An Early Warning Method Based on Artificial Intelligence for Wax Deposition in Rod Pumping Wells
-
摘要:
针对依靠现场经验确定的清蜡周期不准确而导致蜡卡躺井的问题,开展了基于人工智能的抽油机井结蜡预警方法研究。利用皮尔逊相关系数分析方法,分析了17项油井自动采集参数与结蜡程度的关联性,确定了7项主控参数,创建了结蜡预警规则模型;将7项主控参数的合并指标进行归一化处理得到结蜡综合特征指标(WPSC),并利用结蜡预警规则模型产生的样本数据建立了结蜡井WPSC样本集,选用长短时记忆神经网络(LSTM)对样本集进行训练,得到了WPSC机器学习模型,用其可以定量预测抽油机井的结蜡程度。该方法在胜利油田桩23区块的现场应用结果表明,油井清蜡周期得到延长,且有效避免了蜡卡躺井。研究结果表明,基于人工智能的抽油机井结蜡预警方法实现了油井结蜡程度的定量化预测与预警,对精准确定清蜡时机具有较好的指导作用。
Abstract:The timing of wax clearance is usually determined in the field by observations, which is inaccurate and may cause wells to fail due to wax locking. To solve this problem, a wax deposition early warning method based on artificial intelligence for rod pumping wells has been developed. The Pearson correlation coefficient analysis method is used to conduct correlation analysis between 17 points of data automatically acquired by oil well condition and degree of wax deposition, and seven main control parameters are determined. A wax deposition early warning rule protocol was established on this basis. The wax deposition synthetic characteristics (WPSC) index was obtained by normalizing the merged indexes of seven main control parameters, and the WPSC sample set of wells with paraffin problems was established by using the sample data generated by the wax deposition early warning rule model. Long-term and short-term memory (LSTM) neural networks were selected to train the sample set, and the machine learning model of WPSC is obtained, which could quantitatively predict the degree of wax deposition in the rod pumping wells. The field trial of this method in Block Zhuang 23 of the Shengli Oilfield showed that by using this method, the wax clearance timing as prolonged and the wax locking in failed wells was effectively avoided. Research results showed that the wax deposition early warning method based on artificial intelligence for rod pumping wells achieves quantitative prediction and provides effective early warning on the wax deposition degree in oil wells, and could be used as an effective guide in precise the selection of wax clearance timing.
