基于CNN-LSTM算法的气井产量预测研究

气井产量预测对合理评价气井产能和制定合理的排采制度具有重要意义。基于经验模型的产量预测方式,在使用条件和环境上具有较大的局限性。论文提出一种基于CNN和LSTM的融合算法,从数据角度出发,预测气井产量。通过CNN算法提取数据空间特征,用LSTM算法提取数据的时间特征,同时,基于机理模型分析气井产量与生产参数的关系,对特征参数进行预处理,提高算法的准确率。实验结果表明,与传统的CNN算法、LSTM算法相比,具有较好的预测效果,预测日产气量与实际日产气量之间误差小于5%。

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory,LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。

图记忆诱导的大气排污时序数据异常检测算法

大幅降低环境污染是国家“碳中和”和“碳达峰”战略的核心目标,降低大气排污是其关键。如何有效评估有关企业的污染排放数据质量是一个技术难题。本文以时间序列异常数据检测技术为基础,提出了图记忆诱导的大气排污时序数据异常检测算法(IMI-TSA);给出了异常时间序列的数学定义,将图记忆方法用于对时间序列的编码,建立了基于图结构特征的序列数据记忆模式,并利用样本间的特征与类别的关联性通过记忆来获得无标签样本的类别,同时利用有标签样本与无标签样本构建图记忆网络实现了时间序列异常检测任务;在生态环保领域采集了8个代表企业的大气排污数据,完成了相应异常检测。实验结果表明IMI-TSA算法准确率均达到了80%以上,该算法可用于构建大气排污数据监管平台。

基于LSTM神经网络的地热井回灌压力预测方法研究

地热回灌开发是解决环境污染和资源可持续发展的一种重要手段。地热井回灌压力受到诸多因素影响,各个因素与回灌压力之间表现出高度非线性关系,准确预测地热井回灌压力是一个巨大的桃战,同时也是现场生产决策亟需。基于地热井回灌压力变化的时序特征,充分考虑地热回灌井生产动态数据的变化趋势和前后关联性,提出利用长短期记忆神经网络(LSTM)模型来预测地热井回灌压力。在描述LSTM神经网络的基本结构和工作原理基础上,利用现场易得的井口回灌压力、井口回灌温度、日回灌量、累计回灌量数据,形成地热井回灌压力预测模型。现场实例表明,LSTM模型可以很好地预测地热井井口回灌压力,总体平均相对误差为1.63%,预测精度能满足现场工程应用要求。本研究为地热井回灌压力预测提供了一种新的预测方法,同时也可对地热生产决策与管理提供指导。

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法,但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点,建立了一种利用机器学习方法,根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性,因而基于长短期记忆神经网络(LSTM),建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型,是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法,分析各个因素对单井产量的影响程度,基于特征参数的重要性进行数据降维,排除不相关的冗余特征,确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化,建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价,结果表明基于LSTM模型的产量预测值与实际值高度一致,能准确反映产量的动态变化规律,为油井产量预测提供了一种新的方法。

并行编译中数据分布的线性划分模式计算

由于计算机访问本地存储器的速度远远快于通过网络访问异地计算机存储器的速度 ,因此 ,在分布式存储环境中 ,如何对程序中引用的数据进行合理的分布 ,从而达到在本地进行计算时只需访问存储在本地的数据 (即无通信的数据分布 )的目的 ,已成为提高并行计算速度的关键问题。本文主要讨论如何在数组下标表达式为线性的条件下 ,对一种基于线性代数中超平面概念的数组线性划分技术进行扩充 ,并给出了完整的数据划分模式计算算法。

