Multi-function composite data generation and PIMamba model for fault diagnosis in sucker-rod pumping wells
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Petroleum is a critical energy resource in modern society, and its exploration and production are essential for meeting global energy demands. Dynamometer cards are important graphics that reflect the operational conditions of pumping wells, and their recognition is crucial for optimizing oil well production and diagnosing faults. With the development of deep learning, several automated methods based on deep learning have been proposed to analyze the specific working conditions of pumping wells from dynamometer cards. However, the sucker rod production system (SRPS) operates in a complex and variable environment, resulting in scarce effective samples and dynamometer card features that are sparse and informationally limited. To overcome these challenges, we propose a multi-function composite data generation paradigm that integrates diverse functional characteristics, generating 11 classes of highly interpretable single-condition images as training data for a prior model. This establishes a foundation of prior knowledge for training on subsequent actual condition data. Additionally, we introduce the Patch Importance Mamba (PIMamba) model, a dynamometer card recognition framework based on the State Space Model (SSM) architecture. The PIMamba model includes a Patch Importance (PI) module that assigns higher weights to data blocks containing key feature information, effectively filtering out irrelevant or low-sensitivity data and enhancing feature extraction precision and efficiency. In the Gaskule area of the western Qaidam Basin, PIMamba achieved a dynamometer card recognition accuracy of 94.73%, offering a novel approach to fault recognition in dynamometer cards and highlighting the significant potential of deep learning in the petroleum sector.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle