Details

Title: Использование нейросетевого автокодировщика для передачи данных по бурильной колонне: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_15 «Технологии проектирования системного и прикладного программного обеспечения»
Creators: Леженин Юрий Игоревич
Scientific adviser: Богач Наталья Владимировна
Other creators: Новопашенный Андрей Гелиевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2021
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Бурение колонковое; Нейронные сети; автокодировщик; акустическая связь; бурильная колонна; измерения во время бурения
UDC: 004.032.26; 622.23.058
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Level of education: Master
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2021/vr/vr21-690
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: ru\spstu\vkr\11720

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Тема выпускной квалификационной работы: «Использование нейросетевого автокодировщика для передачи данных по бурильной колонне». Передача данных по бурильной колонне является важной задачей в контексте обеспечения эффективности и безопасности бурения. В настоящее время разработка системы передачи данных по бурильной колонне, которая имела бы низкую задержку, но удовлетворяла требованиям относительно надежности и пропускной способности, является актуальной задачей. В данной работе рассматривается перспектива применения системы связи на основе нейросетевого автокодировщика для акустической передачи данных по бурильной колонне. Была разработана система связи на основе автокодировщика и выполнено моделирование ее работы. По сравнению с базовой системой на основе OFDM с несмежными несущими, автокодировщик обеспечивает лучшую производительность с точки зрения BER и PAPR, работая с той же пропускной способностью, но меньшей задержкой.

The subject of the graduate qualification work is «Using a neural network autoencoder for drill string communications». Drill string communications are important for drilling efficiency and safety. The design of a low latency drill string communication system with high throughput and reliability remains an open challenge. In this paper a deep learning autoencoder based end-to-end communication system, where transmitter and receiver implemented as feed forward neural networks, is proposed for acoustic drill string communications. The autoencoder was implemented and compared with a baseline non-contiguous OFDM in terms of BER and PAPR. Simulation shows that the AE system is able to outperform a baseline non-contiguous OFDM having the same throughput, but operating with lower latency.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users SPbPU Read Print Download
-> Internet Anonymous

Table of Contents

  • ВВЕДЕНИЕ
  • 1. Акустический канал связи бурильной колонны
    • 1.1. Частотная характеристика
    • 1.2. Шум при бурении
  • 2. Архитектура системы связи на основе автокодировщика для передачи данных по бурильной колонне
    • 2.1. Кодировщик и декодировщик
      • 2.1.1. Структура
      • 2.1.2. Обучение
    • 2.2. Канал связи
  • 3. Моделирование работы системы связи на основе автокодировщика для передачи данных по бурильной колонне
    • 3.1. Процедура моделирования
    • 3.2. Базовая система на основе NC-OFDM
    • 3.3. Реализация моделей
    • 3.4. Результаты моделирования
      • 3.4.1. Спектральная плотность мощности
      • 3.4.2. Интенсивность битовых ошибок
      • 3.4.3. Пик-фактор
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ. ЛИСТИНГИ

Usage statistics

stat Access count: 7
Last 30 days: 0
Detailed usage statistics