ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 5
ВВЕДЕНИЕ 6
1. ОБЗОР МЕТОДОВ АНАЛИЗА И ИНТЕРПРЕТАЦИИ ГЕОФИЗИЧЕСКИХ
АКУСТИЧЕСКИХ ДАННЫХ 8
1.1. Технология пассивной акустической шумометрии 8
1.2. Распространённые проблемы анализа и интерпретации данных шумометрии 13
1.3. Обзор методов автоматического распознавания акустических сигналов 17
1.4. Выводы к главе 1 22
2. ПОДГОТОВКА БАЗЫ ДАННЫХ. ПОДБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ 23
2.1. Предварительная подготовка базы данных 23
2.2. Расчёт признаков для распознавания 28
2.3. Сравнение и выбор признаков 33
2.4. Выводы к главе 2 35
3. СИСТЕМА РАСПОЗНАВАНИЯ ДАННЫХ ШУМОМЕТРИИ С
ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ ГЛУБОКОГО ОБУЧЕНИЯ 36
3.1. Обзор методов глубокого обучения 36
3.2. Выбор архитектуры нейронной сети 44
3.3. Обучение нейронной сети 47
3.4. Тестирование нейронной сети 49
3.5. Выводы к главе 3 57
4. ТЕСТИРОВАНИЕ СИСТЕМЫ НА ПРОМЫСЛОВЫХ ДАННЫХ 58
4.1. Обработка скважины №1 58
4.2. Обработка скважины №2 60
4.3. Выводы к главе 4 64
ЗАКЛЮЧЕНИЕ 65
СПИСОК ЛИТЕРАТУРЫ 66
ПРИЛОЖЕНИЕ 69
Приложение 1. Основы теории искусственных нейронных сетей 69
Приложение 2. Спектральные характеристики, используемые для распознавания акустических сигналов
При исследовании месторождений углеводородов полезную информацию содержат в себе акустические сигналы, регистрируемые прибором при движении жидкости или газа по пласту. С помощью спектрального анализа полученных сигналов стало возможным разделять сигналы от различных источников и определять местонахождение углеводородов, что легло в основу технологии спектральной шумометрии. Однако, существует проблема технических шумов, создаваемых при движении и вибрациях связки измерительных приборов. Данные шумы могут привести к потере или искажению полезных данных, и необходимо иметь качественный фильтр шумов данного типа.
Однако, помимо шумов непосредственно геофизической природы, существуют также шумы технического характера, образуемые при движении прибора вдоль скважины, а также при вибрации приборов в связке. И если в первом случае проблема была решена путём проведения записи акустических шумов на т.н. «стоянке» прибора (когда связка приборов неподвижна), то проблема стабилизации связки приборов после остановки до сих пор остаётся особенно острой для аналитиков. Ситуация усугубляется тем, что данный шум имеет высокую интенсивность и сложный спектральный состав, что не позволяет использовать простые спектральные фильтры для выделения полезного сигнала.
Текущий фильтр, применяемый специалистами и основанный на установленном пороге спектральной мощности, не справлялся со своей задачей должным образом. Учитывая это, а также принимая во внимание последние успехи исследователей в применении нейронных сетей глубокого обучения в задачах обработки аудиоданных, было решено создать алгоритм, с высокой точностью распознающий приборные шумы.
Таким образом, целью данной работы является усовершенствование существующей адаптивной системы распознавания, используемой при обработке акустических скважинных данных, на основе нейронных сетей глубокого обучения. Для достижения данной цели были определены следующие задачи:
• Подготовка базы данных с примерами различных шумов;
• Выбор и расчёт признаков для распознавания;
• Подбор архитектуры и обучение нейронной сети;
• Тестирование работы нейронной сети на скважинных и лабораторных данных.
В результате проделанной работы был модернизирован адаптивный программный комплекс распознавания акустических геофизических данных на основе алгоритма распознавания шумов стабилизации связки приборов (приборных шумов). Цель была достигнута путём выполнения следующих задач:
• Была собрана и подготовлена репрезентативная база данных акустических шумов, содержащая различные примеры шумов 2 классов: приборные и неприборные (все остальные);
• В ходе обзорного анализа для последующего обучения были выбраны и рассчитаны коэффициенты модели линейной авторегрессии;
• После подробного изучения архитектур глубокого обучения была выбрана архитектура автокодировщика, на основе которой была построена нейронная сеть глубокого обучения;
• Данная сеть была обучена на обучающей выборке и проверена на тестовой. На тестовой выборке ошибка распознавания 1-го рода составила 2% против 10% текущего распознавателя, ошибка 2-го рода - 7% против 29%. Построенный на основе распознавателя фильтр успешно обработал промысловые данные с 2 скважин, подавив приборные шумы и оставив полезный сигнал неискажённым.
На данный момент алгоритм находится на стадии коммерческого внедрения в нефтесервисной компании ООО «Сонограм».
Помощь студентам и аспирантам в выполнении работ от наших партнеров
