基于CNN-SVM和集成學(xué)習(xí)的固井質(zhì)量評(píng)價(jià)方法

摘要： 為解決固井質(zhì)量評(píng)價(jià)問(wèn)題， 提出一種基于CNN-SVM和集成學(xué)習(xí)的固井質(zhì)量評(píng)價(jià)方法. 首先， 針對(duì)DenseNet模型采取縮減網(wǎng)絡(luò)層數(shù)、 增加多尺度卷積層、 嵌入卷積注意力模塊等改進(jìn)措施， 以提高模型的訓(xùn)練速度和評(píng)價(jià)準(zhǔn)確率; 其次， 利用InceptionV1模塊和擴(kuò)張卷積構(gòu)建一個(gè)模型復(fù)雜度相對(duì)較小且評(píng)價(jià)準(zhǔn)確率相對(duì)較高的Inception-DCNN模型; 再次， 優(yōu)選3個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型（ResNet50，MobileNetV3-Small，GhostNet）， 利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力及支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化能力， 將上述模型分別與支持向量機(jī)組合成新的CNN-SVM模型， 以提升模型的泛化能力； 最后， 采用Bagging方式將5個(gè)新的CNN-SVM模型集成為一個(gè)強(qiáng)學(xué)習(xí)器， 從而提升評(píng)價(jià)結(jié)果的準(zhǔn)確度， 增強(qiáng)模型的抗干擾能力. 實(shí)驗(yàn)結(jié)果表明， 該方法對(duì)測(cè)試集中的3類(lèi)評(píng)價(jià)樣本的準(zhǔn)確率為97.69%， 與單個(gè)模型和其他方法相比提升了1～9個(gè)百分點(diǎn)， 驗(yàn)證了采用基于CNN-SVM和集成學(xué)習(xí)的方法進(jìn)行固井質(zhì)量評(píng)價(jià)是切實(shí)可行的.

關(guān)鍵詞： 固井質(zhì)量評(píng)價(jià)； 扇區(qū)水泥膠結(jié)測(cè)井； 集成學(xué)習(xí)； 卷積神經(jīng)網(wǎng)絡(luò)； 支持向量機(jī)

中圖分類(lèi)號(hào)： TP391" 文獻(xiàn)標(biāo)志碼： A" 文章編號(hào)： 1671-5489（2024）04-0960-11

Cementing Quality Evaluation Method Based onCNN-SVM and Integrated Learning

XIAO Hong， QIAN Yiming

（School of Computer and Information Technology， Northeast Petroleum University，Daqing 163318， Heilongjiang Province， China）

Abstract： In order to solve the problem of cementing quality evaluation， we proposed a cementing quality evaluation method based on CNN-SVM and integrated learning. Firstly， the method adopted improvement measures such as reducing the number of network layers， adding multi-scale convolutional layers， and embedding convolutional attention modules for the DenseNet model to improve the training speed and evaluation accuracy of the model. Secondly， the InceptionV1 module and dilated convolution were used to construct an Inception-DCNN model with relatively small model complexity and relatively high evaluation accuracy. Thirdly， three classic convolutional neural network models （ResNet50， MobileNetV3-Small and GhostNet） were selected. By utilizing the powerful feature extraction capabilities of convolutional neural networks and the structural risk minimization capabilities of support vector machines， the above" models were combined with a support vector machine to synthesize a new CNN-SVM model to improve the generalization ability of the model. Finally， the Bagging method was used to integrate the five new CNN-SVM models into a strong learner， thereby improving the accuracy of the evaluation results and enhancing the anti-interference ability of the model. The experimental results show that the accuracy of" the method for 3 types of evaluation samples in the test set is 97.69%， which is 1—9 percentage points higher than that of "a single model and other methods， thus verifying" the feasibility of using" methods based on CNN-SVM and ensemble learning for cementing" quality evaluation.

Keywords： cementing quality evaluation; sector cement cement logging; integrated learning; convolutional neural network; support vector machine

固井作業(yè)是鉆井工程中不可或缺的一部分， 也是油氣井建設(shè)的重要環(huán)節(jié)之一［1-2］. 固井質(zhì)量的好壞對(duì)油田的經(jīng)濟(jì)效益、 油氣資源的開(kāi)發(fā)進(jìn)度以及后續(xù)的鉆井工程、 完井工程都有重要影響. 因此， 固井質(zhì)量不僅是鉆井施工的關(guān)鍵， 也是油田勘探開(kāi)發(fā)的必要前提， 使得對(duì)固井質(zhì)量資料評(píng)價(jià)的精度要求逐漸提高［3］.

目前， 評(píng)價(jià)固井質(zhì)量的方法主要包括壓力測(cè)試、 聲幅變密度測(cè)井（CBL/VDL）和扇區(qū)水泥膠結(jié)測(cè)井（sectoral cement cementation logging， SBT）. 壓力測(cè)試在經(jīng)濟(jì)可行性方面存在限制， 實(shí)踐經(jīng)驗(yàn)表明， 過(guò)高的壓力可能導(dǎo)致水泥環(huán)被破壞， 從而造成經(jīng)濟(jì)損失. 聲幅變密度測(cè)井克服了上述缺陷， 但只能通過(guò)聲幅和變密度兩條曲線評(píng)價(jià)固井質(zhì)量［4］， 無(wú)法反映水泥環(huán)環(huán)向膠結(jié)的均勻性. 而扇區(qū)水泥膠結(jié)測(cè)井消除了上述問(wèn)題的影響， 除具備常規(guī)聲幅變密度測(cè)井的功能外， 它還能清楚直觀地顯示扇區(qū)水泥成像圖［5］. 因此， 扇區(qū)水泥膠結(jié)測(cè)井是目前評(píng)價(jià)固井質(zhì)量的主要方法之一. 但SBT評(píng)價(jià)固井質(zhì)量是一個(gè)復(fù)雜的過(guò)程， 通常需要石油領(lǐng)域?qū)＜腋鶕?jù)多年的經(jīng)驗(yàn)進(jìn)行手動(dòng)評(píng)價(jià).

隨著測(cè)井資料的不斷增多， 難免會(huì)存在主觀性強(qiáng)、 速度慢、 效率低等問(wèn)題. 因此， 固井質(zhì)量評(píng)價(jià)自動(dòng)化研究備受關(guān)注.

