基于无监督学习的抽油机井示功图自动聚类与批量标注方法.pdf

第 19 卷 第 1 期2024 年 1 月Vol.19 No.1Jan.2024中 国 科 技 论 文CHINA SCIENCEPAPER基于无监督学习的抽油机井示功图自动聚类与批量标注方法王相1，邵志伟1，张雷2，张中慧2，肖姝2（1.常州大学石油与天然气工程学院，江苏常州 213000；2.中国石化胜利油田分公司石油工程技术研究院，山东东营 257015）摘 要：为充分利用大量未标注样本、节约人力与时间，提出了基于无监督学习的抽油机井示功图自动聚类与批量标注方法。首先，将抽油机驴头往复运动产生的位移、载荷数据转化为示功图图片样本，其中，示功图的横坐标为位移，纵坐标为载荷；其次，加载在ImageNet上训练过的带有一系列权重参数、具有强特征提取能力的卷积神经网络模型；然后，去除该网络模型的全连接层，利用该网络模型提取示功图图片样本的特征；最后，利用k-means聚类算法对提取到的特征进行聚类分析，将具有相似特征的示功图聚到同一文件夹中。批量的对示功图聚类结果进行快速标注，从而形成抽油机井故障诊断的示功图样本集。实验随机搜集了100口抽油机井的20 000条示功图数据，结果表明，基于无监督学习的抽油机井示功图自动聚类与批量标注方法耗时短、准确率高，为示功图样本集标注提供了一种高效方法，对于充分挖掘油田大数据的应用价值具有示范意义。关键词：抽油机；示功图；故障诊断；k-means聚类；样本标注中图分类号：TE355 文献标志码：A文章编号：2095-2783（2024）01-0063-07开放科学（资源服务）标识码（OSID）：Automatic clustering and batch marking method for indicator diagram of pumping well based on unsupervised learningWANG Xiang1，SHAO Zhiwei1，ZHANG Lei2，ZHANG Zhonghui2，XIAO Shu2（1.School of Petroleum and Natural Gas Engineering，Changzhou University，Changzhou，Jiangsu 213000，China；2.Sinopec Shengli Oilfield Branch Petroleum Engineering Technology Research Institute，Dongying，Shandong 257015，China）Abstract：In order to make full use of a large number of unmarked samples and save manpower and time，an automatic clustering and batch marking method for indicator diagram of pumping well based on unsupervised learning was proposed.First，the displacement and load data generated by the reciprocating motion of the pumping unit horsehead were converted into the sample of the indicator diagram，where the abscissa of the indicator diagram was the displacement and the ordinate is the load.Secondly，the convolution neural network model with a series of weight parameters and strong feature extraction ability that had been trained on ImageNet was loaded.Then，the full connection layer of the network model was removed，and the network model to extract the characteristics of indicator diagram image samples was used.Finally，k-means clustering algorithm was used to cluster the extracted features and cluster the indicator diagrams with similar features into the same folder.Batch of indicator diagram clustering results were quickly marked to form a