储层流体识别是油气勘探领域的重要研究方向。页岩储层具有较强的垂直横向各向同性(Transverse Isotropy with a Vertical Axis of Symmetry,VTI)介质特征,在流体因子估测中带来不容忽视的影响。为此,根据Rüger纵波反射系数方程,...储层流体识别是油气勘探领域的重要研究方向。页岩储层具有较强的垂直横向各向同性(Transverse Isotropy with a Vertical Axis of Symmetry,VTI)介质特征,在流体因子估测中带来不容忽视的影响。为此,根据Rüger纵波反射系数方程,提出了一种基于VTI介质弹性阻抗的流体因子、杨氏模量及各向异性参数反演方法。首先,推导以Russell流体因子、杨氏模量和等效各向异性参数表示的反射系数近似公式和弹性阻抗方程;然后,通过弹性阻抗反演估计流体因子、杨氏模量和各向异性参数,并比较了各向异性参数对反演结果的影响。模型测试和实际工区数据应用结果表明,该方法可以合理、准确地预测流体因子、杨氏模量和各向异性参数,为页岩储层流体识别、脆性参数和各向异性发育程度预测提供了一种新的方法。展开更多
现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为...现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为驱动,基于信令流量和网络功能注册数据提取多维属性,通过行为画像来表征网络功能行为模式,并采用集成学习算法RFECV(Recursive Feature Elimination with Cross-Validation)进行属性特征选择,降低特征维度的同时筛选出与区分网络功能行为模式高度相关的属性特征。然后,模型基于网络功能交互关系对核心网进行图建模,建模后的图数据融合了网络功能属性信息和交互信息。最后,模型通过基于空间域的图卷积网络聚合邻域节点属性信息和结构信息来融合行为模式特征,新生成的节点表示用于分类,从而将核心网网络功能异常检测问题转化为图节点分类问题。通过在free5GC仿真平台上采集数据,并在搭建的异常检测系统中的实验表明,该模型的异常检测性能优于基于属性特征分析的传统机器学习模型、基于结构特征分析的图嵌入模型及部分5G核心网异常检测模型。10%数据集作为训练集时,所提模型的准确率比支持向量机模型提高6.6%,比Struc2vec模型提高13%,比深度神经网络模型提高8%。展开更多
文摘储层流体识别是油气勘探领域的重要研究方向。页岩储层具有较强的垂直横向各向同性(Transverse Isotropy with a Vertical Axis of Symmetry,VTI)介质特征,在流体因子估测中带来不容忽视的影响。为此,根据Rüger纵波反射系数方程,提出了一种基于VTI介质弹性阻抗的流体因子、杨氏模量及各向异性参数反演方法。首先,推导以Russell流体因子、杨氏模量和等效各向异性参数表示的反射系数近似公式和弹性阻抗方程;然后,通过弹性阻抗反演估计流体因子、杨氏模量和各向异性参数,并比较了各向异性参数对反演结果的影响。模型测试和实际工区数据应用结果表明,该方法可以合理、准确地预测流体因子、杨氏模量和各向异性参数,为页岩储层流体识别、脆性参数和各向异性发育程度预测提供了一种新的方法。
文摘现有5G(5th GenerationMobile Communication Technology)核心网异常检测主要基于信令流量深度解析,但较少利用核心网网络功能交互关系的作用。针对上述问题,提出一种基于交互的5G核心网网络功能异常检测模型。首先,该模型以行为分析为驱动,基于信令流量和网络功能注册数据提取多维属性,通过行为画像来表征网络功能行为模式,并采用集成学习算法RFECV(Recursive Feature Elimination with Cross-Validation)进行属性特征选择,降低特征维度的同时筛选出与区分网络功能行为模式高度相关的属性特征。然后,模型基于网络功能交互关系对核心网进行图建模,建模后的图数据融合了网络功能属性信息和交互信息。最后,模型通过基于空间域的图卷积网络聚合邻域节点属性信息和结构信息来融合行为模式特征,新生成的节点表示用于分类,从而将核心网网络功能异常检测问题转化为图节点分类问题。通过在free5GC仿真平台上采集数据,并在搭建的异常检测系统中的实验表明,该模型的异常检测性能优于基于属性特征分析的传统机器学习模型、基于结构特征分析的图嵌入模型及部分5G核心网异常检测模型。10%数据集作为训练集时,所提模型的准确率比支持向量机模型提高6.6%,比Struc2vec模型提高13%,比深度神经网络模型提高8%。