陳向軍等［6］提出了用聲能法評(píng)價(jià)固井質(zhì)量， 該方法效率高但精度不夠； 杜冬楠等［7］將影響評(píng)價(jià)結(jié)果的7個(gè)固井參數(shù)變量作為輸入， 用LM（levenberg-marquardt）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)輸出固井質(zhì)量預(yù)測(cè)結(jié)果， 但存在學(xué)習(xí)時(shí)間長(zhǎng)、 識(shí)別效率低和隱含層節(jié)點(diǎn)數(shù)不確定等缺點(diǎn)； Santos等［8］利用測(cè)井?dāng)?shù)據(jù)使用高斯過(guò)程回歸算法生成新的特征曲線， 并通過(guò)新曲線對(duì)固井質(zhì)量進(jìn)行評(píng)價(jià)； Liu等［9-10］將同一深度點(diǎn)的4個(gè)首波幅度作為固井質(zhì)量的特征屬性， 用粒子群優(yōu)化算法（PSO）和遺傳算法（GA）對(duì)支持向量機(jī)（support vector machine， SVM）的參數(shù)進(jìn)行優(yōu)化， 提出了基于PSO-SVM和GA-SVM的固井質(zhì)量評(píng)價(jià)模型， 但該方法存在耗時(shí)過(guò)長(zhǎng)的問(wèn)題; 鄭雙進(jìn)等［11］在對(duì)固井質(zhì)量諸多影響因素分析的基礎(chǔ)上， 采用遺傳算法對(duì)與支持向量機(jī)思路相反的支持向量回歸（SVR）參數(shù)進(jìn)行優(yōu)化， 提出了基于GA-SVR的固井質(zhì)量預(yù)測(cè)模型， 以影響因素的相關(guān)數(shù)據(jù)作為輸入量對(duì)固井質(zhì)量進(jìn)行預(yù)測(cè). 但SVM依賴(lài)于手工特征提取， 通常需要領(lǐng)域?qū)＜业闹R(shí)和經(jīng)驗(yàn)進(jìn)行特征選擇和提取. 尚福華等［12］基于SBT測(cè)井， 將同一深度點(diǎn)的首波幅度作為輸入， 采用帶有非線性連接權(quán)的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)固井質(zhì)量的評(píng)價(jià)； Voleti等［13］基于CBL/VDL測(cè)井， 采用隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)固井質(zhì)量的自動(dòng)評(píng)價(jià)； Fang等［14］基于CBL/VDL測(cè)井， 提出了一種具有不同大小內(nèi)核的多尺度感知卷積神經(jīng)網(wǎng)絡(luò)， 該網(wǎng)絡(luò)用于提取和融合變密度波形圖中不同尺度的信息， 通過(guò)識(shí)別變密度波形圖評(píng)價(jià)固井質(zhì)量. 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）可自動(dòng)從輸入數(shù)據(jù)中提取特征， 避免了手動(dòng)特征提取的繁瑣過(guò)程， 并通過(guò)將提取的特征提供給Softmax分類(lèi)器， 完成分類(lèi)任務(wù). Softmax分類(lèi)器與SVM分類(lèi)器的分類(lèi)能力相比， 顯然采用核函數(shù)實(shí)現(xiàn)特征映射的SVM更好. 因此， 研究者們又提出了在構(gòu)建CNN時(shí)用SVM替換Softmax分類(lèi)器的方法， 該方法目前在故障診斷［15］、 醫(yī)學(xué)檢測(cè)［16］、 人體活動(dòng)識(shí)別［17］等多領(lǐng)域應(yīng)用廣泛.

基于SBT測(cè)井所得的成像圖評(píng)價(jià)固井質(zhì)量本質(zhì)上可歸結(jié)為圖像分類(lèi)問(wèn)題， 而傳統(tǒng)研究方法大多數(shù)只采用某一種網(wǎng)絡(luò)模型， 通過(guò)改變其中某些參數(shù)提升網(wǎng)絡(luò)性能. 但單一網(wǎng)絡(luò)受其結(jié)構(gòu)的限制， 即使通過(guò)參數(shù)調(diào)整， 性能仍很難超越其自身的極限. 集成學(xué)習(xí)可綜合各弱學(xué)習(xí)器的優(yōu)勢(shì)形成一個(gè)強(qiáng)學(xué)習(xí)器， 從而提升學(xué)習(xí)器的應(yīng)用效果. 在基于SBT測(cè)井成像圖的固井質(zhì)量評(píng)價(jià)領(lǐng)域， 基于集成學(xué)習(xí)的評(píng)價(jià)方法目前尚未見(jiàn)文獻(xiàn)報(bào)道. 基于此， 本文提出一種基于CNN-SVM和集成學(xué)習(xí)的固井質(zhì)量自動(dòng)化評(píng)價(jià)方法. 該方法利用SBT測(cè)井得到的變幅度圖（扇區(qū)水泥成像圖）和變密度波形圖作為輸入， 通過(guò)CNN自動(dòng)提取測(cè)井成像圖的數(shù)據(jù)特征， 使用SVM進(jìn)行分類(lèi)， 最終將5個(gè)訓(xùn)練好的CNN-SVM模型集合成一個(gè)強(qiáng)分類(lèi)器， 實(shí)現(xiàn)固井質(zhì)量的自動(dòng)評(píng)價(jià).

1 CNN-SVM模型

1.1 CNN模型

1.1.1 改進(jìn)的DenseNet-121模型

DenseNet模型［18］是稠密連接網(wǎng)絡(luò)， 由密集連接塊（dense block）和過(guò)渡層（transition layer）組成， 具有高度的參數(shù)共享和特征重用［19］.