sample set of indicator diagrams for fault diagnosis of pumping wells.Twenty thousand indicator diagram data from 100 pumping wells were randomly collected.The results show that the automatic clustering and batch marking method for indicator diagram of pumping well based on unsupervised learning is time-efficient and highly accurate.This method provides an efficient method for indicator sample set marking，which has exemplary significance for fully mining the application value of oilfield big data.Keywords：pumping well；indicator diagram；fault diagnosis；k-means clustering；sample marking抽油机是石油开采的主要工具1，抽油机井的故障诊断是石油勘探开发领域的关键问题之一，示功图2由抽油机工作时的一系列位移和载荷样本点组成，是抽油机井故障诊断的关键依据。近年来，由于机器学习技术的飞速发展，深度学习逐渐被广泛应用于抽油机井的故障诊断，卷积神经网络、BP神经网络、支持向量机等监督学习方法都被用于油井故障诊断方法的研究。传统的基于监督方式的抽油机井故障诊断技术，是对收集到的示功图样本一一进行人工标注，然后将标注好的数据收稿日期：2023-05-04基金项目：国家自然科学基金资助项目（52204027）；江苏省研究生科研与实践创新计划项目（KYCX23_3146）第一作者：王相(1989)，男，副教授，主要研究方向为石油工程大数据及人工智能，第 19 卷 中 国 科 技 论 文集送入模型训练，再利用训练好的模型进行工况诊断。监督方式的工况诊断方法涵盖的故障类型大多在几种至十几种，示功图样本集大多在上千张至1万多张3-6。各种监督学习算法都被尝试用于示功图故障诊断并不断得到优化。这类方法依赖于样本数量，样本量越大、覆盖的故障类型越多，诊断越准确、效果越好。然而人工标注样本需要耗费大量人力与时间，因此普遍存在示功图样本数量少、故障诊断类别少的问题，导致模型泛化能力差。在油田的实际应用场景中，未标注样本远远多于已人工标注的样本。以胜利油田数据中心7为例，该油田共有2万多口抽油机井，每口井每30 min采集1次位移载荷数据，每天有百万余条这类数据传入油田数据中心，而监督学习只对其中很少一部分数据进行标注、训练，从而造成了数据资源的巨大浪费。无监督学习中的聚类分析方法8能够利用计算机实现大量无标注数据资源的自动划分，聚类分析充分利用了大量无标注样本，被逐渐应用到各领域中，同时节约了大量人力与时间，如大学生体质数据聚类9、葡萄霜霉病检测分级10、火山地震的波形分类11。针对抽油机井故障诊断中大量无标注样本未被充分利用且样本标注耗费了大量人力与时间的问题，本文提出基于无监督学习的抽油机井示功图自动聚类与批量标注方法。研究结果也证明了该方法对于示功图快速标注的有效性、高效性，为示功图标注节约了大量人力与时间。1示功图图像特征提取1.1标准化示功图绘制绘制示功图是提取图像特征的前提。基于油田信息化建设成果，井下传感器不断采集的抽油机位移载荷实时数据不断传入油田数据中心，形成了抽油机井故障诊断的大数据12体系。根据示功图判断某抽油机井的故障类别，首先需要从油田数据库抓取出某一时间段内该油井的抽油机位移载荷数据，见表1，为某油田2021年7月10日某1口井的部分位移载荷数据。然后，对抓取的数据集作预处理操作。因为组成示功图的位移和载荷缺一不可，所以如有位移（W）或载荷（Z）缺失的，则删除整行数据。通常，位移和载荷中的异常数据反映出示功仪监测到不同类型的故障。例如，在图 1 中，异常现象表明示功仪监测到了载荷突变。由于在实际应用中需要监测这些情况，因此选择不对数据中的异常值进行处理。借助 Python 作为绘图工具，以位移为横坐标，载荷为纵坐标，为避免引起工况类别的误判，需绘制大小统一且标准化的示功图。示功图大小为100像素50像素，宽高比为2 1，纵轴取值范围限制在 0，max Z+（max Z-min Z）0.1，横轴取值范围限制在 minW，maxW13，示功图的标准化可避免因最大载荷和最小载荷差距小、示功图却饱满地占据整个工况卡片而导致的工况类别误判情况。1.2基于卷积神经网络的特征提取方法不同于传统的基于示功图图像像素矩阵或以传感器采集原始数据作为示功图特征的方法，本文提出一种基于卷积神经网络的示功图特征提取方法，模拟视觉神经过程从示功图图像中自动提取特征。