一种基于深度学习的随钻测量信道估计方法与流程

1.本发明属于通信领域，特别是钻头钻井过程中测量、采集钻头附近测井数据，并将采集数据实时传输到地面系统的技术领域。


背景技术：

2.随钻测量是一种能在钻头钻井过程中测量、采集钻头附近测井数据，并将采集数据实时传输到地面系统的技术。测井数据通常包括地层特性信息和各种钻井工程参数。作为目前用于钻井随钻测量中最成熟的信息传输技术之一，钻井液压力信号传输方式的基本工作原理是将井下测得的信息转换成控制信息，并将控制信息作用于井下的钻井液压力信号发生器，使传输信道中的钻井液压力发生变化，从而产生钻井液压力脉动，压力脉动通过传输信道中的钻井液传递到地面，经地面处理系统处理而转换成所需的井下测量信息。钻井液随钻测量系统的总体结构如图1所示。
3.随钻测量(mwd：measurement while drilling)技术中，钻井液mwd遥传系统因其传输介质的独特性、发射信号方式的特殊性以及现场工作环境的复杂性，使其传输信道不仅具有多径传播导致的频率选择性和高强度的高斯噪声，同时还具有非线性和很强的周期噪声影响。面对以上情况，传统的信道估计方法性能严重受限，甚至无法工作。
4.由于随钻测量系统工作的环境的恶劣性和钻井液压力信号传输方式的特点，使得钻井液信道相较一般无线信道更加复杂。钻井液信号传输特性主要包含信号的传输速度、信号衰减、信号的反射等。但是对于钻井液压力传输系统，压力脉冲信号在钻柱中从井底向井口的传输过程当中，由于钻井液属于气、液、固三相流，其间含有粘土、岩屑、重晶石粉等固相物质，并且往往存在着游离状态的气体等气相物质，通过脉冲发生器产生的钻井液压力信号强度会不断地衰减，衰减程度受信号频率及传输距离的影响，也与钻井液信道的内径、钻井液类型和组分、粘度、体积含气率等内部参数有关。所以，钻井液信道是一个传输特性非常复杂的信道。也正因如此，随钻测量系统钻井液信道相较于一般无线信道呈现出不同的特性，具体表现为具有一般无线信道的频率选择性之外，还具备更强的噪声干扰、直流分量和非线性的特征。这些信道的特殊性使得传统的信道估计方法ls和mmse都无法工作，因此我们提出了一种适合随钻测量系统信道估计的深度学习方法。
5.目前的随钻传输技术主要包括三大技术：钻井液传输、声波传输及电磁波传输。三种传输技术各有优缺点，声波传输及电磁波传输目前均没有大规模应用，主要原因是技术还不成熟，有的需要依赖中继技术。但声波传输及电磁波传输具有潜在的高速率优势。而钻井液传输技术是目前最成熟可靠的，应用也最广泛的随钻传输技术，但其缺陷也很明显。目前的钻井液传输技术由于受信道的时间色散、非线性、地面各种震动噪声及泥浆泵泵冲干扰等的影响，传输速率较低，大多仅能达到3bps，国内最先进的可以达到10bps，国际最先进的能达到12bps。复杂工况下的鲁棒性也会受到不同程度的影响，例如钻压波动较大的工况。造成传输性能下降的一个重要的原因就在于接收均衡器的性能受到了较为严重的影响。