DenseNet-121模型包含4個(gè)密集連接塊和3個(gè)過(guò)渡層， 并以全局平均池化層和全連接層結(jié)尾. 改進(jìn)后的DenseNet-121網(wǎng)絡(luò)模型架構(gòu)如圖1所示. 經(jīng)仿真實(shí)驗(yàn)驗(yàn)證， 改進(jìn)后的模型有效、 可靠. 改進(jìn)措施如下：1） 盡管該模型通過(guò)特征重用在很大程度上減少了參數(shù)量， 但在減少網(wǎng)絡(luò)層數(shù)的仿真測(cè)試中發(fā)現(xiàn)， 網(wǎng)絡(luò)層數(shù)的減少對(duì)固井質(zhì)量的評(píng)價(jià)結(jié)果并沒(méi)有較大影響， 證明DenseNet-121網(wǎng)絡(luò)存在特征冗余. 因此， 考慮到固井質(zhì)量的數(shù)據(jù)特征較簡(jiǎn)單， 并不需要更深的網(wǎng)絡(luò)獲取特征， 為提升模型訓(xùn)練效率， 本文將網(wǎng)絡(luò)中Dense Block的瓶頸層數(shù)目由原來(lái)的6，12，21，16縮減為3，6，8，4.2） 考慮到特征提取時(shí)， 不僅需要特征數(shù)據(jù)的小尺度信息（位置和顏色等級(jí)）， 還需要大尺度信息（形狀和數(shù)目）， 本文在Dense Block結(jié)構(gòu)前添加多尺度卷積層， 通過(guò)3個(gè)不同大小的卷積核并行操作， 同時(shí)檢測(cè)成像圖的大小尺度信息.3） 將CBAM（convolutional block attention module）［20］注意力機(jī)制模塊嵌入到模型中的每個(gè)Dense Block中， 通過(guò)賦予固井質(zhì)量特征圖中重要信息更大的權(quán)重， 使DenseNet重視對(duì)評(píng)價(jià)有用的特征， 從而提高固井質(zhì)量評(píng)價(jià)的準(zhǔn)確性.

1.1.2 Inception-DCNN

本文設(shè)計(jì)的Inception-DCNN模型結(jié)構(gòu)如圖2所示. 網(wǎng)絡(luò)中各層的含義解釋如下.

1） 輸入層. 讓輸入層接收SBT測(cè)井所得的變幅度圖和變密度波形圖對(duì)應(yīng)的特征向量， 從而進(jìn)行下一步的特征提取.

2） Block塊. 引入擴(kuò)張卷積（dilated convolution， DC）、 批量歸一化（batch normalization， BN）和ReLU激活函數(shù)提高模型的表達(dá)能力. DC通過(guò)增加卷積核的感受野， 使其能捕獲更大范圍的上下文信息， 同時(shí)保持網(wǎng)絡(luò)的計(jì)算復(fù)雜度相對(duì)較低. BN可以利用小批量上的均值和方差調(diào)整上一卷積操作的輸出， 通過(guò)減少網(wǎng)絡(luò)中間層的內(nèi)部協(xié)變量偏移使網(wǎng)絡(luò)層之間的分布更穩(wěn)定［21］， 從而加速訓(xùn)練過(guò)程， 增強(qiáng)模型的泛化能力. ReLU激活函數(shù)可以增強(qiáng)網(wǎng)絡(luò)的非線性能力， 使其能更好地?cái)M合復(fù)雜的數(shù)據(jù)模式和特征. 最后通過(guò)最大池化（MaxPool）降低特征圖的尺寸， 從而減少網(wǎng)絡(luò)中的參數(shù)量， 減少過(guò)擬合的風(fēng)險(xiǎn).

3） Inception塊. 通過(guò)InceptionV1塊提取深層特征圖中的不同尺度信息， 使網(wǎng)絡(luò)能更好地捕捉固井質(zhì)量數(shù)據(jù)圖的細(xì)節(jié)和全局信息， 從而增強(qiáng)了網(wǎng)絡(luò)的表達(dá)能力.

4） 輸出層. 輸出層中不同的神經(jīng)元對(duì)應(yīng)不同的固井質(zhì)量類(lèi)別.

1.1.3 ResNet50

ResNet［22］是一種深度卷積神經(jīng)網(wǎng)絡(luò)， 該網(wǎng)絡(luò)打破了傳統(tǒng)的層與層之間的直接連接方式， 通過(guò)引入殘差連接解決深層網(wǎng)絡(luò)中的梯度消失問(wèn)題， 同時(shí)提高了模型的表達(dá)能力和學(xué)習(xí)能力. 殘差結(jié)構(gòu)如圖3所示.

本文選擇經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)ResNet50調(diào)整優(yōu)化并進(jìn)行訓(xùn)練. ResNet50屬于ResNet系列模型， 共包含16個(gè)殘差單元， 由50層組成， 包括49個(gè)卷積層和1個(gè)全連接層. 引入的殘差結(jié)構(gòu)允許直接將輸入特征映射添加到后續(xù)的特征映射中， 使固井質(zhì)量的數(shù)據(jù)信息能在網(wǎng)絡(luò)中更快地傳遞.

1.1.4 MoblieNetV3-Small

MobileNetV3［23］是一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型， 它繼承了MobileNetV1的深度可分離卷積和MobileNetV2具有的線性瓶頸的倒殘差結(jié)構(gòu)， 并在此基礎(chǔ)上用Net Adapt算法自動(dòng)獲取卷積核和通道的最佳數(shù)量； 在倒殘差結(jié)構(gòu)引入擠壓和激勵(lì)注意力模塊（SE）， 組成bneck結(jié)構(gòu)； 同時(shí)使用新的激活函數(shù)hard-swish（x）代替ReLU6， 計(jì)算公式為

hard|swish（x）=x·ReLU6（x+3）/6，（1）

其中ReLU6（x）函數(shù)為將輸入值限制在0～6內(nèi)的ReLU函數(shù)變體. 本文采用bneck和通道數(shù)量更少的MobileNetV3-Small作為固井質(zhì)量評(píng)價(jià)的訓(xùn)練模型.

1.1.5 GhostNet

GhostNet［24］是一種輕量級(jí)深度卷積神經(jīng)網(wǎng)絡(luò)模型， 旨在保持模型的高效性能和準(zhǔn)確性的同時(shí)， 減少模型的計(jì)算和存儲(chǔ)開(kāi)銷(xiāo). GhostNet引入Ghost模塊， 通過(guò)少量的計(jì)算即可獲得大量特征圖. Ghost模塊結(jié)構(gòu)如圖4所示.

首先將輸入特征圖通過(guò)少量卷積得到部分特征圖Y*， 然后將Y*中的每個(gè)通道進(jìn)行簡(jiǎn)單的線性操作Φ得到Ghost特征圖y*， 其中線性操作采用計(jì)算成本較低的深度可分離卷積操作， 最后將部分特征圖Y*與Ghost特征圖y*進(jìn)行拼接， 得到最終的輸出特征［25］.