-
随着钻井科学和能源需求的快速发展,地热储层钻井特别是高温岩体地热资源井的钻探越来越受到人们的重视,井底高温甚至超高温地热系统是钻井作业不可避免的难题[1–3]。地热资源储层岩石多为花岗岩,受高温高地应力影响,干热岩层岩性坚硬,强度高、破碎难度大,井底环境温度变化导致花岗岩的岩石力学特性发生改变,是地热资源高效开发的一大技术难点[4–6]。顾晓伟等人[4,7]研究了花岗岩高温热处理后的孔隙率、渗透率和波速等物理性质,发现随着温度升高,花岗岩的孔隙率、渗透率不断增大。赵亚永等人[8–10]利用单轴抗压实验分析了花岗岩的强度、峰值应变和弹性模量等力学参数随温度的变化规律,探明了脆性岩石裂缝以最大周向拉应力准则和摩尔库伦准则的扩展规律。Huang Yanhua等人[11–13]通过高温后花岗岩的声发射实验分析了花岗岩纵、横波的波速特征,结果表明超声波波幅随温度升高而降低。Li Shujian等人[14]通过对岩石的热应力进行非线性分析,研究了温度升高时花岗岩的破坏模式,结果表明花岗岩由低温条件下的脆性破坏逐渐转化为高温条件下的韧性破坏。Yang Shengqi等人[15–16]对花岗岩高温断裂韧性的温度效应进行了探讨,研究表明花岗岩的断裂韧性随着温度升高存在阈值,温度小于该阈值时,断裂韧性随温度的升高而增大;温度大于该阈值时,断裂韧性逐渐降低。崔翰博等人[17–18]研究了花岗岩力学参数在加温过程中和高温冷却过程中随温度的变化规律,发现加温过程中花岗岩力学参数降低幅度比高温冷却过程中更显著。杨敏等人[19–20]研究了花岗岩在温度影响下从弹脆性向弹塑性转变的过程,并建立了花岗岩的弹塑性损伤本构模型,预测了不同围压条件下高温自然冷却过程中花岗岩的力学行为。不同冷却方式及温度条件下花岗岩的声波测试实验报道较少,岩石动态力学特性研究不全面。基于此,笔者采用声波实验和单轴抗压实验,分析了不同高温条件及冷却方式下花岗岩的力学特性,研究了花岗岩的纵横波波速、弹性模量和泊松比等力学参数随温度的变化规律,为干热岩储层岩石的安全高效钻进提供了参考依据。
1. 岩样声波与力学实验方法
1.1 岩样的制备
为减小试样不均匀导致的离散性误差,实验采用的试样取自同一花岗岩块体。将花岗岩加工为直径25 mm、高度50 mm的标准岩样,岩样表面经打磨和抛光处理,选择表面没有明显缺陷且平整度和粗糙度分别小于10和3 μm的岩样进行实验。
1.2 实验方法
为确保实验数据的准确性和实验的可重复性,最大限度地减小实验误差,实验过程中的温度条件为包括室温在内的9个温度,每个温度进行6组实验,岩样烘干并静置2 d后,分别测量实验前后岩样的直径、长度和质量,计算其密度,取各组岩样计算参数的平均值。
将花岗岩岩样以一定的升温速率(10 ℃/min)加热至实验设定温度(100~800 ℃),并保温2 h,使高温条件下岩样内部的热应力充分均匀分布。自然冷却采用随炉冷却的方式使试样与高温加热炉一起冷却至室温;水冷方式为将加热后的试件置于冷水中,待水温恢复至室温,取出岩样并烘干。
采用HKN-B型纵横波测试仪进行声波动态力学实验(见图1)。首先,将热处理后的岩样擦拭干净,在传感器与岩样间涂抹耦合剂,达到润滑和有助于声波传导的作用;然后,利用换能器发射超声波,用另一个换能器接受声波,记录实验数据。室内声波实验可以测量岩样的纵、横波波速,根据弹性波传播理论原理可以计算岩样的动态弹性模量、动态泊松比、剪切模量、体积模量等力学参数。
采用万能实验机进行单轴抗压力学实验,该实验机可加载的最大轴向载荷达100 kN,应变的测量精度小于0.005%。测试前核对岩样编号,并对其表面喷涂黑色油漆,使图像显示更方便。花岗岩岩样放到压缩机承压板中心,调整岩样使压缩机与岩样对齐贴合,保证其受力均匀。实验过程中以0.5 MPa/s的轴向加载速度对岩样加载,直到岩样破坏,记录破坏载荷及岩样的破坏形态。
2. 花岗岩物性参数的变化分析
2.1 温度对花岗岩形态的影响
实验过程中,加热后进行自然冷却的花岗岩岩样发出清脆的响声,而遇水冷却花岗岩岩样的表面呈现出微裂隙。加热至不同温度及采用自然冷却和水冷却处理后的花岗岩岩样如图2所示。可以看出,加热至不同温度(100~800 ℃)及采用不同冷却方式的岩样,其表面形态发生了变化。100~200 ℃条件下,不同冷却方式冷却后与自然状态下的岩样外观颜色差异较小,整体呈灰白色,并伴有黑色斑点;加热至300 ℃时,岩样表面部分区域呈土黄色;加热至400~500 ℃时,岩样的颜色没有很大变化;加热至600 ℃时,岩样局部呈土黄色;加热至700~800 ℃时,岩样从灰白色向白色转化。由岩样的外观形态可知,高温使岩样发生软化,且水冷却比自然冷却更会加剧软化。
2.2 冷却方式对花岗岩物性参数的影响
