Direct hydrocarbon identification in shale oil reservoirs using fluid dispersion attribute based on an extended frequency-dependent seismic inversion scheme

The identification of hydrocarbons using seismic methods is critical in the prediction of shale oil res-ervoirs.However,delineating shales of high oil saturation is challenging owing to the similarity in the elastic properties of oil-and water-bearing shales.The complexity of the organic matter properties associated with kerogen and hydrocarbon further complicates the characterization of shale oil reservoirs using seismic methods.Nevertheless,the inelastic shale properties associated with oil saturation can enable the utilization of velocity dispersion for hydrocarbon identification in shales.In this study,a seismic inversion scheme based on the fluid dispersion attribute was proposed for the estimation of hydrocarbon enrichment.In the proposed approach,the conventional frequency-dependent inversion scheme was extended by incorporating the PP-wave reflection coefficient presented in terms of the effective fluid bulk modulus.A rock physics model for shale oil reservoirs was constructed to describe the relationship between hydrocarbon saturation and shale inelasticity.According to the modeling results,the hydrocarbon sensitivity of the frequency-dependent effective fluid bulk modulus is superior to the traditional compressional wave velocity dispersion of shales.Quantitative analysis of the inversion re-sults based on synthetics also reveals that the proposed approach identifies the oil saturation and related hydrocarbon enrichment better than the above-mentioned conventional approach.Meanwhile,in real data applications,actual drilling results validate the superiority of the proposed fluid dispersion attribute as a useful hydrocarbon indicator in shale oil reservoirs.

Attributes-based person re-identification via CNNs with coupled clusters loss

Person re-identification(re-id)involves matching a person across nonoverlapping views,with different poses,illuminations and conditions.Visual attributes are understandable semantic information to help improve the issues including illumination changes,viewpoint variations and occlusions.This paper proposes an end-to-end framework of deep learning for attribute-based person re-id.In the feature representation stage of framework,the improved convolutional neural network(CNN)model is designed to leverage the information contained in automatically detected attributes and learned low-dimensional CNN features.Moreover,an attribute classifier is trained on separate data and includes its responses into the training process of our person re-id model.The coupled clusters loss function is used in the training stage of the framework,which enhances the discriminability of both types of features.The combined features are mapped into the Euclidean space.The L2 distance can be used to calculate the distance between any two pedestrians to determine whether they are the same.Extensive experiments validate the superiority and advantages of our proposed framework over state-of-the-art competitors on contemporary challenging person re-id datasets.

An Intelligent Identification Approach of Assembly Interface for CAD Models

Kinematic semantics is often an important content of a CAD model(it refers to a single part/solid model in this work)in many applications,but it is usually not the belonging of the model,especially for the one retrieved from a common database.Especially,the effective and automatic method to reconstruct the above information for a CAD model is still rare.To address this issue,this paper proposes a smart approach to identify each assembly interface on every CAD model since the assembly interface is the fundamental but key element of reconstructing kinematic semantics.First,as the geometry of an assembly interface is formed by one or more adjacent faces on each model,a face-attributed adjacency graph integrated with face structure fingerprint is proposed.This can describe each CAD model as well as its assembly interfaces uniformly.After that,aided by the above descriptor,an improved graph attention network is developed based on a new dual-level anti-interference filtering mechanism,which makes it have the great potential to identify all representative kinds of assembly interface faces with high accuracy that have various geometric shapes but consistent kinematic semantics.Moreover,based on the abovementioned graph and face-adjacent relationships,each assembly interface on a model can be identified.Finally,experiments on representative CAD models are implemented to verify the effectiveness and characteristics of the proposed approach.The results show that the average assembly-interface-face-identification accuracy of the proposed approach can reach 91.75%,which is about 2%–5%higher than those of the recent-representative graph neural networks.Besides,compared with the state-of-the-art methods,our approach is more suitable to identify the assembly interfaces(with various shapes)for each individual CAD model that has typical kinematic pairs.