1.2 支持向量機(jī)

支持向量機(jī)是一種用來(lái)解決二分類(lèi)問(wèn)題的監(jiān)督學(xué)習(xí)算法， 該算法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則， 具有較好的分類(lèi)性能和泛化能力， 并且在處理復(fù)雜問(wèn)題上取得了顯著成果［26］. 其基本原理是通過(guò)尋找最優(yōu)超平面進(jìn)行分類(lèi)， 該超平面不僅能將不同類(lèi)別的樣本完全分開(kāi)， 還能使距離超平面最近的訓(xùn)練樣本點(diǎn)所組成的支持向量與該劃分超平面之間的間隔最大化.在多分類(lèi)問(wèn)題中， 常使用多個(gè)二分類(lèi)器的組合方法進(jìn)行處理. 這些方法包括一對(duì)一（one-vs-one， OVO）、 一對(duì)多（one-vs-rest， OVR）、 層次支持向量機(jī)（H-SVMs）等. 對(duì)于K個(gè)類(lèi)別的問(wèn)題， OVO方法需要構(gòu)建K（K-1）/2個(gè)SVM分類(lèi)器， 每個(gè)分類(lèi)器專(zhuān)門(mén)用于區(qū)分其中兩個(gè)類(lèi)別之間的樣本； OVR方法將一個(gè)類(lèi)別作為正類(lèi)， 其他所有類(lèi)別作為負(fù)類(lèi)， 只需構(gòu)建K個(gè)SVM分類(lèi)器即可， 但結(jié)果可能產(chǎn)生沖突； H-SVMs首先將所有類(lèi)別分成兩個(gè)子類(lèi)， 再將子類(lèi)進(jìn)一步劃分為兩個(gè)次級(jí)子類(lèi)， 如此循環(huán)， 直到得到一個(gè)單獨(dú)的類(lèi)為止.

1.3 CNN與SVM級(jí)聯(lián)模型

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)采用的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則為

Remp（f）=1N∑Ni=1L（yi，f（xi）），（2）

其中yi表示樣本真實(shí)值， f（xi）表示樣本預(yù)測(cè)值， L（yi，f（xi））表示損失函數(shù)［27］. 根據(jù)大數(shù)定律， 只有當(dāng)樣本容量N接近無(wú)窮大時(shí)， 經(jīng)驗(yàn)風(fēng)險(xiǎn)Remp（f）才接近理想值. 但現(xiàn)實(shí)中的樣本數(shù)據(jù)通常有限， 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則很容易出現(xiàn)過(guò)擬合問(wèn)題. SVM采用的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則可在一定程度上解決過(guò)擬合問(wèn)題， 用公式表示為

Rsvm（f）=Remp（f）+λJ（f），（3）

其中J（f）為模型的復(fù)雜度， λ為用于權(quán)衡經(jīng)驗(yàn)風(fēng)險(xiǎn)和模型復(fù)雜度的系數(shù). 因此， 本文基于CNN強(qiáng)大的特征提取能力及SVM結(jié)構(gòu)風(fēng)險(xiǎn)最小化能力， 構(gòu)建CNN-SVM的級(jí)聯(lián)模型處理固井質(zhì)量的評(píng)價(jià)問(wèn)題， 其結(jié)構(gòu)如圖5所示.

首先利用CNN中的卷積和下采樣等操作從SBT測(cè)井成像圖中自動(dòng)提取對(duì)評(píng)價(jià)任務(wù)有用的信息， 然后用SVM取代CNN的輸出層， 將自動(dòng)提取的特征向量作為SVM的輸入， 采用OVO方法對(duì)其進(jìn)行訓(xùn)練， SVM的輸出即為固井質(zhì)量的三類(lèi)評(píng)價(jià)類(lèi)別. 因此， 將上述改進(jìn)的DenseNet，Inctption-DCNN，Resnet50，MobileNetV3-Small和GhostNet模型分別與SVM組合， 得到改進(jìn)的DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3-Small-SVM和GhostNet-SVM模型.

2 基于CNN-SVM的集成學(xué)習(xí)模型

2.1 集成學(xué)習(xí)

集成學(xué)習(xí)的主要思想是將多個(gè)網(wǎng)絡(luò)模型組合形成一個(gè)更強(qiáng)大的模型， 以提高模型的分類(lèi)準(zhǔn)確性及泛化能力. 集成學(xué)習(xí)的方法主要有Bagging，Boosting和Stacking三類(lèi)［28］. Bagging方法利用自助采樣法為每個(gè)模型抽取不同的訓(xùn)練集， 然后對(duì)這些模型的訓(xùn)練結(jié)果進(jìn)行綜合； Boosting方法將網(wǎng)絡(luò)模型串聯(lián)， 使每個(gè)模型的訓(xùn)練均依賴(lài)于前一個(gè)模型的訓(xùn)練結(jié)果； Stacking方法通過(guò)將多個(gè)模型的訓(xùn)練結(jié)果作為新的訓(xùn)練數(shù)據(jù)， 再訓(xùn)練一個(gè)元學(xué)習(xí)器進(jìn)行集成.

2.2 CNN-SVM集成學(xué)習(xí)模型構(gòu)建

本文采用Bagging方法， 將改進(jìn)的DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3-Small-SVM和GhostNet-SVM模型進(jìn)行集成， 從而得到一個(gè)評(píng)價(jià)準(zhǔn)確率更高、 泛化性能更強(qiáng)的強(qiáng)學(xué)習(xí)器， 其結(jié)構(gòu)如圖6所示.

模型構(gòu)建過(guò)程如下：

1） 對(duì)原始固井質(zhì)量數(shù)據(jù)集進(jìn)行多次有放回的隨機(jī)抽樣， 得到5個(gè)訓(xùn)練樣本集；

2） 將抽取到的5個(gè)訓(xùn)練樣本集作為上述各CNN-SVM模型的輸入并分別進(jìn)行訓(xùn)練， 從而得到5個(gè)訓(xùn)練好的模型；

3） 將訓(xùn)練好的模型采用投票的方式集成為一個(gè)強(qiáng)學(xué)習(xí)器， 對(duì)每個(gè)模型的固井質(zhì)量評(píng)價(jià)結(jié)果進(jìn)行投票， 最終取票數(shù)最高的類(lèi)別為固井質(zhì)量評(píng)價(jià)類(lèi)別.

