-
公开(公告)号：CN116379360A
公开(公告)日：2023-07-04
申请号：CN202310325956.8
申请日：2023-03-30
Applicant: 常州大学
Inventor： 徐守坤 , 殷文 , 彭明国 , 彭浩平 , 邓嵩 , 闫霄鹏 , 雷云 , 于鹏飞 , 石林 , 郝宏达 , 李朝玮 , 王江帅 , 裴纯玉 , 蔡猛 , 潘浩宇 , 王金星 , 孙延帅
Abstract: 本发明公开了一种基于知识迁移的掺氢天然气管道损伤预测方法及系统，涉及大数据机器学习及油气储运安全技术领域，包括：收集数据，对数据进行预处理；构建传统天然气管道失效预测模型；通过对预测结果进行评估，检验模型的准确性和可靠性；对模型进行调优，以提高模型的预测精度和泛化能力。本发明提供的基于知识迁移的掺氢天然气管道损伤预测方法将传统模型中的知识和经验迁移到掺氢天然气管道的失效预测中，从而提高预测的精度和可靠性，可以及时发现和解决管道损伤问题，从而降低运营成本和风险，提高管道运行的智能化水平，降低人工干预的需求，提高智能化水平具有很好的推广应用前景。
-
公开(公告)号：CN117035439A
公开(公告)日：2023-11-10
申请号：CN202310795093.0
申请日：2023-06-30
Applicant: 常州大学
IPC: G06Q10/0637 , G06F18/241 , G06F18/214
Abstract: 本发明公开了一种基于非均数据和智能优化算法的井漏工况预测方法及系统包括，通过对多种类型钻井数据进行分析，选取测井数据并进行处理；利用SMOTE插值算法，对测井数据进行改进，建立样本集；利用双混沌映射及精英反向策略对麻雀搜索算法进行改进优化，利用改进后的麻雀搜索算法优化BP神经网络参数，构建预测模型；利用现场数据进行建模验证。本发明构建了一种基于改进混合麻雀搜索算法‑BP神经网络的井漏复杂预测模型，为更好的验证模型的有效性，利用现场数据进行了建模验证，结果表明可以有效解决井漏现场智能预测精度低的问题，可为确保复杂地层深井安全钻井提供理论支持。
-
公开(公告)号：CN116881855A
公开(公告)日：2023-10-13
申请号：CN202310635429.7
申请日：2023-05-31
Applicant: 常州大学
IPC: G06F18/27 , G06F18/15 , G06N20/10 , G06N7/01 , G06F123/02
Abstract: 本发明公开了一种基于贝叶斯优化支持向量回归的钻压随钻预测方法，包括收集钻井过程中的历史数据并进行整理；对整理后的历史数据进行归一化处理，建立预测模型；利用贝叶斯优化算法对预测模型进行优化；将钻压单点预测结果组合到历史数据进行连续预测。本发明可以实现对非线性的预测，并且有效减轻了模型的复杂度，其中高斯过程为代理的对贝叶斯中的非参数模型最为广泛，其中采集函数是确定下一评估点的重要依据，最后将钻压单点预测结果组合到历史数据进行连续预测。
-
公开(公告)号：CN114692761A
公开(公告)日：2022-07-01
申请号：CN202210340584.1
申请日：2022-03-31
Applicant: 常州大学
Abstract: 本发明公开了一种基于费马点的测井数据处理方法，包括：剔除原始测井数据中由机器突发故障或人为造成的异常数据及重复数据，以建立数据集；对比数据集的横、纵坐标的坐标范围，并根据分布密度选择横/纵坐标分段；基于选择横/纵坐标分段并根据数据处理要求选择不同原始测井数据的数据点个数进行二次分段；将每个分段范围内的数据点拟合到一个圆中，并利用求解该圆的最优圆心；通过连接每个分段的最优圆心，组成曲线，以对数据集中的数据进行去噪；将去噪后的数据进行数据加密处理，并对加密数据进行解密；本发明可以在减少数据的条件下尽可能保留数据的原本趋势。
-
公开(公告)号：CN116805135A
公开(公告)日：2023-09-26
申请号：CN202310540693.2
申请日：2023-05-15
Applicant: 常州大学
IPC: G06F30/27 , G06F17/18 , G06N20/00 , E21B49/00 , G06F119/14
Abstract: 本发明属于机器学习与地层孔隙压力预测的技术领域，公开了一种含不确定性的地层孔隙压力随钻智能预测方法，通过采用灰色预测理论和高斯过程回归模型相结合得到含不确定性的地层孔隙压力预测方法，使训练过程具有了一定的智能性、便捷性，节省了人力物力，有助于油田的高效作业，同时该方法和钻井安全密切相关，可以为钻完井地质工程进行主动指导，为动态风险评估提供了必要的基础地层孔隙压力信息数据，有助于油田安全作业。
-
Patent Agency Ranking
