CN116975728B - 用于煤层气钻井工程的安全管理方法及其*** - Google Patents
用于煤层气钻井工程的安全管理方法及其*** Download PDFInfo
- Publication number
- CN116975728B CN116975728B CN202310981644.2A CN202310981644A CN116975728B CN 116975728 B CN116975728 B CN 116975728B CN 202310981644 A CN202310981644 A CN 202310981644A CN 116975728 B CN116975728 B CN 116975728B
- Authority
- CN
- China
- Prior art keywords
- vector
- pressure
- feature
- coalbed methane
- methane concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 448
- 238000005553 drilling Methods 0.000 title claims abstract description 102
- 239000003245 coal Substances 0.000 title claims abstract description 52
- 238000007726 management method Methods 0.000 title abstract description 45
- 239000013598 vector Substances 0.000 claims description 336
- 239000011159 matrix material Substances 0.000 claims description 92
- 238000000605 extraction Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 235000019580 granularity Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Earth Drilling (AREA)
- Drilling And Exploitation, And Mining Machines And Methods (AREA)
Abstract
本申请涉及智能检测领域,其具体地公开了一种用于煤层气钻井工程的安全管理方法及其***,其采用基于深度学习的人工智能检测技术,其通过对煤层气浓度值和钻井内压力值进行特征提取并融合,以此来进行钻井内是否处于安全状况的判断。这样,可以更直观了解钻井内的安全状况,有助于及时发现安全问题并采取措施,预防安全事故的发生。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种用于煤层气钻井工程的安全管理方法及其***。
背景技术
煤层气钻井工程的安全管理是确保钻井作业过程中人员和设备安全的关键步骤。需要对钻井作业过程中的安全状况进行监测和记录,通过监测和记录,可以及时发现异常情况,采取相应的措施进行调整和处理,确保钻井作业过程中的安全。
钻井现场会定期进行安全巡查和检查,这可以及时发现潜在的安全隐患,但仅仅依靠这个评估钻井现场是否安全是完全不够的。
因此,需要一种优化的用于煤层气钻井工程的安全管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于煤层气钻井工程的安全管理方法及其***,其采用基于深度学习的人工智能检测技术,其通过对煤层气浓度值和钻井内压力值进行特征提取并融合,以此来进行钻井内是否处于安全状况的判断。这样,可以更直观了解钻井内的安全状况,有助于及时发现安全问题并采取措施,预防安全事故的发生。
根据本申请的一个方面,提供了一种用于煤层气钻井工程的安全管理方法,其包括:
获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;
将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;
将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;
将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;
融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。
在上述用于煤层气钻井工程的安全管理方法中,所述将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量,包括:使用所述时序编码器的全连接层以如下全连接编码公式对所述煤层气浓度输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;其中,所述全连接编码公式为:其中/>是所述煤层气浓度输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述煤层气浓度输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;其中,所述一维卷积编码公式为:其中,a为卷积核在x方向上的宽度,/>为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述煤层气浓度输入向量,/>表示对所述煤层气浓度输入向量进行一维卷积编码。
在上述用于煤层气钻井工程的安全管理方法中,所述将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量,包括:将所述压力输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度压力特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述压力输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度压力特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一尺度压力特征向量和所述第二尺度压力特征向量进行级联以得到所述压力特征向量。
在上述用于煤层气钻井工程的安全管理方法中,所述融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量,包括:构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及,从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