将花岗岩岩样加热至不同温度及采用不同冷却方式冷却烘干后,根据质量损失量、体积增量和密度增量等参数,分析花岗岩质量、体积和密度等物性参数的变化情况。根据上述实验,将加热至100~800 ℃花岗岩岩样分别采用自然冷却和水冷却,测试其物性参数变化,结果如图3所示。
由图3可知,温度对花岗岩的质量、体积和密度影响显著。从100 ℃加热至800 ℃过程中,花岗岩的物性参数变化可分为3个阶段:第一阶段为100~300 ℃,该阶段内花岗岩的密度增量较小,整体结构几乎不发生变化;第二阶段为300~600 ℃,自由水的逸出导致质量损失,且花岗岩的非均质连续体内部颗粒的热膨胀差异导致其变形不协调,从而产生热应力,使其物性参数发生改变;第三阶段为600~800 ℃,花岗岩的密度逐渐增大,且增速逐渐提高。温度升高,花岗岩内部的石英颗粒转变为鳞石英,微裂纹从内向外延伸,但其表面未形成宏观裂缝;水冷却过程中,岩样的温度迅速降低,热应力短时间内急剧变化,产生大量裂纹,使其质量损失量和体积增量显著变化。
3. 花岗岩力学参数实验结果分析
3.1 声波实验结果分析
3.1.1 温度和冷却方式对花岗岩波速的影响
采用不同冷却方式冷却后,花岗岩岩样的纵、横波波速随温度的变化特征如图4所示。
从图4可以看出,花岗岩的波速特征受冷却方式影响存在阈值,该阈值温度为300 ℃。温度低于阈值温度时,花岗岩纵、横波波速变化较小,超过阈值温度后,波速特征显著降低;加热至600 ℃时,2种冷却方式下花岗岩纵、横波波速差值达到最大;温度大于700 ℃时,冷却方式对于花岗岩纵、横波波速的影响减小,纵横波波速差减小。此外,当温度超过阈值温度时,自然冷却条件下花岗岩纵、横波波速特征随温度升高呈线性降低的趋势;水冷却条件下,温度高于600 ℃时,花岗岩的波速特征降低趋势逐渐减小。
加热至100~200 ℃时,温度引起花岗岩岩样热膨胀,使其内部原始微裂纹和微孔隙闭合,致密程度提高,纵、横波波速小幅升高;温度进一步提高,形成热损伤破坏,产生裂隙并进一步形成裂缝,其内部水分向外渗透,裂缝数量增多,花岗岩岩样的孔隙体积增大,波速降低。从岩石矿物成分的角度分析认为,不同矿物成分的热膨胀率不同,受温度的影响,不同矿物成分发生膨胀会有新的裂缝产生,进一步阻碍了声波的传播。因此,随着温度升高,花岗岩的纵、横波波速均呈降低的趋势。
3.1.2 温度和冷却方式对花岗岩力学参数的影响
根据声波实验原理[21–22],利用纵、横波波速计算不同方式冷却后花岗岩岩样的弹性模量、剪切模量、体积模量和泊松比等力学参数,结果如图5所示。
由图5可知,不同温度及冷却方式冷却后,花岗岩的弹性模量、泊松比、体积模量和剪切模量等力学参数随着温度升高均呈现出降低的趋势,且其变化规律具有较好的相似性。自然冷却和水冷却2种冷却方式下花岗岩的力学参数在100~300 ℃内没有明显的变化;温度为300 ℃时,冷却方式对花岗岩力学参数的影响显著,水冷却比自然冷却状态下低,平均降幅约为13%;温度为400 ℃时,花岗岩的力学参数出现明显的变化;温度600 ℃时,2种冷却方式下花岗岩力学参数的差距最大;温度为700~800 ℃时,冷却方式对花岗岩力学参数的影响降低。
3.2 单轴抗压实验结果分析
3.2.1 温度对抗压强度的影响
利用万能力学实验机对经不同温度处理后的花岗岩岩样进行力学实验,观察花岗岩岩样的破坏形态,并记录其应力−应变曲线,获得其抗压强度等力学参数。室温状态下花岗岩一般具有较好的脆性特征,而经过加热处理后,随温度升高花岗岩逐渐从脆性破坏转向为延性破坏。不同温度和冷却方式处理后花岗岩岩样的宏观破坏形态如图6所示。
从图6可以看出,花岗岩岩样加热至100~300 ℃时,破坏形态主要表现为轴向拉剪破裂,失稳形式为突发失稳;300~600 ℃为斜向剪切破裂,失稳形式为突发失稳;700~800 ℃为锥形横向破裂,失稳形式为准突发失稳。由此可以看出,随着温度升高,花岗岩岩样的破坏形式分为轴向拉剪破裂、斜向剪切破裂和锥形横向破裂。水冷却后,温度为300 ℃时花岗岩岩样开始出现斜向剪切破裂的形式,400 ℃之后的破坏程度比自然冷却更显著,可以看出与自然冷却相比,水冷却下花岗岩岩样的破坏方式和失稳形式都有所提前。
花岗岩的抗压强度随加热温度的变化规律如图7所示。从图7可以看出,随着温度升高,花岗岩的抗压强度逐渐降低,主要是因为花岗岩内部的初始含水率受温度影响不断向外渗透,导致产生更多的微小裂缝。
此外,由于花岗岩是由不同矿物组成的非均质体,不同矿物成分的热膨胀率不同,在温度的影响下发生不同程度的膨胀,导致裂缝数量增多,使其抗压强度降低,且温度越高,降幅越显著。水冷却后花岗岩的抗压强度整体低于自然冷却。温度400 ℃时,花岗岩岩样的抗压强度开始剧烈降低;温度600 ℃时,2种冷却方式下花岗岩岩样的抗压强度差异达到最大;温度700~800 ℃时,变化减小。
3.2.2 冷却方式对岩石应力−应变特性的影响
自然冷却和水冷却后花岗岩的应力−应变曲线如图8所示。该曲线可分为4个阶段:1)压密阶段。随着载荷增加,花岗岩内的微孔隙或微裂缝被压密,且温度越高,孔隙或裂缝数量越大,抗压实验过程中的应变幅度越大。2)弹性变形阶段。曲线近似呈线性增长,应力−应变呈比例变化;随着温度升高,花岗岩的应力−应变曲线弹性变形阶段的斜率逐渐减小,线弹性模量减小。3)屈服阶段。此阶段裂缝快速扩展,逐渐破碎,且温度越高,屈服变形阶段持续时间越长,抗压强度越低,表现出延性特征。4)卸荷阶段。形成剪切滑移破坏,且温度越高,破坏趋势越显著。水冷却后花岗岩的抗压强度比自然冷却低,剪切滑移程度更明显。
由图8可知,随着温度升高,花岗岩的宏观破坏形态由脆性破坏转变为延性破坏特征,且温度越高,延性效果越显著。形成这一现象的主要原因是温度升高导致花岗岩内部的水分蒸发并向外渗流,使孔隙度增大,降低了岩石的强度,而其剪切滑移变形增大,导致延性效果增强。升温过程中,岩石内部不同矿物之间不均匀膨胀,使其内部发生裂纹的萌生、扩展并逐渐贯通;冷却过程中,由于内部残余应力作用,裂纹进一步发展,形成物理损伤。因此,在岩石压密过程中可以明显看出,加热后岩石压密阶段的占比逐步增大。
3.3 不同冷却方式下花岗岩强度与声波波速的关系
对加热后采用不同冷却方式处理后的花岗岩进行声波测试和单轴抗压力学实验,得到花岗岩纵横波波速与抗压强度之间的关系(见图9)。从图9可以看出,抗压强度与纵、横波波速之间呈S形变化趋势,随着温度升高,不同冷却方式下花岗岩的单轴抗压强度和纵、横波波速都呈现出逐渐降低的趋势,且降低幅度先增大后减小。
4. 结论与认识
1)自然冷却状态下花岗岩的力学特性参数随温度升高呈线性降低的趋势,而水冷却后的力学特性参数呈凹字形变化趋势。遇水冷却后,花岗岩的弹性模量、体积模量和剪切模量等力学参数比自然冷却状态下小,温度为100~300 ℃时,其力学参数相对平稳,温度为600 ℃时力学参数差异最大,温度700~800 ℃时力学参数变化幅度减小。
2)温度升高对花岗岩单轴抗压力学实验宏观破坏特征的影响显著,延性破坏特征逐渐凸显。温度为100~300 ℃时,花岗岩的破坏形态主要表现为轴向拉剪破裂;温度300~600 ℃时,表现为斜向剪切破裂破坏;温度700~800 ℃时,表现为锥形横向破裂,且水冷却下花岗岩的失稳形式比自然冷却下有所提前。
3)不同温度和冷却方式条件下,花岗岩的抗压强度与纵、横波波速呈S形变化趋势,波速增加,其抗压强度降低,且降低速率先增大后减小,可以根据花岗岩的声波波速特征来预测井底岩石的强度特征,为测井岩石力学性质表征提供参考依据。
-
表 1 300口典型结蜡井属性数据相关性分析结果
Table 1 Correlation analysis of attribute data of 300 typical paraffin troubled wells
属性 相关系数 D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 Z1 Z2 Z3 Z4 J1 J2 J3 D1 1.000 –0.875 0.872 0.983 0.89 0.213 –0.819 0.975 0.898 0.879 0.955 –0.963 0.982 0.919 0.241 0.016 0.167 D2 –0.875 1.000 –0.762 –0.602 0.835 0.192 –0.824 –0.819 0.773 0.878 –0.829 0.821 –0.896 –0.748 0.169 0.071 0.172 D3 0.872 –0.762 1.000 0.886 0.891 0.663 –0.838 0.837 0.861 0.859 0.819 –0.823 0.869 0.804 0.321 0.021 0.116 D4 0.983 –0.602 0.886 1.000 0.892 0.812 –0.826 0.915 0.873 0.843 0.912 –0.917 0.962 0.943 0.371 0.018 0.132 D5 0.890 0.835 0.891 0.892 1.000 0.289 0.296 0.865 0.832 0.867 0.893 0.712 0.871 0.861 0.126 0.031 0.128 D6 0.213 0.192 0.663 0.812 0.289 1.000 0.278 0.263 0.389 0.363 0.219 0.132 0.267 0.389 0.131 0.021 0.127 D7 –0.819 –0.824 –0.838 –0.826 0.296 0.278 1.000 0.302 –0.886 –0.872 –0.761 –0.781 –0.769 –0.732 0.191 0.032 0.139 D8 0.975 –0.819 0.837 0.915 0.865 0.263 