Регистрация / Вход
Прислать материал

Распознавание источников акустических сигналов с использованием искусственных нейронных сетей

Сведения об участнике
ФИО
Спирина Лилия Александровна
Вуз
Федеральное государственное автономное образовательное учреждение высшего образования «Казанский (Приволжский) федеральный университет»
Тезисы (информация о проекте)
Область наук
Информационные технологии и вычислительные системы
Раздел области наук
Информационные технологии
Тема
Распознавание источников акустических сигналов с использованием искусственных нейронных сетей
Резюме
Проблема определения состава добываемого флюида остро встает как на начальных этапах разработки нефтяных и газовых месторождений, так и на поздней стадии их разработки. При этом методы определения состава флюида на поверхности скважины развиты достаточно хорошо и имеют высокую точность. Основная же сложность заключается в определении фазового состава флюида в зоне добычи, то есть в активно работающих пластах-коллекторах. В данной работе представлен алгоритм для выявления газонасыщенных интервалов по измерениям, выполненным скважинным шумомером.
Ключевые слова
Распознавание, акустический сигнал, коэффициенты отражения, искусственная нейронная сеть
Цели и задачи
Цель работы: разработка алгоритма распознавания источников акустических сигналов различной природы с использованием искусственных нейронных сетей.

Для достижения данной цели необходимо решить следующие задачи:
1. Сбор и классификация базы данных;
2. Подбор значимых признаков;
3. Подбор архитектуры нейронной сети и алгоритмов обучения;
4. Тестирование на акустических данных различной природы.
Введение

В последние годы разработка алгоритмов распознавания источников акустических сигналов становится все более актуальной. Такие алгоритмы применяются не только в сфере информационной безопасности, но и во многих научных областях, связанных с регистрацией и анализом акустических данных.  Например, в технологии спектральной шумометрии регистрируемые акустические сигналы содержат в себе информацию о целом комплексе параметров пласта, а также типе флюида. На настоящий момент практически не существует эффективных методов определения типа флюида по акустическим замерам скважинных шумов. Поэтому задача разработки данного метода является крайне актуальной.

Методы и материалы

В качестве распознавателя использовалась нейронная сеть прямого распространения, обучение с учителем по методу обратного распространения ошибки с минимизацией функционала ошибки методом Левенберга-Маргкварта.

Схема искусственной нейронной сети

Описание и обсуждение результатов

Обучение искусственной нейронной сети проводилось на выборке из 20 скважин, оставшиеся 5 были использованы в качестве тестовых. В таблице 1 представлены ошибки обучения первого и второго рода.

Таблица 1. – Ошибки обучения нейронной сети

Ошибки обучения

На тренировочной выборке (20 скважин)

На тестовой выборке (5 скважин)

1-го рода

2-го рода

1-го рода

2-го рода

0.4%

0.5%

2%

3%

На рисунке 1 представлен результат работы алгоритма на данных с добывающей газовой скважины. Алгоритм правильно определил газовые интервалы и по заданному порогу построил итоговую панель. 

Рисунок 1. – Тестирование алгоритма на добывающей газовой скважине из тестовой выборки (Слева направо: WELL SKETCH – конструкция скважины, TEMP – температурный профиль, QZI – профиль добычи, SNL FLOWING – спектральная панель в режиме добычи, GI -  газовый индекс, NN OUTPUT – выход нейронной сети)

На рисунке 2 показано отсутствие ложного срабатывания на данных с водяной нагнетательной скважины. Результат работы алгоритма, примененный к лабораторным данным представлен на рисунке 3. В качестве лабораторных данных выступал шум от течения газа через сквозное нарушение конструкции диаметром 2 мм.

Рисунок 2. – Тестирование алгоритма на водяной нагнетательной скважине из тестовой выборки (Слева направо: конструкция скважины, температурный профиль, профиль закачки, SNL FLOWING – спектральная панель в режиме закачки, GI -  газовый индекс, NN OUTPUT – выход нейронной сети)

Рисунок 3. – Тестирование алгоритма на лабораторных данных (Ø 2 мм, dP=0.05 атм)

Таким образом, в результате проделанной работы был разработан алгоритм распознавания источников акустических сигналов с использованием искусственных нейронных сетей. В ходе исследований было выявлено, что коэффициенты отражения являются информативными признаками для решения этой задачи. Достигнута эффективность распознавания источников акустических сигналов более 95%. Алгоритм в настоящее время находится на стадии коммерческого внедрения в нефтесервисной компании ООО «ТГТ Прайм».

Используемые источники
1. Щелкачев В.Н., Лапук Б.Б. Подземная гидравлика. М.: Государственное научно-техническое из-во нефтяной и горно-топливной литературы. 1949. 525с.
2. Ипатов А.И., Кременецкий М.И. Геофизический и гидродинамический контроль разработки месторождений углеводородов. РГУ нефти и газа им. И.М.Губкина, научно-исследовательский центр «Регулярная и хаотическая динамика». 2010. 780с.
3. McKinley, R.M., Bower, F.M., Rumble, R.C. 1973. The Structure and Interpretation of Noise From Flow Behind Cemented Casing, Journal of Petroleum Technology, 3999-PA
4. Сорокин В.Н., Вьюгин В.В., Тананыкин А.А. Распознавание личности по голосу: Аналитический обзор // Информационные процессы. 2012. т.12. №1. С. 1-30.
5. Марпл С.Л. Цифровой спектральный анализ и его приложения. М.: Мир, 1990. С. 234-242.
Information about the project
Surname Name
Spirina Liliya
Project title
Recognition acoustic source signals using artificial neural networks
Summary of the project
The problem of determining the composition of the produced fluid rises sharply as in the initial stages of development of oil and gas fields, and at a later stage of their development. The methods of determining the composition of the fluid at the well surface are well developed and have high accuracy. The main difficulty lies in the determination of the phase composition of the fluid in the production zone that is actively working reservoir beds. This paper presents an algorithm for the detection of gas-saturated intervals for measurements made downhole sound level meter.
Keywords
Recognition, acoustic signal, reflection coefficients, artificial neural network