為便于理解， 下面對(duì)投票法給出解釋. 設(shè)固井質(zhì)量等級(jí)為c1，c2，…，cK， 對(duì)某個(gè)測(cè)試圖像， 令第i個(gè)CNN-SVM模型的預(yù)測(cè)結(jié)果為

pi=（0，…，0k-1，1，0，…，0K-k），" i=1，2，…，5，（4）

5個(gè)CNN-SVM模型的綜合預(yù)測(cè)結(jié)果為

P=（pT1，pT2，pT3，pT4，pT5），（5）

最終投票結(jié)果為

C=max1≤i≤K∑5j=1pij.（6）

3 實(shí)驗(yàn)結(jié)果及分析

3.1 礦場(chǎng)資料數(shù)據(jù)

本文數(shù)據(jù)集來(lái)自于大慶油田某采油廠12口井SBT測(cè)井所得數(shù)據(jù)的成像圖. SBT以環(huán)繞方式在包含整個(gè)井眼內(nèi)的6個(gè)角度區(qū)塊定量測(cè)量水泥膠結(jié)質(zhì)量， 最后將6個(gè)角度測(cè)量所得數(shù)據(jù)展開(kāi)進(jìn)行成像即可得到本文數(shù)據(jù)： 扇區(qū)水泥膠結(jié)成像圖與變密度波形圖. 結(jié)合專(zhuān)家經(jīng)驗(yàn)和固井質(zhì)量評(píng)價(jià)領(lǐng)域的相關(guān)知識(shí)， 扇區(qū)水泥膠結(jié)成像圖形象直觀地展現(xiàn)了水泥環(huán)的膠結(jié)填充情況以及膠結(jié)的均勻程度； 變密度波形圖是黑白相間的條帶， 通過(guò)對(duì)圖中顯示的套管波以及地層波的強(qiáng)弱程度確定水泥的膠結(jié)情況； 將二者相結(jié)合即可對(duì)固井質(zhì)量進(jìn)行準(zhǔn)確評(píng)價(jià)， 并確定了固井質(zhì)量的3種評(píng)價(jià)類(lèi)型（優(yōu)，合格，不合格）， 如圖7所示. 其中： 固井質(zhì)量評(píng)價(jià)為優(yōu)的井段對(duì)應(yīng)變密度波形圖有地層波顯示， 對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有黑塊及灰黑塊顯示； 固井質(zhì)量評(píng)價(jià)為合格的井段對(duì)應(yīng)變密度波形圖有套管波顯示， 對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有灰白塊、 灰塊顯示； 固井質(zhì)量評(píng)價(jià)為不合格的井段對(duì)應(yīng)變密度波形圖有較強(qiáng)套管波顯示， 對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有白塊、 灰白塊顯示.

本文收集12口井的采樣間隔為0.076 2 m， 按對(duì)應(yīng)類(lèi)別及預(yù)設(shè)厚度值分別對(duì)扇區(qū)水泥膠結(jié)成像圖和變密度波形圖進(jìn)行切分， 最終得到12 222個(gè)樣本層張量（優(yōu)4 417個(gè)， 合格2 937個(gè)， 不合格4 868個(gè)）. 將整個(gè)數(shù)據(jù)集按7∶1.5∶1.5劃分為3個(gè)相互獨(dú)立且互不交叉的訓(xùn)練集、 驗(yàn)證集、 測(cè)試集， 最終得到8 721個(gè)訓(xùn)練集樣本、 1 649個(gè)驗(yàn)證集樣本和1 646個(gè)測(cè)試集樣本. 將數(shù)據(jù)集中的扇區(qū)水泥膠結(jié)成像圖和變密度波形圖分別調(diào)整到150×150像素后按通道方向進(jìn)行拼接得到模型的輸入特征圖.

3.2 實(shí)驗(yàn)評(píng)估指標(biāo)

本文采用以下實(shí)驗(yàn)評(píng)估指標(biāo)： 混淆矩陣、 精確率（P）、 召回率（R）、 F1分?jǐn)?shù)和準(zhǔn)確率（ACC）. 其中混淆矩陣用于比較評(píng)價(jià)結(jié)果與實(shí)際標(biāo)簽的信息， 如表1所示， 表1中TP，F(xiàn)P，F(xiàn)N，TN分別表示真正類(lèi)、 假正類(lèi)、 假負(fù)類(lèi)和真負(fù)類(lèi)樣本的數(shù)量. 雖然表1顯示的為二分類(lèi)， 但將正例視為評(píng)價(jià)結(jié)果（優(yōu)，合格，不合格）中的某一類(lèi)， 將負(fù)例視為評(píng)價(jià)結(jié)果的其他兩類(lèi)， 即可將二分類(lèi)問(wèn)題轉(zhuǎn)化為本文的三分類(lèi)問(wèn)題. 根據(jù)這些值即可計(jì)算精確率、 召回率、 F1分?jǐn)?shù)和準(zhǔn)確率：

P=TPTP+FP，（7）

R=TPTP+FN，（8）

F1=2·PRP+R，（9）

ACC=TP+TNTP+FP+TN+FN.（10）

3.3 實(shí)驗(yàn)平臺(tái)及參數(shù)設(shè)置

本文實(shí)驗(yàn)的硬件條件為英特爾第八代i5 CPU， 頻率為2.80 GHz， 內(nèi)存為16 GB， 所用GPU的規(guī)格為NVIDIA GeForce RTX 2070， 內(nèi)存為8 GB. 實(shí)驗(yàn)軟件平臺(tái)為PyCharm， 采用Python3.8編程語(yǔ)言實(shí)現(xiàn)， 在Windows10操作系統(tǒng)下運(yùn)行， 使用的深度學(xué)習(xí)框架為Pytorch.本文網(wǎng)絡(luò)模型參數(shù)設(shè)置如下： batch_size=32， 采用Adam優(yōu)化器， 初始學(xué)習(xí)率設(shè)為0.001， 初始學(xué)習(xí)率衰減系數(shù)為0.005， 隨迭代次數(shù)的不同而減??； 權(quán)重衰減率為0.000 1； SVM采用高斯核函數(shù)， 系數(shù)為0.001， 錯(cuò)誤項(xiàng)的懲罰系數(shù)為1.

