Тип работы:
 Предмет:
 Язык работы:


ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ АКУСТИЧЕСКИХ ДАННЫХ В ЗАДАЧАХ ГЕОФИЗИЧЕСКОГО ИССЛЕДОВАНИЯ СКВАЖИН

Работа №76404

Тип работы

Магистерская диссертация

Предмет

геология и минералогия

Объем работы64
Год сдачи2020
Стоимость5580 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
199
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 4
ГЛАВА 1. СКВАЖИННАЯ СПЕКТРАЛЬНАЯ ШУМОМЕТРИЯ 6
Физика возникновения акустических шумов 6
Методика скважинных исследований 7
Технические детали скважинных шумомеров 8
Интерпретация данных шумометрии 9
Приложения решений задачи классификации аудиосигналов 12
Применение в программно-аппаратных комплексах 12
Категоризация задач классификации аудиосигналов 14
Признаки для представления аудиосигналов 16
Модели распознавания и классификации аудиосигналов 22
Выводы к главе 1 27
ГЛАВА 2. РАЗРАБОТКА АВТОМАТИЧЕСКОЙ СИСТЕМЫ ОБРАБОТКИ ДАННЫХ СКВАЖИННОЙ СПЕКТРАЛЬНОЙ ШУМОМЕТРИИ 28
Создание базы данных записей акустических сигналов для фильтрации приборных шумов 28
Создание базы данных записей акустических сигналов для определения зон выноса мелкого песка 30
Выбор алгоритма для классификации акустических сигналов, содержащих приборные шумы 35
Разработка алгоритма распознавания акустических сигналов, вызванных соударениями частиц и элементов шумомеров 37
Выводы к главе 2 40
ГЛАВА 3. ПРИМЕНЕНИЕ АВТОМАТИЧЕСКОЙ СИСТЕМЫ
ОБРАБОТКИ ДАННЫХ СКВАЖИННОЙ ШУМОМЕТРИИ ДЛЯ
УДАЛЕНИЯ АКУСТИЧЕСКИХ ШУМОВ 41
Обработка акустических данных спектральной скважинной шумометрии
скважины №1 41
Обработка акустических данных спектральной скважинной шумометрии
скважины №2 44
Обработка акустических данных спектральной скважинной шумометрии
скважины №3 45
Сравнение качества работы алгоритмов автоматического удаления акустических шумов 49
Выводы к главе 3 52
ГЛАВА 4. ПРИМЕНЕНИЕ АВТОМАТИЧЕСКОЙ СИСТЕМЫ
ОБРАБОТКИ ДАННЫХ СКВАЖИННОЙ ШУМОМЕТРИИ ДЛЯ
ОПРЕДЕЛЕНИЯ ЗОН ВЫНОСА ПЕСКА 53
Тестирование на лабораторных данных 53
Тестирование на скважинных акустических данных 56
Выводы к главе 4 59
ЗАКЛЮЧЕНИЕ 60
СПИСОК ЛИТЕРАТУРЫ 62


Проведение качественного анализа состояния скважины при нефте- и газодобыче является задачей, актуальность которой только возрастает со временем. Постепенное исчерпание легкоизвлекаемых запасов углеводородов, а также наличие используемых скважин с большим сроком службы приводит к необходимости тщательного мониторинга состояния насосно-компрессорной трубы(НКТ) и обсадных колонн. Одним из важных и эффективных методов исследования является спектральная скважинная шумометрия, использующая акустические данные для анализа скважинных процессов. Параметры акустического шума, возникающего при движении флюида по пласту или скважине, определяются как его типом, так и окружающей средой. Наиболее удобной формой для анализа и визуализации сигнала является его частотное представление, позволяющее проводить идентификацию источников акустических шумов на основе спектров. Так, широкополосные локализованные по глубине шумы могут соответствовать как зонам активной работы пласта, так и участкам скважины с дефектами; спектральные особенности, локализованные в области низких частот, соответствуют турбулентным шумам от потока транспортируемого газа или жидкости.
Среди шумов геофизической или технической природы могут также содержаться посторонние шумы, вызванные соударениями приборной связки с элементами конструкции скважины, например, с НКТ, а также с посторонними частицами, такими как, мелкие песчинки, пропант и пузырьки газа. Подобные соударения создают акустические шумы, способные помешать корректному анализу состояния скважины. Текущие алгоритмы, используемые для решения подобных задач, либо не показывают достаточно высокого качества работы в отдельных случаях, либо не обладают достаточно широким функционалом, способным помочь в распознавании посторонних шумов. Таким образом, создание подобной системы остаётся актуальной задачей.
Целью данной работы является разработка интеллектуальной системы для обработки и интерпретации акустических данных, которая способна обнаруживать моменты соударения приборной связки и элементов конструкции скважины и определять зоны выноса мелкого песка. Для достижения поставленной цели требуется решить следующие задачи:
1. Провести обзор текущих методов по обработке акустических сигналов различной природы;
2. Собрать и предобработать акустические данные, вызванные соударениями приборной связки с элементами конструкции скважины или частицами песка;
3. Разработать алгоритмы, способные решать задачи определения моментов соударения приборной связки с элементами конструкции скважины и детекции зон выноса мелкого песка по отдельности;
4. Провести проверку качества работы разработанных и обученных алгоритмов на отложенных лабораторных и реальных акустических данных.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

