摘要：针对当前石油钻井井场对有毒和可燃气体的安全防护系统可靠性差,不具备联网、数据分析处理、跟踪、追溯等功能的问题。故障定位精度低影响石油钻井生产效率的问题,在传统声、光报警安全防护的基础上加装物联网模块无缝接入云平台,将气体报警器采集到的有毒、可燃气体的浓度、环境温度等相关数据通过大数据处理、分析、挖掘,形成对所有部署的监测点产生的数据实时存储到平台数据中心,通过大数据分析进行一定的分析研判,预测应急、辅助决策等,增加石油钻井井场工作环境的稳定性、可靠性。

摘要：为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块。以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的Alex Net、VGG16、VGG19、Goog Le Net 4种卷积神经网络结构进行学习训练,结果显示各类卷积神经网络结构对训练集与测试集的识别准确率均达93%以上,且各个网络在训练过程中的训练集与测试集的准确率及代价函数的走势曲线基本一致。其中,Alex Net网络结构的识别准确率最高,测试集为98.51%,且未发生过拟合现象;VGG16、VGG19网络结构的准确率次之;Goog Le Net网络结构的识别准确率相对较低。为检验深度学习卷积神经网络在数字地震台网实时运行过程中的事件判别效能,选取训练好的Alex Net卷积神经网络开展基于单个事件多个台站波形记录的事件类型判定检验。最终结果显示,在山东台网实时触发的110个M≥0.7事件中,共有89个事件的类型被准确识别,准确率约为80.9%。具体到各个类型事件中,天然地震的准确率约为74.6%;爆破的准确率约为90.9%;塌陷事件的准确率为100%。若删除其中由于波形失真而造成的类型识别错误事件,则天然地震的识别准确率将提高至91.4%,而所有事件的整体识别准确率也将由80.9%提高至91.7%,与目前地震台网日常工作中人工判定的识别准确率基本相当。这表明,深度学习技术可以快速高效地实现天然地震与爆破、塌陷的事件类型识别。