0.302 1.000 0.832 0.859 0.972 –0.959 0.971 0.929 0.221 0.036 0.137 D9 0.898 0.773 0.861 0.873 0.832 0.389 –0.886 0.832 1.000 0.886 0.781 0.486 0.792 0.625 0.132 0.042 0.069 D10 0.879 0.878 0.859 0.843 0.867 0.363 –0.872 0.859 0.886 1.000 0.812 0.638 0.831 0.781 0.256 0.062 0.136 Z1 0.955 –0.829 0.819 0.912 0.893 0.219 –0.761 0.972 0.781 0.812 1.000 –0.992 0.996 0.965 0.269 0.026 0.113 Z2 –0.963 0.821 –0.823 –0.917 0.712 0.132 –0.781 –0.959 0.486 0.638 –0.992 1.000 –0.986 –0.958 0.189 0.032 0.142 Z3 0.982 –0.896 0.869 0.962 0.871 0.267 –0.769 0.971 0.792 0.831 0.996 –0.986 1.000 0.993 0.306 0.019 0.201 Z4 0.919 –0.748 0.804 0.943 0.861 0.389 –0.732 0.929 0.625 0.781 0.965 –0.958 0.993 1.000 0.025 0.066 0.139 J1 0.241 0.169 0.321 0.371 0.126 0.131 0.191 0.221 0.132 0.256 0.269 0.189 0.306 0.025 1.000 0.021 0.136 J2 0.016 0.071 0.021 0.018 0.031 0.021 0.032 0.036 0.042 0.062 0.026 0.032 0.019 0.066 0.021 1.000 0.132 J3 0.167 0.172 0.116 0.132 0.128 0.127 0.139 0.137 0.069 0.136 0.113 0.142 0.201 0.139 0.136 0.132 1.000 注:D1为上行电流;D2为下行电流;D3为A项电流;D4为A项平均电流;D5为耗电量;D6为AB项电压;D7为功率因数;D8为周期内有功功率平均值;D9为无功功率;D10为周期内无功功率平均值;Z1为最大载荷;Z2为最小载荷;Z3为载荷差;Z4为功图面积;J1为井口回压;J2为井口套压;J3为井口温度。 -
[1] 钟张起, 侯读杰, 王建飞, 等. 抽油机井结蜡定量化分析新技术[J]. 石油机械, 2014, 42(5): 68–71. doi: 10.3969/j.issn.1001-4578.2014.05.015 ZHONG Zhangqi, HOU Doujie, WANG Jianfei, et al. Quantitative analysis of paraffinning in rod pumped well[J]. China Petroleum Machinery, 2014, 42(5): 68–71. doi: 10.3969/j.issn.1001-4578.2014.05.015
[2] 邢敦通, 张金元. 原油结蜡规律及清防蜡工艺的研究[J]. 石化技术, 2017, 24(2): 15–22. doi: 10.3969/j.issn.1006-0235.2017.02.013 XING Duntong, ZHANG Jinyuan. Rules of wax deposit in crude oil and wax removal[J]. Petrochemical Industry Technology, 2017, 24(2): 15–22. doi: 10.3969/j.issn.1006-0235.2017.02.013
[3] 宋君. 油井结蜡影响因素及防蜡技术研究[J]. 当代化工, 2015(1): 78–79, 82. doi: 10.3969/j.issn.1671-0460.2015.01.027 SONG Jun. Research on factors influencing oil well paraffin deposit and paraffin control technology[J]. Contemporary Chemical Indu-stry, 2015(1): 78–79, 82. doi: 10.3969/j.issn.1671-0460.2015.01.027