卷积神经网络14是在近些年兴盛起来、受到了各界普遍关注和探讨的一种高效识别方法。卷积层是卷积神经网络的核心15，由每一个卷积的运算核所构成，也可以叫作特征提取层，主要用来学习获取表1位移载荷数据Table 1Displacement load data采集时间2021-07-10 00：00：332021-07-10 00：30：332021-07-10 01：00：33位移/m 0，0.006，0.018，0.036，0.062，0.095，0.131，0.174，0.220，0.266，0.304，0.250，0.207，0.161，0.118，0.085，0.057，0.026，0.013，0.0120，0.006，0.018，0.036，0.062，0.095，0.131，0.174，0.220，0.266，0.304，0.250，0.207，0.161，0.118，0.085，0.057，0.026，0.013，0.0120，0.006，0.018，0.036，0.062，0.095，0.131，0.174，0.220，0.266，0.304，0.250，0.207，0.161，0.118，0.085，0.057，0.026，0.013，0.012载荷/kN 41.320，43.110，45.350，47.830，50.720，52.760，53.860，54.030，54.030，54.140，38.670，38.670，38.730，38.730，38.900，39.680，40.140，40.140，40.510，40.510 41.120，42.790，44.980，47.430，50.460，52.620，53.860，53.970，54.060，54.200，38.810，38.810，38.610，38.610，38.670，39.440，39.990，40.050，40.450，40.510 41.260，42.990，45.070，47.520，50.460，52.680，53.800，53.950，53.970，54.030，38.930，38.930，38.700，38.550，38.550，39.300，39.990，40.140，40.630，40.680图1载荷突变异常Fig.1Load transient64王相，等：基于无监督学习的抽油机井示功图自动聚类与批量标注方法第 1 期图像中的特征，并且卷积运算核中的特征权重值也可以自动进行学习和更新。近年来，卷积神经网络被广泛运用于攻击检测16-17、易发性评估18、流体识别19等。ImageNet数据集是深度学习领域中图像分类、检测、定位的最常用数据集之一。ImageNet数据集中的图像类别有几万种，如animal、flower、fruit、person 等。20102017 年，ILSVRC（imagenet large scale visual recognition challenge）大赛从ImageNet数据集中抽取样本。该比赛诞生了 AlexNet（2012）、VGG（2014）、ResNet（2015）等深度学习网络模型。卷积神经网络在ImageNet数据集上学习过上千种物体的基本特征后，形成了带权重参数的预训练卷积神经网络模型20，具有强大的特征提取能力。MobileNetV221模型是由Google于2018年提出的，相对于MobileNetV1，精确度更高，模型更小。利用MobileNetV2预训练卷积神经网络模型提取示功图的特征，示功图的局部特征被映射到不同的神经元，再综合形成全局的信息，最终转化为一系列能够区分示功图类别的数字指标特征向量。本文所提方法充分利用了卷积神经网络的特征提取能力，为了专注于特征提取而非分类能力，移除了 MobileNetV2 预训练卷积神经网络模型的分类层，并利用该模型提取示功图的特征。该方法能自动学习提取示功图特征，无需手动设计特征提取算法。预训练的神经网络模型可直接应用于新的图像分类、目标检测等任务，无需重新训练特征提取器。此外，该方法可学习到高维的示功图特征表示，以更全面地描述示功图的特征。在特征提取之前，必须先对读取的示功图进行归一化处理。归一化是一种数据处理方式，能将数据经过处理后限制在 0，1 范围内。数据归一化后，最优解寻优时的波动会明显减小，收敛速度会更快，方法如下所示（假设是第i列）。x=xi-min()ximax()xi-min()xi。（1）式中：x为归一化后的特征参数；xi为原始特征参数；max(xi)为最大值；min(xi)为最小值。图像输入是转为向量（矩阵）输入的，而三通道图像则是指 RGB图像，比如蓝色为（0，0，255）。四通道图像则是在三通道图像上增加了 Alpha通道，Alpha代表了该像素的透明度，当Alpha为0时代表该像素完全透明，当Alpha为255时代表该像素完全不透明。一张三通道图像代表了一个三维数组，每个像素点的值都在 0，255 之间，归一化后每个像素点在0，1。如一张图像展平后为 255，255，255，255，255，255，归一化后为 1，1，1，1，1，1。