在上述用于煤层气钻井工程的安全管理方法中,所述将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况,包括:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;其中,所述分类公式为:其中/>为所述分类结果,/>表示所述分类特征向量,为全连接层的权重矩阵,/>表示全连接层的偏向向量,/>为归一化指数函数。
根据本申请的另一方面,提供了一种用于煤层气钻井工程的安全管理***,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;
数据结构化模块,用于将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;
煤层气浓度特征提取模块,用于将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;
钻井压力特征提取模块,用于将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;
融合模块,用于融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及
安全情况判断模块,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。
与现有技术相比,本申请提供的用于煤层气钻井工程的安全管理方法及其***,其采用基于深度学习的人工智能检测技术,其通过对煤层气浓度值和钻井内压力值进行特征提取并融合,以此来进行钻井内是否处于安全状况的判断。这样,可以更直观了解钻井内的安全状况,有助于及时发现安全问题并采取措施,预防安全事故的发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于煤层气钻井工程的安全管理方法的流程图。
图2为根据本申请实施例的用于煤层气钻井工程的安全管理方法的架构图。
图3为根据本申请实施例的用于煤层气钻井工程的安全管理方法中将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量的流程图。
图4为根据本申请实施例的用于煤层气钻井工程的安全管理方法中融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量的流程图。
图5为根据本申请实施例的用于煤层气钻井工程的安全管理***的***框图。
图6为根据本申请实施例的电子设备的框图。
实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言,确保钻井作业过程中人员和设备安全是煤层气钻井工程的重要任务。实施有效的安全管理可以监测和记录钻井作业中的安全情况,及时发现异常并采取相应的措施进行调整和管理,以确保钻井作业的安全。在钻井现场,定期进行安全巡查和检查是必要的,可以及时发现潜在的安全隐患。然而,仅仅依靠这种方式评估钻井现场的安全性是不够的,因此,期待一种优化的用于煤层气钻井工程的安全管理方案。
近年来,深度学***。
深度学习以及用于煤层气钻井工程的安全管理提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值。应可以理解,煤层气浓度和钻井内压力是判断钻井作业是否安全的重要指标,其变化能够反映可能存在的潜在风险和危险情况。通过收集多个预定时间点的煤层气浓度数据,可以观察其时序变化和波动情况,进而判断是否超出异常或超出安全范围的煤层气浓度。高浓度的煤层气可能导致***、火灾等危险事件发生,因此及时获取煤层气浓度的变化,并采取相应的措施是十分有必要的。另外,钻井内压力也是衡量钻井作业安全性的关键参数之一,过高或过低的钻井内压力都可能导致井壁塌方、井喷等严重事故。因此,及时获取和监控钻井内压力的数值,可以对钻井作业的稳定性和安全性进行评估,以便采取必要的安全措施。
接着,将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量。通过按照时间维度排列数据,可以保留数据在时间上的顺序关系,并能够反映煤层气浓度和钻井压力在不同时间点的变化情况。这样有利于捕捉时间段内的趋势、周期性或突发性事件,帮助和预测可能存在的安全隐患和异常情况。同时,将煤层气浓度值和井内压力值组成向量形式,可以更好地进行数据处理和分析。
然后,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量。应可以理解,一维卷积层能够在煤层气浓度数据的时间维度上进行滑动窗口卷积操作,有效地捕捉煤层气浓度的局部时序模式和特征;全连接层则用于进一步对煤层气浓度特征向量进行处理和映射,可以将一维卷积层输出的多维特征向量转换为更高级别的抽象表示,有助于考虑不同时间点的煤层气浓度特征,提取出更具表征能力的煤层气浓度特征向量。也就是,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器可以对输入向量进行逐层处理和特征提取,最终获得一个紧凑的煤层气浓度特征向量。
同时,将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量。具体来说,压力输入向量包含了多个预定时间点的压力值,这些压力值可能存在不同的变化规律和周期性。通过应用多尺度领域特征提取模块,可以捕捉到不同时间尺度上的压力变化特征,如短时尺度上的快速波动以及长时尺度上的趋势变化。通过提取多尺度特征,可以更全面地描述压力的动态变化情况,有助于揭示潜在的安全风险和异常情况。
进而,融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量。应可以理解,融合煤层气浓度特征向量和压力特征向量可以将不同的信息源相结合,从而获取更具代表性和综合性的特征信息,通过对这两个特征向量的融合,可以更好地反映煤层气浓度和压力之间的关联性和变化趋势。最后,将所述分类特征向量通过分类器以获得用于表示钻井内是否处于安全的状况。这样,工程师可以更直观、了解钻井的安全状况,这样可以及时采取必要的安全措施,预防事故的发生,确保钻井工程的安全运行。
特别地,在本申请的技术方案中,如果直接采用级联或者加权来融合所述煤层气浓度特征向量和所述压力特征向量,则会忽略掉它们之间的相关性,融合后的特征向量无法充分表示钻井内的安全状况。同时由于煤层气浓度特征和压力特征往往具有不同的流形结构,即它们在特征空间中的分布方式可能不同。如果直接采用级联和加权融合可能会出现丢失主要信息和存在大量冗余的情况,不利于最终的分类。
基于此,进一步地,基于煤层气浓度特征向量和压力特征向量之间的特征流形的维度视角相关来融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量,具体地,包括:构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及,从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
