买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国地质大学(武汉)申请的专利基于多尺度时间卷积网络的钻进过程钻柱振动识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117235625B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311245618.X，技术领域涉及：G06F18/2415；该发明授权基于多尺度时间卷积网络的钻进过程钻柱振动识别方法是由赖旭芝;吴潇;吴敏;陈略峰;陆承达;胡杰设计研发完成，并于2023-09-25向国家知识产权局提交的专利申请。

本基于多尺度时间卷积网络的钻进过程钻柱振动识别方法在说明书摘要公布了：本发明提供了一种基于多尺度时间卷积网络的钻进过程钻柱振动识别方法，采用互信息分析法进行特征选择，确定地质钻进过程中影响钻柱振动的过程变量，获得对应的井上实时测量的多元时间序列数据作为模型输入；设计多尺度时间卷积网络作为多元时间序列的特征提取器，获得表征复杂地层条件下钻柱振动的多尺度特征和振动特征；然后采用全局最大池化层执行特征降维压缩操作，全连接网络层将降维后的特征映射到样本标签空间，最后Softmax网络层计算出各种钻柱振动类型的统计概率，并分类出具体的钻柱振动类型。本发明的有益效果是：实现了仅利用井上钻进数据的“端到端”钻柱振动识别，同时可有效适应复杂地层变化，提高了钻柱振动识别的准确性和鲁棒性。

本发明授权基于多尺度时间卷积网络的钻进过程钻柱振动识别方法在权利要求书中公布了：1.一种基于多尺度时间卷积网络的钻进过程钻柱振动识别方法，其特征在于：包括以下步骤： S1：采用互信息分析法计算各钻进过程变量的时间序列间互信息值，选取与扭矩强相关的过程变量作为特征变量，获取多元特征变量对应的时间序列数据S； S2：构建钻柱振动识别模型，该模型包括多尺度特征提取模块和钻柱振动识别模块，以时间序列数据S作为样本，输入至模型进行模型训练； 提取钻柱振动的多尺度特征和得到振动特征的具体过程如下： 2-1：特征提取器由多尺度时间卷积网络构建，其由两层具有不同空洞因子dj的空洞因果卷积层DCCj、批量归一化层BN、整流线性单元ReLU、丢弃层以及额外的一维卷积层构成残差连接，j＝1,2,3，捕获、提取多元特征变量时间序列数据S＝{Xi|i＝1,...,N}的多尺度特征，并获得钻柱振动的振动特征；多尺度时间卷积网络中各网络层的操作输出表示如下： 空洞因果卷积层操作： 其中，Fs表示对时间序列数据S中元素s的空洞卷积操作，fi表示第i个卷积滤波器，k为滤波器尺寸，d为空洞因子，fd表示空洞因子为d的卷积滤波器，Ss-d.i表示时间序列数据S在第i个卷积滤波器上的操作序列，同一层具有不同空洞因子dj的空洞因果卷积层DCCj的输出可表示如下： Y1j＝DCCjS,Wj 其中，Y1j表示DCCj层获得的中间特征，Wj表示DCCj层可训练参数； 批量归一化层BN输出： Y2j＝BNY1j 其中，Y2j表示BN层获得的中间特征； 整流线性单元层ReLU输出： Y3j＝ReLUY2j＝max0,WBNY2j+bBN 其中，Y3j表示ReLU层获得的中间特征，WBN和bBN表示ReLU层可训练参数；2-2：基于具有不同空洞因子dj的空洞因果卷积层DCCj提取的单一尺度特征，融合后的多尺度特征表示如下： 其中，Y4表示多尺度特征，Y3j表示空洞因子dj下第二个ReLU层获得的单一尺度特征，j＝1,2,3，表示特征融合操作； 2-3：残差连接操作表示如下： Y＝Y4+WS 其中，Y表示振动特征，W表示额外的一维卷积操作，“+”表示特征元素相加操作； 多尺度特征提取模块以具有不同空洞卷积因子的多尺度时间卷积网络作为特征提取器，对应的单一空洞卷积因子下时间卷积网络分别提取不同的单尺度振动特征，最终融合成多尺度特征，并根据该多尺度特征得到振动特征； 在钻柱振动识别模块中，首先，采用一维全局最大池化层，对所述振动特征进行特征降维处理，得到高级特征；然后，采用全连接层，学习、组合所述高级特征后映射到样本标记空间；最后，采用Softmax层计算、输出样本对应不同类别的概率，根据概率分类层识别并输出对应的振动类别； S3：采用训练好的钻柱振动识别模型对实际钻进过程钻柱振动进行识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。