基于MobileViT的岩石薄片图像岩性识别方法研究

岩石薄片图像中包含了大量肉眼无法观察到的地质特征信息,对岩石薄片图像的岩性识别结果为后续的石油勘探和开发奠定了基础。针对岩性识别数据集不均衡、识别模型参数多等问题,提出一种改进的轻量化MobileViT模型,该模型针对涵盖了90%以上常见岩性的岩石薄片图像进行建模分析。首先,为使模型更好地学习到每类岩石薄片图像中所包含的独特特征,对数据集进行数字增加。其次,使用GELU替换MobileViT中MV2模块中常规ReLU6,从而作为该模块的激活函数,有效解决神经元死亡的问题,提升模型的收敛速度。最后,划分训练集和测试集,使用余弦退火算法自动更新学习率,以迁移学习加速训练过程,实现岩石薄片图像中针对岩性的自动识别。实验结果表明,改进后的MobileViT对岩性识别的准确率达82.9%,模型的参数仅为7.66M,通过实例验证该算法具有较好的鲁棒性。

基于贝叶斯单源域领域泛化算法的天然气管道故障智能诊断

基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。

重放攻击下多智能体系统H_(∞)一致性PID控制

本文针对一类带有加性噪声和乘性噪声的离散多智能体系统,研究重放攻击下多智能体系统的H_(∞)一致性比例-积分-微分(PID)控制问题.首先,根据智能体的测量输出设计状态观测器,对智能体的状态进行有效估计,观测器设计过程中考虑了系统测量输出从传感器传输到观测器过程中受到重放网络攻击的影响.然后,利用智能体与其邻居智能体的估计状态差设计PID控制器.利用李雅普诺夫稳定性理论和代数图论,证明在该控制策略下,多智能体系统在重放攻击存在的情况下达到预期的H_(∞)性能指标.最后,利用线性矩阵不等式(LMI)方法求解观测器和控制器增益,利用数值仿真验证了所设计的观测器和PID控制器的有效性.

一种新的油气管道泄漏信号检测方法研究

针对管道模式识别模型效率低下、准确率不足的问题,提出一种新的管道泄漏检测方法。首先利用信号能量熵突变情况对泄漏引起的信号跳变进行有效捕捉,其次利用变分模态分解(VMD)进行去噪处理,还原信号真实动态特性。基于熵特征提取去噪信号的动态特征段,并将提取的特征向量输入改进差分进化算法(IDE)优化的支持向量机(SVM)识别模块种,实现泄漏信号的辨识。实验结果表明,与GA-SVM和PSO-SVM方法相比,IDE-SVM方法有效提高了分类识别准确率,准确率达到96.6667%。

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法。首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别。实验结果表明:该方法对管道信号状态整体识别率达99.33%,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别。

PSO-VMD-SVD的改进去噪方法研究

针对VMD(Variational Mode Decomposition)在处理信号时,模态个数K和惩罚参数α的选择会影响信号分解的效果,提出一种改进PSO(Particle Swarm Optimization)优化VMD(PSO-VMD)的算法,通过改进阈值相关系数法选择有效模态分量,根据信号分析对高频噪声进行奇异值去噪重构。对仿真信号和管道泄露信号进行实验,通过选择多个K并结合相关系数法选择模态进行重构,比较不同K对应的重构信号与原信号的信噪比(SNR:Signal to Noise Ratio)、相关系数(CC:Coefficient)、平方绝对误差(SAE:Square Absolute Error)、均方误差(MSE:Mean Square Error)证明改进PSO优化VMD的可靠性。将该方法与改进的PSO-VMD结合豪斯特夫距离和奇异值(HD-SVD:Hustoff Distance-Singular Value Decompositio)、互信息和奇异值(MI-SVD:Mutual Information-Singular Value Decompositio)、相关系数和小波变换(CC-WT:Correlation Coefficient-Wavelet Transform)等方法对比,效果更佳。

多尺度神经网络煤层气微地震检测研究

在煤层气勘探开发中,通过微地震监测技术掌握裂缝走向,调整采煤巷道位置、方位对安全生产具有重要意义。因此,提出一种基于多尺度卷积神经网络的微地震检测方法,较好地解决了在强干扰环境下的弱信号识别的问题。研究表明:在不同强度的噪声干扰下,本文方法的检测精确率和召回率均优于小波分析法、BP网络和卷积神经网络等方法,且具有较好的抗噪性。当信噪比大于6 dB时,模型检测召回率可达到90%以上,精确率可达到92.1%以上。通过黑龙江某地区实际煤层气微地震监测数据的验证,模型具有良好表现。