在本申请的技术方案中,通过构建煤层气浓度特征向量和压力特征向量之间的全域相似度矩阵,用于表示煤层气浓度特征向量的特征流形和压力特征向量的特征流形的逐位置流形相似度关联,也就是,所述煤层气浓度特征向量和所述压力特征向量的特征流形之间的元素粒度的流形关联信息。为了表示所述煤层气浓度特征向量和所述压力特征向量之间的向量粒度的特征流形相关性,在本申请的技术方案中,进一步计算所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵。进而,通过基于卷积层的的流形间关联特征提取器来捕捉所述全域相似度矩阵和所述协方差矩阵中所隐含的局部关联模式特征,所述局部关联模式特征用于表示煤层气浓度特征向量和压力特征向量不同粒度的特征流形相关性的隐含特征表示。在得到所述流形全域关联特征矩阵后,对所述流形全域关联特征矩阵进行基于特征值的矩阵分解以从所述流形全域关联特征矩阵中捕捉特征主维而剔除不必要的特征维度以得到所述分类特征向量。
这样,基于煤层气浓度特征向量和压力特征向量之间的特征流形的维度视角相关来融合所述煤层气浓度特征向量和所述压力特征向量,可以利用所述煤层气浓度特征向量和所述压力特征向量在高维特征空间中数据的内在结构和分布,以从所述煤层气浓度特征向量和所述压力特征向量的特征流形的主要方向捕捉两者之间的数据分布的特点和规律。同时,基于矩阵的基于特征值的特征分解还可以将所述煤层气浓度特征向量和所述压力特征向量中的数据在最重要的主维度上进行投影,从而去除冗余信息和噪声信息,保留最本质的信息,以可以提高数据的质量和效率,增强数据的可分性和可区分性。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的用于煤层气钻井工程的安全管理方法的流程图。如图1所示,根据本申请实施例的用于煤层气钻井工程的安全管理方法,包括:S110,获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;S120,将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;S130,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;S140,将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;S150,融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及,S160,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。
图2为根据本申请实施例的用于煤层气钻井工程的安全管理方法的架构图。如图2所示,在该架构中,首先,获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值。接着,将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量。然后,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量。同时,将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量。进而,融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量。最后,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。
在步骤S110中,获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值。应可以理解,煤层气浓度和钻井内压力是判断钻井作业是否安全的重要指标,其变化能够反映可能存在的潜在风险和危险情况。通过收集多个预定时间点的煤层气浓度数据,可以观察其时序变化和波动情况,进而判断是否超出异常或超出安全范围的煤层气浓度。高浓度的煤层气可能导致***、火灾等危险事件发生,因此及时获取煤层气浓度的变化,并采取相应的措施是十分有必要的。另外,钻井内压力也是衡量钻井作业安全性的关键参数之一,过高或过低的钻井内压力都可能导致井壁塌方、井喷等严重事故。因此,及时获取和监控钻井内压力的数值,可以对钻井作业的稳定性和安全性进行评估,以便采取必要的安全措施。这里所述的预定时间段内多个预定时间点的煤层气浓度值可以通过气体传感器收集数据获得以及所述多个预定时间点的钻井内压力值可以通过压力传感器收集数据获得。
在步骤S120中,将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量。应可以理解,通过按照时间维度排列数据,可以保留数据在时间上的顺序关系,并能够反映煤层气浓度和钻井压力在不同时间点的变化情况,有利于捕捉时间段内的趋势、周期性或突发性事件,帮助和预测可能存在的安全隐患和异常情况。同时,将煤层气浓度值和井内压力值组成向量形式,可以更好地进行数据处理和分析。
在步骤S130中,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量。应可以理解,一维卷积层能够在煤层气浓度数据的时间维度上进行滑动窗口卷积操作,有效地捕捉煤层气浓度的局部时序模式和特征;全连接层则用于进一步对煤层气浓度特征向量进行处理和映射,可以将一维卷积层输出的多维特征向量转换为更高级别的抽象表示,有助于考虑不同时间点的煤层气浓度特征,提取出更具表征能力的煤层气浓度特征向量。也就是,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器可以对输入向量进行逐层处理和特征提取,最终获得一个紧凑的煤层气浓度特征向量。
具体地,所述将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量,包括:使用所述时序编码器的全连接层以如下全连接编码公式对所述煤层气浓度输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;其中,所述全连接编码公式为:其中/>是所述煤层气浓度输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述煤层气浓度输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;其中,所述一维卷积编码公式为:/>其中,a为卷积核在x方向上的宽度,/>为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述煤层气浓度输入向量,/>表示对所述煤层气浓度输入向量进行一维卷积编码。