3.4 CNN-SVM級(jí)聯(lián)模型實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證使用SVM替換CNN輸出層的改進(jìn)效果， 針對(duì)上述改進(jìn)的DenseNet，Inception-DCNN，ResNet50，MobileNetV3-Small和GhostNet 5個(gè)模型進(jìn)行消融實(shí)驗(yàn)， 以考察CNN-SVM級(jí)聯(lián)模型的準(zhǔn)確率、 精確率、 召回率和F1分?jǐn)?shù)的變化情況. 首先， 將上述5個(gè)模型在多次有放回的隨機(jī)抽樣所得的數(shù)據(jù)集上進(jìn)行訓(xùn)練， 實(shí)驗(yàn)結(jié)果列于表2. 由表2可見(jiàn)， 針對(duì)固井質(zhì)量評(píng)價(jià)問(wèn)題， 采用改進(jìn)的DenseNet模型準(zhǔn)確率和F1分?jǐn)?shù)最高， 分別為95.86%和93.80%.

CNN-SVM級(jí)聯(lián)模型的固井質(zhì)量評(píng)價(jià)效果列于表3. 由表3可見(jiàn)： 改進(jìn)的DenseNet-SVM模型性能最好， 準(zhǔn)確率為96.41%， F1分?jǐn)?shù)為95.45%， 與表2中的改進(jìn)DenseNet模型相比， 準(zhǔn)確率提升了0.55個(gè)百分點(diǎn)， F1分?jǐn)?shù)提升了1.65個(gè)百分點(diǎn)； 表3中其他模型與表2中對(duì)應(yīng)的模型相比， 準(zhǔn)確率均約提高了1.4個(gè)百分點(diǎn)， F1分?jǐn)?shù)提高了1.8個(gè)百分點(diǎn). 實(shí)驗(yàn)結(jié)果表明， 使用SVM代替CNN的輸出層是切實(shí)有效的.

圖8和圖9分別給出了改進(jìn)DenseNet和改進(jìn)DenseNet-SVM模型在測(cè)試集上的混淆矩陣， 其中橫坐標(biāo)對(duì)應(yīng)模型的預(yù)測(cè)類(lèi)別， 縱坐標(biāo)對(duì)應(yīng)真實(shí)類(lèi)別.

由圖8和圖9可見(jiàn)， 3類(lèi)結(jié)果均有誤差， 且類(lèi)別為優(yōu)和不合格的樣本更多被模型誤判為合格.

3.5 基于集成學(xué)習(xí)的實(shí)際應(yīng)用效果對(duì)比

圖10為集成了改進(jìn)DenseNet-SVM，Inception-DCNN-SVM，ResNet50-SVM，MobileNetV3- Small-SVM和GhostNet-SVM 5個(gè)模型的強(qiáng)學(xué)習(xí)器在測(cè)試集上的混淆矩陣， 評(píng)價(jià)結(jié)果為優(yōu)的準(zhǔn)確率為98.47%， 合格的準(zhǔn)確率為97%， 不合格的準(zhǔn)確率為97.23%.

為驗(yàn)證本文方法的有效性， 將其與表2中性能最好的CNN模型、 表3中性能最好的CNN-SVM模型、 支持向量機(jī)以及文獻(xiàn)［14］使用的具有不同大小內(nèi)核的多尺度感知卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比， 結(jié)果列于表4. 由表4可見(jiàn)， 本文方法在精確率、 召回率、 F1分?jǐn)?shù)和準(zhǔn)確率等指標(biāo)上均高于其他方法， 本文方法得到的評(píng)價(jià)準(zhǔn)確率達(dá)97.69%， F1分?jǐn)?shù)為97.08%， 且準(zhǔn)確率和F1分?jǐn)?shù)相比于以上4種方法分別提高了約4.5個(gè)百分點(diǎn)和5.7個(gè)百分點(diǎn). 實(shí)驗(yàn)結(jié)果表明， 本文方法對(duì)固井質(zhì)量評(píng)價(jià)效果良好.

在測(cè)井解釋過(guò)程中， 生成的測(cè)井成像圖可能會(huì)受干擾和失真的影響. 因此， 為評(píng)估本文方法在這種情況下的評(píng)價(jià)能力， 通過(guò)在扇區(qū)水泥膠結(jié)成像圖與變密度波形圖中添加10%的高斯噪聲， 驗(yàn)證模型的穩(wěn)定性和泛化能力， 實(shí)驗(yàn)結(jié)果列于表5. 由表5可見(jiàn)， 本文提出的基于CNN-SVM和集成學(xué)習(xí)的方法具有更強(qiáng)的抗干擾能力， 即使測(cè)井成像圖失真并有噪聲， 仍可以準(zhǔn)確地評(píng)價(jià)固井質(zhì)量.

3.6 實(shí)驗(yàn)結(jié)果分析

由表2和表3可見(jiàn)， 基于CNN-SVM級(jí)聯(lián)模型的評(píng)價(jià)效果最好， 這是因?yàn)閭鹘y(tǒng)CNN具有強(qiáng)大的特征提取能力， 能自動(dòng)學(xué)習(xí)和提取輸入數(shù)據(jù)中的高級(jí)特征， 從而捕捉到測(cè)井成像圖的空間局部性和層次結(jié)構(gòu)， 使模型能更好地理解和表示固井質(zhì)量的數(shù)據(jù)圖像， 但在數(shù)據(jù)樣本容量有限時(shí)， 傳統(tǒng)CNN易出現(xiàn)過(guò)擬合現(xiàn)象， 導(dǎo)致模型在訓(xùn)練集上表現(xiàn)良好， 在測(cè)試集上表現(xiàn)較差. 而SVM可有效地處理小樣本數(shù)據(jù)集， 通過(guò)間隔最大化的原則， 能在訓(xùn)練過(guò)程中有效控制模型的復(fù)雜度， 從而降低過(guò)擬合的風(fēng)險(xiǎn)， 因此使用SVM代替CNN中輸出層的CNN-SVM模型能在固井質(zhì)量評(píng)價(jià)方面性能更優(yōu). 由圖8～圖10的混淆矩陣可見(jiàn)， 測(cè)試集中固井質(zhì)量評(píng)價(jià)的誤差主要出現(xiàn)在類(lèi)別優(yōu)與合格、 合格與不合格之間， 原因在于類(lèi)別為合格的數(shù)據(jù)特征與其他兩類(lèi)特征較相似， 會(huì)使模型產(chǎn)生一定的混淆. 表4中SVM的評(píng)價(jià)效果最差， 原因是SVM是一種基于特征的分類(lèi)器， 它依賴(lài)于事先提取的手工設(shè)計(jì)特征， 且對(duì)空間特征的捕捉能力相對(duì)較弱， 導(dǎo)致對(duì)測(cè)井成像圖的空間特征利用不充分. 結(jié)合表4和表5的結(jié)果可見(jiàn)， 本文方法在原數(shù)據(jù)集和添加了噪聲的數(shù)據(jù)集上都表現(xiàn)較好， 這是因?yàn)楸疚姆椒ɡ昧?種CNN-SVM模型的不同優(yōu)點(diǎn)， 可減少單個(gè)模型的偏差和方差， 從而提高了整體的評(píng)價(jià)準(zhǔn)確性； 通過(guò)多個(gè)模型的集體決策， 減少了對(duì)噪聲的敏感性， 且SVM通過(guò)最大化支持向量到分類(lèi)超平面的間隔， 同樣可減少對(duì)噪聲數(shù)據(jù)的敏感性， 使其擁有強(qiáng)大的魯棒性和泛化能力， 從而提高了網(wǎng)絡(luò)的評(píng)價(jià)能力.