[4] 郝世彦, 樊平天, 张新涛. 油井远程监控与计量技术在延长油田的应用[J]. 石油钻探技术, 2010, 38(2): 84–87. doi: 10.3969/j.issn.1001-0890.2010.02.020 HAO Shiyan, FAN Pingtian, ZHANG Xintao. Application of remote well monitoring and measurement technique in Yanchang Oilfield[J]. Petroleum Drilling Techniques, 2010, 38(2): 84–87. doi: 10.3969/j.issn.1001-0890.2010.02.020
[5] 段友祥, 李钰, 孙歧峰, 等. 改进的Alexnet模型及在油井示功图分类中的应用[J]. 计算机应用与软件, 2018, 35(7): 226–230, 272. doi: 10.3969/j.issn.1000-386x.2018.07.041 DUAN Youxiang, LI Yu, SUN Qifeng, et al. Improved alexnet model and using in dynamometer card classification[J]. Computer Applications and Software, 2018, 35(7): 226–230, 272. doi: 10.3969/j.issn.1000-386x.2018.07.041
[6] 焦春晶. 油井生产状态智能识别及辅助决策系统的研究[J]. 石油知识, 2019(2): 36–37. JIAO Chunjing. Research on intelligent recognition and assistant decision-making system of oil well production state[J]. Petroleum Knowledge, 2019(2): 36–37.
[7] 张春琳, 唐道临, 孙成. 基于模式识别技术的油井工况诊断[J]. 现代计算机, 2018(27): 65–68, 100. doi: 10.3969/j.issn.1007-1423.2018.27.013 ZHANG Chunlin, TANG Daolin, SUN Cheng. Diagnosis of oil well condition based on pattern recognition technology[J]. Modern Computer, 2018(27): 65–68, 100. doi: 10.3969/j.issn.1007-1423.2018.27.013
[8] 赵可新, 马晓辉, 马彦芬, 等. 人工神经网络在油井故障诊断中的优化[J]. 煤炭技术, 2011, 30(5): 196–198. ZHAO Kexin, MA Xiaohui, MA Yanfen, et al. Optimization of ANN in fault diagnosis of oil wells[J]. Coal Technology, 2011, 30(5): 196–198.
[9] MANSHAD A K, ROSTAMI H. Prediction of wax precipitation in crude oil systems using gaussian processes[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2015, 37(1): 84–91. doi: 10.1080/15567036.2011.578109
[10] MANSHAD A K, ASHOORI S, MANSHAD M K, et al. The prediction of wax precipitation by neural network and genetic algorithm and comparison with a multisolid model in crude oil systems[J]. Petroleum Science and Technology, 2012, 30(13): 1369–1378. doi: 10.1080/10916466.2010.499403
[11] 李华, 刘帅, 李茂, 等. 数据挖掘理论及应用研究[J]. 断块油气田, 2010, 17(1): 88–91. LI Hua, LIU Shuai, LI Mao, et al. Theory and application of data mining[J]. Fault-Block Oil & Gas Field, 2010, 17(1): 88–91.