在步骤S140中,将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量。多尺度领域特征提取模块通过设置不同大小的一维卷积核,对输入的数据进行多尺度的卷积操作,从而捕捉到不同尺度下的特征。具体来说,压力输入向量包含了多个预定时间点的压力值,这些压力值可能存在不同的变化规律和周期性。通过应用多尺度领域特征提取模块,可以捕捉到不同时间尺度上的压力变化特征,如短时尺度上的快速波动以及长时尺度上的趋势变化。通过提取多尺度特征,可以更全面地描述压力的动态变化情况,有助于揭示潜在的安全风险和异常情况。
图3为根据本申请实施例的用于煤层气钻井工程的安全管理方法中将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量的流程图。如图3所示,所述将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量,包括:S141,将所述压力输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度压力特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;S142,将所述压力输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度压力特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,S143,将所述第一尺度压力特征向量和所述第二尺度压力特征向量进行级联以得到所述压力特征向量。
在步骤S150中,融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量。应可以理解,融合煤层气浓度特征向量和压力特征向量可以将不同的信息源相结合,从而获取更具代表性和综合性的特征信息,通过对这两个特征向量的融合,可以更好地反映煤层气浓度和压力之间的关联性和变化趋势。
特别地,在本申请的技术方案中,如果直接采用级联或者加权来融合所述煤层气浓度特征向量和所述压力特征向量,则会忽略掉它们之间的相关性,融合后的特征向量无法充分表示钻井内的安全状况。同时由于煤层气浓度特征和压力特征往往具有不同的流形结构,即它们在特征空间中的分布方式可能不同。如果直接采用级联和加权融合可能会出现丢失主要信息和存在大量冗余的情况,不利于最终的分类。因此,需要基于煤层气浓度特征向量和压力特征向量之间的特征流形的维度视角相关来融合所述煤层气浓度特征向量和所述压力特征向量。
图4为根据本申请实施例的用于煤层气钻井工程的安全管理方法中融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量的流程图。如图4所示,所述融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量,包括:S151,构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;S152,构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;S153,将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;S154,对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及,S155,从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
在本申请的技术方案中,通过构建煤层气浓度特征向量和压力特征向量之间的全域相似度矩阵,用于表示煤层气浓度特征向量的特征流形和压力特征向量的特征流形的逐位置流形相似度关联,也就是,所述煤层气浓度特征向量和所述压力特征向量的特征流形之间的元素粒度的流形关联信息。为了表示所述煤层气浓度特征向量和所述压力特征向量之间的向量粒度的特征流形相关性,在本申请的技术方案中,进一步计算所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵。进而,通过基于卷积层的的流形间关联特征提取器来捕捉所述全域相似度矩阵和所述协方差矩阵中所隐含的局部关联模式特征,所述局部关联模式特征用于表示煤层气浓度特征向量和压力特征向量不同粒度的特征流形相关性的隐含特征表示。在得到所述流形全域关联特征矩阵后,对所述流形全域关联特征矩阵进行基于特征值的矩阵分解以从所述流形全域关联特征矩阵中捕捉特征主维而剔除不必要的特征维度以得到所述分类特征向量。
这样,基于煤层气浓度特征向量和压力特征向量之间的特征流形的维度视角相关来融合所述煤层气浓度特征向量和所述压力特征向量,可以利用所述煤层气浓度特征向量和所述压力特征向量在高维特征空间中数据的内在结构和分布,以从所述煤层气浓度特征向量和所述压力特征向量的特征流形的主要方向捕捉两者之间的数据分布的特点和规律。同时,基于矩阵的基于特征值的特征分解还可以将所述煤层气浓度特征向量和所述压力特征向量中的数据在最重要的主维度上进行投影,从而去除冗余信息和噪声信息,保留最本质的信息,以可以提高数据的质量和效率,增强数据的可分性和可区分性。
在步骤S160中,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。分类器是一种机器学习模型,它可以学习从输入特征到输出类别的映射关系。这里分类结果有两个类别,安全和不安全,通过这种方式可以更直观了解钻井内的安全状况,并采取相应的措施进行处理,确保钻进作业的安全性。
具体地,所述将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况,包括:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;其中,所述分类公式为:其中/>为所述分类结果,/>表示所述分类特征向量,/>为全连接层的权重矩阵,/>表示全连接层的偏向向量,/>为归一化指数函数。
综上所述,基于本申请实施例的用于煤层气钻井工程的安全管理方法被阐明,其采用基于深度学习的人工智能检测技术,其通过对煤层气浓度值和钻井内压力值进行特征提取并融合,以此来进行钻井内是否处于安全状况的判断。这样,可以更直观了解钻井内的安全状况,有助于及时发现安全问题并采取措施,预防安全事故的发生。
示例性***
图5为根据本申请实施例的用于煤层气钻井工程的安全管理***的***框图。如图5所示,根据本申请实施例的用于煤层气钻井工程的安全管理***100,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;数据结构化模块120,用于将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;煤层气浓度特征提取模块130,用于将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;钻井压力特征提取模块140,用于将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;融合模块150,用于融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及,安全情况判断模块160,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况。
