(48-4) 18 * << * >> * Русский * English * Содержание * Все выпуски

Методы машинного обучения на основе данных геофизического мониторинга в задачах оптимизации производственных процессов
А.В. Осипов 1, Е.С. Плешакова 1, С.Т. Гатауллин 1

1 МИРЭА – Российский технологический университет,
119454, Россия, Москва, пр-т Вернадского, д. 78

  PDF, 3737 kB

DOI: 10.18287/2412-6179-CO-1373

Страницы: 633-642.

Аннотация:
Цель статьи – создать эффективный метод контроля состояния бурильной колонны и долота без вмешательства в сам процесс бурения в режиме малой задержки. Для непрерывного контроля процесса бурения скважин разработана экспериментальная установка, работающая на основе использования фазометрического метода контроля. Любое перемещение долота вызывает изменение электрических характеристик зондирующего сигнала. Для получения устойчивого сигнала с глубины погружения долота до 250 м использовали частоту зондирующих электрических сигналов 166 Гц и амплитуду до 500 В; частота дискретизации (аналого-цифровой преобразователь) АЦП – 10101 Гц. Для выявления состояния бурильной колонны и долота по графикам зависимостей изменения электрических характеристик зондирующего сигнала от времени авторы статьи исследовали ряд методов глубокого обучения. Опираясь на результаты исследования, была выбрана линейка методов капсульной нейронной сети (CapsNet). Авторы разработали модификации 2D-CapsNet на основе оконного преобразования Фурье (WFT) и вейвлет-преобразования частотного среза (FSWT) (WFT-2D-CapsNet и FSWT-2D-CapsNet соответственно). Оба этих метода показали точность определения перехода между двумя слоями горных пород с разными свойствами 99 %, что на 2–3% выше, чем результаты современных исследований горных пород на основе измерений в процессе бурения (MWD) и каротажа в процессе бурения (LWD). Оба этих метода однозначно выявляют автоколебания в бурильной колонне. При определении полностью исправного долота в случае автоколебаний метод (FSWT)-2D-CapsNet показал точность 99%.

Ключевые слова:
робототехника, искусственный интеллект, нейронные сети, инжиниринг, CapsNet, геофизический мониторинг, оптимизация бурения.

Цитирование:
Осипов, А.В. Методы машинного обучения на основе данных геофизического мониторинга в задачах оптимизации производственных процессов / А.В. Осипов, Е.С. Плешакова, С.Т. Гатауллин // Компьютерная оптика. – 2024. – Т. 48, № 4. – С. 633-642. – DOI: 10.18287/2412-6179-CO-1373.

Citation:
Osipov AV, Pleshakova ES, Gataullin ST. Production processes optimization through machine learning methods based on geophysical monitoring data. Computer Optics 2024; 48(4): 633-642. DOI: 10.18287/2412-6179-CO-1373.

