版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、石油鉆井是一項非常龐大的工程,其過程中存在很多不確定因素并且這些因素具有較強的隱蔽性。在鉆井過程中非常容易發(fā)生各種鉆井事故,這嚴(yán)重威脅著鉆井平臺安全地作業(yè)。因此,在復(fù)雜的鉆井施工過程中,如果能夠捕獲和運用各種有用的技術(shù)信息,對將有可能發(fā)生的鉆井事故能夠給出相對準(zhǔn)確的預(yù)警或者能夠給出一定程度上的警示,對于防止和控制鉆井事故的擴大、最大限度地減少經(jīng)濟(jì)損失具有非常重大的現(xiàn)實意義。
本文從信號處理的角度全面的分析了鉆井工程中各種鉆井參
2、數(shù)的變化情況,并且總結(jié)出當(dāng)鉆井事故發(fā)生時所有與該鉆井事故相關(guān)的鉆井參數(shù)的變化趨勢。對鉆井事故進(jìn)行預(yù)警時相關(guān)鉆井參數(shù)的趨勢變化是關(guān)鍵,并且不同鉆井甚至是同一鉆井不同井深石油鉆井參數(shù)的基準(zhǔn)值會發(fā)生變化,傳統(tǒng)的非平穩(wěn)信號的處理方法不適用于鉆井參數(shù)的趨勢分析。因此,本文構(gòu)建了一種能反映鉆井參數(shù)趨勢變化特征,并且不受基準(zhǔn)值影響的趨勢特征量。由于 HMM能夠?qū)σ粋€時間跨度上的信號進(jìn)行統(tǒng)計分析建模和分類是一種動態(tài)模式識別工具,因此本文構(gòu)建了基于CHM
3、M的鉆井參數(shù)異常預(yù)警模型。并且通過經(jīng)驗統(tǒng)計出CHMM模型輸出匹配概率異常的閾值,實驗表明CHMM異常預(yù)警模型能夠及時有效的對鉆井參數(shù)異常進(jìn)行預(yù)警。
憑經(jīng)驗選取或統(tǒng)計出固定閾值的方法雖然很容易實現(xiàn),但是實質(zhì)上它是不太合理的,當(dāng)選擇的閾值太大預(yù)警的漏報率就會很高,反之,選取的閾值太小誤報率就會升高,所以最好是能使閾值自適應(yīng)地改變其大小,從而降低預(yù)警的漏報率和誤報率。通過分析兩種常用自適應(yīng)閾值方法并將其用于CHMM模型輸出匹配概率異
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于隱馬爾科夫模型的石油鉆井過程異常檢測的研究.pdf
- 基于隱馬爾科夫模型的異常檢測研究.pdf
- 基于隱馬爾科夫模型的人群異常場景檢測.pdf
- 基于隱馬爾科夫模型的聚眾事件檢測.pdf
- 基于隱馬爾科夫模型的入侵檢測方法研究.pdf
- 基于異常概率和隱馬爾科夫模型的資源濫用行為檢測研究.pdf
- 隱馬爾科夫模型演化下的隱組檢測.pdf
- 隱馬爾科夫模型hiddenmarkovmodel
- 基于隱馬爾科夫模型的信號分類.pdf
- 基于隱馬爾科夫模型的入侵檢測系統(tǒng)研究.pdf
- 基于隱馬爾科夫模型詞性標(biāo)注的研究.pdf
- 基于隱馬爾科夫模型的目標(biāo)人體識別.pdf
- 基于隱馬爾科夫模型的人臉識別.pdf
- 基于隱馬爾科夫模型的網(wǎng)絡(luò)輿情挖掘.pdf
- 基于隱馬爾科夫模型的步態(tài)身份識別.pdf
- 基于連續(xù)隱馬爾科夫模型的語音識別
- 基于連續(xù)隱馬爾科夫模型的語音識別
- 基于連續(xù)隱馬爾科夫模型的語音識別
- 基于隱馬爾科夫模型的重型肝炎演化研究.pdf
- 基于隱馬爾科夫模型的時間序列聚類.pdf
評論
0/150
提交評論