公开(公告)号：CN116805063A
公开(公告)日：2023-09-26
申请号：CN202310541962.7
申请日：2023-05-15
Applicant: 常州大学
Abstract: 本发明公开了一种基于特征贡献度和PSO‑Catboost的岩性识别方法，其特征在于，包括：收集已钻井的测井和录井的数据；对不同岩性定义不同的数字标签，并将样本数据划分为训练集和测试集，设置PSO算法的运行迭代次数和粒子数量参数；利用PSO算法优化随机森林算法；将优选后的特征输入到Catboost模型中，再通过PSO算法对Catboost模型的超参数进行自动优化，得到岩性识别效果最优的模型。本发明将catboost模型应用在岩性识别领域，相比传统基于决策树的集成模型，提出了排序提升策略来解决梯度提升决策树中存在的梯度偏差和预测偏移问题。同时，采用对称树为基学习器来提高模型的泛化能力和预测速度。
-
公开(公告)号：CN116663286A
公开(公告)日：2023-08-29
申请号：CN202310625981.8
申请日：2023-05-30
Applicant: 常州大学
IPC: G06F30/20 , G06N3/006 , G06F111/06 , G06F111/04
Abstract: 本发明公开了一种基于改进鲸鱼算法的井眼轨迹优化方法，包括：定义井眼轨迹优化问题的目标函数和约束条件；然后采用改进的鲸鱼算法(IWOA)进行优化；最后将得到的最优解作为优化结果，输出优化结果。该方法能够同时考虑目标函数和约束条件的优化问题，得到更优的井眼轨迹设计方案，提高油气勘探效率和降低成本，本发明提供的井眼轨迹优化方法具有很高的实用价值和经济效益，能够同时优化目标函数和约束条件，得到满足实际需求的优化解，采用改进的鲸鱼算法，具有全局寻优能力和快速收敛速度，可以应用于不同类型的井眼轨迹优化问题，具有良好的通用性。
-
公开(公告)号：CN116335537A
公开(公告)日：2023-06-27
申请号：CN202310360912.9
申请日：2023-04-06
Applicant: 常州大学
IPC: E21B7/06
Abstract: 本发明公开了一种井下造斜控制装置，包括钻井单元，包括外壳，以及设置于外壳内部的钻杆；导向单元，包括设置于钻杆杆身的球轴承，以及设置于球轴承上端的偏转组件；驱动单元，包括设置于外壳内壁的多个电机、设置于电机轴端的丝杆、设置于丝杆杆身的引导块、贯通设置于引导块内部的偏移块，以及设置于球轴承和偏移组件之间的对中组件。本发明的有益效果为装置结构紧凑，重叠系数大，抗冲击能力强，检修方便；能够线性调节钻具造斜时候的偏转方向和偏转角度，保证了钻杆在发生倾斜时，依旧能稳定转速和自身的姿态，极大的提高了钻具的造斜能力。
-
公开(公告)号：CN115204046A
公开(公告)日：2022-10-18
申请号：CN202210835159.X
申请日：2022-07-15
Applicant: 常州大学
Abstract: 本发明公开了一种基于机器学习的卡钻预测的方法包括，收集相关测录井数据，并对所述测录井数据进行预处理；根据预处理结果筛选出与卡钻相关参数数据；基于卡钻相关参数数据，建立GA优化后的BP神经网络算法卡钻预测模型：利用卡钻预测模型进行预测，做出预警。本发明提出一种基于机器学习的卡钻预测的方法，采用了遗传算法优化后的神经网络算法来预测卡钻事故，利用了机器学习算法的可视化分析，使得管理人员能够在事故发生之前及时采取相对应的处理措施，降低风险，大大提高了钻井的安全性能。
-
公开(公告)号：CN116776717A
公开(公告)日：2023-09-19
申请号：CN202310536764.1
申请日：2023-05-12
Applicant: 常州大学
IPC: G06F30/27 , G06N3/126 , E21B44/00 , G06F111/06 , G06F111/04
Abstract: 本发明公开了基于改进NSGA‑III算法的钻井参数多目标动态优化方法，涉及大数据机器学习及石油工程安全技术领域，包括：收集钻进参数和约束条件，对收集的数进行预处理；根据收集的钻进参数和约束条件，建立待优化的模型以及动态约束模型；运用改进的NSGAIII算法对模型进行优化；对得到的非支配解集合进行验证和分析，确保所选的最优解符合实际应用要求。本发明提供的基于改进NSGA‑III算法的钻井参数多目标动态优化方法提高钻井效率和经济效益使得钻进过程更加高效和经济，降低钻井成本减少人工干预降低人力成本。提高钻井安全性和稳定性：能够充分考虑钻井过程中的安全和稳定性，具有较强的实用性和应用前景。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.014 seconds)
