响,最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子;3)对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型,发现LSTM模型的预测效果最佳;4)优化了LSTM模型的网络结构及超参数,优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。LSTM模型能够有效构建水平井测井参数与破裂压力之间的非线性关系,可以实现水平井破裂压力的准确预测,对于准确预测破裂压力、简化破裂压力计算过程、推广机器学习在石油工程领域的应用具有重要的作用。

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础,基于数据驱动的机器学习模型虽然能较好地识别储层岩性,但由于测井数据是特殊的序列数据,模型很难有效提取数据的空间相关性,造成模型对储层识别仍存在不足.针对此问题,本文结合双向长短期循环神经网络(bidirectional long short-term memory,BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree,XGBoost),提出双向记忆极端梯度提升(BiLSTM-XGBoost,BiXGB)模型预测储层岩性.该模型在传统XGBoost基础上融入了BiLSTM,大大增强了模型对测井数据的特征提取能力.BiXGB模型使用BiLSTM对测井数据进行特征提取,将提取到的特征传递给XGBoost分类模型进行训练和预测.将BiXGB模型应用于储层岩性数据集时,模型预测的总体精度达到了91%.为了进一步验证模型的准确性和稳定性,将模型应用于UCI公开的Occupancy序列数据集,结果显示模型的预测总体精度也高达93%.相较于其他机器学习模型,BiXGB模型能准确地对序列数据进行分类,提高了储层岩性的识别精度,满足了油气勘探的实际需要,为储层岩性识别提供了新的方法.

基于模态分解与LSTM注意表征的测井曲线重构研究

测井曲线记录着地层物理性质随深度变化的幅值范围,是测井与地震资料之间的纽带,对储层岩性分析与识别和后续的油气勘探工程十分重要.然而,在实际的测井过程中仪器故障等原因会造成测井曲线缺失的问题,重新测井不仅价格昂贵而且难以实现.针对地质勘探时测井数据时常缺失的问题,本文提出了一种LSTM(Long Short-Term Memory)注意力表征的测井曲线重构方法.同时,对原始测井信号进行两种模态分解,计算分解后得到模态分量与原始信号之间的相关性,去除冗余分量,实现对缺失的测井曲线高效、高精度的人工补全.将该方法用于声波(ACoustic,AC)与密度(DENsity,DEN)曲线重构实验,并将实验结果与LSTM网络和BP(Back Propagation)神经网络预测的结果进行对比分析.结果表明,LSTM-Attention模型有着更为优异的预测效果,重构后的AC和DEN与原始曲线之间的相关性分别达到了86.8%和74.8%,高于传统LSTM和BP神经网络预测方法.在去除冗余的信号分量后,相关系数分别提高了1.4%和4.0%.同时,本文所提方法预测出的测井曲线具有最低的预测误差.因此,基于LSTM注意表征的网络结构对测井曲线重构具有较好的预测精度.

基于BERT+CNN_BiLSTM的列控车载设备故障诊断

列控车载设备作为列车运行控制系统核心设备,在高速列车运行过程中发挥着重要作用。目前,其故障诊断仅依赖于现场作业人员经验,诊断效率相对较低。为了实现列控车载设备故障自动诊断并提高诊断效率,提出了BERT+CNN_BiLSTM故障诊断模型。首先,使用来自变换器的双向编码器表征量(Bidirectional encoder representations from transformers,BERT)模型将应用事件日志(Application event log,AElog)转换为计算机能够识别的可以挖掘语义信息的文本向量表示。其次,分别利用卷积神经网络(Convolutional neural network,CNN)和双向长短时记忆网络(Bidirectional long short-term memory,BiLSTM)提取故障特征并进行组合,从而增强空间和时序能力。最后,利用Softmax实现列控车载设备的故障分类与诊断。实验中,选取一列实际运行的列车为研究对象,以运行过程中产生的AElog日志作为实验数据来验证BERT+CNN_BiLSTM模型的性能。与传统机器学习算法、BERT+BiLSTM模型和BERT+CNN模型相比,BERT+CNN_BiLSTM模型的准确率、召回率和F1分别为92.27%、91.03%和91.64%,表明该模型在高速列车控制系统故障诊断中性能优良。