对示功图（100503）进行预处理，使图片大小一致，读入图片数据集，展平、归一化使运算收敛速度更快。输入图像进入卷积层，MobileNetV2会将示功图的特征维度变换为421 280，最后再经过一次维度变换得到110 240的特征。该特征提取过程如图2所示。2基于k-means的示功图标注方法采用k-means聚类22算法对预训练卷积神经网络模型提取的特征向量进行聚类，具有相似特征的示功图被自动聚到同一类中，然后对示功图样本集的工况类别进行批量标注。2.1k-means基本原理聚类23主要是指通过从数据中找到可以描述其相互关联或区分的信息，从而对数据进行分类。类内相似性越大，表明类间差异越大，聚类效果就越好。也就是说，聚类的主要任务是达到类内的高相似度和类间的低相似度，使得类间的距离尽可能大，类内样本和类中心之间的距离尽可能小。基于划分的方法是一种最常用的聚类方法24，将所有对象分为互斥的集群进行聚类，每个对象属于一个集群，其目的是为了降低集群之间的相似度，使得集群内的相似程度更高，基于划分的常用算法有 k-means、k-medoids、k-prototype等。k-means聚类统计数据对象图2基于MobileNetV2的示功图特征提取过程Fig.2Feature extraction process of indicator diagram based on MobileNetV265第 19 卷 中 国 科 技 论 文与集群质心的距离，与质心相近的数据对象划分到同一集群中。k-means算法的具体步骤：1）指定k个初始质心，每个质心为一类。2）对于剩余的每个样本，统计它们与所有质心的距离，然后将它们归入最近的集群中。3）划分结束后，重新计算各个类的质心，再统计各个样本到各类质心的距离，对每个样本重新分类。4）重复步骤2）和步骤3），直到质心不再改变。k-means聚类的计算原理简单、容易实现，且运算效率高，另外，因为聚类结果易解释，所以可用于多维数据的聚类。但是不同的聚类中心可能会产生不同的聚类结果，必须克服初始聚类中心的选择对聚类结果产生的负面影响，使初始聚类中心之间的相互距离尽可能远，采用 k-means+算法进行优化。k-means+算法的具体步骤：1）在样本集X中随机选定1个样本为第一初始聚类中心a1。2）计 算 其 他 样 本x到 最 近 聚 类 中 心 的 距离D(x)。3）计算所有样本成为下一个聚类中心的概率P(x)，计算公式为：P(x)=D()x 2xX D()x 2。（2）4）选择最大概率值对应的样本作为下一个聚类中心。重复步骤2）步骤4），直到选出k个聚类中心。2.2距离度量常用的距离度量有欧式距离、曼哈顿距离、切比雪夫距离等。欧式距离适用于连续型数据，如数值型数据、图像数据等；曼哈顿距离适用于分类型数据，如文本数据、DNA序列等；切比雪夫距离则适用于具有方向性的数据，如棋盘距离、地图路线等。本文要对示功图的数值型数据进行距离度量，因此选择欧式距离作为距离度量方式。点x、y的欧氏距离（d）为d(x，y)=i=1n()xi-yi2。（3）式中：n为x或y包含的样本点数目；xi、yi为第i个样本点。2.3评价指标k-means算法需要优化的问题是使同一集群内的样本具有高相似性，就是使各集群内误差平方和（sum of squares due to error，SSE）25足够小，同样数据集的情况下，SSE越小，误差越小，聚类效果越好。当分类数量增加时，SSE的数值会变得越来越小，但并不是分类数量越多越好，因为将一个包含n个样本的数据分为n类是没有意义的。反之，则可通过SSE初步观察聚类的效果，具体公式如下：SSE=i=1KxCi()ci-x2。（4）式中：K为集群的数目；Ci为第i个集群，x为Ci中的点；ci为第i个集群的质心。轮廓系数（silhouette coefficient，SC）26是评价聚类结果的主要指标之一，分为内聚度和分离度，可理解为描述聚类后各集群的轮廓清晰度。内聚度可以理解为反映了样本与类内元素的相似程度，而分离度则可以理解为反映了样本与类外元素之间的差异。第i个集群的轮廓系数为S(i)=b()i-a()imax a()i，b()i。（5）式中：a(i)为样本的内聚度，即样本i到同集群内其他样本紧密程度的平均值；b(i)为集群间分离度，即样本i与其他集群的样本的平均距离。a()i计算方式如下：a(i)=1n-1jindistance(i，j)。（6）式中：n为集群数；j为与样本i在同一个集群内的其他样本；distance为求i与j的距离。a(i)越小说明该类越紧密。b()i计算方式如下：b(i)=min 1n-1jCndistance(i，j)。（7）将每个样本的轮廓系数求平均，就是总的聚类轮廓系数，轮廓系数（SC）在-1，1 之间，轮廓系数越大，聚类效果就越好。2.4操作流程该方法的具体流程如图3所示。3实验结果与分析3.1实验环境硬 件 环 境：Intel（R）Core（TM）i7-6700HQ CPU 2.60 GHz，内存 8 GB，硬盘 1 TB。