基于记忆传递旗鱼优化的K均值混合迭代聚类

针对现有K均值聚类(KMC)算法受初始化影响较大,随机产生的聚类中心极易使聚类结果陷入局部最优而停止迭代,导致聚类精度低、鲁棒性差的问题,提出一种基于记忆传递旗鱼优化的K均值混合迭代聚类(MTSFO-HIKMC)算法.首先,借鉴已有改进思路,引入最大最小距离积来初始化KMC聚类中心,避免随机初始化带来的不确定性;同时,在迭代过程中,令当前最优解在局部进行自适应记忆传递修正,解决由于旗鱼算法搜索路径单一带来的全局寻优能力差和搜索精度不足的问题.利用Iris、Seeds、CMC和Wine国际标准数据集对MTSFO-HIKMC、旗鱼优化的K均值混合迭代聚类(SFO-KMC)算法、引入改进飞蛾扑火的K均值交叉迭代聚类(IMFO-KMC)算法、KMC算法和模糊C均值(FCM)算法进行比较测试,从得到的收敛曲线和性能指标可知,所提出的MTSFO-HIKMC算法相较于IMFO-KMC算法具有更快的收敛速度;在高维度空间较IMFO-KMC算法具有更高的搜索精度;相较于KMC和FCM算法具有更高的搜索精度;相比SFO-KMC算法在收敛速度和搜索精度方面都有明显提升,在高维数据集方面尤其明显.

网络时代的数据存储

阐述网络时代数据存储的重要性，介绍存储产品的性能、发展状况。

并行计算的数据分配

本文主要讨论分布式存储环境下并行计算的最佳数据分配方案。通过理论分析和两个典型的大规模科技计算问题的数值实验表明。

基于DEVS的通用数据驱动实时仿真环境

良好的适应性是仿真系统生命力的重要保证之一。提高仿真的适应性需要规定良好的模型和系统描述规范,并借助于规范的仿真系统开发模型,建立集成的仿真应用环境。基于实时网络的分布式硬实时仿真在很多领域有着广泛的应用,为适合硬实时仿真的需求,将离散事件系统形式化规范进行了适当扩展,并以面向对象模型和数据驱动的仿真系统开发方法为基础,建立了一集设计、试验与分析于一体的适应性集成实时仿真环境。文章详细介绍了硬实时仿真运行支撑件及其辅助工具的具体设计,并以其在“柔性数字化航天器设计”项目中的应用举例验证了该仿真环境的合理性。

藏北高寒牧区NPP的时空变化特征及2℃全球变暖背景下的预估

利用多源气象要素数据估算了1998-2016年的藏北高寒牧区植被净初级生产力(Net Primary Productivity,NPP)的变化特征并预估了其在2℃全球变暖背景下的变化趋势,结果表明:研究区域71.9%的NPP呈上升趋势,仅中部部分区域有下降趋势;平均NPP以每年0.54%速率增加,同期气温和降水均呈增加趋势,NPP和气温在2007前后有显著增加趋势;总体来说降水是影响NPP的最主要气候因子,且随着纬度升高其影响越来越大,气温对于NPP的影响从东南向西北依次递减,在西北地区出现弱的负相关;在2℃全球变暖大背景下,分析得出IPCC"典型浓度路径"(Representative Concentration Pathways,简称RCPs)三种温室气体排放情景下(RCP2.6、RCP4.5、RCP8.5)的NPP平均状态几乎没有变化,其影响仅限于对研究区东南部的较高NPP有较小的改善作用,其作用依次为高浓度排放≈中浓度排放>低浓度排放,表明气候变暖对研究区NPP影响有限,预估结果对认清高原地区气候变化下NPP时空变化特征有重要意义。

基于游客感知的红色旅游产品质量网评数据研究——以合肥市渡江战役纪念馆为例

网评是分析游客对旅游产品质量评价的重要途径和手段。通过网评数据的收集整理,运用内容分析法对合肥市渡江战役纪念馆的游客感知进行分析,发现游客对其总体满意度较高,尤其是对硬件建设、背景氛围以及门票免费等认可度高,但对纪念馆的配套设施、开馆时间、讲解服务以及游览内容丰富性等方面意见较多,需要从打造红色旅游产品特色、提升服务水平、完善配套设施以及嵌入其他旅游线路等方面提升质量。

基于二维数据DRAM访问的缓冲管理器设计

根据DVD数据处理速度的要求和纠错数据块的特征,提出一种基于数据重排的数据访问管理方式,实现高速高效DRAM访问的数据缓冲管理器设计,达到比较高的RS PC行和列译码速度,以实现全程流水线处理的RS PC译码器设计.本设计采用MT4 8LC8M 16A2 ,可以达到二维数据访问方式,其DRAM带宽80Mbyte×16bit/s ,满足RS PC译码4 0Mbyte/s码字处理的缓冲要求,该设计为其他二维结构数据的DRAM访问提供一种可供参考的设计方法,具有很好的实用性.