基于概念漂移的预测性业务流程监控方法

为解决现有的业务流程监控(BPM)方法的模型精度随时间下降和实时性较差的问题,提出一种基于概念漂移的预测性业务流程监控(PPM)方法。首先,对事件日志数据进行预处理及编码;其次,利用双向长短时记忆(BiLSTM)网络模型从前后方向捕获足够的序列信息以构建业务流程模型,并利用注意力机制充分考虑不同事件对预测结果的贡献程度,赋予事件日志不同的权重,从而减少噪声对预测结果的影响;最后,将正在执行的实例输入构建的模型,得到预测的执行结果,并将这些结果作为历史数据对模型微调。在8个公开且真实的数据集上的测试结果表明,所提方法的平均预测准确率相较于支持向量机(SVM)、逻辑回归(LR)和随机森林(RF)等已有的BPM方法提升了5.4%~23.8%,且早期性和时间性能都优于现有的研究方法。

基于日志采样的流程下一事件预测方法

下一事件预测任务是预测性流程监控的研究重点之一,针对现有基于深度学习的预测方法存在训练时间过长、参数量过大、对硬件要求过高等无法满足业务流程动态性的问题,提出一种基于日志采样的下一事件预测方法(SNEP)。通过计算事件重要性和直接跟随活动关系重要性来衡量轨迹重要性,抽取部分重要轨迹表示原事件日志;采用One-hot编码方式对轨迹前缀重新编码,并设计了适用下一事件预测任务的三层长短期记忆网络(LSTM)预测模型。在6个真实事件日志中进行实验,探究所提方法的有效性和不同采样率对模型预测结果的影响,结果表明预先采样的下一事件预测方法在各事件日志中的预测准确率和效率均有提升,验证了该方法的优越性。

核磁测井仪器直流供电电源的控制研究

核磁仪器发射RF脉冲时需要大量的能量,仅仅通过地面系统直流电源直接供电是无法完成的,必须经过下井仪组合中的电容短节进行储能,利用电容短节中存储的能量向地层发射RF脉冲,并且利用发射间隔由地面直流电源对电容短节快速充电来来完成。为此,核磁测井除了对地面直流供电电源的输出电压、输出电流及程控反应速度有很高要求外,还要求直流电源控制系统必须具备“BOOST”功能,即在给核磁电容短节充电时,能够自动抬升地面直流电源的输出电压,实现对电容短节的快速充电,在电容充电到600Vdc或核磁停止发射时,自动将直流电源的输出电压降回到600Vdc,防止电容和发射模块超过工作电压被击穿。本文详细的介绍了直流电源“BOOST”功能控制机理。

双向长短时记忆神经网络在滩坝砂储层岩性识别中的应用

研究区致密滩坝砂储层油气储量丰富,勘探开发潜力较高,但存在埋藏深、单层厚度薄、渗透率超低、孔隙结构复杂以及单井自然产能极低的特征,储层划分与岩性识别困难。针对测井数据具有纵向时序连续的特点,构建一个双向长短时记忆神经网络(BiLSTM)岩性识别模型,采用随机森林方法对常规测井数据等参数进行特征选择,将选择的参数作为输入变量训练BiLSTM模型。应用该模型对测试集的井资料进行验证,结果表明模型的岩性识别准确率为0.86,取得了良好的应用效果,证明了BiLSTM模型适用于滩坝砂储层岩性识别。