软件环境：Window 10 64位操作系统，PyCharm Community Edition 2021.2。3.2实验数据从2 000口抽油机井中随机选择100口井，每口井选择200条数据，共20 000条数据。每条数据包括66王相，等：基于无监督学习的抽油机井示功图自动聚类与批量标注方法第 1 期400个位移载荷样本点（位移、载荷各200个），转化而成的20 000张示功图数据大小为100503（宽、高、通道数），包含多种工况类别，部分示功图数据如图4所示。3.3结果与分析为了探索示功图自动聚类与批量标注方法的时间效率以及是否适用于更大的数据集，使用该方法对不同数量的示功图进行聚类，分类数（k）均为80，计算5次实验的平均值，结果见表2。可以看出，随示功图数量的增加，该方法聚类耗时增加速度较慢且耗时较短，将4 000张示功图聚为80类需要164 s，将20 000张示功图聚为80类需要781 s。经过计算，示功图每增加4 000张，平均聚类耗时增加154 s。当数据量少时，划分细致、聚类效果较好；当数据量增多且k值不变时，单一类内示功图数量增多，使集群内SSE增大、轮廓系数减小。表3为20 000张示功图在分类数（k）不同时的聚类效果对比，其中数据为5次实验的平均值，当数据量不变时，随着分类数的增加，聚类耗时也不断增加，将 20 000 张示功图聚为 40 类需要 440 s，聚为80类需要 781 s，经过计算，20 000张示功图的分类数每增加10，平均聚类耗时增加85 s。同时，随着分类数的增加，示功图划分越细致，SSE值越小，轮廓系数越大，当聚类集群数超过200类时，轮廓系数逐渐下降，表明分类数在200时达到最佳聚类效果。聚类后具有相似形状特征的示功图自动划入同一文件夹中，由此产生200个文件夹，各文件夹中示功图的数量从26个到164个不等，平均每个文件夹中包含100张示功图。随机抽取其中9个文件夹，每个文件夹中随机抽取12张示功图，如图5所示。可以看出，本文建立的自动聚类方法划分准确率十分理想。在实际问题中，可根据专家经验确定一个分类数k，然后将数据集划分为k类，故障诊断只需要对这k类进行标注即可，实验结果充分证明了基于无监督学习的抽油机井示功图自动聚类与批量标注方法的可行性和高效性，可对更大数据集进行快速聚类和标注。4结论在示功图自动聚类与批量标注的实验研究中发现：随着样本数的增加，聚类耗时短、增幅小；当数据量保持不变时，随着分类数的增加，聚类耗时增幅越小，同时SSE减小，轮廓系数（SC）增大。本文所提方法适用于更大规模的示功图自动聚类与批量标注任务。传统的抽油机井故障诊断样本集制备依赖专家经验进行标注，耗时耗力，基于无监督学习的抽油机井示功图自动聚类与批量标注方法研究为抽油机井故障诊断的示功图样本集制备提供了自动化、快速的标注方法，在节约了大量人力与时间的同时可表2不同数据量聚类效果对比Table 2Comparison of clustering effects of different data quantities数据量/张4 0008 00012 00016 00020 000耗时/s164319477671781SSE4.281061.091071.901072.771073.54107轮廓系数0.280.270.260.240.23图3示功图标注方法流程Fig.3Flow chart of indicator diagram marking method图4无标注示功图数据集Fig.4Unmarked indicator diagram data set表3不同分类数聚类效果对比Table 3Comparison of clustering effects of different categories分类数/类4050607080耗时/s440548632705781SSE4.761074.341074.001073.761073.54107轮廓系数0.180.200.210.220.2367第 19 卷 中 国 科 技 论 文以更充分利用油田大数据资源。在今后的研究工作中，将在本研究基础上深入探索示功图的快速聚类与标注方法，研究不同特征提取模型在提取到不同长度特征向量情况下的示功图聚类效果，并对海量示功图数据集聚类任务中的最合适聚类数k做持续研究。（由于印刷关系，查阅本文电子版请登录：http: 王琦.机械采油现状及存在的问题分析 J.化学工程与装备，2019（7）：106-107.WANG Q.Analysis on the present situation and existing problems of mechanical oil recovery J.Chemical Engineering&Equipment，2019（7）：106-107.（in Chinese）2 陈静.基于油井示功图判断油井生产情况 J.化学工程与装备，2021（4）：121-122.CHEN J.Judging oil well production based on indicator diagram of oil well J.Chemical Engineering&Equipment，2021（4）：121-122.