在一个示例中,在上述用于煤层气钻井工程的安全管理***100中,所述煤层气浓度特征提取模块130,用于:使用所述时序编码器的全连接层以如下全连接编码公式对所述煤层气浓度输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;其中,所述全连接编码公式为:其中/>是所述煤层气浓度输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述煤层气浓度输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;其中,所述一维卷积编码公式为:/>其中,a为卷积核在x方向上的宽度,/>为卷积核参数向量,/>为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,/>表示所述煤层气浓度输入向量,/>表示对所述煤层气浓度输入向量进行一维卷积编码。
在一个示例中,在上述用于煤层气钻井工程的安全管理***100中,所述钻井压力特征提取模块140,包括:第一尺度压力特征提取单元,用于将所述压力输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度压力特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度压力特征提取单元,用于将所述压力输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度压力特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元,用于将所述第一尺度压力特征向量和所述第二尺度压力特征向量进行级联以得到所述压力特征向量。
在一个示例中,在上述用于煤层气钻井工程的安全管理***100中,所述融合模块150,包括:全域相似度矩阵构建单元,用于构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;协方差矩阵构建单元,用于构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;流形间多粒度关联特征提取单元,用于将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;矩阵分解单元,用于对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及,流形相关特征值排列单元,用于从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
在一个示例中,在上述用于煤层气钻井工程的安全管理***100中,所述安全情况判断模块160,用于:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;其中,所述分类公式为:其中/>为所述分类结果,/>表示所述分类特征向量,/>为全连接层的权重矩阵,/>表示全连接层的偏向向量,为归一化指数函数。
综上所述,基于本申请实施例的用于煤层气钻井工程的安全管理***100被阐明,其采用基于深度学习的人工智能检测技术,其通过对煤层气浓度值和钻井内压力值进行特征提取并融合,以此来进行钻井内是否处于安全状况的判断。这样,可以更直观了解钻井内的安全状况,有助于及时发现安全问题并采取措施,预防安全事故的发生。
如上所述,根据本申请实施例的用于煤层气钻井工程的安全管理***100可以实现在各种无线终端中,例如用于用于煤层气钻井工程的安全管理的服务器等。在一个示例中,根据本申请实施例的用于煤层气钻井工程的安全管理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该用于煤层气钻井工程的安全管理***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该用于煤层气钻井工程的安全管理***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该用于煤层气钻井工程的安全管理***100与该无线终端也可以是分立的设备,并且该用于煤层气钻井工程的安全管理***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于煤层气钻井工程的安全管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括钻井内是否处于安全的状况的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于煤层气钻井工程的安全管理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于煤层气钻井工程的安全管理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (8)
1.一种用于煤层气钻井工程的安全管理方法,其特征在于,包括:
获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;
将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;
将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;
将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;
融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况;
其中,融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量,包括:
构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;
构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;
将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;
对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及