基于SINS/USBL/DG的水下动态重力测量

水下重力信息在深水油气勘探和潜航器辅助导航中发挥着重要作用。多普勒测速仪(DVL)由于工作范围受限无法时刻输出有效的数据,若作为水下传感器用于重力测量会影响数据处理的可靠性和准确性。针对这一难题,提出了一种基于捷联式惯性导航系统(SINS)/超短基线定位系统(USBL)/深度计(DG)组合导航的水下动态重力测量方法。该方法无需利用外部高精度的速度观测就能实现动态重力测量,摆脱了水下动态重力测量对DVL的依赖,在某海域进行了水下动态重力测量试验以验证新方法的有效性。试验结果证明,重复线内符合精度可以达到1 mGal的水平。

二项-二维对数正态分布及其在极端海况预测中的应用

极值分析是进行海洋灾害概率预测和海洋工程工况计算的必要方法。样本资料缺乏会影响极值分析结果的合理性。阈值法和基于复合极值分布理论的过程取样法是扩充样本的有效方法,但依然依赖于长期海况资料。为了构建一种利用短期海况资料代替传统年极值序列的极值模型,本文将阈值取样法和复合极值理论结合,建立了基于短期海况资料的二项-二维对数正态复合极值分布模型。该模型既考虑了极端海况的出现频次,又能反映不同海况要素间的相关性,同时降低了对资料序列长度的要求。将该模型应用于黄海某区域设计波浪要素的计算,结果表明二项-二维对数正态分布对短期海况序列具有良好的拟合效果,与采用长期数据所得概率预测结果相差不大,能够合理反映极端海况的概率分布特征。该模型可在海洋水文资料匮乏条件下为海岸工程设计提供可靠依据,并适用于防灾减灾领域极值预测计算。

基于LSTM的感应测井数据预测方法研究

为研究感应测井数据质量,采用长短期记忆(Long Short Term Memory,LSTM)网络作为感应测井数据预测模型。首先建立阵列感应测井数据库,进行统一标准格式化并建立3层模拟地层环境模型;其次建立LSTM神经网络预测模型预测阵列感应测井原始阵列数据,并通过图表可视化输出预测结果;最后使用预测指标评价预测结果。结果表明基于LSTM神经网络的预测模型预测阵列感应测井原始阵列数据较为准确,且比传统方法更快速、简便。

基于LSTM堆叠残差网络的岩相识别方法

为了提高岩相识别的准确性,本文开发一种基于残差连接长短期记忆网络的非均质储层岩相智能识别模型(LSTM_res)。首先,基于长短期记忆神经网络构建序列特征模块获取测井关键特征,该模块的多层叠加进一步增强了模型对关键特征信息的提取能力;其次,在序列特征模块的基础上引入残差连接技术,实现模型对网络不同层间特征信息的提取和融合,有效解决深度神经网络的退化问题;最后,以挪威附近北海浅海地区的测井数据为研究对象,通过测井参数敏感性分析选取6种测井参数(RMED、RHOB、GR、NPHI、PEF和SP)实现储层岩相智能识别。实验结果表明,在同等条件下与LSTM、CNN_res和CNN模型相比,LSTM_res模型的岩相识别精度分别提高了2、4和6个百分点,为储层建模和地质研究提供了快速有效的数据支撑。

基于MMSE-LSA语音增强算法在非平稳环境下的研究与实现

讨论了非平稳环境下基于语音短时对数谱的最小均方误差(MMSE-LSA)估计的语音增强算法。众所周知,语音信号为时变信号,在假设语音频谱分布为高斯分布的前提下,实验的工作重点是将MMSE-LSA算法与其它语音增强算法(以谱相减的语音增强为例)比较。实验结果表明:该MMSE-LSA算法的语音增强效果很好,特别是在信噪比低时的非平稳环境下效果更为明显。

短电位测井仪二维测量数据解释

将变形波恩迭代方法用于处理轴对称二维非均匀介质分布中短电位测井仪测量的反演问题。使用了收敛速度快而效果好的变形波恩迭代反演方法，在每次迭代过程中采用了快速的半解析半数值的高效正演方法，用其半解析表达出了反演中所需计算的格林函数的偏导数，并在此基础上半解析地求出了反演的非线性积分方程中的积分运算。

