-
题名基于工程经验知识约束神经网络的套管选材推荐模型
- 1
-
-
作者
李奕政
陈掌星
王正
孟洋
张永安
丁瑞辰
-
机构
宁波东方理工大学
香港理工大学
宁波数字孪生(东方理工)研究院
中国石油大学(北京)石油工程学院
美国工程院
-
出处
《钻采工艺》
北大核心
2025年第1期29-36,共8页
-
文摘
科学合理的套管设计对于保障油气生产安全、预防资源浪费与财产损失至关重要,是确保钻井及开采作业顺利进行的核心要素。文章针对套管设计所面临的日渐复杂的工况及数据管理难题,提出了一种工程经验知识约束神经网络(EKNN)的方法,旨在指导套管设计工作。该方法利用现有套管数据资产,基于机器学习的强大数据处理能力,构建一个高效的套管选材推荐模型,通过嵌入套管强度校核知识,提高模型选材推荐的科学性和安全性。首先基于套管数据资产构建套管选材数据集,选取经典的MLP(Multi-layer Perceptron,多层感知机)神经网络建立套管选材推荐模型;采用多任务学习策略设计网络结构,模型在训练过程中优化套管的壁厚及钢级分类;然后以模型预测精度通过超参数优化工具Optuna优化模型超参数;最后以损失函数修正的方式嵌入套管强度校核知识(工程经验知识约束)完成EKNN模型的建立。工程经验知识约束神经网络模型对套管选材的预测精度可达90%以上,模型预测得出的套管选材可以很好地满足套管柱强度设计要求,为各油气田有效利用累积的数据资产、降低成本及优化决策提供有力支持。
-
关键词
套管设计
工程经验知识约束
神经网络
损失函数修正
-
Keywords
casing design
engineering empirical knowledge
neural network
loss function correction
-
分类号
TE931.2
[石油与天然气工程—石油机械设备]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于优化卷积神经网络的电缆早期故障分类识别
被引量：65
- 2
-
-
作者
汪颖
孙建风
肖先勇
卢宏
杨晓梅
-
机构
四川大学电气工程学院
-
出处
《电力系统保护与控制》
EI
CSCD
北大核心
2020年第7期10-18,共9页
-
基金
国家自然科学基金项目资助(51807126)。
-
文摘
准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。
-
关键词
电缆早期故障
卷积神经网络
深度学习
分类识别
修正损失函数
-
Keywords
cable incipient fault
convolution neural network
deep learning
classification identification
modified loss function
-
分类号
TM247
[一般工业技术—材料科学与工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