References:
  1. Lin L, Guo H, Guo F, Lv Y, Liu J, Tong C. A novel domain adversarial time-varying conditions intervened neural network for drill bit wear monitoring of the jumbo drill under variable working conditions. Measurement 2023; 208: 112474. DOI: 10.1016/j.measurement.2023.112474.
  2. Aribowo AG, Wildemans R, Detournay E, van de Wouw N. Drag bit/rock in-terface laws for the transition between two layers. Int J Rock Mech Min Sci 2022; 150: 104980. DOI: 10.1016/j.ijrmms.2021.104980.
  3. Khuleif YA, Al-Sulaiman FA, Bashmal S. Vibration analysis of drillstrings with self-excited stick-slip os-cillations. J Sound Vib 2007; 299: 540-558.
  4. Besselink B, van de Wouw N, Nijmeijer H. A semi-analytical of stick-slip oscillations in drilling systems. J Comput Nonlinear Dyn 2011; 6: 021006.
  5. Bailey JR, Biediger EAO, GuptaV, Ertas D, Elks WC, Dupriest FE. Drilling vibrations modeling and field validation. IADC/SPE Drilling Conference 2008: SPE-112650-MS. DOI: 10.2118/112650-MS.
  6. Liu X, Vlajic N, Long X, Meng G, Balachandran B. Nonlinear motions of a flexible rotor with a drill bit: stick-slip and delay effects. Nonlinear Dyn 2013; 72(1): 61-77.
  7. Zhang H, Detournay E. A high-dimensional model to study the self-excited oscillations of rotary drilling systems. Commun Nonlinear Sci Numer Simul 2022; 112: 106549.
  8. Miyazaki K, Ohno T, Karasawa H, Imaizumi H. Performance of polycrystalline diamond compact bit based on laboratory tests assuming geothermal well drilling. Geothermics 2019; 80: 185-194.
  9. Rao KUM, Bhatnagar A, Misra B. Laboratory investigations on rotary diamond drilling. Geotech Geol Eng 2002; 20(1): 1-16.
  10. Zhao Y, Noorbakhsh A, Koopialipoor M, et al. A new methodology for optimization and prediction of rate of penetration during drilling operations. Eng Comput 2020; 36: 587-595. DOI: 10.1007/s00366-019-00715-2.
  11. Boltachev E. Potential cyber threats of adversarial attacks on autonomous driving models. J Comput Virol Hack Tech 2023. DOI: 10.1007/s11416-023-00486-x.
  12. Korchagin S, Osipov A, Pleshakova E, Ivanov M, Kupriyanov D, Bublikov K. Intelligent system for express analysis of electrophysical characteristics of nanocomposite media. In Book: Klimov VV, Kelley DJ, eds. Biologically inspired cognitive architectures 2021. Proceedings of the 12th Annual Meeting of the BICA Society. Cham: Springer Nature Switzerland AG; 2022: 223-230. DOI: 10.1007/978-3-030-96993-6_22.
  13. Pretorius CC, Muller MR, Larroque M, Wilkins C. A review of 16 years of hard rock seismics on the Kaapvaal Craton. In Book: Eaton DW, Milkereit B, Salisbury MH, eds. Hardrock seismic exploration. Tulsa, OK: Society of Exploration Geophysicis; 2003: 247-268. DOI: 10.1190/1.9781560802396.ch16.
  14. Kuzichkin OR, Vasilyev GS, Grecheneva AV, Mikhaleva EV, Baknin MD, Surzhik DI. Application of phase-metric measuring system for geodynamic control of karst processes. Journal of Engineering and Applied Sciences, vol. 12, pp. 6858-6563, 2017.
  15. Kuzichkin OR, Vasilyev GS, Baknin MD, Surzhik DI. The phase-metric method of isolating the information component in the distributed processing of geoelectric signals in geoecological monitoring systems. J Adv Res Dyn Control Syst 2020; 12(S6): 463-471.
  16. Nguyen M, Nefedov VI, Kozlovsky IV, Malafeev AV, Selenya KA, Mirolyubova NA. Analysis of the Raman spectrum of high-power amplifiers of wireless communication systems. Russian Technological Journal 2019; 7(6): 96-105. DOI: 10.32362/2500-316X-2019-7-6-96-105.
  17. Liu Y, Jiang H, Wang Y, Wu Z, Liu S. A conditional variational autoencoding generative adversarial networks with self-modulation for rolling bearing fault diagnosis. Measurement 2022; 192: 110888.
  18. Osipov A, et al. Machine learning methods based on geophysical monitoring data in low time delay mode for drilling optimization. IEEE Access 2023; 11: 60349-60364. DOI: 10.1109/ACCESS.2023.3284030.
  19. You N, Han L, Zhu D, Song W. Research on image denoising in edge detection based on wavelet transform. Appl Sci 2023; 13(3): 1837.
  20. Gataullin TM, Gataullin ST, Ivanova KV. Synergetic effects in game theory. 2020 13th Int Conf Management of Large-Scale System Development (MLSD) 2020: 1-5. DOI: 10.1109/MLSD49919.2020.9247673.
  21. Andriyanov N, Khasanshin I, Utkin D, Gataullin T, Ignar S, Shumaev V, Soloviev V. Intelligent system for estimation of the spatial position of apples based on YOLOv3 and real sense depth camera D415. Symmetry 2022; 14: 148. DOI: 10.3390/sym14010148.
  22. Ivanyuk V. Forecasting of digital financial crimes in Russia based on machine learning methods. J Comput Virol Hack Tech 2023. DOI: 10.1007/s11416-023-00480-3.
  23. Guo Q, Li Y, Song Y, Wang D, Chen W. Intelligent fault diagnosis method based on full 1-D convolutional generative adversarial network. IEEE Trans Ind Inform 2019; 16(3): 2044-2053.
  24. Liu X, He D, Lodewijks G, Pang Y, Mei J. Integrated decision making for pre-dictive maintenance of belt conveyor systems. Reliab Eng Syst Saf 2019; 188: 347-351.
  25. Niu S, Li B, Wang X, Lin H. Defect image sample generation with GAN for improving defect recognition. IEEE Trans Autom Sci Eng 2020; 17(3): 1611-1622.
  26. Liu J, Zhang C, Jiang X. Imbalanced fault diagnosis of rolling bearing using improved MsR-GAN and feature enhancement-driven CapsNet. Mech Syst Signal Process 2022; 168: 108664. DOI: 10.1016/j.ymssp.2021.108664.
  27. Gao S, Wang X, Miao X, et al. ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks. J Sign Process Syst 2019; 91: 1237-1247. DOI: 10.1007/s11265-019-01463-8.
  28. Bo M, Weidong C, Dali Z. Intelligent diagnosis method based on GAN sample generation technology. Vib Shock 2020; 39(18): 153-160.
  29. Ribeiro FDS, Leontidis G, Kollias S. Capsule routing via variational bayes. Proc AAAI Conf on Artificial Intelligence 2020; 34(04): 3749-3756.
  30. Hinton GE, Sabour S, Frosst N. Matrix capsules with EM routing. Int Conf on Learning Representations 2018: 1-15. DOI: 10.13140/RG.2.2.27416.44800.
  31. Tsaregorodtsev AV, Samoylov VE, Zenov AE, Zelenina AN, Petrosov DA, Pleshakova ES, Roga SN. The architecture of the emotion recognition program by speech segments. Procedia Comput Sci 2022; 213: 338-345. DOI: 10.1016/j.procs.2022.11.076.
  32. He KM, et al. Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification. 2015 IEEE Int Conf on Computer Vision (ICCV) 2015: 1026-1034. DOI: 10.1109/ICCV.2015.123.
  33. Lee AR, Cho Y, Jin S, Kim N. Enhancement of surgical hand gesture recognition using a capsule network for a contactless interface in the operating room. Comput Methods Programs Biomed 2020; 190: 105385. DOI: 10.1016/j.cmpb.2020.105385.
  34. Kim C-I, Kim M, Jung S, Hwang E. Simplified Fréchet distance for generative adversarial nets. Sensors 2020; 20(6): 1548. DOI: 10.3390/s20061548.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20