一种MMSE语音增强算法的研究与实现

介绍了单话筒采集条件下基于语音短时对数谱的最小均方误差(MMSE-LSA)估计的语音增强算法,以及语音帧和噪声帧判别的有声/无声检测方法。将语音信号的相位提取后存储起来,然后对纯净语音的短时对数谱作最小均方误差估计,处理后的语音由估计得到的幅度谱和存储的相位重建。试验证明MMSE-LSA的增强效果很好,尤其在信噪比低时更为明显。

基于改进LSTM神经网络的测井曲线重构方法

地球物理测井过程中,由于仪器测量或者井眼原因等经常会造成部分测井曲线失真或缺失的情况,针对失真或缺失部分测井曲线的补全与生成问题,对测井领域知识和长短期记忆神经网络(LSTM)进行了研究,提出联合领域知识与深度学习的测井曲线重构模型(DK-LSTM)。利用测井领域知识中的地层岩性特征指数筛选数据得到高质量的训练样本,并将其作为深度学习重构测井曲线的依据;构建并训练带有领域知识约束层的长短期记忆神经网络模型;基于测井曲线间的强依赖关系在重构模型中引入注意力机制,进而生成并补全测井曲线中失真或缺失的信息。实验结果表明DK-LSTM测井曲线重构模型较标准长短期记忆神经网络和串级长短期记忆神经网络具有更准确的预测效果,为测井曲线重构提供了一种新思路。

短波型井下找水仪传感器原理及其应用

本文根据高频电磁波的谐振特性测量原油含水率(0～100％)的原理,研制出一种短波型井下找水仪传感器。该传感器输出一个相应于石油含水率的电压信号,由此可测量出原油的含水率。文中还介绍了井下找水仪传感器的原理,特性及其应用。并对影响环空井下找水仪测量误差的因素进行了分析。

广东省地下流体观测台网数据跟踪分析

对2014年8月以来广东省地下流体台网数据跟踪分析工作产出的6大类非正常变化事件记录进行了归纳汇总,并结合广东地区历史地震研究和观测背景,回顾了广东东源2015年5月15日3.3级地震发生前,广东地区出现的水化学短临异常跟踪分析事件。结果发现,数据跟踪分析工作能及时发现观测数据异常,并有效识别前兆异常和各类干扰,能够在震情跟踪和地震预测工作中发挥积极作用。

基于双向长短期记忆网络的流体高精度识别新方法

碳酸盐岩储层的储集空间类型多样、储层性质复杂,导致流体的测井响应受到强非均质性的影响,给流体识别工作带来极大困难。针对该问题,提出基于测井序列信息的双向长短期记忆网络(Bi-LSTM)流体识别模型,从测井响应特征差异性分析及相似性分析两方面出发,确定敏感曲线,结合Bi-LSTM网络的输入要求,建立流体识别样本库,并获得基于Bi-LSTM的流体识别模型。应用该方法对鄂尔多斯盆地马家沟组进行流体识别,与单向LSTM模型及其他3类机器学习算法预测结果进行对比。结果表明基于Bi-LSTM的流体识别模型流体识别的符合率从82.7%提高到91.5%,取得较好的应用效果;该模型既能充分利用井下对应深度测井曲线的响应值,又能兼顾测井曲线随深度的变化趋势和前后关联,最大程度避免储层纵向非均质性带来的影响,提高流体识别能力。

紫芝和黑芝仿野生短段木高产栽培技术

介绍广西海拔400~1 200 m山区短段木仿野生栽培紫芝和黑芝技术,内容包括栽培季节安排,栽培品种选择,段木的选择加工,灭菌出锅冷却,接种,菌袋培养,场地选择与覆土出芝,病虫害防治,采收烘干和年间管理。采用该技术栽培出的灵芝菌盖肥厚、柄长、色泽鲜艳,可采收3~5年,总生物转化率达80%。