В работе рассмотрен метод качественного анализа состояния скважин на основе интерпретации характеристик акустических сигналов - скважинная спектральная шумометрия. Рассмотрены принципы и методика проводимых исследований скважин; возможные варианты интерпретации записанных прибором акустических данных. Показано, что ручной анализ акустических сигналов, получаемых в ходе исследования, остаётся непростой задачей, в решении которой способна помочь интеллектуальная система для обработки и интерпретации акустических данных.
Для создания подобной системы проведен обзор существующих способов представления акустических сигналов для дальнейшей обработки. Также, приведён краткий обзор существующих алгоритмов, способных самостоятельно находить закономерности в данных и участвовать в построении выводов на основе новых данных. В качестве информативных представлений были выбраны сами акустические сигналы в исходной форме и спектрограммы.
Для решения задачи автоматической интерпретации акустических данных была создана обучаемая система, включающая в себя 2 алгоритма, предназначенных для распознавания и фильтрации приборных шумов и детектирования зон выноса мелкого песка. Для каждого алгоритма были собраны и предобработаны соответствующие акустические данные, содержащие в себе примеры сигналов требуемой природы, которые далее были использованы для обучения и тестирования.
На основе подготовленных данных было проведено обучение обеих систем. На отложенных данных была проведена оценка качества работы систем. Алгоритм, предназначенный для удаления шумов, вызванных соударениям приборной связки об элементы конструкции, показал более низкое качество работы относительно уже используемого алгоритма. Однако, его можно использовать в качестве индикатора областей, в которых «полезные»
акустические данные оказались зашумлены. Предыдущий алгоритм фильтрации
60
не имеет возможности предоставить подобную информацию и, следовательно, не может быть использован в качестве индикаторной системы.
Алгоритм, предназначенный для определения зон выноса мелкого песка, продемонстрировал высокое качество работы как на лабораторных данных, так и на реальных скважинных. Разработанная модель способна достаточно точно обнаруживать интервалы, в которых происходит вынос песка. Её качественное отличие от предыдущих подобных моделей состоит в способности обнаруживать зоны выноса песка размером менее 100 микрон, что подтверждается результатами гранулометрического анализа.