綜上所述， 為解決固井質(zhì)量的評(píng)價(jià)問(wèn)題， 本文提出了一種基于CNN-SVM和集成學(xué)習(xí)的固井質(zhì)量評(píng)價(jià)方法， 將改進(jìn)DenseNet，Inception-DCNN，ResNet50，MobileNetV3-Small和GhostNet 5個(gè)模型的輸出層替換為SVM， 組合成5個(gè)新的CNN-SVM模型， 既有效利用了CNN對(duì)扇區(qū)水泥膠結(jié)成像圖與變密度波形圖的特征提取能力， 又結(jié)合了SVM控制模型復(fù)雜度、 減少過(guò)擬合風(fēng)險(xiǎn)的能力； 最終通過(guò)充分利用5個(gè)CNN-SVM模型各自的優(yōu)點(diǎn)， 集成了一個(gè)具有更高評(píng)價(jià)準(zhǔn)確率和更強(qiáng)抗干擾能力的強(qiáng)學(xué)習(xí)器. 該學(xué)習(xí)器既可避免人工評(píng)價(jià)帶來(lái)的主觀性， 又能顯著提升評(píng)價(jià)效率， 從而為固井質(zhì)量評(píng)價(jià)開(kāi)辟了一條新途徑.

參考文獻(xiàn)

［1］ 胡洪瑾， 李登華， 趙凱， 等. 我國(guó)油氣資源量|儲(chǔ)量|產(chǎn)量關(guān)系解析： 兼評(píng)全國(guó)油氣資源評(píng)價(jià)發(fā)展方向 ［J］. 石油實(shí)驗(yàn)地質(zhì)， 2023， 45（2）： 222-228. （HU H J， LI D H， ZHAO K， et al. Relationship among Oil and Gas Resources， Reserves and Production in China and Suggestions for the Development Direction of National Oil and Gas Resource Assessment ［J］. Petroleum Geology amp; Experiment， 2023， 45（2）： 222-228.）

［2］ 周龍， 謝銀濤， 徐景林， 等. 提高固井質(zhì)量的措施 ［J］. 石化技術(shù)， 2022， 29（12）： 25-27. （ZHOU L， XIE Y T， XU J L， et al. Measures to Improve Cementing Quality ［J］. Petrochemical Industry Technology， 2022， 29（12）： 25-27.）

［3］ 吳天乾， 宋文宇， 譚凌方， 等. 超低密度水泥固井質(zhì)量評(píng)價(jià)方法 ［J］. 石油鉆探技術(shù)， 2022， 50（1）： 65-70. （WU T Q， SONG W Y， TAN L F， et al. Evaluation Method for Cementing Quality of Ultra-Low-Density Cement ［J］. Petroleum Drilling Techniques， 2022， 50（1）： 65-70.）

［4］ 張永超. 低密度水泥膠結(jié)質(zhì)量CBL/VDL測(cè)井評(píng)價(jià)研究 ［D］. 大慶： 東北石油大學(xué)， 2022. （ZHANG Y C. CBL/VDL Logging Evaluation on Bonding Quality of the Low Density Slurry ［D］. Daqing： Northeast Petroleum University， 2022.）

［5］ 陳金宏， 王靜， 劉江偉， 等. 八扇區(qū)水泥膠結(jié)測(cè)井儀刻度及測(cè)井?dāng)?shù)據(jù)處理 ［J］. 中國(guó)煤層氣， 2021， 18（5）： 33-37. （CHEN J H， WANG J， LIU J W， et al. Calibration Method and Data Procession of SBT Logging ［J］. China Coalbed Methane， 2021， 18（5）： 33-37.）

［6］ 陳向軍， 李維彥， 楊順輝. 固井質(zhì)量評(píng)價(jià)面臨的新問(wèn)題及思路 ［J］. 測(cè)井技術(shù)， 2015， 39（1）： 1-5. （CHEN X J， LI W Y， YANG S H. New Problems amp; Measures in Interpreting Cement Sheath Evaluation ［J］. Well Logging Technology， 2015， 39（1）： 1-5.）

［7］ 杜冬楠， 鄭雙進(jìn)， 赫英狀， 等. 基于LM優(yōu)化神經(jīng)網(wǎng)絡(luò)的固井質(zhì)量預(yù)測(cè)方法——以順北油田X區(qū)塊為例 ［J］. 石油地質(zhì)與工程， 2021， 35（3）： 123-126. （DU D N， ZHENG S J， HE Y Z， et al. Cementing Quality Prediction Method Based on LM Optimization Neural Network： By Taking X Block of Shunbei Oilfield as an Example ［J］. Petroleum Geology and Engineering， 2021， 35（3）： 123-126.）

［8］ SANTOS L， DAHI T A. Machine Learning Framework to Generate Synthetic Cement Evaluation Logs for Wellbore Integrity Analysis ［C］//ARMA US Rock Mechanics/Geomechanics Symposium. ［S.l.］： ARMA， 2021： 2543-2549.

［9］ LIU J C， WANG H T， ZENG P S， et al. Intelligent Evaluation Model for Cementing Quality Based on PSO-SVM and Application ［J］. Applied Mechanics and Matetials， 2011， 1366： 4293-4299.

