Прислать материал
Распознавание источников акустических сигналов 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.
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.
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
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».
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.