基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

时序示功图驱动的抽油机井结蜡预测及清蜡效果评价

抽油机井结蜡是一个渐变的过程,序列示功图变化可以反映油井结蜡的程度。现场根据经验来预测结蜡程度和确定结蜡井热洗清蜡制度,决策能力低、效果差。应用人工智能技术认识结蜡程度与抽油机井示功图、电机运行参数、井口生产参数的关联关系,开展数据驱动的抽油机井结蜡预测预警方法和热洗效果评价的研究。应用残差卷积神经网络(ResNet)提取结蜡井示功图特征,使用聚类算法确定其结蜡等级,融合提取的示功图图形特征和12项生产参数建立样本集,利用长短时记忆神经网络(LSTM)构建序列到序列网络结构模型对样本集进行训练,建立结蜡等级预测模型,定量预测抽油机井的结蜡等级,并构建了油井清蜡效果评价指数Q。研究结果表明,建立的抽油机井结蜡预测模型和清蜡效果评价指数实现了油井结蜡等级的定量化预测、洗井周期的决策、清蜡效果的有效评价,对精准确定清蜡时机、评价清蜡效果具有较好的指导作用,有效避免了蜡卡躺井,同时延长了油井免洗周期。     

神经网络在示功图类型识别中的应用

示功图是判断油井生产状况的重要依据。神经网络能够反映任意非线性的映射关系,从而可以应用于图形识别。主要讨论了BP神经网络判定示功图类型的实现过程,阐述了BP神经网络的算法结构、示功图特征的提取,并给出了部分算例结果。     

基于深度学习的三种地震波阻抗反演方法比较

神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。     

自适应神经网络示功图识别

井下示功图的自动识别是建造有杆抽油工况诊断专家系统的一个技术关键。由于现场难以系统地收集齐全的示功图，因而给示功图识别器的构造带来较大的困难。本文基于自适应谐振理论，提出一种基于竞争学习和自稳机制的自组织神经网络示功图识别模型。该模型较之于前馈示功图网络模型，解决了以往示功图神经网络识别模型需完备训练集（各种类型及其同类型中各种形状的示功图）及学习效率非常缓慢的问题。在有杆抽油示功图基础学习上，通过无监督学习算法，神经网络还能适用于不同油田区域的示功图自动识别工作。     

基于空间—波数域联合深度学习的数值频散压制

有限差分法是地震勘探领域常用的波场数值模拟方法,当空间网格间距大或使用低阶差分算子时会产生严重数值频散现象,影响模拟精度。为此提出一种基于联合学习深度卷积神经网络的数值频散压制方法,该方法使用卷积神经网络自适应提取波场特征进行频散校正。首先,利用波场数据在空间域和波数域的稀疏特征构建残差学习卷积神经网络,提取波场的主要特征;其次,基于L₁范数对网络模型进行稀疏优化,降低模型的复杂度,增加网络的泛化能力;最后,构造联合目标优化函数,使网络在空间—波数域联合约束的语义下学习频散压制的非线性逼近能力。将所提方法应用到不同模型正演的波场数据,结果表明：该方法可有效保护地震信号、压制频散;将网络与迁移学习结合,用于新模型的正演数据,可取得较好效果。与同类算法相比,该方法可以提高粗网格的计算精度、降低计算成本,所得波场快照具有较高的信噪比。     

抽油井示功图实时诊断与预警系统

抽油井示功图实时诊断与预警系统是通过波动方程得到井下泵示功图后,根据泵完成一个抽吸周期的特征,对泵示功图信息进行分析,以预测并得到柱塞冲程、充满程度和产液量等参数.整个系统主要分为实时诊断数据库建立、后台实时诊断与计算以及诊断结果实时发布三部分.陆梁油田作业区应用本系统,累计完成诊断10 769井次,发现问题井312井次,工况诊断符合率90％以上;应用示功图计算产液量,统计有效井次10 51 6次,对比油井单量数据,示功图计算产液量误差小于20％的并次占有效井次的83％,诊断效果较好.     

基于深度学习的子波整形反褶积方法

地震数据偏移成像是地下介质反射系数估计的重要方法之一,其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此,首先从反演成像的角度分析,指出子波和观测系统照明是影响成像结果分辨率的两个主要因素;其次,基于卷积神经网络（CNN）,利用宽频子波构建标签,将常规成像结果作为输入,利用CNN挖掘其中的映射关系,提出了相应的深度学习算法子波整形反褶积方法;然后,针对反褶积中初始子波估计不准确的问题,设计了子波与反射系数串联、迭代、更新的实现方案,定制的宽频子波能兼顾低波数和高波数信息,用于训练网络时可以更好地恢复宽带的反射系数;最后,利用已知模型进行网络的预训练,将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波,进行子波整形反褶积处理,并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。     

基于卷积神经网络模型的抽油机系统故障诊断

陆地机械采油普遍采用有杆抽油系统,示功图是油井工况的重要指示。在实际开采过程中,由于抽油井数量大、分布广,人工检测油井耗时费力。为提高人工检修效率、提升自动化水平,针对示功图的图形特征,在卷积神经网络Le-Net模型的基础上,建立简化卷积神经网络模型。收集实际生产数据经预处理后输入机器学习模型进行训练,得到关于示功图的分类模型,同时通过测试集数据对分类结果进行评价。结果表明,建立的卷积神经网络模型具有良好的稳定性,能够通过数据学习得出准确率较高的分类模型;所建立的分类模型能够稳定处理多分类问题,对于15种故障类型分类实现效果良好;通过测试集进行评价,该模型准确率达92%以上,预测效果可以满足油田实际生产需求。     