1. Hinze J. 0.(1959) Turbulence: An introduction to its mechanism and theory //McGraw-I-I111. - 1959.
2. Николаев С. А., Овчинников М. Н. Генерация звука фильтрационным потоком в пористых средах //Акустический журнал. - 1992. - Т. 38. - №. 1. - С. 114-118.
3. Сковородников И. Г. Геофизические исследования скважин: Учебное пособие. 3-е изд., перераб. и доп. //Екатеринбург: Институт испытаний. - 2009.
4. Асланян А. М. и др. Диагностика заколонных перетоков газа комплексом высокоточной термометрии, спектральной шумометрии и импульсного нейтрон- нейтронного каротажа //Территория «НЕФТЕГАЗ». - 2016. - №. 6. - С. 52-59.
5. Заславский Ю. М. К теории акустической эмиссии при фильтрации газа частично флюидонасыщенной средой //Техническая акустика. - 2005. - Т. 5. - №. 5.
6. Wang Y. et al. Study of displacement efficiency and flow behavior of foamed gel in non-homogeneous porous media //PloS one. - 2015. - Т. 10. - №. 6.
7. Makhoul J. A fast cosine transform in one and two dimensions //IEEE Transactions on Acoustics, Speech, and Signal Processing. - 1980. - Т. 28. - №. 1. -
С. 27-34.
8. Gemmeke J. F. et al. Audio set: An ontology and human-labeled dataset for audio events //2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - IEEE, 2017. - С. 776-780.
9. Gerhard D. Audio signal classification: History and current techniques. - Department of Computer Science, University of Regina, 2003.
10. Szeliski R. Computer vision: algorithms and applications. - Springer Science & Business Media, 2010.
11. Purwins H. et al. Deep learning for audio signal processing //IEEE Journal of Selected Topics in Signal Processing. - 2019. - Т. 13. - №. 2. - С. 206-219.
12. Kim D. S. et al. Feature extraction based on zero-crossings with peak amplitudes for robust speech recognition in noisy environments //1996 IEEE International Conference on Acoustics, Speech, and Signal Processing Conference Proceedings. - IEEE, 1996. - Т. 1. - С. 61-64.
13. McKinney M., Breebaart J. Features for audio and music classification. - 2003.
14. Mitrovic D., Zeppelzauer M., Breiteneder C. Features for content-based audio retrieval //Advances in computers. - Elsevier, 2010. - Т. 78. - С. 71-150.
15. Mitrovic D., Zeppelzauer M., Breiteneder C. Discrimination and retrieval of animal sounds //2006 12th International Multi-Media Modelling Conference. - IEEE,
2006. - С. 5 pp.
16. Elder J. H., Goldberg R. M. Image editing in the contour domain //Proceedings. 1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No. 98CB36231). - IEEE, 1998. - С. 374-381.
17. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks //Advances in neural information processing systems. -
2012. - С. 1097-1105.
18. Bahoura M., Ezzaidi H. Implementation of spectral subtraction method on FPGA using high-level programming tool //2012 24th International Conference on Microelectronics (ICM). - IEEE, 2012. - С. 1-4.
19. Sinha S. N. et al. Interactive 3D architectural modeling from unordered photo collections //ACM Transactions on Graphics (TOG). - 2008. - Т. 27. - №. 5. - С. 1¬
10.
20. Muller M. Fundamentals of music processing: Audio, analysis, algorithms, applications. - Springer, 2015.
21. Brown M., Szeliski R., Winder S. Multi-image matching using multi-scale oriented patches //2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). - IEEE, 2005. - Т. 1. - С. 510-517.
22. Matas J. et al. Robust wide-baseline stereo from maximally stable extremal regions //Image and vision computing. - 2004. - Т. 22. - №. 10. - С. 761-767.
23. He K. et al. Deep residual learning for image recognition //Proceedings of the IEEE conference on computer vision and pattern recognition. - 2016. - С. 770-778.
24. Xie S. et al. Aggregated residual transformations for deep neural networks //Proceedings of the IEEE conference on computer vision and pattern recognition. -
2017. - С. 1492-1500.
25. Zagoruyko S., Komodakis N. Wide residual networks //arXiv preprint arXiv:1605.07146. - 2016.
26. Zoph B. et al. Learning transferable architectures for scalable image recognition //Proceedings of the IEEE conference on computer vision and pattern recognition. -
2018. - С. 8697-8710.
27. Tan M., Le Q. V. EfficientNet: Rethinking model scaling for convolutional neural networks //arXiv preprint arXiv: 1905.11946. - 2019.
28. Ma N. et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design //Proceedings of the European Conference on Computer Vision (ECCV). - 2018. - С. 116-131.
29. Lee J. et al. Raw waveform-based audio classification using sample-level cnn architectures //arXiv preprint arXiv: 1712.00866. - 2017.
30. Dai W. et al. Very deep convolutional neural networks for raw waveforms //2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).
- IEEE, 2017. - С. 421-425.
31. Lin M., Chen Q., Yan S. Network in network //arXiv preprint arXiv: 1312.4400.
- 2013
32. Kingma D. P., Ba J. Adam: a method for stochastic optimization. CoRR abs/1412.6980 (2014). - 2014.

Работу высылаем на протяжении 30 минут после оплаты.



Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (149688)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.