Feb, 2023

钻井操作中早期卡钻迹象的半监督检测方法

PDF
TL;DR该研究提出了一种实时卡钻预测方法，使用自动编码器和变分自编码器将常规钻井数据训练多种模型，以捕捉局部正常行为，应用于钻井数据集时，具有比监督方法更好的性能和鲁棒性，需要使用多种模型来提高性能表现。
stuck pipe predictiondrilling dataauto-encodervariational auto-encodersmodel performance
发现论文，激发创造
  • 海底工程异常检测的有监督时间序列分类

    通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。

    Mar, 2024

  • 利用地震信号的智能优化和机器学习算法进行结构异常检测

    通过智能优化技术和机器学习，对于现场挖掘中的异常检测缺失，可以避免金融损失和钻探时间的不足，并通过参数估计方法，通过与结构振动的实验测量值比较数值模拟进行简单结构的异常检测。

    Jan, 2024

  • 水力条件监测系统异常检测中半监督学习的比较研究

    本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

    Jun, 2023

  • 基于钻井数据的岩体无监督机器学习分类：数据驱动系统如何处理现有岩体分类系统的局限性？

    基于钻探数据开发的数据驱动系统在岩体分类中能够形成明确的岩体簇群，为未来的分类系统提供了潜力。

    May, 2024

  • 工业环境下声音事件分类：管道泄漏检测应用案例

    本文提出了一种多阶段机器学习（ML）管道泄漏检测流程，该流程通过特征选择和提取基于时间的特征等多个步骤处理复杂嘈杂环境数据，将结果送入适用于数据量大幅降低和复杂度较低的支持向量机（SVM），在包含噪声和泄漏的数据集上取得了 99％的准确率和 0.93 和 0.9 的 F1-score。

    May, 2022

  • 天然气井实时产量预测的深度学习和数据同化

    这篇研究使用改进的深度 LSTM 模型和集合卡尔曼滤波器，在评估输入参数的不确定性的同时，预测成熟气井的气体流量，并且利用新数据更新模型提高了预测准确性，实验结果表明使用 EnKF 更新模型的预测结果比没有使用 EnKF 的预测更好。

    Feb, 2018

  • 基于序列重建的状态空间模型的时间序列异常检测

    本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

    Mar, 2023

  • 使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

    该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

    Apr, 2023

  • 基于数据驱动的半监督机器学习与代理安全度量的异常驾驶行为检测

    利用 Hierarchical Extreme Learning Machines 和 Surrogate Safety Measures 开发了半监督机器学习方法，准确检测出鉴定的异常驾驶行为，通过广泛实验验证了该方法在各种指标上的有效性。

    Dec, 2023

  • 少数正样本的多元时间序列异常检测

    本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。

    Jul, 2022