（in Chinese）3 段志刚，李汉周，司志梅，等.基于迁移学习的示功图诊断方法 J.石油化工自动化，2022，58（1）：72-76.DUAN Z G，LI H Z，SI Z M，et al.Diagnosis method of indicator diagram based on transferring learning J.Automation in Petro-Chemical Industry，2022，58（1）：72-76.（in Chinese）4 魏航信，张青.基于深度学习的示功图多混合故障诊断 J.机电工程技术，2022，51（3）：112-116.WEI H X，ZHANG Q.Multi-hybrid fault diagnosis of dynamometer cards based on deep learning J.Mechanical&Electrical Engineering Technology，2022，51（3）：112-116.（in Chinese）5 杜娟，刘志刚，宋考平，等.基于卷积神经网络的抽油机故障诊断 J.电子科技大学学报，2020，49（5）：751-757.DU J，LIU Z G，SONG K P，et al.Fault diagnosis of pumping unit based on convolutional neural network J.Journal of University of Electronic Science and Technology of China，2020，49（5）：751-757.（in Chinese）6 张强，朱刘涛，王彦琦.基于改进胶囊神经网络的示功图诊断模型 J.电子科技大学学报，2022，51（1）：117-122.ZHANG Q，ZHU L T，WANG Y Q.Indicator diagram diagnosis model based on improved capsule neural network J.Journal of University of Electronic Science and Technology of China，2022，51（1）：117-122.（in Chinese）7 杜守先.论胜利油田信息数据中心的建设 J.数字石油和化工，2007（3）：23-29.DU S X.The construction of Shengli oilfield information data center J.Digital Petroleum&Chemical，2007（3）：23-29.（in Chinese）8 董永峰，邓亚晗，董瑶，等.基于深度学习的聚类综述 J .计算机应用，2022，42（4）：1021-1028.DONG Y F，DENG Y H，DONG Y，et al.Survey of clustering based on deep learning J.Journal of Computer Applications，2022，42（4）：1021-1028.（in Chinese）9 郝霖霖.基于K-means聚类和BP神经网络的大学生体质类型评价模型 J.当代体育科技，2021，11（32）：1-8.HAO L L.Evaluation model of college students physique type based on K-means clustering and BP neural network J.Contemporary Sports Technology，2021，11（32）：1-8.（in Chinese）10李翠玲，李余康，谭昊然，等.基于 K-means 聚类和RF算法的葡萄霜霉病检测分级方法 J.农业机械学报，2022，53（5）：225-236，324.LI C L，LI Y K，TAN H R，et al.Grading detection method of grape downy mildew based on K-means clus图5示功图聚类效果Fig.5Cluster effect of indicator diagram68王相，等：基于无监督学习的抽油机井示功图自动聚类与批量标注方法第 1 期tering and random forest algorithm J.Transactions of the Chinese Society for Agricultural Machinery，2022，53（5）：225-236，324.