ВВЕДЕНИЕ 3
ГЛАВА 1. ШУМОМЕТРИЯ И ПРОБЛЕМА НЕЖЕЛАТЕЛЬНЫХ ШУМОВ ДВИЖЕНИЯ ШУМОМЕРА ПО СКВАЖИНЕ 5
ГЛАВА 2. НЕКОТОРЫЕ СВЕДЕНИЯ ИЗ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ И ПРОБЛЕМЫ, СВЯЗАННЫЕ С ИХ ОБУЧЕНИЕМ 8
2.1 Строение и классификация нейронных сетей 8
2.2 Классификация нейронных сетей и их свойства 11
2.3 Топологии нейросетей 12
2.4 Обучение нейронных сетей 14
2.5 Переобучение сети 16
2.6 Пакетная нормализация 18
2.7 Автоэнкодеры 19
ГЛАВА 3. ПРОЕКТИРОВАНИЕ НЕЙРОСЕТЕВОГО ФИЛЬТРА ДЛЯ ПОДАВЛЕНИЯ ШУМОВ ДВИЖЕНИЯ ПО СКВАЖИНЕ 22
3.1 Создание обучающего множества 22
3.2 Архитектура нейросети 26
3.3 Обучение нейросети 27
3.4 Критерий качества фильтрации 29
ГЛАВА 4. ТЕСТИРОВАНИЕ НЕЙРОСЕТИ 30
4.1 Тестирование на скважинах из обучающей выборки 30
4.2 Тестирование на скважинах, не участвовавших в обучении 34
Выводы к 4 главе 35
ЗАКЛЮЧЕНИЕ 36
СПИСОК ЛИТЕРАТУРЫ 37
ПРИЛОЖЕНИЕ А. КОД ПРОГРАММЫ ДЛЯ ОБРАБОТКИ ДАННЫХ НА ЯЗЫКЕ PYTHON 39
ПРИЛОЖЕНИЕ Б. КОД ПРОГРАММЫ НА ЯЗЫКЕ PYTHON ДЛЯ ОБУЧЕНИЯ НЕЙРОСЕТИ 42
ПРИЛОЖЕНИЕ В. КОД ПРОГРАММЫ ДЛЯ ТЕСТИРОВАНИЯ НЕЙРОСЕТИ 44
В настоящее время диагностика скважин [1] стала важной и востребованной задачей, так как в мире есть много уже старых месторождений, из которых выход ресурса за многие годы сильно упал. Не менее важна диагностика и новых скважин. Один из методов диагностики скважин - спектральная шумометрия [2, 3, 4]. Он состоит в том, что в скважину погружают прибор и перемещают его по всей глубине скважины, измеряя уровни акустических шумов на разных частотах. При движении аппаратура создает паразитный шум (road noise), что создает трудности при её эксплуатации - приходится делать остановки и ждать, пока колебания прибора прекратятся и ненужный шум, создаваемый этими колебаниями, ослабнет. Остановки значительно замедляют процесс диагностики, и вследствие этого возникает задача фильтрации нежелательных акустических шумов при движении шумомера по скважине. Решение данной задачи позволило бы ускорить диагностику скважин за счет уменьшения количества остановок. Возможным решением является применение нейросети в качестве цифрового фильтра.
Искусственная нейронная сеть - это вычислительная структура, построенная по принципу организации и функционирования биологических нейронных сетей. Она представляет собой совокупность искусственных нейронов, особым образом связанных между собой и взаимодействующих.
Чтобы сеть могла выдать результат, её необходимо обучить. Процесс обучения состоит в том, чтобы подстроить внутренние параметры (веса) сети таким образом, чтобы получить желаемый результат, то есть нейронную сеть, имеющую способность к обобщению. Обучение может проводиться с учителем или без учителя.
Целью данной работы является построение нейросетевой системы, фильтрующей нежелательные шумы движения. Для этого решаются следующие задачи:
• Создание обучающей выборки.
• Выбор архитектуры нейросети.
• Обучение нейросети.
• Подбор параметров сети для получения лучшего результата.
• Тестирование нейросети.
В ходе исследования были обработаны первичные полевые данные по шумометрии, предоставленные компанией ТГТ и создана обучающая выборка, включающая в себя около 7000 векторов.
Также был построен нейросетевой фильтр с архитектурой автоэнкодера, осуществляющий подавление паразитных акустических шумов движения и выявление информативных шумов, соответствующих реальным процессам, происходящим вне скважины или внутри её. Кроме того, в результате экспериментов подобрана оптимальная архитектура нейросети для данной задачи: трехслойная сеть с 50 нейронами в первом и втором скрытом слоях с активациями arsh(x) и выходной слой с линейной активацией.
В процессе тестирования фильтра было выявлено, что вероятность ошибки 2 рода составляет около 16%. Также было выяснено, что ложное срабатывание приходится в среднем на 2500 метров.
Ведется работа по улучшению нейросетевого фильтра. Так как выборка не очень большая, планируется её расширять. Кроме того, возможно, что проблема кроется в недостаточной сложности (глубине) нейросети. В ходе экспериментов выяснилось, что логарифмический масштаб данных не совсем подходит для данной задачи и возможно стоит попробовать обучать нейросеть на оригинальных данных в линейных единицах. Ошибку также может вносить алгоритм поиска ближайшего по глубине спектра (формула 3.1).
Исходя из типичных скоростей движения прибора, специалисты компании оценили, что после доработки с помощью данного фильтра можно будет ускорить диагностику скважин примерно в 3 раза за счёт уменьшения количества
остановок .
