闭环钻井由地面向井下通讯的一种实现方法

认为井眼轨迹井下闭环控制的地质导向钻井技术是集钻井、机械、电子、微电子、传感器、控制等技术于一体的高科技工程项目 ;井下闭环控制必需双向通讯通道 ,从井下到地面的上行通道已有现成的商品 ( MWD) ,而从地面向井下通讯的下行通道却无成熟的商品 .研究探讨下行通道的实现一种方法 :在地面按一定的规律对钻柱施加激励 ,井下检测激励造成的响应 ,通过一定的编、解码处理 ,即构成下行信号 .室内与油田试验证明 ,这种方法在正常的井况条件下可以实现信息传递 .     

闭环钻井由地面向井下通讯的一种实现方法

认为井眼轨迹井下闭环控制的地质导向钻井技术是集钻井、机械、电子、微电子、传感器、控制等技术于一体的高科技工程项目；井下闭环控制必需双向通讯通道，从井下到地面的上行通道已有现成的商品（MWD），而从地面向井下通讯的下行通道却无成熟的商品，研究探讨下行通道的实现一种方法：在地面按一定的规律对钻柱施加激励，井下检测激励造成的响应，通过一定的编、解码处理，即构成下行信号，室内与油田试验证明，这种方法在正常的井况条件下可以实现信息传递。     

井下测量接头自动测量系统的研制

对钻柱在井下的受力状况已进行过许多理论研究 ,但对钻柱在井下的实际工作状态的研究还不多。为此 ,研制了一种实用的井下测量接头计算机自动测量系统 ,可用于实时监测和记录钻柱在井下钻进时的实际受力和运动情况。它由井下传感器、单片计算机、存储器和高能电池等组成 ,能接收地面指挥信号 ,在井下自动工作。当钻进结束后提至地面 ,将井下采集的数据回放至地面微机中即可进行各种力学和运动分析。该系统研制成功后在地面和井下做了实时试验 ,测试结果较为理想。     

利用钻柱振动频谱判别钻柱复杂情况的方法

为实现钻井过程中井下钻柱运动状态以及井下复杂情况的实时监测,依据振动测试原理,结合实际钻井工况中钻柱振动特征,研制钻柱振动信号测量及处理系统。现场试验结果表明:钻柱出现黏卡、跳钻等现象后,利用快速傅里叶变换和小波变换处理方法可有效提取和识别钻柱在井下的振动特征;研制的钻柱振动采集系统可以应用于现场钻柱振动信号的采集、处理,其结果可以判断钻柱的井下工作状态。     

钻井时从地面向井下通讯系统的解码方法

井下与地面之间的双向通讯通道是构成地面与井下闭环控制不可缺少的一环．从井下向地面的通讯通道已由ＭＷＤ完成,而从地面向井下的通讯通道,目前还没有成熟的产品．在分析现有的下行通道及钻井实况的基础上,确定利用钻杆振动作为信息载体．信源编码确定为：若钻杆静止６０ｓ,视信源信号为“０”,若钻杆钻进６０ｓ,视信源信号为“１”．对信源进行组合,信息的编码由两部分组成,同步码元＋信息码元．针对编码系统,解码系统安装在钻头以上约２ｍ处,钻井时与钻杆一起旋转,它包括振动传感器,解码电路与解码软件．振动传感器将钻杆振动与静止的不同状况反映到解码电路的输入端,解码电路具有一定的学习能力,配合解码软件可完成解码功能．另外,对解码电路的参数选择及解码软件设计流程给予充分说明．并介绍了系统的模拟实验装置及试验结果     

井下测量接头自动测量系统的研制

对钻柱在井下受力状况已进行过许多理论研究,但对钻井在井下的实际工作状态和研究还不多。为此,研制了一种实用的井下测量接头计算机自动测量系统,可用于实时监测和记录钻柱在井下钻井时的实际受力和运动情况。它由下传感器,单片计算机,存储器和高能电池等组成,能接收地面指挥信号,在井下自动工作。当钻进结后提至地面,将井下采集的数据回放至地面微机中即可进行各种力学和运动分析。该系统研制成功后在地面和井下做了实时试验,测试结果较为理想。     

由常规地面气象观测要素估算土壤湿度

尝试利用BP神经网络由常规地面气象观测要素估算土壤湿度.首先利用主成分分析确定少数与土壤湿度显著相关的特征气象要素,进而以这些特征气象要素为输入变量、以土壤湿度为输出变量建立BP神经网络.通过比较网络的性能选定了适用的训练方法及隐层神经元的个数,实现了对土壤湿度的估算.     

开采地面沉陷预测的神经网络方法研究

应用神经网络理论,建立了开采地面沉陷预测的BP神经网络模型,采用开采地面沉陷实测数据对网络进行了训练,以此训练好的BP神经网络模型来描述开采地面沉陷与其影响因素之间的非线性映射关系,并采用测试样本对模型进行了测试,结果表明,网络的预测性能是令人满意的.     

径向水平井校直器的BP设计法

根据径向水平钻井井下斜向器校直机构的设计要求 ,提出了具体的设计原则。运用反向传播多层神经网络 (BP网络 )对校直机构的滚轮位置进行了计算 ,同时利用BP网络优选了校直器阻力最小时的设计方案。结果证明 ,利用BP神经网络进行设计可显著地减少校直器设计与调试中的盲目性。     

径向水平井校直器的BP设计法

根据径向水平钻井井下斜向器校直机构的设计要求,提出了具体的设计原则。运用反向传播多层神经网络（BP网络）对校直机构的流轮位置进行了计算,同时利用BP网络优选了校直器阻力最小时的设计方案,结果证明,利用BP神经网络进行设计可显著地减少校直器设计与调试中的盲目性。     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

基于地震属性技术的井壁稳定随钻预测新方法

基于地震属性和测井数据之间存在非线性关系，提出一种综合利用地震和测井信息随钻预测井壁稳定性的新方法，即在钻前联合运用遗传算法和BP神经网络算法，从所提取的井旁原始地震属性中优选出对测井特征参数最敏感的地震属性组合，并利用已钻井资料建立起反映所研究区块不同地层中地震属性与测井数据之间关系的一系列神经网络映射模型，实钻时通过分析岩屑录井资料选择适当的映射模型，随钻预测出待钻井段的声波和密度测井数据，进一步预测出钻头下方地层的井壁稳定性。该预测方法具有良好的精确度和时效性，在塔西南地区的实际应用中取得了良好效果。     

基于神经网络的加速度时程积分方法

加速度的二重积分是位移,因此利用加速度传感器可以测量位移,但加速度信号积分中存在零点校正和边界条件确定的问题.为了准确地将加速度时程积分成对应时刻的位移,提出了一种利用非线性映射能力很强的BP神经网络建立加速度时程与位移时程之间的关系.通过对样本的学习,BP神经网络将这种非线性映射关系以分布并行的方式存储在网络的联结权矩阵中,从而对样本集进行非逻辑归纳.数值仿真结果和实测结果表明,该方法抗噪声污染能力强,收敛速度快,识别精度较高.     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

Design and validation of wireless acceleration sensor network for structural health monitoring

0IntroductionCivil engineeringstructures suffer damages caused byenvironmental loads,fatigue,caustic effect and materialaging;thus,their strength reduces inevitably during theservice time.In order to assess these damages and makeappropriate decisions to keep the structures in good ser-vice,itis essential toimplement a damage detectionstrat-egy,and the process is referred to as structural healthmonitoring(SHM)[1].In an SHMsystem,a set of sen-sors are mountedinstructuresto measurethe structure…     

基于神经网络的传感器故障监测与诊断方法研究

提出了一种基于神经网络的传感器故障监测与诊断的新方法。该方法先用BP网络的预测输出和传感器实际输出之差来判断传感器是否发生了故障，然后用函数型连接神经网络模拟传感器的输出特性函数，通过计算神经元连接权值的变化，确定传感器哪个输出特性参数发生了变化，最终推断传感器发生了哪一类故障。该方法的特点是只需要知道一个传感器的信息。电阻应变式力传感器故障诊断实验结果证明了该方法的实用性，为传感器故障监测与诊断提供了一条新途径。