针对采用声波探测法测得油井动液面数据时,采集到的信号由于受到长距离衰减和复杂背景噪声的影响,动液面回波位置容易淹没在复杂噪声之中不易识别的问题,本文采用一种新的带有宽第一层核的深度卷积神经网络(WDCNN)的方法。即使用采集到的原始声波信号作为输入,并使用第一卷积层中的宽内核来提取特征和抑制高频噪声;卷积层中的小卷积核用于多层非线性映射,池化层用来减少特征的空间大小和网络的参数;在输出层使用softmax函数转化识别的不同液面深度值。现场试验结果表明,构建的WDCNN模型提高了动液面位置识别的准确性与识别效率,智能识别技术取代了传统的耗时且不可靠的人工分析,降低了油田开采生产成本,提高了经济效益。油井动液面位置-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机 抽油杆上下滑动，电机运转，井内存气结蜡等因素影响，故而经常会受到高频噪声的干扰。为了捕获所采集到的信号中包含的中频、本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com低频的关键信息，在原来传统的小内核层的神经网络的结构基础上添加宽内核用于提取采集到信号中更多的有用信息，此后再继续使用小内核进行卷积运算，为此就将其称为宽第一层核深度卷积神经网络(WDCNN)。本文模型构建中使用的WDCNN的体系结构包括5个卷积和池化层，然后是完全连接的隐藏层，最后是Softmax层。油井动液面位置-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文模型的设计架构如图2所示。!"#$%&’()*+,*%*$%*!()*!$%*"-./*!#$%&’()*0123)0123)图2构建的WDCNN模型网络的训练动液面液面位置识别的声波信号输入的是一维时间序列信号，与传统的二维图像识别不同，使用了一维的卷积核和反向传播算法。神经网络结构的代价函数估计的Softmax输出概率分布与目标类概率分布之间的交叉熵。考虑到在模型构建中，采用的批量标准化过程已经包含正则化处理的效果，所以，在代价函数中就没有加入正则化项。设p(x)是目标分布，q(x)是估计分布，则代价函数的数学公式可表述为:J(x)=H(p，q)=－∑xp(x)logq(x)，(4)反向传播算法中使用梯度下降进行参数的迭代更新，其更新的过程如下:W)其中，α是学习率。研究中构建的WDCNN模型参数有多个，为了防止过度拟合并提高模型的泛化能力，需要大量的训练样本。动液面训练样本的实验数据分别从延长油田靖边采油厂井号为586－油井动液面位置-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com