技术实现要素：

6.信道估计是通信系统的一个关键信号处理单元，特别是对于存在时间色散信道，精确的信道估计对于接收信号均衡性能是非常重要的。同时对于钻井液随钻传输系统，精确的信道估计结果有助于全面了解整个传输频带的频率选择特性，为传输参数的优化选择提供基础。本发明针对现有技术的不足改进设计了一种基于深度学习的随钻测量信道估计方法，该方法解决了现有技术存在的问题：钻井液随钻传输信道由于其信号产生、传输机制及地面的信号接收环境的决定，其传输通道具有严重的非线性和较强噪声干扰。传统的信道估计方法在非线性及强噪声环境下的估计性能会严重下降。而本发明所提的深度学习方法利用深度神经网络在非线性和强噪声条件下，相对于传统的信道估计方法能显著提高信道估计的精度。
7.本发明技术方案为一种基于深度学习的随钻测量信道估计方法，该方法为发送端首先发送一段chirp信号，作为一个完整帧的起始标志，接收端接收到chirp信号，对该信号进行如下处理：
8.步骤1：接收端对接收chirp信号首先通过消噪子网络，该消噪子网络由全连接网络构成，具有2个隐藏层，每层神经元个数为256；
9.步骤2：然后对经过消噪子网络的chirp信号和本地chirp信号分别进行fft运算，分别得到y(k)和x(k)，将经过fft运算的两个chirp信号进行结合,即y(k)/x(k)；
10.步骤3：将结合后的信号输入信道估计子网络，信道估计子网络输出信道的频率响应估计值；所述信道估计子网络依次包括1个具有128个单元的双向lstm层和两个全连接网络层，两个全连接网络层的神经元个数分别为512和256；信道估计子网络中的激活函数采用relu，优化器使用adam优化算法；
11.步骤4：根据信道的频率响应估计值对后续信号进行接收。
12.本发明的主要优点在于能在钻井液随钻传输信道的非线性的条件下的信道估计性能显著优于传统方法。在没有非线性的传统信道中，由于引入了深度学习方法，其估计性能也优于传统方法。在非线性、噪声及泵冲干扰同时存在的实际钻井液随钻信道中，传统方法已经几乎无法使用，而本发明的方法依然能够以实现较高精度的信道估计。
附图说明
13.图1为钻井液mwd系统示意图；
14.图2为数据帧格式示意图；
15.图3为本发明深度学习网络概图；
16.图4为本发明网络结构示意图；
17.图5为非线性影响下的信道估计方法mse性能对比图；
18.图6为无非线性影响下的信道估计方法mse性能对比图；
19.图7为是否具有消噪子网络的mse性能对比图；
20.图8为与传统消噪方法之间的mse性能对比图；
21.图9为模型微调前后的mse性能对比图；
22.图10为mwd实测噪声信道下的mse性能图。
具体实施方式
23.在钻井液mwd系统中，井下的钻井液发生器产生的钻井液脉冲信号x(t)经钻井液信道发送到地面，由地面的压力传感器采集得到，地面的接收信号为：
24.y(t)＝x(t)*h(t) z(t)
ꢀꢀ
(2
‑
1)
25.式(2
‑
1)中y(t)代表接收信号；x(t)是井下发送信号，即脉冲发生器产生的压力波；h(t)是信道的时域脉冲响应，即对钻井管道的信道描述；“*”为卷积算子；z(t)为噪声信号；通常为完成信道估计，需要在发送端x(t)中插入已知的训练序列，在接收端利用发送的训练序列对应的 y(t)完成信道估计；根据傅里叶变换，信号在时域的卷积对应频域的乘法，因此，式(2
‑
1)所对应的频域表达式如下：
26.y(k)＝x(k)h(k) z(k)
ꢀꢀ
(2
‑
2)
27.具体在钻井液mwd系统中，系统的数据帧结构如下：
28.如图2所示，对于一个完整帧的传输而言。系统在开始工作之后，首先会向地面发送一段chirp 信号，作为一个完整帧的起止标志，用于系统的粗同步；然后，会有一段可调的固定长度的空白时间间隔(gap)，其目的主要是为了将同步头和信号区分；之后系统会循环发送小帧数据，其中头部m序列用于系统细同步，尾部m序列用于检错校验，中间部分是用户数据。小帧之间是连续发送的，没有空白时间间隔，同时小帧的个数也是可调的。
29.本文所提的深度学习信道估计方法dncenet，可以利用完整帧中最开始部分的chirp信号完成对信道的估计。因为钻井液信道在一段比较长的时间内，在时间上具备一定的平稳特性，所以在系统开始工作时利用chirp信号估计得到的信道信息，可以用于未来一段时间内系统频点和码率的正确指导，因此对系统解调性能的提高具有重要意义。dncenet的网络结构概图如图3所示。
30.网络为多输入单输出的结构，接收到的chirp信号y(k)先通过消噪子网络，对强噪声进行一定程度的消噪，然后和接收端本地的chirp信号在频域结合(y(k)/x(k))，之后将该值送入信道估计子网络，完成最终的频域信道估计，得到信道的频率响应估计值h。网络的具体结构如图4。网络的输入为接收端的chirp信号和本地的chirp信号，输出为信道的频率响应。其中消噪子网络由全连接网络构成，具有2个隐藏层，每层神经元个数为256；fft运算部分中，没有训练神经元，该运算只是为了将时域信号转化为频域信号；信道估计子网络部分，由 1个具有128个单元的双向lstm层和2个全连接网络层构成，2个全连接网络层的神经元个数分别为512和256。由于信道的频率响应和时间密切相关，这里双向lstm的使用使得网络可以学习到信道序列时间维度上的信息，使网络学习到的信息更多，收敛速度更快。网络中的激活函数采用relu，优化器使用adam优化算法。
