买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京大学申请的专利一种机器学习辅助的入井液体系原位监测方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121027340B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511553471.X，技术领域涉及：G01N29/44；该发明授权一种机器学习辅助的入井液体系原位监测方法及装置是由王瑾丰;弓赛;潘尧;任洪强设计研发完成，并于2025-10-29向国家知识产权局提交的专利申请。

本一种机器学习辅助的入井液体系原位监测方法及装置在说明书摘要公布了：本发明提供了一种机器学习辅助的入井液体系原位监测方法及装置，属于借助于测定材料的化学或物理性质来测试或分析材料技术领域。该方法结合目标钻井入井液体系的超声信号和机器学习模型，对目标钻井入井液体系的超声信号的信号特征进行分析，得到目标钻井入井液体系所包含的多种组分以及每种组分的浓度和粘度，实现了对入井液体系的性能进行实时且较为准确的监测，从而能够保证在入井液体系的性能不利于钻井作业的情况下采取及时的补救措施，进而保证开采过程的安全性、作业效率以及经济效益。

本发明授权一种机器学习辅助的入井液体系原位监测方法及装置在权利要求书中公布了：1.一种机器学习辅助的入井液体系原位监测方法，其特征在于，包括： 对目标钻井入井液体系的超声信号进行处理，确定所述超声信号的信号特征；其中，所述超声信号的信号特征包括时域特征、频域特征以及统计特征； 根据所述超声信号的信号特征和第一信号特征分析模型，确定所述目标钻井入井液体系所包含的多种组分；所述第一信号特征分析模型基于分类器模型训练得到；所述确定所述目标钻井入井液体系所包含的多种组分，包括：将所述超声信号的信号特征输入所述第一信号特征分析模型，所述第一信号特征分析模型对所述超声信号的信号特征进行分析，输出所述目标钻井入井液体系所包含的多种组分，以及所述超声信号的信号特征中与所述多种组分中每种组分对应的信号特征；其中，所述第一信号特征分析模型基于随机森林模型训练得到； 基于所述超声信号的信号特征、所述目标钻井入井液体系中的多种组分以及第二信号特征分析模型，确定所述目标钻井入井液体系的多种组分中每种组分的浓度；所述第二信号特征分析模型基于分类器模型训练得到；所述确定所述目标钻井入井液体系的多种组分中每种组分的浓度，包括：对于所述多种组分中的每种组分，将所述组分和所述超声信号的信号特征中与所述组分对应的信号特征输入第二信号特征分析模型中，所述第二信号特征分析模型对所述组分和所述超声信号的信号特征中与所述组分对应的信号特征进行分析，输出所述组分的浓度；所述第二信号特征分析模型基于支持向量机训练得到； 基于所述超声信号的信号特征、所述目标钻井入井液体系中的多种组分以及第三信号特征分析模型，确定所述目标钻井入井液体系的多种组分中每种组分的粘度；所述第三信号特征分析模型基于分类器模型或者神经网络模型训练得到； 所述第三信号特征分析模型基于分类器模型训练得到，所述确定所述目标钻井入井液体系的多种组分中每种组分的粘度，包括：对于所述多种组分中的每种组分，将所述组分和所述超声信号的信号特征中与所述组分对应的信号特征输入第三信号特征分析模型中，所述第三信号特征分析模型对所述组分和所述超声信号的信号特征中与所述组分对应的信号特征进行分析，输出所述组分的粘度；所述第三信号特征分析模型基于的分类器模型为XGBoost模型、随机森林模型、LightGBM模型或者决策树； 所述第三信号特征分析模型基于神经网络模型训练得到，所述确定所述目标钻井入井液体系的多种组分中每种组分的粘度，包括：将所述多种组分和所述超声信号的信号特征输入第三信号特征分析模型中，所述第三信号特征分析模型对所述多种组分和所述超声信号的信号特征进行分析，输出所述目标钻井入井液体系的多种组分中每种组分的粘度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。