油气储层勘探建模技术新进展及未来展望

油气储层建模利用地质统计学等方法,综合测井、地质、地震等多学科信息,是油气田开发研究的利器,油藏地质模型可以将油藏各种地质特征在三维空间的变化及分布定量表征出来,是油气藏的类型、几何形态、规模、油藏内部结构、储层参数及流体分布的高度概括,储层地质模型是油藏地质模型的核心,可以对储层的沉积特征、非均质性、物性及流体等特征进行综合表征。但在勘探阶段,面对大尺度沉积体系和稀疏井网条件下的储层展布规律表征的建模难点为:①地质知识的量化表达问题,包括地质专家的经验认识如何数字化表征。②稀疏井网条件下无法直接用钻井资料对地质体的发育规模、展布方向和结构特征准确定量描述及构建地质模式,大尺度空间中复杂沉积体系无法用简单数学函数表征。③传统地质统计学等方法在勘探模型构建中如何实现地震、测井、地质、油藏等多维度数据的融合问题。因此,基于确定性建模和传统地质统计学等随机建模的储层建模理论和技术遇到极大挑战。笔者在系统剖析传统储层建模技术流程和方法的基础上,通过构建涵盖地质、测井、地震、分析化验等信息的多学科地学大数据知识库,开展多维数据凝聚层次聚类的沉积相模式库表征和基于生成式网络的智能建模,提出了多学科协同的油气储层勘探建模技术对策及技术体系,实现了构造、沉积及储层之间匹配关系的定量表征。该技术体系在东营凹陷北部陡坡带、洼陷带勘探部署中开展系统应用,构建融合古地貌、古物源、搬运通道、测井及地震属性等多信息的岩相、物性及油气运聚的地质模型,基于模型新范式指导部署井位,支撑了陆相断陷盆地复杂砂砾岩体、页岩油等勘探实践。笔者通过深度剖析东营凹陷北部陡坡带勘探建模实践难点及精度问题,进一步探讨了未来油气储层勘探建模技术发展趋势和应用前景。

考虑时空不确定性的风电出力场景生成方法

为准确描述风电出力的不确定性及时空相关性,提出一种考虑时空不确定性的风电出力场景生成方法。将生成对抗网络作为风电出力的场景生成模型,将卷积神经网络作为模型生成器与判别器以实现时间特征的提取,采用特征工程方式实现不同风电场间出力空间相关性的量化;通过格拉姆角场方式进行特征变换,并合理设置网络结构及参数进行网络训练,得到生成器输入与输出场景间的映射关系。采用实测数据对所提方法的有效性进行对比验证,实验结果表明所提方法具有较强的风电出力不确定性表示能力。

神经风格迁移模型综述

神经风格迁移技术主要用于对图像、视频等进行风格化,使其具有艺术美感,该领域极具应用价值,是人工智能的热门研究领域之一。为推动神经风格迁移领域的研究发展,对神经风格迁移技术进行了全面概述。简述了非真实感渲染技术和传统的纹理迁移技术。对现有神经风格迁移模型进行了分类整理,并详细探讨了各类代表性模型的算法原理及后续改进,分析了神经风格迁移技术的应用市场。提出对风格迁移模型质量的评判应该从定性评估和定量评估两个方面来考虑,并从各个角度讨论了现阶段风格迁移技术存在的问题以及未来研究方向。最后强调应提高模型的综合能力,在保证生成质量的情况下提升生成速度以及泛化能力。

面向样本不平衡的网络安全态势要素获取

针对传统的网络安全态势要素获取模型中,当样本分布不平衡时,占比很少的样本(统称小样本)不能被有效检测,准确识别到每一类攻击样本成为研究热点之一。利用深度学习提出了一种面向样本不平衡的要素获取模型,利用卷积神经网络作为基分类器提取网络数据的深层特征,其次使用GAN生成对抗网络扩充小样本的方法,解决样本分布不均衡问题。在扩充后的平衡数据集上采用迁移学习,加快基分类器到适应于小样本的新分类的训练时间。在NSL-KDD数据集上的实验表明,经过生成对抗网络扩充后的数据集,结合迁移学习有效加快了模型训练收敛速度,并有效提高网络安全态势要素获取的分类精度。

多层记忆增强生成对抗网络二次预测的视频异常检测方法

为了提高视频异常检测的准确率,提出了一种基于多层记忆增强生成对抗网络二次预测的视频异常检测方法。首先利用目标检测提取时空立方体,并将其输入自编码器中得到预测帧;其次将预测帧的表观特征和对应真实帧的光流特征进行融合,形成融合特征;最后利用多层记忆增强生成对抗网络二次预测未来帧,以便学习不同层次特征的正常模式并捕获上下文的语义信息。在UCSD Ped2和CUHK Avenue数据集上进行的实验结果表明:所提出的方法与其他视频异常检测方法相比,可有效提高视频异常检测的性能,使帧级别AUC分别达到99.57%和91.59%。

面向文本识别的对抗样本攻击综述

文本识别技术可以分为光学字符识别(optical character recognition,OCR)和场景文本识别(scene text recog⁃nition,STR),其中STR是在OCR基础上针对日益复杂的应用场景衍生出来的。依托深度学习,OCR技术近年来取得了长足进步并大规模商业落地,但深度学习面临的对抗样本攻击问题也给OCR带来了安全威胁。目前大多数OCR模型均存在识别自然扰动和防御对抗样本攻击能力差的问题,如OCR模型在噪声、水印和梯度等攻击算法下的识别准确率大大降低。相比图像领域,文本识别领域的对抗样本攻击研究还远远不够。文本识别通常被视为一个序列到序列的问题,其中输入(如图像中的像素)和输出(像素对应的字符)都是序列,这使得对抗样本的生成更具挑战性。本文对文本识别的对抗样本攻击和防御方法进行研究综述,梳理了近年来文本识别领域的对抗样本攻击方法并进行对比分析,根据攻击类型、应用场景和模型可知性,对攻击方式进行了系统分类。具体来说,按照攻击类型,可分为基于梯度的攻击、基于优化的攻击和基于生成模型的攻击;按照应用场景,可以分为OCR攻击和STR攻击;按照模型可知性,可分为白盒攻击和黑盒攻击。除了回顾文本识别对抗样本攻击方法,还简要介绍了防御技术,具体分为数据预处理、文本篡改检测和传统对抗防御技术。通过这些技术的应用,可以有效地提升文本识别模型的安全性和鲁棒性。最后,总结了文本识别领域对抗样本攻击及防御面临的挑战,并对未来发展方向做出展望。