异质环境下分布式系统数据交换研究

旨在研究异质环境下开发分布式系统时,如何解决所产生的通信数据类型不一致问题,并且以远程监测系统的服务器端和客户端分别采用Delphi 7.0与VB 6.0实现时,如何解决该问题为例做了详细的探讨。结果表明采用API函数CopyMemory可以很好的解决上述问题。

鄂伦春族的视空间工作记忆能力优势:生态环境和生产方式的影响

以鄂伦春族和汉族的高中生为被试,采用简单存储任务和复杂广度任务,并且引入材料复杂性变量,考察鄂伦春族和汉族的高中生在视空间工作记忆能力上的差异,探讨生态环境和生产方式对视空间工作记忆能力的影响。结果表明,鄂伦春族学生在4个视空间工作记忆任务上的表现均显著好于汉族学生,材料呈现的结构、数量和路径均不影响鄂伦春族学生在视空间工作记忆能力上的优势。整个研究表明,鄂伦春族千百年来的生态环境和生产方式已经成为重要的生态变量,影响其后代的视空间工作记忆能力。

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,提出了产品数据空间和一维卷积神经网络(one-dimensional convolutional neural networks,1D-CNN)-长短期记忆(long short-term memory,LSTM)神经网络的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明:1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。

大数据在安全生产中的应用

大数据的诞生使人类具备了获取海量数据和处理规范化数据的能力,安全生产与经济社会发展密切相关,因此提升大数据技术在安全生产领域的应用至关重要。阐述了大数据的技术、应用和发展趋势,总结了目前安全生产中大数据的应用现状,探讨了大数据在安全生产中的应用方向。从数据源建设入手,提出了一个统一的安全生产大数据架构,以及采用分布式内存计算技术实现该架构的方法。

顶部驱动钻井装置产品数据管理原型系统开发

设计了顶部驱动钻井装置产品数据管理原型系统的系统结构和数据库 ,研究了数据库管理系统的功能和数据的存储模型 ,建立了产品数据管理原型系统的基本框架。通过定义审批流程的操作 ,建立了原型系统中审批发放流程的过程模型 ;研究了CAD系统与产品数据管理系统间的接口集成 ,提出了集成的解决方案 ,保证了CAD系统与PDM系统间保持一致的产品结构树。在应用集成模块中实现了Proe2 0 0 1和产品数据管理原型系统之间的集成。

分布式和缓存技术在大并发量网站中的应用

对于高访问量网站,Web服务器端经常面临大并发量和海量数据流请求的问题,导致用户访问延时,利用负载均衡和内存缓存相结合技术可以解决这一问题。在服务器端采用集群下的负载均衡策略,将工作任务相对均衡地分配到各个节点上执行;采用内存缓存机制,通过优先读取内存中的缓存数据以减少对数据库的访问次数,进而减轻数据库负载。性能测试结果和用户体验反馈信息显示,该方法在大并发量访问时能极大地提高系统的吞吐量。

基于长短时记忆神经网络模型的油井产量预测方法

本文利用长短时记忆神经网络模型,借助其具有长期时间序列记忆的能力,以油井产油量为目标函数,以有效厚度、渗透率、原油黏度三个储层流体参数作为静态约束条件,以油压、井底流压、含水率、气油比、日产液五个生产参数作为动态约束条件,建立综合考虑多种动静态参数影响的油井产量预测模型。应用实例表明,该模型可以较准确预测油井产量,平均综合误差为4.78%。通过敏感性分析,进一步讨论了模型重要参数(隐藏层节点数、学习率、训练步数)不同取值范围对输出结果的影响规律。该模型的建立及参数影响规律认识对于指导长短时记忆神经网络数据挖掘算法在油井产量预测中的快速应用具有重要意义。