精细化局部语义与属性学习的行人重识别

行人的随身物品信息与属性描述是提高行人重识别任务性能的有效途径.本文提出了一种精细化局部语义与属性学习的行人重识别网络,来提取行人的随身物品信息,同时从语义区域中获得行人的属性描述.首先,将特征聚类方法生成的随身物品区域融合到额外语义模型生成的语义解析结果中,解决目前较多额外语义解析模型遗漏行人随身物品信息的问题.其次,利用生成的语义区域作为身体标签,网络由全局特征构建这些区域的语义特征映射,然后从语义特征中预测与之相关的属性信息,增强行人的描述.最后,考虑到行人某些属性之间包含强相关性,重新构建加权模型来提高某些属性的置信分数,优化属性的预测准确率.将属性预测结果和行人的全局特征连接在一起,形成行人的鲁棒特征表示.在Market-1501和DukeMTMC-reID属性数据集上的实验表明,所提算法较基线网络分别得到了3.6%和6.4%的mAP指标增益,可以提高行人重识别任务的性能.

基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

Quantitative prediction of channel sand bodies based on seismic peak attributes in the frequency domain and its application

The boundary identification and quantitative thickness prediction of channel sand bodies are always difficult in seismic exploration.We present a new method for boundary identification and quantitative thickness prediction of channel sand bodies based on seismic peak attributes in the frequency domain.Using seismic forward modeling of a typical thin channel sand body,a new seismic attribute-the ratio of peak frequency to amplitude was constructed.Theoretical study demonstrated that seismic peak frequency is sensitive to the thickness of the channel sand bodies,while the amplitude attribute is sensitive to the strata lithology.The ratio of the two attributes can highlight the boundaries of the channel sand body.Moreover,the thickness of the thin channel sand bodies can be determined using the relationship between seismic peak frequency and thin layer thickness.Practical applications have demonstrated that the seismic peak frequency attribute can depict the horizontal distribution characteristics of channels very well.The ratio of peak frequency to amplitude attribute can improve the identification ability of channel sand body boundaries.Quantitative prediction and boundary identification of channel sand bodies with seismic peak attributes in the frequency domain are feasible.

进口含铜锌灰的表征和属性鉴别

为防止“洋垃圾”作为二次锌物料进口至国内,进行了题示研究。一例申报品名为“锌铜灰”的含铜锌灰经研磨、过筛和干燥后,采用X射线荧光光谱仪(XRF)、X射线衍射仪(XRD)、矿相显微镜(PM)、扫描电子显微镜和X射线能谱联用仪(SEM-EDS)进行表征,获得该样品的主要成分及含量、物相组成、形貌等。结合相关文献资料、委托方信息等,推断了该样品的来源及属性。结果表明:该样品的元素组成主要为锌、铜、硅等,物相组成为氧化锌、锌铜合金(Cu_(0.64)Zn_(0.36)和Cu_(5)Zn_(8))、二氧化硅等,为冶炼黄铜过程中产生的灰渣。依据GB 34330—2017中4.2和5.2条款,判定该样品为被禁止进口至中国的固体废物。

基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

低序级断层控制圈闭及油气富集,对油气勘探开发具有重要的意义。但其识别描述难度大、效率低,严重制约了该类油藏的勘探开发进程。随着人工智能的发展,深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处:建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集,为智能识别奠定了良好的样本库;LOFUnet网络是在UNet基础上进行的改进,可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体,用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征,解决梯度消失问题,提高模型的收敛速度,增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试,结果表明,基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富,提高了低序级断层识别的准确度。

莺歌海盆地黄流组一段沉积物源综合识别

通过重矿物直观比对法确定了莺歌海盆地黄流组一段沉积物中各物源区的重矿物特征,并初步认识了其古母岩特征。研究区周围存在三大主要物源区,即海南岛、越南北部(红河)及越南中部。结果表明,越南物源以铁矿物、钛矿等沉积岩型重矿物组合为主;海南物源以锆石、电气石、金红石等酸性火山岩型重矿物组合为主。基于余弦距离及皮尔森相关系数的谱系聚类结果表明,莺歌海盆地黄流组一段锆石、电气石、金红石、锐钛矿、白钛矿等矿物受成岩作用影响较小,为该时期的稳定矿物组合。综合稳定重矿物复杂拓扑网络、地震属性、地震剖面及锆石年龄等方法对主导物源区进行划分,确定了莺歌海盆地东方13区及东方1区的部分扇体主要受控于越北红河物源,东方13区及东方29区的绝大多数扇体主要受越中物源及海南北部物源的双重影响,乐东区受控于海南南部物源。基于海南南部物源的古物源分布模式,建立了重矿物-地震特征-锆石年代学的物源识别方法。

