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
文摘金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络(dilated convolutional neural network,DCNN)、长短时记忆神经网络(long short term memory,LSTM)和注意力机制(attention mechanism,AT)的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成:第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性.