31.网络训练
32.网络训练使用的损失函数为均方误差mse(mean square error)。网络模型在一系列信噪比snr下进行了训练，具体而言，文中的网络对snr在0db～30db范围内每隔3db的信噪比下，都使用训练数据对网络进行了训练。对每个snr而言，训练集、验证集和测试集的样本数分别为51200，8192和2048。网络的训练数据由仿真生成。整个网络的训练分为3个阶段：
33.第一个阶段，称为预训练。这一阶段针对消噪子网络进行训练，消噪子网络的输入为接收端的chirp，网络的监督目标为不受高斯噪声影响的chirp信号。可以看出，消噪子网
络的作用就是对接收信号的强噪声进行一定程度的去除，以便后续信道估计的效果更好；第二个阶段，开始正式训练。这一阶段对整个dncenet网络进行端到端训练，但需要注意的是，训练过程中应该将已经训练好的消噪子网络权重进行“冻结”，即不对该部分权重进行更新。第三个阶段，称为模型的训练微调。此时对上一阶段已经训练好dncenet进行训练微调，具体做法为将 dncenet已经训练好的权重全部“冻结”，只将消噪子网络的训练权重打开，网络训练的学习率变为原学习率的1/1000，防止过拟合。经过三个阶段之后，网络的训练结果表现出明显的优势。
34.仿真结果分析
35.这一部分将会对dncenet深度学习方法的性能进行比较分析。结合钻井液mwd系统信道的特性，仿真结果分析将主要从以下几个方面进行：(1)对非线性影响的处理能力。因为非线性的影响导致传统的信道估计方法几乎无法使用，这也是本文最想解决的问题；(2)消噪子网络的作用。因为钻井现场环境恶劣，信号会遭受比一般无线通信系统更大能量的噪声干扰，因此文中设计了消噪子网络，以便一定程度上减少噪声对信道估计的影响；(3)模型微调带来的好处。网络通过使用模型微调技术，使得网络性能得到进一步的优化；(4)鲁棒性。文中使用的训练数据虽然是仿真生成的，但实验中对钻井现场实测噪声进行信道估计的结果表明， dncenet网络对实测噪声信道也具有比较强的鲁棒能力。
36.图5和图6分别为信道受非线性影响和不受非线性影响下的mse(mean square error，均方误差)性能对比。从图6可以看出，当信道只是具有频率选择性和高斯噪声时，传统的信道估计方法ls和mmse虽然估计性能受到影响但还可以工作。同时从图中可以看出，此时本文所提的dncenet信道估计性能相较ls和mmse方法具有明显优势。另一方面，图中所示的 channelnet和dl_ce方法，为目前先进的两种深度学习信道估计方法，可以看出dncenet的性能不仅优于传统的信道估计方法，而且与现有的深度学习信道估计方法相比，仍然具有较为明显的优势。当信道受到非线性特性影响时，从图5中可以看出，传统的ls和mmse信道估计方法此时几乎不能工作，而dncenet仍然具有突出的性能，不论与ls和mmse相比，还是同其它深度学习信道估计方法相比，都具有比较明显的优势。
37.图7所示，dncenet网络中加入消噪子网络之后，网络的信道估计性能在snr为0db
‑
30db 的整个信噪比实验范围内都得到了提高，而且性能的提高随着snr的增加越来越明显。考虑到 mwd系统现场工作时遭受的噪声是不确定的，而深度学习的方法在离线训练后，对噪声具有一定的鲁棒性，因此该消噪子网络的加入对于dncenet具有重要的意义；除了采用神经网络的方法进行系统的消噪处理之外，文中还对传统的信号消噪方法moving
‑
average和 savitzky
‑
golay进行了实验仿真。结果如图8所示，可以看出使用深度学习的消噪子网络相较于传统的消噪方法具有明显的优势，因此本文选择使用消噪子网络作为dncenet的消噪环节，以便得到更好的信道估计性能。
38.图9所示为网络训练过程中，模型微调前后的信道估计mse性能对比，从图中可以看出，从snr为10db开始，模型微调带来性能的提升越来越明显；图10中，在dncenet网络不进行任何额外训练的情况下，直接对实测钻井液mwd噪声信道进行信道估计。从图中可以看出，即使文中对dncenet的训练使用的是仿真生成的数据集，但在对实测噪声信道进行估计时 dncenet仍然表现出了比较优越的性能，也一定程度验证了dncenet对实际工程现场的泛化性了鲁棒性。
39.本发明将深度学习的方法引入了钻井液mwd遥传系统的信道估计中。提出了新的信道估计深度学习网络模型dncenet和相应的网络训练方法。验证了传统ls和lmmse方法在非线性影响下信道估计存在性能严重受限的问题，并提出了深度学习方法对该问题进行解决。网络内部针对强噪声背景，在网络前级设计了消噪子网络。并提出相应于该子网络的特定训练方法：在整个网络进行训练之前，先对该子网络进行预训练；在整个网络训练之后，对该子网络进行训练微调。利用实测钻井液mwd噪声信道数据，在一定程度上对网络进行了泛化性验证。