数据增强深度学习用于井下深度感知与验证
机器学习
2026-03-03 v5 人工智能
信号处理
摘要
准确的井下深度测量对于油气井作业至为重要，直接影响储集层接触、产能效率和作业安全性。使用套管领口定位器（CCL）的套管领口相关是精确深度校准的基本方法。尽管神经网络在领口识别方面取得了显著进展，但针对此类应用的预处理方法仍未得到充分发展。此外，现实井下数据的有限 availability 对于需要大量数据集的神经网络模型训练提出了重大挑战。本文提出了一个集成到井下工具串中的系统，用于CCL日志获取，以促进数据集构建。提出了针对数据增强的全面预处理方法，并使用基准神经网络模型对其有效性进行评估。通过在不同配置下的系统实验，分析了每种增强方法的贡献。结果表明，标准化、标签分布平滑和随机裁剪是模型训练的基本前提，而标签平滑正则化、时间尺度变换和多次抽样显著增强了模型的泛化能力。将所提出的增强方法纳入两种基准模型后，分别使TAN和MAN模型的F1分数提高了0.027和0.024。此外，应用这些技术后，TAN模型和MAN模型的F1分数分别较先前研究提高了最多0.045和0.057。在真实CCL波形上的性能评估确认了该方法的有效性和实际适用性。本工作解决了在CCL数据有限条件下训练套管领口识别模型的数据增强方法论方面的现存空白，为井下作业的未来自动化提供了技术基础。
引用
@article{arxiv.2511.00129,
title = {Data-Augmented Deep Learning for Downhole Depth Sensing and Validation},
author = {Si-Yu Xiao and Xin-Di Zhao and Tian-Hao Mao and Yi-Wei Wang and Yu-Qiao Chen and Hong-Yun Zhang and Jian Wang and Jun-Jie Wang and Shuang Liu and Tu-Pei Chen and Yang Liu},
journal= {arXiv preprint arXiv:2511.00129},
year = {2026}
}