从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
2.根据权利要求1所述的用于煤层气钻井工程的安全管理方法,其特征在于,将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量,包括:
使用所述时序编码器的全连接层以如下全连接编码公式对所述煤层气浓度输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;
其中,所述全连接编码公式为:
其中X是所述煤层气浓度输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及
使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述煤层气浓度输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;
其中,所述一维卷积编码公式为:
其中,a为卷积核在x方向上的宽度,F(a)为卷积核参数向量,G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述煤层气浓度输入向量,Cov(X)表示对所述煤层气浓度输入向量进行一维卷积编码。
3.根据权利要求2所述的用于煤层气钻井工程的安全管理方法,其特征在于,将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量,包括:
将所述压力输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度压力特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述压力输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度压力特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
将所述第一尺度压力特征向量和所述第二尺度压力特征向量进行级联以得到所述压力特征向量。
4.根据权利要求3所述的用于煤层气钻井工程的安全管理方法,其特征在于,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况,包括:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)|Vc}
其中O为所述分类结果,Vc表示所述分类特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
5.一种用于煤层气钻井工程的安全管理***,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的煤层气浓度值以及钻井内压力值;
数据结构化模块,用于将所述多个预定时间点的煤层气浓度值和钻井内压力值分别按照时间维度排列为煤层气浓度输入向量和压力输入向量;
煤层气浓度特征提取模块,用于将所述煤层气浓度输入向量通过包含全连接层和一维卷积层的时序编码器以获得煤层气浓度特征向量;
钻井压力特征提取模块,用于将所述压力输入向量输入多尺度领域特征提取模块以获得压力特征向量;
融合模块,用于融合所述煤层气浓度特征向量和所述压力特征向量以得到分类特征向量;以及
安全情况判断模块,将所述分类特征向量通过分类器以获得分类结果,所述分类结果表示钻井内是否处于安全的状况;
其中,所述融合模块,包括:
全域相似度矩阵构建单元,用于构建所述煤层气浓度特征向量和所述压力特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述煤层气浓度特征向量和所述压力特征向量中相应两个位置的特征值之间的方差;
协方差矩阵构建单元,用于构建所述煤层气浓度特征向量和所述压力特征向量之间的协方差矩阵;
流形间多粒度关联特征提取单元,用于将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;
矩阵分解单元,用于对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及
流形相关特征值排列单元,用于从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
6.根据权利要求5所述的用于煤层气钻井工程的安全管理***,其特征在于,所述煤层气浓度特征提取模块,包括:
使用所述时序编码器的全连接层以如下全连接编码公式对所述煤层气浓度输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征;
其中,所述全连接编码公式为:
其中X是所述煤层气浓度输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及
使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述煤层气浓度输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征;
其中,所述一维卷积编码公式为:
其中,a为卷积核在x方向上的宽度,F(a)为卷积核参数向量,G(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述煤层气浓度输入向量,Cov(X)表示对所述煤层气浓度输入向量进行一维卷积编码。
7.根据权利要求6所述的用于煤层气钻井工程的安全管理***,其特征在于,所述钻井压力特征提取模块,包括:
第一尺度压力特征提取单元,用于将所述压力输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度压力特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度压力特征提取单元,用于将所述压力输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度压力特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联单元,用于将所述第一尺度压力特征向量和所述第二尺度压力特征向量进行级联以得到所述压力特征向量。
8.根据权利要求7所述的用于煤层气钻井工程的安全管理***,其特征在于,所述安全情况判断模块,用于:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)|Vc}
