探索式学习环境中的学习者类型自动识别

探索式学习环境提供了以学生为主导的非结构化的主动学习环境。它的优点在于支持学生的主动学习，而不是教师控制型教学，缺点是如果不能识别学生的行为和需求，探索式学习环境往往会失去对学生的有效指导。因而，如何通过数据挖掘，构建学习者模型，已经成为今天教育数据挖掘中的主要研究课题。

基于数字岩心的哈得逊油田东河砂岩储层不同层理类型微观精细描述

为实现塔里木盆地哈得逊油田东河砂岩储层不同层理类型微观结构的三维可视化和精细化定量表征,利用高精度三维CT扫描数字岩心技术,以及三维可视化图像处理软件Avizo,针对平行层理、斜层理、块状层理及夹层4类岩样开展研究,建立数字岩心模型,定量表征不同层理类型中的矿物类型、颗粒大小、孔隙及喉道大小等参数。研究结果表明,岩样矿物成分主要为硅质和硅钙质,矿物颗粒直径为6~280μm,平均孔喉半径分别为7~36μm与7~10μm。东河砂岩不同层理类型之间微观结构存在较大差异,总体上各参数呈现出块状层理>斜层理>平行层理>夹层的特征。

巧解砂岩分类三角图

在充分对比砂岩等边三角形和等腰三角形两种分类方案投点图的基础上,尝试从两种不同的思路对砂岩三角形分类方案投点图计算模型进行了推导,即直线方程推导模型和相似三角形推导模型,提出了更为简单的砂岩分类三角图投点计算模型。该计算模型只与石英和岩屑的含量有关,而与三角图本身的形状(等腰或等边三角形)没有直接的关系。再根据Microsoft Excel所提供的逻辑函数建立了砂岩类型的自动识别模型,使大数据量砂岩的分类统计变得更加准确而快捷。最后通过对大数据量储集砂岩骨架组分的定量实例研究,验证了所建立的砂岩分类自动识别模型,以及砂岩分类三角图投点简化计算模型的良好效果。

低信噪比下基于深度学习的调制模式识别方法

无线电信号的调制类型识别是信号检测与解调的中间步骤,已有的研究表明利用深度学习技术能高效地识别无线电信号调制类型。但对于低信噪比区间内识别准确率骤降的问题,仍没有一种较好的解决方案。受到深度学习在图像降噪中的启发,本文提出了低信噪比下基于深度学习的调制模式识别方法,实现了对低信噪比信号的降噪处理,解决了低信噪比区间信号识别准确率过低的问题。通过在开源数据集下的大量实验,验证了本方法的有效性,低信噪比信号调制类型识别的准确率由10%上升至15%。最后,文章对于本方法存在的问题进行分析,并对未来的研究进行了展望。

致密砂岩储层物性参数建模方法探讨

数理统计方法和地质理论结合已逐渐成为研究复杂储层的方向。由于致密砂岩储层的复杂性,其孔隙度、渗透率与测井资料不只是简单的线性关系,常用的线性回归方法难以满足致密砂岩储层物性研究的精度要求。选取致密砂岩储层研究区内3口取心井511个岩心分析样品,首先运用贝叶斯判别法将储层砂岩分为三类:石英砂岩、岩屑砂岩和岩屑石英砂岩,然后采用多元逐步回归、主成分分析和支持向量机方法对不同类型砂岩分别进行建模,对比各方法得出的复相关系数,发现支持向量机回归得到的复相关系数明显高于其他两种方法 ,且支持向量机回归方法得到的预测值与原始值的平均绝对误差也是最小的。支持向量机模型效果检验结果表明,孔隙度绝对误差小于1.5%,渗透率绝对误差小于0.25×10^(-3)μm^2,说明该模型预测效果较好,适用于研究区致密砂岩储层物性参数建模。

不同流动单元微观渗流特征研究--以华池油田长3油藏华152块为例

利用不同流动单元的真实砂岩微观孔隙模型,进行了不同流动单元微观渗流特征的试验研究,为提高油层开采效果提供科学依据。鄂尔多斯盆地华池油田华152块长3储层流动单元可分为A,B,C 3类,存储性能和渗透性能由好到差依次为A,B,C类。研究结果表明,不同流动单元的微观渗流特征有着明显的不同,体现在流体进入次序、流体驱替方式和剩余油类型上的不同。流体总是优先进入A类流动单元,其次进入B类流动单元,C类流动单元流体进入困难,在水驱油时,注入水无法进入C类流动单元;流体驱替方式不同,A类流动单元油驱水为非活塞式,而B类和C类流动单元油驱水均为活塞式;水驱油之后剩余油类型不同,A类流动单元主要为小绕流形成的小簇状油块和厚膜状残余油,而B类流动单元主要为大绕流形成的大簇状油块和珠状、滴状残余油。不同流动单元孔隙结构和润湿性的差别是造成各流动单元不同特征的主要原因。实验研究还表明,研究区C类和B类流动单元是剩余油的主要富集区,应加大挖潜力度。