钻井过程中发生钻井液漏失时,现有的井漏智能监测方法,难以获取长时数据序列特征,无法实现对微量漏失的及时监测和预警,进而容易导致更为严重的漏失发生。为此,提出了一种结合扩张因果卷积网络(Dilated and Causal Convolution,DCC)特...钻井过程中发生钻井液漏失时,现有的井漏智能监测方法,难以获取长时数据序列特征,无法实现对微量漏失的及时监测和预警,进而容易导致更为严重的漏失发生。为此,提出了一种结合扩张因果卷积网络(Dilated and Causal Convolution,DCC)特征映射能力和长短期记忆网络(Long Short-Term Memory,LSTM)时序特征提取能力的DCC-LSTM钻井液微量漏失智能监测方法,弥补长短期记忆网络对于长期记忆衰减的不足,实现了对钻井液微量漏失的准确监测和预测。研究结果表明:①DCC-LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征,并将其映射为短序列表示,利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势,实现了微量漏失的准确监测;②扩张因果卷积网络层数确定方法可以获得最佳网络层数,得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%;③与其他井漏监测方法相比,DCC-LSTM网络能够准确监测早期微量漏失,井漏预警时间最长可提前26 min,监测准确率由96.9%提升至99.4%,漏报率由6.4%降低为1.1%。结论认为,该方法能够获取监测参数的长时趋势变化特征,经矿场试验验证与其他方法相比有明显优势,为微量漏失监测和预测提供一种可行的方法,对油气钻井井漏风险的防控具有重要指导意义。展开更多
为充分利用残差中的图像信息以提升非局部均值算法的去噪性能,该文提出一种多级残差图像滤波新方法。首先对含噪图像进行非局部均值滤波得到初始的去噪图像和权值分布矩阵,然后对残差图像进行固定权值非局部均值滤波来提取图像结构信息...为充分利用残差中的图像信息以提升非局部均值算法的去噪性能,该文提出一种多级残差图像滤波新方法。首先对含噪图像进行非局部均值滤波得到初始的去噪图像和权值分布矩阵,然后对残差图像进行固定权值非局部均值滤波来提取图像结构信息,将提取的信息经高斯平滑抑噪后作为补偿图像,与去噪图像相加得到增强的恢复图像。针对上述方法提出一种多级滤波的实现方案,从理论上推导证明了该方法的原理及可行性,并提出一种无需参考图像的迭代停止准则来自适应地优选滤波级数。实验结果表明,提出的迭代停止准则能够达到与峰值信噪比一致的优选结果;与经典的非局部均值算法相比,在计算效率相当的情况下,所提方法能够显著地提升其去噪性能,峰值信噪比平均可以提高1.2 d B,且具有更好的细节保持能力。展开更多
文摘为充分利用残差中的图像信息以提升非局部均值算法的去噪性能,该文提出一种多级残差图像滤波新方法。首先对含噪图像进行非局部均值滤波得到初始的去噪图像和权值分布矩阵,然后对残差图像进行固定权值非局部均值滤波来提取图像结构信息,将提取的信息经高斯平滑抑噪后作为补偿图像,与去噪图像相加得到增强的恢复图像。针对上述方法提出一种多级滤波的实现方案,从理论上推导证明了该方法的原理及可行性,并提出一种无需参考图像的迭代停止准则来自适应地优选滤波级数。实验结果表明,提出的迭代停止准则能够达到与峰值信噪比一致的优选结果;与经典的非局部均值算法相比,在计算效率相当的情况下,所提方法能够显著地提升其去噪性能,峰值信噪比平均可以提高1.2 d B,且具有更好的细节保持能力。