浅析抽油机电流、示功图变化诊断油井故障

抽油井在正常生产过程中,上、下行电流是平稳的,示功图形状变化也不大,当这两个动态参数发生异常时,很可能出现油井工况问题,此时,应采取相应措施进行处理,使油井生产恢复正常。文章分析了抽油机上、下行电流与示功图变化特点,并结合实例,分析了皮带断、抽油杆断脱、井卡等情况下上、下行电流与示功图的具体变化,指出实际操作中应两者结合判断,综合考虑,才能准确诊断油井工况。     

基于多源异构信息融合的机械故障诊断方法

针对振动信号或红外图像等单类型传感器信息难以准确表征机械设备的健康状态,存在诊断不确定性的问题,提出基于改进卷积神经网络(CNN)的多源异构信息数据级融合诊断方法.首先采用变分模态分解(VMD)和希尔伯特变换(HT)方法将振动信号处理成与红外图像同维的时频图像,并将其与红外图像进行数据级融合,得到多通道融合信号,然后将...     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

基于示功图的抽油机平衡诊断与调整

针对抽油机不平衡影响抽油机设备安全及油井生产系统效率等问题,推导了4种类型抽油机井悬点载荷与电机输出功率的数学关系模型,根据已知示功图计算电机输出功率-悬点位移图,并进行抽油机平衡的实时智能诊断与调整。计算结果表明:基于示功图计算的功率-位移图与实测功率-位移图很接近,计算与实测的上冲程功率峰值、下冲程功率峰值、功率极差和平均功率的平均相对误差分别为3.69%、5.03%、1.26%和2.63%;X1井平衡度的计算值和实测值分别为0.26和0.25,抽油机处于欠平衡状态;X2井平衡度的计算值和实测值分别为1.34和1.29,抽油机处于过平衡状态,这表明平衡诊断具有较高的精度。研究成果拓宽了示功图的应用范围,可为抽油机井实时智能平衡诊断与调整提供理论与技术支持,有利于提高油井生产效率与效益。     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

差分曲线法在示功图诊断中的应用

介绍了差分曲线的画法 ,常见示功图的差分曲线图以及差分曲线的的计算机处理方法 ,该方法不需要对示功图进行预处理 ,具有识别故障类型较多、符合率高、模型简单的特点 ,但不能对泵设备状态进行定量评价。     

基于电示功图计算煤层气井动液面的方法

为了实现煤层气井动液面的实时、长期和连续监测,维持煤层气井连续、稳定排采,提出一种基于优化算法、利用电参数反演计算示功图的方法。通过建立抽水机系统动力学模型,计算等效曲柄力矩和真实角速度,得到计算功率。以计算功率与测试功率误差最小为目标函数,编制智能算法,采用Powell优化算法,反演计算得到最优示功图。结合井筒及环空流体压力分布计算相关式,建立基于示功图计算动液面深度的数学模型。8口煤层气井的应用结果表明,计算动液面深度与实测动液面深度的最大相对误差为8.43%,最小相对误差为1.21%,平均相对误差为4.10%。因此,所建立的计算模型和分析方法具有较高精度,可实现煤层气井动液面实时、准确测量,可为煤层气井生产分析的智能化研究提供一定的参考。     

基于半监督学习-多通道卷积神经网络的加氢裂化产品性质预测

提出了一种用于加氢裂化产品性质预测的半监督学习-多通道卷积神经网络(SSL-MCCNN),通过逐层卷积实现加氢裂化工艺流程空间域局部特征提取,并基于多通道采样实现了时域特征提取。在应对模型训练中由于产品性质数据量不足导致的小样本学习问题方面,基于教师-学生半监督学习(TS-SSL)生成虚拟样本集实现了数据扩充,进一步提升了模型预测性能。基于SSL-MCCNN对煤油-柴油加氢裂化工业装置重石脑油密度和柴油闪点预测的均方根误差(RMSE)分别为0.83和1.03,判定系数(R²)分别为0.90和0.98,与BP神经网络(BPNN)和径向基神经网络(RBFNN)相比,SSL-MCCNN在实现最小RMSE的同时达到了最优R²。实验结果表明,所提出的SSL-MCCNN有效提取了加氢裂化工艺流程的时空域特征,显著提升了模型预测性能。     

基于相态图的凝析油产出剖面解释方法研究

随着油气勘探向地壳深处发展,一些高温高压凝析气藏陆续被勘探发现。目前,这些凝析气藏大多已经进入开发利用阶段。在实际生产中当凝析气沿井筒上升时,随着温度和压力的变化,凝析气会逆凝结形成凝析油,这种烃类相态的转变给其产出剖面解释带来了困难。为解决这一问题,研究提出了一种基于相态图的凝析油产出剖面解释方法,这种方法结合了传统产出剖面解释方法与相态图的相关理论,能够对油气两相凝析油产出剖面进行准确的解释。实际应用表明,该方法是可行的,可为类似剖面处理提供参考。