Аппроксимация и шумоподавление при термометрии нефтедобывающей скважины распределёнными волоконно-оптическими датчиками; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 337, № 8
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 337, № 8.— 2026.— С. 77-89 |
|---|---|
| Συγγραφή απο Οργανισμό/Αρχή: | |
| Άλλοι συγγραφείς: | , , , , , |
| Περίληψη: | Актуальность. Применение распределённых волоконно-оптических датчиков температуры в нефтедобывающих скважинах способно повысить качество получаемых данных в процессе эксплуатации. Цель. Показать, что снимаемое распределение температуры содержит случайные колебания, магнитуда которых сопоставима с величиной термоаномалий, вызванных фильтрационным течением нефти в коллекторе. Методы. Для уменьшения шума исходного сигнала, снятого с реальной нефтедобывающей скважины, проанализированы различные методы аппроксимации: медианное сглаживание, скользящее среднее, экспоненциальное сглаживание, Фурье-фильтрация, решающее дерево, случайный лес, адаптивный бустинг и метод ядерного сглаживания Надарайи–Ватсона. Результаты и выводы. Применение этих типов постобработки сигнала проанализировано по следующим параметрам: точность аппроксимации равновесного геотермического распределения в зумпфе, где возможно аналитическое определение распределения температуры, гладкость аппроксимирующей функции, единственность решения и требовательность к вычислительным ресурсам. Показано, что применение для данной задачи адаптивного бустинга и Фурье-фильтрации даёт наибольшие погрешности аппроксимации. Медианное сглаживание, экспоненциальное сглаживание и случайный лес дают сходные результаты по точности и характеризуются низкими вычислительными затратами. Первое не обладает гладкостью решения. Второе в значительной степени зависит от настроечных параметров, и полученное решение может быть либо также зашумленным, либо при гладком решении может проявиться систематическая погрешность, вызванная случайными отклонениями начальных точек. Такую погрешность можно компенсировать дополнительным усреднением на начальных этапах экспоненциального сглаживания. Аппроксимация случайным лесом также зависит от настройки: участки с переобученностью, на которых аппроксимация повторяет исходный сигнал, могут соседствовать с весьма грубым его приближением; при этом получается всегда новая аппроксимация при каждой генерации. Наилучшие результаты показал метод ядерного сглаживания Надарайи–Ватсона, поскольку найденное решение обладает наименьшей погрешностью, высокой гладкостью и единственностью, в отличие от ансамблевых методов машинного обучения. На основе анализа особенностей алгоритма этого метода, а также машинного представления действительных чисел предложены методы, позволяющие повысить вычислительную эффективность ядерного сглаживания Надарайи–Ватсона Relevance. The use of distributed fiber-optic temperature sensors in oil production wells can improve the quality of data obtained during operation. Aim. To show that the captured temperature distribution contains random fluctuations, the magnitude of which is comparable to the magnitude of thermoanomalies caused by the filtration flow of oil in the reservoir. Methods. To reduce the noise of the original signal taken from a real oil well, various approximation methods: median smoothing, moving average, exponential smoothing, Fourier filtering, decision tree, random forest, adaptive boosting and Nadaraya–Watson kernel regression method, were analyzed. Results and conclusions. The authors analyzed the results of application of these types of signal post-processing in terms of the following parameters: accuracy of approximation of equilibrium geothermal distribution in the well sump, where analytical determination of temperature distribution is possible, smoothness of the approximating function, uniqueness of the solution and demandingness of computational resources. It is shown that the application of adaptive boosting and Fourier filtering for this problem gives the largest approximation errors. Median smoothing, exponential smoothing and random forest give similar results in accuracy and low computationalcosts. The first does not have smoothness of solution. The second one depends to a large extent on the tuning parameters and the obtained solution may be either noisy as well, or the smooth solution may exhibit systematic error caused by random deviations of the initial points. Such error can be compensated by additional averaging at the initial stages of exponential smoothing. The random forest approximation is also tuning dependent, and regions of overfitting where the approximation replicates the original signal may be adjacent to a very coarse approximation of the original signal; this always produces a new approximation at each generation. The best results were obtained by the Nadaraya–Watson kernel regression method, since the solution found has the lowest error, high smoothness and uniqueness, in contrast to machine learning methods. On the basis of analyzing the features of the algorithm of this method, as well as the machine representation of real numbers, we propose methods to improve the computational efficiency of the Nadaraya–Watson kernel regression Текстовый файл |
| Γλώσσα: | Ρωσικά |
| Έκδοση: |
2026
|
| Θέματα: | |
| Διαθέσιμο Online: | bulletin_tpu-2026-v337-i8-08.pdf https://doi.org/10.18799/24131830/2026/8/5054 |
| Μορφή: | Ηλεκτρονική πηγή Κεφάλαιο βιβλίου |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688424 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 688424 | ||
| 005 | 20261014120159.0 | ||
| 090 | |a 688424 | ||
| 100 | |a 20261007d2026 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn uucaa | ||
| 200 | 1 | |a Аппроксимация и шумоподавление при термометрии нефтедобывающей скважины распределёнными волоконно-оптическими датчиками |d Approximation and noise reduction in oil well thermometry by distributed fiber optic sensors |z eng |f И. Л. Никулин, С. В. Мишуринских, П. Ю. Чудинов [и др.] | |
| 320 | |a Список литературы: с. 86-87 (35 назв.) | ||
