一种用于井下仪器的基于神经网络的实时套管接箍识别系统
系统与控制
2026-03-04 v2 人工智能
机器学习
系统与控制
信号处理
摘要
套管接箍定位器（CCL）测量被广泛用作套管井作业中定位井下仪器的可靠深度标记，从而实现射孔等作业的精确深度控制。然而，井下环境中的自主接箍识别仍具挑战性，因为CCL信号经常受到由钻具组合或套管引起的磁干扰破坏，同时严格的尺寸和功耗预算限制了计算密集型算法的使用，且特定作业需要实时、原位处理。为应对这些限制，我们提出了接箍识别网络（CRNs），这是一族领域专用的轻量级一维卷积神经网络，用于从流式CCL波形中识别接箍特征。借助深度可分离卷积和输入池化，CRNs在不牺牲精度的同时优化了效率。我们最紧凑的模型在实测数据上实现了0.972的F1分数，仅需1,985个参数和8,208次MACs；并且在使用TensorFlow Lite for Microcontrollers（TFLM）库部署于基于ARM Cortex-M7的嵌入式系统时，该模型展现出每秒1,000次推理的吞吐量和343.2微秒的延迟，证实了在严格的井下限制条件下实现鲁棒、自主且实时的接箍识别的可行性。
引用
@article{arxiv.2512.22901,
title = {A Neural Network-Based Real-time Casing Collar Recognition System for Downhole Instruments},
author = {Si-Yu Xiao and Xin-Di Zhao and Xiang-Zhan Wang and Tian-Hao Mao and Ying-Kai Liao and Xing-Yu Liao and Yu-Qiao Chen and Jun-Jie Wang and Shuang Liu and Tu-Pei Chen and Yang Liu},
journal= {arXiv preprint arXiv:2512.22901},
year = {2026}
}