其中O为所述分类结果,Vc表示所述分类特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981644.2A CN116975728B (zh) | 2023-08-07 | 2023-08-07 | 用于煤层气钻井工程的安全管理方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981644.2A CN116975728B (zh) | 2023-08-07 | 2023-08-07 | 用于煤层气钻井工程的安全管理方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975728A CN116975728A (zh) | 2023-10-31 |
CN116975728B true CN116975728B (zh) | 2024-01-26 |
Family
ID=88481135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310981644.2A Active CN116975728B (zh) | 2023-08-07 | 2023-08-07 | 用于煤层气钻井工程的安全管理方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975728B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117189071A (zh) * | 2023-11-07 | 2023-12-08 | 克拉玛依市远山石油科技有限公司 | 岩心钻探钻机运行的自动化控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测***及其检测方法 |
CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理*** |
CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制***及其方法 |
CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
CN116526670A (zh) * | 2023-04-27 | 2023-08-01 | 杭州保信智能设备有限公司 | 面向电力大数据可视化的信息融合方法 |
-
2023
- 2023-08-07 CN CN202310981644.2A patent/CN116975728B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测***及其检测方法 |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理*** |
CN116526670A (zh) * | 2023-04-27 | 2023-08-01 | 杭州保信智能设备有限公司 | 面向电力大数据可视化的信息融合方法 |
CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制***及其方法 |
CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
Non-Patent Citations (5)
Title |
---|
Automatic Modulation Classification Using Multi-Scale Convolutional Neural Network;Hongtai Chen Etc.;2020 IEEE 31st Annual International Symposium on Personal, Indoor and Mobile Radio Communications;全文 * |
基于多尺度一维卷积神经网络的光纤振动事件识别;吴俊;管鲁阳;鲍明;许耀华;叶炜;;光电工程(05);全文 * |
基于相似规律和神经网络的多级多相混输泵气液增压性能预测;常亮 等;应用数学和力学;第44卷(第6期);全文 * |
多尺度特征融合与极限学习机结合的交通标志识别;马永杰;程时升;马芸婷;陈敏;;液晶与显示(06);全文 * |
钻井风险实时诊断技术概念设计;乐守群;梁海波;赵庆;李建民;靳文博;;钻采工艺(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975728A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN115783923A (zh) | 基于大数据的电梯故障模式识别*** | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN115171317A (zh) | 物联网智能家居方法、***和电子设备 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN116055293B (zh) | 路由器的远程故障监控方法及路由器 | |
CN116759053A (zh) | 基于物联网***的医疗体系防控方法及*** | |
CN116866054A (zh) | 公共信息安全监测***及其方法 | |
CN116486323A (zh) | 基于人工智能的输煤廊道监控管理***及其方法 | |
CN117115743A (zh) | 矿用安全生产监控***及其方法 | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
CN117596057A (zh) | 网络信息安全管理***及方法 | |
CN116958697A (zh) | 基于图像的电力安全巡检***及其方法 | |
CN117231590A (zh) | 液压***的故障预测***及其方法 | |
CN117176433A (zh) | 网络数据的异常行为检测***及方法 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
Gámiz et al. | Dynamic reliability and sensitivity analysis based on HMM models with Markovian signal process | |
CN116311739A (zh) | 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及*** | |
CN116821831A (zh) | 电力智能巡检***及其方法 | |
CN117251789A (zh) | 电力设备健康状态的评估方法及其*** | |
CN117540372B (zh) | 智能学习的数据库入侵检测与响应*** | |
KR102602840B1 (ko) | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 | |
CN116187294B (zh) | 信息化检测实验室电子文件快速生成方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |