【技术实现步骤摘要】
本专利技术属于神经网络，涉及一种基于多模态深度学习的接箍信号识别方法、系统、装置及介质。
技术介绍
1、在石油开采过中，为了方便入井，电缆桥塞在套管内的预定位置进行加压坐封时，一般利用磁定位仪获得套管的接箍信号来确定桥塞在井内的位置。在水平井泵送射孔时，通过磁性定位器(ccl)测量套管接箍信号，进而反映井筒的工程状态和井下工具(射孔枪)的工况。磁性定位器(ccl)检测套管接箍信号的原理在于其内部具有两个正对的磁极、绕有线圈的骨架。当其在套管中运动时做切割磁感线的运动，从而在线圈的两端产生变化的毫伏级感应电动势，通过观察变化的感应电动势可以确定套管接箍位置。
2、但是在实际的油气井测井过程中，油气井套管在长期的使用过程中会受到地层外力以及长期的化学作用而可能造成某些部位的磨损、变形、错断、腐蚀等各种破坏和不完善的情况，以至于磁定位仪在套管中移动测量时，经常会测得各种无用的高低频信号以及存在噪声等干扰信号，使套管的接箍曲线产生一定的波动而变得毛糙，造成油气井套管的正常接箍信号湮没其中，从而导致套管接箍位置难以辨认，无法直接通过ccl信号识别接箍实际位置，套管状态探测效果稳定性较差，无法确定电缆桥塞的正确位置。
技术实现思路
1、本专利技术的目的在于解决现有技术中磁性定位器无法直接通过ccl信号识别接箍实际位置，套管状态探测效果稳定性较差，无法确定电缆桥塞的正确位置的问题，提供一种基于多模态深度学习的接箍信号识别方法、系统、装置及介质。
2、为达到上述目的，本专利
3、基于多模态深度学习的接箍信号识别方法，包括：
4、采集ccl感应电动势信号数据；并对ccl感应电动势信号数据进行预处理；
5、将预处理后的ccl感应电动势信号数据进行时域特征分析和波形特征分析，获取空间域特征向量；
6、对预处理后的ccl感应电动势信号数据进行傅里叶变换，获取ccl感应电动势数据的频域特征向量；
7、基于mcb算法，对空间域特征向量和频域特征向量进行融合；
8、基于cnn网络和lstm网络，对融合后的特征向量进行识别，获取接箍信号，实现接箍信号的自动定位。
9、本专利技术的进一步改进在于：
10、采集ccl感应电动势信号数据；并对ccl感应电动势信号数据进行预处理；具体为：
11、ccl感应电动势信号数据包括磁化段ccl信号数据和接箍段ccl信号数据；
12、ccl感应电动势信号数据存储在ndb文件中；将包含ccl感应电动势信号数据的ndb文件进行处理提取出数据信息，并将数据信息转化为csv文件；数据集包括编号、时间、深度、电压、速度和张力。
13、将预处理后的ccl感应电动势信号数据进行时域特征分析和波形特征分析，获取空间域特征向量，具体为：
14、所述接箍段ccl信号数据呈现“波峰-波谷-波峰”的形态，其中波谷处表示接箍中点；基于滑窗的特征提取方法，获取接箍段ccl信号数据；
15、随机采集任意一段的ccl信号s＝[s1，s2,……,sn]，对采集的ccl信号的任意一段子信号段[si，si+1,……,sk]，若满足：
16、
17、则选择[si，si+1,……,sk]，s(i+k)/2为该区域波谷；如果以上不满足；则向右形成新的窗口继续判断；对于全部被选择的子信号段，都存在区间波谷，故为接箍段ccl信号数据；
18、其中，i+1<k，i>0，k≤n，s(i+k)/2为子信号段中心点；
19、对提取出的子信号段进行特征向量提取，获取空间域特征向量；
20、对预处理后的ccl感应电动势信号数据进行傅里叶变换，获取ccl感应电动势数据的频域特征向量；具体为：
21、连续傅里叶变换公式如下：
22、
23、离散傅里叶变换公式如下：
24、
25、基于mcb算法，对空间域特征向量和频域特征向量进行融合；具体为：
26、基于count sketch映射函数，获取空间域特征向量映射的空间域特征countsketch；
27、基于count sketch映射函数，获取频域特征向量映射的频域特征countsketch；
28、将空间域特征countsketch和频域特征countsketch进行频域快速傅里叶变换以及逆fft，获取融合后的特征向量。
29、count sketch映射函数，具体为：
30、e[<ψ(x,h,s),ψ(y,h,s)>]＝<s,y> (2)
31、
32、公式(2)和公式(3)表示两个向量的外部积的计数图表示为每个计数图的卷积。
33、基于多模态深度学习的接箍信号识别系统，包括：
34、预处理模块，所述预处理模块采集ccl感应电动势信号数据；并对ccl感应电动势信号数据进行预处理；
35、第一获取模块，所述第一获取模块将预处理后的ccl感应电动势信号数据进行时域特征分析和波形特征分析，获取空间域特征向量；
36、第二获取模块，所述第二获取模块对预处理后的ccl感应电动势信号数据进行傅里叶变换，获取ccl感应电动势数据的频域特征向量；
37、融合模块，所述融合模块基于mcb算法，对空间域特征向量和频域特征向量进行融合；
38、识别模块，所述识别模块基于cnn网络和lstm网络，对融合后的特征向量进行识别，获取接箍信号，实现接箍信号的自动定位。
39、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
40、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
41、与现有技术相比，本专利技术具有以下有益效果：
42、本专利技术利用多模态特征融合网络以及深度神经网络来实现水平井ccl感应电动势数据分析以及接箍信号自动识别定位方法。利用现有的ccl感应电动势数据作为深度神经网络训练数据集，通过对数据集进行不同域的特征提取，并通过多模态融合算法完成最终的数据特征处理后，使用cnn+lstm的网络结构进行接箍信号识别，实现信号的自动定位。本专利技术提高了信号识别定位的效率，降低了人力成本，并且能够保证信号识别定位的准确性。
本文档来自技高网...【技术保护点】
1.基于多模态深度学习的接箍信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述采集CCL感应电动势信号数据；并对CCL感应电动势信号数据进行预处理；具体为：
3.根据权利要求2所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述将预处理后的CCL感应电动势信号数据进行时域特征分析和波形特征分析，获取空间域特征向量，具体为：
4.根据权利要求1所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述对预处理后的CCL感应电动势信号数据进行傅里叶变换，获取CCL感应电动势数据的频域特征向量；具体为：
5.根据权利要求1所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述基于MCB算法，对空间域特征向量和频域特征向量进行融合；具体为：
6.根据权利要求5所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述Count Sketch映射函数，具体为：
7.基于多模态深度学习的接箍信号识别系统，其特征在于，包括：
8.一
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
...【技术特征摘要】
1.基于多模态深度学习的接箍信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述采集ccl感应电动势信号数据；并对ccl感应电动势信号数据进行预处理；具体为：
3.根据权利要求2所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述将预处理后的ccl感应电动势信号数据进行时域特征分析和波形特征分析，获取空间域特征向量，具体为：
4.根据权利要求1所述的基于多模态深度学习的接箍信号识别方法，其特征在于，所述对预处理后的ccl感应电动势信号数据进行傅里叶变换，获取ccl感应电动势数据的频域特征向量；具体为：
5.根据权利要求1所述的基于多模态深度学习...
【专利技术属性】
技术研发人员：任国辉，赵昕迪，刘维，唐凯，马自强，聂靖雯，陈建波，张鸿韵，李妍僖，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。