| 330 | |a Актуальность. Применение распределённых волоконно-оптических датчиков температуры в нефтедобывающих скважинах способно повысить качество получаемых данных в процессе эксплуатации. Цель. Показать, что снимаемое распределение температуры содержит случайные колебания, магнитуда которых сопоставима с величиной термоаномалий, вызванных фильтрационным течением нефти в коллекторе. Методы. Для уменьшения шума исходного сигнала, снятого с реальной нефтедобывающей скважины, проанализированы различные методы аппроксимации: медианное сглаживание, скользящее среднее, экспоненциальное сглаживание, Фурье-фильтрация, решающее дерево, случайный лес, адаптивный бустинг и метод ядерного сглаживания Надарайи–Ватсона. Результаты и выводы. Применение этих типов постобработки сигнала проанализировано по следующим параметрам: точность аппроксимации равновесного геотермического распределения в зумпфе, где возможно аналитическое определение распределения температуры, гладкость аппроксимирующей функции, единственность решения и требовательность к вычислительным ресурсам. Показано, что применение для данной задачи адаптивного бустинга и Фурье-фильтрации даёт наибольшие погрешности аппроксимации. Медианное сглаживание, экспоненциальное сглаживание и случайный лес дают сходные результаты по точности и характеризуются низкими вычислительными затратами. Первое не обладает гладкостью решения. Второе в значительной степени зависит от настроечных параметров, и полученное решение может быть либо также зашумленным, либо при гладком решении может проявиться систематическая погрешность, вызванная случайными отклонениями начальных точек. Такую погрешность можно компенсировать дополнительным усреднением на начальных этапах экспоненциального сглаживания. Аппроксимация случайным лесом также зависит от настройки: участки с переобученностью, на которых аппроксимация повторяет исходный сигнал, могут соседствовать с весьма грубым его приближением; при этом получается всегда новая аппроксимация при каждой генерации. Наилучшие результаты показал метод ядерного сглаживания Надарайи–Ватсона, поскольку найденное решение обладает наименьшей погрешностью, высокой гладкостью и единственностью, в отличие от ансамблевых методов машинного обучения. На основе анализа особенностей алгоритма этого метода, а также машинного представления действительных чисел предложены методы, позволяющие повысить вычислительную эффективность ядерного сглаживания Надарайи–Ватсона | ||
| 330 | |a Relevance. The use of distributed fiber-optic temperature sensors in oil production wells can improve the quality of data obtained during operation. Aim. To show that the captured temperature distribution contains random fluctuations, the magnitude of which is comparable to the magnitude of thermoanomalies caused by the filtration flow of oil in the reservoir. Methods. To reduce the noise of the original signal taken from a real oil well, various approximation methods: median smoothing, moving average, exponential smoothing, Fourier filtering, decision tree, random forest, adaptive boosting and Nadaraya–Watson kernel regression method, were analyzed. Results and conclusions. The authors analyzed the results of application of these types of signal post-processing in terms of the following parameters: accuracy of approximation of equilibrium geothermal distribution in the well sump, where analytical determination of temperature distribution is possible, smoothness of the approximating function, uniqueness of the solution and demandingness of computational resources. It is shown that the application of adaptive boosting and Fourier filtering for this problem gives the largest approximation errors. Median smoothing, exponential smoothing and random forest give similar results in accuracy and low computationalcosts. The first does not have smoothness of solution. The second one depends to a large extent on the tuning parameters and the obtained solution may be either noisy as well, or the smooth solution may exhibit systematic error caused by random deviations of the initial points. Such error can be compensated by additional averaging at the initial stages of exponential smoothing. The random forest approximation is also tuning dependent, and regions of overfitting where the approximation replicates the original signal may be adjacent to a very coarse approximation of the original signal; this always produces a new approximation at each generation. The best results were obtained by the Nadaraya–Watson kernel regression method, since the solution found has the lowest error, high smoothness and uniqueness, in contrast to machine learning methods. On the basis of analyzing the features of the algorithm of this method, as well as the machine representation of real numbers, we propose methods to improve the computational efficiency of the Nadaraya–Watson kernel regression | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 688369 |9 688369 |t Т. 337, № 8 |d 2026 |v С. 77-89 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a термограмма | |
| 610 | 1 | |a температурные аномалии | |
| 610 | 1 | |a геотермический градиент | |
| 610 | 1 | |a фильтрация сигнала | |
| 610 | 1 | |a постобработка сигнала | |
| 610 | 1 | |a экспоненциальное сглаживание | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a ядерное сглаживание Надарайи–Ватсона | |
| 610 | 1 | |a thermogram | |
| 610 | 1 | |a temperature anomalies | |
| 610 | 1 | |a geothermal gradient | |
| 610 | 1 | |a signal filtering | |
| 610 | 1 | |a signal post-processing | |
| 610 | 1 | |a exponential smoothing | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a Nadaraya–Watson kernel regression | |
| 701 | 1 | |a Никулин |b И. Л. |g Илларион Леонидович | |
| 701 | 1 | |a Мишуринских |b С. В. |g Сергей Владимирович | |
| 701 | 1 | |a Чудинов |b П. Ю. |g Павел Юрьевич | |
| 701 | 1 | |a Семенов |b А. С. |g Александр Сергеевич | |
| 701 | 1 | |a Мелехин |b А. А. |g Александр Александрович | |
| 701 | 1 | |a Никулина |b Д. И. |g Дарья Илларионовна | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа энергетики |c (2017- ) |9 28319 |
| 801 | 0 | |a RU |b 63413507 |c 20261007 | |
| 850 | |a 63413507 | ||
| 856 | 4 | 0 | |u bulletin_tpu-2026-v337-i8-08.pdf |z bulletin_tpu-2026-v337-i8-08.pdf |
| 856 | 4 | 0 | |u https://doi.org/10.18799/24131830/2026/8/5054 |z https://doi.org/10.18799/24131830/2026/8/5054 |
| 942 | |c CF | ||