（in Chinese）11IDA Y，FUJITA E，HIROSE T.Classification of volcano-seismic events using waveforms in the method of k-means clustering and dynamic time warping J.Journal of Volcanology and Geothermal Research，2022，429：107616.12李阳，廉培庆，薛兆杰，等.大数据及人工智能在油气田开发中的应用现状及展望 J.中国石油大学学报（自然科学版），2020，44（4）：1-11.LI Y，LIAN P Q，XUE Z J，et al.Application status and prospect of big data and artificial intelligence in oil and gas field development J.Journal of China University of Petroleum（Edition of Natural Science），2020，44（4）：1-11.（in Chinese）13王相，杨耀忠，何岩峰，等.基于深度学习的油井工况智能诊断技术研究及应用 J.油气地质与采收率，2022，29（1）：181-189.WANG X，YANG Y Z，HE Y F，et al.Research and application of intelligent diagnosis technology of oil well working conditions based on deep learning J.Petroleum Geology and Recovery Efficiency，2022，29（1）：181-189.（in Chinese）14KHAN A，SOHAIL A，ZAHOORA U，et al.A survey of the recent architectures of deep convolutional neural networks J.Artificial Intelligence Review，2020，53（8）：5455-5516.15严春满，王铖.卷积神经网络模型发展及应用 J.计算机科学与探索，2021，15（1）：27-46.YAN C M，WANG C.Development and application of convolutional neural network model J.Journal of Frontiers of Computer Science and Technology，2021，15（1）：27-46.（in Chinese）16蔡红云，袁世林，温玉，等.基于CNN和犹豫模糊决策的欺诈攻击检测 J.工程科学与技术，2022，54（3）：80-90.CAI H Y，YUAN S L，WEN Y，et al.Shilling attacks detection based on CNN and hesitant fuzzy sets J.Advanced Engineering Sciences，2022，54（3）：80-90.（in Chinese）17梁欣怡，行鸿彦，侯天浩.基于自监督特征增强的CNN-BiLSTM 网络入侵检测方法 J.电子测量与仪器学报，2022，36（10）：65-73.LIANG X Y，XING H Y，HOU T H.CNN-BiLSTM network intrusion detection method based onself-supervised feature enhancement J.Journal of Electronic Measurement and Instrumentation，2022，36（10）：65-73.（in Chinese）18高秉海，何毅，张立峰，等.顾及InSAR形变的CNN滑坡易发性动态评估：以刘家峡水库区域为例 J.岩石力学与工程学报，2023，42（2）：450-465.GAO B H，HE Y，ZHANG L F，et al.Dynamic evaluation of landslide susceptibility by CNN considering InSAR deformation：a case study of Liujiaxia Reservoir J.Chinese Journal of Rock Mechanics and Engineering，2023，42（2）：450-465.（in Chinese）19李兆亮，柳金城，王琳，等.基于神经网络的复杂储层流 体 分 级 识 别J.断 块 油 气 田，2020，27（4）：498-500.LI Z L，LIU J C，WANG L，et al.Fluid hierarchical identification of complex reservoir based on neural network method J.Fault-Block Oil&Gas Field，2020，27（4）：498-500.（in Chinese）20李锦明，曲毅，裴禹豪，