期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
小型压裂技术的应用 被引量:12
1
作者 黄琼冰 鹿天柱 +1 位作者 寇永强 殷家富 《油气井测试》 1998年第2期59-63,78,共6页
在加砂压裂施工前进行小规模压裂,能使加砂压裂更加有效。通过对近两年来胜利油田应用小型压裂指导压裂设计的4口井实例的总结,说明了为确保加砂压裂施工的成功,尤其对端部脱砂压裂设计,小型压裂必不可少。同时介绍了Nolte方法和步... 在加砂压裂施工前进行小规模压裂,能使加砂压裂更加有效。通过对近两年来胜利油田应用小型压裂指导压裂设计的4口井实例的总结,说明了为确保加砂压裂施工的成功,尤其对端部脱砂压裂设计,小型压裂必不可少。同时介绍了Nolte方法和步骤,及小型压裂为加砂压裂设计提供的必要参数,讨论了参数解释的影响因素。为配合小型压裂工作,全面提高压裂技术水平,应选部分井进行岩石力学参数解释工作、适当延长压降测量时间,并测出瞬时停泵压力等。 展开更多
关键词 胜利油田 小型压裂 施工 参数 压裂设计
下载PDF
非自喷井高压物性资料录取工艺应用研究 被引量:2
2
作者 鲁宜全 鹿天柱 +2 位作者 张钦东 庞尚海 周广清 《油气井测试》 2002年第2期70-71,共2页
结合油田生产实际 ,对非自喷井录取高压物性资料工艺 ,尤其是对电控式高压物性取样系统进行了改进和完善 ,优化了系统配置和地面控制器的部分参数 ,增加了压力预测模块功能 ,扩大了非自喷井取高压物性资料范围 ,形成了一套适合胜利油田... 结合油田生产实际 ,对非自喷井录取高压物性资料工艺 ,尤其是对电控式高压物性取样系统进行了改进和完善 ,优化了系统配置和地面控制器的部分参数 ,增加了压力预测模块功能 ,扩大了非自喷井取高压物性资料范围 ,形成了一套适合胜利油田的非自喷井取高压物性资料工艺。 展开更多
关键词 非自喷井 高压物性资料 录取工艺 应用研究 抽油井 取样
下载PDF
基于Nao机器人的捡垃圾流程及算法研究 被引量:3
3
作者 鹿天柱 罗罹 胡开亮 《电脑知识与技术(过刊)》 2015年第4X期154-155,共2页
针对家庭服务类机器人捡垃圾的问题,提出了一种基于机器人识别物体上的Naomark标记来间接识别物体的策略。文中简单介绍了RGB以及HSV色彩模式,阐明了引用Naomark的原因,给出了Nao机器人捡垃圾的具体过程。
关键词 Nao机器人 RGB HSV Naomark
下载PDF
动态资料在油层早期评价中的应用 被引量:1
4
作者 李贵恩 鹿天柱 李慧 《油气井测试》 1996年第1期28-31,共4页
在小型断块油藏的勘探中,综合利用一口井的地层测试和试井解释成果,即可获得多项油层参数和油藏边界、含油面积及驱动类型等有关油藏参数信息,进而全面评价油藏,同时结合生产动态资料,对油层目前压力、油藏产能及动态进行预测,提高了勘... 在小型断块油藏的勘探中,综合利用一口井的地层测试和试井解释成果,即可获得多项油层参数和油藏边界、含油面积及驱动类型等有关油藏参数信息,进而全面评价油藏,同时结合生产动态资料,对油层目前压力、油藏产能及动态进行预测,提高了勘探资料的利用率,有利于油藏的合理开发.本文结合胜利油田H34井实例,对该方法进行了探讨. 展开更多
关键词 地层测试 不稳定试井 油藏评价 油藏动态
下载PDF
一种基于深度学习的时间序列预测方法 被引量:19
5
作者 鹿天柱 钱晓超 +2 位作者 何舒 谭振宁 刘飞 《控制与决策》 EI CSCD 北大核心 2021年第3期645-652,共8页
时间序列是一种广泛存在于现实各领域之中的海量高维数据,时间序列预测是该领域的一个研究重点.传统的时间序列预测方法仅仅从时间的维度对时间序列进行分析,忽略了外界影响因素对时间序列可能产生的影响.针对传统时间序列预测方法存在... 时间序列是一种广泛存在于现实各领域之中的海量高维数据,时间序列预测是该领域的一个研究重点.传统的时间序列预测方法仅仅从时间的维度对时间序列进行分析,忽略了外界影响因素对时间序列可能产生的影响.针对传统时间序列预测方法存在的问题,提出一种基于深度学习的时间序列预测模型DAFDCRNN (dual-stage attention and full dimension convolution based recurrent neural network).该模型引入目标注意力机制来学习输入特征与被预测特征之间的相关性,引入全维度卷积机制来学习输入特征之间的相关性,并引入时间注意力(temporal attention)机制来学习时间序列的长期时间依赖性.在实验部分首先确定模型的超参数,然后对模型部件的有效性进行验证,最后通过对比实验验证了所提出的DAFDC-RNN模型在大特征量数据集上具有最佳的预测效果. 展开更多
关键词 时间序列 预测分析 深度学习 目标注意力 全维度卷积 时间注意力
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部