事件触发机制下的多速率多智能体系统非脆弱一致性控制

针对一类多速率多智能体系统,研究在事件触发机制下的非脆弱H_(∞)一致性控制问题。为了更符合实际需要,采用多速率采样策略,并通过提升技术将多速率采样转化为单速率采样。考虑到智能体间的通信负担,引入事件触发机制来减少智能体间的通信次数。此外,考虑到控制器在执行过程中可能出现的不精确性,本文设计一种可以容忍执行过程中变化/波动的控制器。综上,本文的目的是设计一种基于观测器的事件触发非脆弱控制器来实现多智能体系统的H_(∞)一致性控制。利用线性矩阵不等式技术,得到使系统满足H_(∞)一致性控制的充分条件,然后设计控制器参数。最后,为了说明事件触发控制方法的有效性,给出一个数值仿真实例。

基于特征强化U⁃Net的地震速度反演方法

基于深度神经网络的地震速度反演方法面临的挑战是:时间域地震数据与空间域模型信息间语义映射的弱对应关系导致多解性;神经网络将地震数据映射到速度模型过程中缺少有效引导,易受噪声干扰,影响反演精度。为此,提出一种基于特征强化U‑Net的地震速度反演方法。首先,通过多炮地震数据特征叠加使输入网络的地震时间序列信号与对应速度模型之间的空间关系更加明确;其次,基于多尺度特征融合的思想设计具有不同尺寸卷积核的模块,以增强网络对有效特征的学习能力;然后,利用注意力门引导网络,增强网络重点关注的特征;最后,结合瓶颈残差和预激活的思想,在网络中加入预激活瓶颈残差,避免梯度消失和网络退化。实验表明,该方法在地震速度反演方面具有更高的精度,并在抗噪声测试中效果较好,具有一定的泛化能力。

基于多模态神经网络的微地震事件检测

针对微地震有效信号时序特征存在的局限导致微地震事件识别准确率不高的问题,提出了一种基于多模态学习的神经网络微地震事件检测方法。首先,利用道集数据的相关性以目标道为轴对称制作多道时域模态,对目标道进行时频分析得到S域模态特征;然后,联合时域模态和S域模态设计微地震事件检测神经网络,综合多模态的特征进行训练学习,提高微地震事件识别的精度;最后,为验证方法的有效性,对合成微地震信号进行低信噪比数据分析、小幅值数据分析以及实际油井微地震监测信号事件分析。结果表明,该方法可以有效检测低信噪比及微弱的微地震事件;与支持向量机、卷积神经网络、基于监督机器学习方法的对比实验结果表明该方法具有更高的抗噪性与准确率。

应用生成对抗网络的地震数据重建和去噪一体化方法

在实际采集过程中,受地形条件和人为因素的影响,地震数据不仅在空间上会出现采样不足或不规则的情况,而且会混入噪声,不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理,这样往往会引入额外的误差。为此,文中提出了一种基于条件韦氏生成对抗网络(cWGAN)的地震数据重建去噪一体化方法,该方法研究的重点是在缺失道和噪声的混合干扰下,准确提取地震数据的有效特征。首先,以U-Net模型为基本网络结构来构建生成器模型,分级提取地震数据同相轴特征;在判别器模型中引入条件约束,引导生成器优化梯度方向。其次,建立重建和去噪误差描述模型,该模型设计了一体化损失函数,可以兼顾重建与去噪两方面的处理任务。最后,经过合成数据和实际数据测试,证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。

改进注意力机制嵌入PR-Net模型的水稻病害识别仿真

针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。

基于EM-KF算法的微地震信号去噪方法

针对微地震信号能量较弱,噪声较强,使微地震弱信号难以提取问题,提出了一种基于EM-KF(Expectation Maximization Kalman Filter)的微地震信号去噪方法。通过建立一个符合微地震信号规律的状态空间模型,并利用EM(Expectation Maximization)算法获取卡尔曼滤波的参数最优解,结合卡尔曼滤波,可以有效地提升微地震信号的信噪比,同时保留有效信号。通过合成和真实数据实验结果表明,与传统的小波滤波和卡尔曼滤波相比,该方法具有更高的效率和更好的精度。

基于核聚类的砂岩图像孔隙分割方法

砂岩孔隙识别是研究孔隙结构的一个重要步骤,采用通用的图像分割算法不易得到理想的图像孔隙分割效果,为此提出了一种使用EfficientNetV2-S模型和核K-Means聚类技术对孔隙进行分割的方法。首先,获得砂岩图像的超像素集合,使用超像素方法预分割输入的致密砂岩图像,构建带标签的孔隙与非孔隙图像库;然后,应用EfficientNetV2-S模型提取砂岩图像的孔隙和非孔隙的语义特征,并结合迁移学习的方法,使用有限的砂岩图像的孔隙和非孔隙样本进行EfficientNetV2-S模型参数学习;最后,设计了一种基于K-Means聚类的区域合并方法——NTK-KCoP方法,根据超像素的语义特征、灰度特征和边缘特征构建目标函数,再由聚类结果合并超像素得到完整的孔隙区域。砂岩CT图像的实验结果验证了所提出的孔隙分割方法的适用性和有效性。