[12] 王光宏, 蒋平. 数据挖掘综述[J]. 同济大学学报(自然科学版), 2004, 32(2): 246–252. doi: 10.3321/j.issn:0253-374X.2004.02.023 WANG Guanghong, JIANG Ping. Survey of data mining[J]. Journal of Tongji University(Natural Science), 2004, 32(2): 246–252. doi: 10.3321/j.issn:0253-374X.2004.02.023
[13] 薛茹. 数据挖掘技术在油田中的应用[J]. 微型电脑应用, 2018, 34(5): 26–28. doi: 10.3969/j.issn.1007-757X.2018.05.008 XUE Ru. Application of data mining technology in oilfield[J]. Mi-crocomputer Applications, 2018, 34(5): 26–28. doi: 10.3969/j.issn.1007-757X.2018.05.008
[14] 郭学增. 钻井工程人工智能十年谈[J]. 石油钻探技术, 1999, 27(5): 25–26. doi: 10.3969/j.issn.1001-0890.1999.05.008 GUO Xuezeng. Review of ten years’ development of artificial intel-ligence in drilling engineering[J]. Petroleum Drilling Techniques, 1999, 27(5): 25–26. doi: 10.3969/j.issn.1001-0890.1999.05.008
[15] 王小龙. 浅析人工智能在油气行业中的应用[J]. 现代信息科技, 2017, 1(2): 117–119. doi: 10.3969/j.issn.2096-4706.2017.02.049 WANG Xiaolong. Application of artificial intelligence in oil and gas industry[J]. Modern Information Technology, 2017, 1(2): 117–119. doi: 10.3969/j.issn.2096-4706.2017.02.049
[16] 孙志远, 鲁成祥, 史忠植, 等. 深度学习研究与进展[J]. 计算机科学, 2016, 43(2): 1–8. doi: 10.11896/j.issn.1002-137X.2016.02.001 SUN Zhiyuan, LU Chengxiang, SHI Zhongzhi, et al. Research and advances on deep learning[J]. Computer Science, 2016, 43(2): 1–8. doi: 10.11896/j.issn.1002-137X.2016.02.001
[17] 余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9): 1799–1804. doi: 10.7544/issn1000-1239.2013.20131180 YU Kai, JIA Lei, CHEN Yuqiang, et al. Deep learning: yesterday, today, and tomorrow[J]. Journal of Computer Research and Deve-lopment, 2013, 50(9): 1799–1804. doi: 10.7544/issn1000-1239.2013.20131180
[18] 俞祝良. 人工智能技术发展概述[J]. 南京信息工程大学学报(自然科学版), 2017, 9(3): 297–304. YU Zhuliang. Review of progress on artificial intelligence[J]. Journal of Nanjing University of Information Science & Tech-nology(Natural Science Edition), 2017, 9(3): 297–304.
[19] 李泽龙, 杨春节, 刘文辉, 等. 基于LSTM-RNN模型的铁水硅含量预测[J]. 化工学报, 2018, 69(3): 992–997. LI Zelong, YANG Chunjie, LIU Wenhui, et al. Research on hot metal Si-content prediction based on LSTM-RNN[J]. CIESC Journal, 2018, 69(3): 992–997.
[20] 倪铮, 文韬. 一种基于CNN和RNN深度神经网络的天气预测模型:以北京地区雷暴的6小时临近预报为例[J]. 数值计算与计算机应用, 2018, 39(4): 299–309. NI Zheng, WEN Tao. A weather prediction model based on CNN and RNN deep neural network: an example is the 6 hour forecast of thunderstorm in Beijing[J]. Journal on Numerical Methods and Computer Applications, 2018, 39(4): 299–309.
-
期刊类型引用(1)
1. 王彪,李军,杨宏伟,詹家豪,张更,龙震宇. 基于工程参数变化趋势的溢流早期智能检测方法. 石油钻探技术. 2024(05): 145-153 . 本站查看
其他类型引用(0)