基于机器学习算法预测核磁共振T_(2)谱

近年来,深度学习算法被广泛应用于生成各种类型的数据。通过分析测井数据与核磁共振T_(2)谱之间的映射关系,利用随机森林与长短期记忆(long short-term memory,LSTM)神经网络模型实现了对核磁共振T_(2)谱的重构。核磁共振测井在每个深度获得的T_(2)谱是在不同的时间序列中通过不同的布点数来显示形态上的变化的,随机森林算法能够处理高维度的核磁共振T_(2)谱数据且不需要做特征选择,而LSTM可以很好地控制不同深度神经元对T_(2)谱各分布点的影响,将这两种网络模型进行参数优化后,对同一口井的预测结果进行对比分析。选取了中国海上A油田的测井数据作为例子进行方法测试。首先,利用灰色关联度算法分析T_(2)几何均值与测井曲线的相关性。选取相关性高于设定值的测井曲线,将测井曲线标准化缩放在0~1后作为随机森林与LSTM模型的输入,预测同一地层T_(2)谱形态分布规律并比较算法的优劣。在比较软件处理得到的核磁共振T_(2)谱和预测结果后,分析它们之间产生差异的原因。结果显示通过LSTM神经网络模型预测的数据与地层真实数据的符合度比随机森林算法更高,符合度可达90%以上。

用于长城等古建筑探测的NMR探测器的磁体设计

以万里长城为代表的古建筑是世界瑰宝,更是中华民族的象征和骄傲.本文提出利用便携式核磁共振(NMR)装置来探测研究这类古建筑的建筑材料,在不对其造成损伤的基础上,发掘其隐含的科学、技术和工程相关的丰富信息.为此,作为第一步,设计了适合于探测这类古建筑的便携式单边NMR探测器组合式磁体.该探测器的磁体结构以semi-Halbach为基础,通过不同磁体模块间的组合得到对应移动探测模式、长距离探测模式和均匀磁场探测模式的磁体结构.随后根据优化结果,设计加工了磁体组件,并采用该磁体进行了流体、长城城砖和现代红砖的NMR实验,实测结果与模拟一致.该组合式磁体的优点在于通过不同磁体模块组合,实现了多种探测方式,适用于探测长城等这类古建筑物需要多种探测模式的科学研究.

油气地球物理硕士国际班培养模式的创新实践

为应对石油行业的国际化趋势和油气地球物理学科的发展,本文提出了具有石油石化特色的硕士国际班创新培养模式。它以培养有国际化视野、专业扎实的应用型复合人才为目标,以内容驱动式英语教学为形式,充分借鉴美国、英国、加拿大等国在石油石化人才培养方面的经验,全方位整合现有教学资源,注重教学方法、管理制度的整体改进,探索建立新型研究国际班课程体系建设与培养模式,提高学生的学术深造潜力和就业竞争力。根据近几年的人才培养成果分析,取得了良好效果。