基于VMD的广义三次互相关管道泄漏定位检测

针对天然气管道泄漏检测声波定位技术中,二次互相关时延估计算法存在较大误差的问题,提出了一种基于变分模态分解(VMD)结合广义三次互相关的时延估计算法。该方法首先利用VMD算法对两路信号进行分解并重构信号;其次,在二次互相关的基础上再进行一次相关,并在互相关算法的峰值检测阶段引入希尔伯特变换(HT),对峰值进行尖锐化处理,成为一种新型的广义三次互相关时延估计算法。通过对平台搭建的油气管道泄漏检测系统采集数据进行模拟试验,分析了各算法的精度。试验表明,相较于二次互相关,改进广义三次互相关时延估计算法定位平均精度有明显的提升,有着更高的精度和更好的抗噪性能,在天然气管道泄漏定位方面有着更广泛的应用前景。

占空比传输机制下基于协同预测的时变不确定系统递推滤波

以工业互联网为背景,研究占空比传输机制下一类时变不确定系统的滤波问题,结合协同预测方法设计了新颖的递推滤波算法,解决了占空比传输机制下滤波性能降低的问题。首先给出描述占空比传输机制的数学模型,然后提出结合协同预测方法的递推滤波方案,设计基于占空比机制的递推滤波算法,推导了滤波误差协方差矩阵的一个上界,随后分析这个上界的有界性,实现了在稀疏数据情形下提高滤波性能的目的。仿真结果验证了所提算法的高效性和有效性。

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务。根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度。现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,限制了感受野大小,容易导致地震数据特征信息提取不充分。为此,提出一种基于联合深度学习的地震数据随机噪声压制方法。首先,考虑时域和频域两方面的特征信息,利用联合误差定义损失函数,改善特征提取效果;其次,通过分析卷积核大小和网络深度对感受野大小的影响,采用扩充卷积的方式,增加地震数据特征提取的多样性,减少地震数据细节的损失;再次,根据网络输入与输出数据具有相似性的特点,引入残差学习策略;最后,利用批归一化算法加快模型收敛,提高地震数据去噪效率。与同类算法对比实验表明,应用所提出的方法可得到更好的同相轴纹理保持效果和较高的信噪比。

改进的PSO-VMD算法及其在管道泄漏检测中的应用

针对变分模态分解(VMD:Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题,将粒子群(PSO:Particle Swarm Optimization)与VMD算法结合,提出一种基于混沌和Sigmoid函数改进PSO的优化算法。利用改进的PSO算法优化VMD的分解模态数k和惩罚因子α,进行模态分解,然后计算各模态分量概率密度函数与信号概率密度函数之间的欧氏距离(ED:Euclidean Distance),选取有效模态分量重构信号。实验结果表明,该算法与VMD-CORR(Variational Mode Decomposition-Correlation Coeffificient)算法和EMD-ED(Empirical Mode Decomposition-Euclidean Distance)算法相比,仿真信号和实际管道泄漏信号都得到了较好的去噪效果,并验证了其在管道泄漏检测中的有效性。

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布。深度学习通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路。但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了去噪效果。为此,提出一种鲁棒的深度学习去噪算法。该方法的网络模型由两部分子网构成,分别实现含噪地震数据的噪声分布估计与噪声压制。噪声分布估计子网采用多层卷积神经网络估计噪声分布;去噪子网引入特征融合策略,综合考虑地震数据的全局和局部信息,利用残差学习策略提取噪声特征;两部分子网采用L;范数作为损失函数,增强网络模型的泛化能力。实验表明,与同类算法相比,该算法具有更高的泛化能力;数据处理结果中同相轴纹理保持更好,信噪比更高。

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题,本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization,EFPSO).首先,引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization,PSO)的模态切换,更好地维持了算法搜索和收敛能力之间的动态平衡.然后,鉴于引入历史信息能够降低算法陷入局部最优的可能性,提出一种全信息策略来克服PSO算法搜索能力不足的缺陷.数值仿真实验表明,EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法.最后,应用EFPSO算法对变分模态分解(Variational mode decomposition,VMD)去噪算法进行改进,并在现场管道信号去噪取得了很好的效果.