［10］ LIU J C， ZENG P S， YUAN Z G， et al. Intelligent Evaluation Model for Cementing Quality Based on GA-SVM and Application ［J］. Applied Mechanics and Materials， 2011， 121126： 2730-2734.

［11］ 鄭雙進(jìn)， 程霖， 龍震宇， 等. 基于GA-SVR算法的順北區(qū)塊固井質(zhì)量預(yù)測(cè) ［J］. 石油鉆采工藝， 2021， 43（4）： 467-473. （ZHENG S J， CHENG L， LONG Z Y， et al. Predicting the Cementing Quality in Shunbei Block Based on GA-SVR Algorithm ［J］. Oil Drilling amp; Production Technology， 2021， 43（4）： 467-473.）

［12］ 尚福華， 于志東， 曹茂俊. 前饋神經(jīng)網(wǎng)絡(luò)在水泥膠結(jié)識(shí)別中的應(yīng)用 ［J］. 計(jì)算機(jī)技術(shù)與發(fā)展， 2013， 23（9）： 223-226. （SHANG F H， YU Z D， CAO M J， et al. Application of Feedforward Neural Network in Cement Bond Identification ［J］. Computer Technology and Development， 2013， 23（9）： 223-226.）

［13］ VOLETI D K， REDDICHARLA N， GUNTUPALLI S， et al. Smart Way for Consistent Cement Bond Evaluation and Reducing Human Bias Using Machine Learning ［C］//Abu Dhabi International Petroleum Exhibition and Conference. ［S.l.］： SPE， 2020： 202742-1-202742-12.

［14］ FANG C F， WANG Z， SONG X Z， et al. A Novel Cementing Quality Evaluation Method Based on Convolutional Neural Network ［J］. Applied Sciences， 2022， 12（21）： 10997-1-10997-15.

［15］ FAN H W， XUE C Y， MA J T， et al. A Novel Intelligent Diagnosis Method of Rolling Bearing and Rotor Composite Faults Based on Vibration Signal-to-Image Mapping and CNN-SVM ［J］. Measurement Science and Technology， 2023， 34（4）： 044008-1-044008-15.

［16］ SIDDIQUI S S S A， HYDER R T S H， MANJARAMKAR A， et al. Automatic Detection of Lung Diseases Using CNN and SVM ［C］//2023 3rd International Conference on Intelligent Technologies （CONIT）. Piscataway， NJ： IEEE， 2023： 1-5.

［17］ CHOUDHARY P， PATHAK P， CHAUBEY A. Activity Recognition System via Unification of CNN and SVM in Complex Domain ［C］//2023 6th International Conference on Information Systems and Computer Networks （ISCON）. Piscataway， NJ： IEEE， 2023： 1-6.

［18］ LIAO T T， LI L， OUYANG R S， et al. Classification of Asymmetry in Mammography via the DenseNet Convolutional Neural Network ［J］. European Journal of Radiology Open， 2023， 11： 100502-1-100502-7.

［19］ 劉想德， 王蕓秋， 蔣勤， 等. 語(yǔ)音識(shí)別中的DenseNet模型研究 . 重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），" 2022， 34（4）： 604|611. （LIU X D， WANG Y Q， JIANG Q， et al. Research on the DenseNet Model for Speech Recognition . Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2022， 34（4）： 604|611.）

［20］ WANG W， TAN X A， ZHANG P， et al. A CBAM Based Multiscale Transformer Fusion Approach for Remote Sensing Image Change Detection ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 6817-6825.

［21］ 劉霞， 孫英杰. 基于融合殘差注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)地震信號(hào)去噪 . 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2023， 53（2）： 609|621. （LIU X， SUN Y J. Seismic Signal Denoising Based on Convolutional Neural Network with Residual and Attention Mechanism . Journal of Jilin University （Earth Science Edition）， 2023， 53（2）： 609|621.）

［22］ FAN Z， LIN H B， LI C， et al. Use of Parallel ResNet for High-Performance Pavement Crack Detection and Measurement ［J］. Sustainability， 2022， 14（3）： 1825-1-1825-21.

［23］ BI C G， XU S Z， HU N， et al. Identification Method of Corn Leaf Disease Based on Improved Mobilenetv3 Model ［J］. Agronomy， 2023， 13（2）： 300-1-300-17.

［24］ LANG X M， HAN F C. MFL Image Recognition Method of Pipeline Corrosion Defects Based on Multilayer Feature Fusion Multiscale GhostNet ［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1-8.

［25］ 曹遠(yuǎn)杰，" 高瑜翔. 基于GhostNet殘差結(jié)構(gòu)的輕量化飲料識(shí)別網(wǎng)絡(luò) . 計(jì)算機(jī)工程， 2022， 48（3）： 310|314. （CAO Y J， GAO Y X. Lightweight Beverage Recognition Network Based on GhostNet Residual Structure . Computer Engineering， 2022， 48（3）： 310|314.）

［26］ 李廣， 丁迪， 石福升， 等. 基于支持向量機(jī)的可控源電磁數(shù)據(jù)智能識(shí)別方法 . 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2022， 52（3）： 725|736. （LI G， DING D， SHI F S， et al. Intelligent Recognition of Controlled|Source Electromagnetic Data by Support Vector Machine . Journal of Jilin University （Earth Science Edition）， 2022， 52（3）： 725|736.）

［27］ 李尤慧子， 俞海濤， 殷昱煜， 等. 基于超級(jí)賬本的集群聯(lián)邦優(yōu)化模型 . 計(jì)算機(jī)工程， 2023， 49（1）： 22|30. （LI Y H Z， YU H T， YIN Y Y， et al. Cluster Federated Optimization Model Based on Hyperledger Fabric . Computer Engineering， 2023， 49（1）： 22|30.）

［28］ 艾成豪， 高建華， 黃子杰. 混合特征選擇和集成學(xué)習(xí)驅(qū)動(dòng)的代碼異味檢測(cè) . 計(jì)算機(jī)工程， 2022， 48（7）： 168|176. （AI C H， GAO J H， HUANG Z J. Code Smell Detection Driven by Hybrid Feature Selection and Ensemble Learning . Computer Engineering， 2022， 48（7）： 168|176.）

（責(zé)任編輯： 韓 嘯）