道路路基脱空病害雷达波场数值模拟与瞬时属性分析

针对道路路基脱空病害的快速识别,采用时间域有限差分法进行病害的雷达波长数值模拟,模拟了脱空病害不同大小、长度、位置及填充的差异,并通过图像增益和复信号分析技术提取雷达波场的振幅、相位和频率等瞬时属性特征,分析了不同脱空地质的雷达波场响应特征。研究结果表明:根据路基脱空病害的地质雷达瞬时振幅图像和单道波归一化幅值可推算出脱空病害上界面信息和脱空区域介质类型;根据充气脱空病害和充水脱空病害瞬时相位图像特征,可判断出路基结构层间信息和脱空病害区域和边界位置;根据充水脱空病害和充气脱空病害瞬时频率图像,可判断出高频和低频电磁波存在位置。此外,根据充水脱空病害单道波瞬时频率图,可得到正向电磁波存在位置,并作为脱空病害下界面位置判断依据。研究成果可为道路病害的智能识别和快速判识提供理论依据。

基于贝叶斯攻击图的RFID系统安全评估模型

针对目前RFID(Radio Frequency Identification,射频识别技术)系统安全分析中忽略攻击事件对系统安全状态动态影响的问题,为了有效实现RFID系统的安全风险评估,文章提出了一种基于贝叶斯攻击图的RFID系统安全评估模型。该模型首先通过对RFID系统结构、所用协议进行分析确定系统的脆弱性漏洞及其依赖关系,建立攻击图。针对攻击图模型只能进行定性分析的问题,构建出相应的攻击图模型结构后可以结合贝叶斯理论对其进行量化。依据漏洞的利用难易度和影响程度建立RFID漏洞量化评价指标,计算出对应的原子攻击概率,然后以条件转移概率的形式将攻击节点与RFID系统的安全属性节点联系在一起,不仅能推断攻击者能够成功到达各个属性节点的风险概率,而且能够依据攻击者的不同行为动态展示系统风险状况的变化,实现评估不同状态下目标RFID系统的整体风险状况。实验表明,所提模型可以有效地计算出RFID系统整体的风险概率,为后续实施对应的安全策略提供理论依据。

基于人物属性提取的行人重识别改进算法

行人重识别(ReID)是指利用计算机视觉技术判断图像或者视频队列里是否存在特定行人的技术。目前,行人重识别在理论层面已经有了很好的实验结果,但在工程应用中还有很多的问题。针对在实际应用场景中行人图片内容的复杂性(摄像设备之间的差异、行人外观易受穿着、遮挡、姿态和视角等影响等)、行人识别率不高等问题,将行人重识别算法与人物属性提取算法相结合,引入注意力机制,提高了在工程应用中行人的重识别率。

结合多尺度特征与混淆学习的跨模态行人重识别

跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题,提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异,将网络设计为多尺度特征互补的形式,分别学习行人的局部细化特征与全局粗糙特征,从细粒度和粗粒度两方面来增强网络的特征表达能力。利用混淆学习策略,模糊网络的模态识别反馈,挖掘稳定且有效的模态无关属性应对模态差异,来提高特征对模态变化的鲁棒性。在大规模数据集SYSU-MM01的全搜索模式下该算法首位击中率和平均精度(mean average precision,mAP)的结果分别为76.69%和72.45%,在RegDB数据集的可见光到红外模式下该算法首位击中率和mAP的结果分别为94.62%和94.60%,优于现有的主要方法,验证了所提方法的有效性。

小清河干流近60年径流变化归因分析

为分析小清河径流变化规律,基于1965~2018年的降水和径流量数据,分析其变化趋势及突变点,并采用Budyko假设与弹性系数相结合的方法,定量识别了气候变化和人类活动对径流变化的贡献率。结果表明,1965~2018年小清河降水量呈微弱增加趋势,而径流量呈显著增加趋势;突变点分析发现年径流量在1994、2003年发生突变,因此将1965~1994年作为基准期,以1995~2003、2004~2018年分别作为变化期Ⅰ、Ⅱ;基于Budyko水热耦合平衡方程发现变化期Ⅰ径流增加的主要原因是下垫面条件和降水的改变,贡献率分别为64.74%、21.83%,潜在蒸散发的贡献率为13.43%;变化期Ⅱ径流增加的首要原因是下垫面条件的改变,占59.57%,其次是降水和潜在蒸散发,分别为23.83%、16.60%。因此,小清河岔河径流变化是人类活动和气候变化共同作用的结果,其中人类活动引起的下垫面条件变化为主导因素,其次为降水影响。

基于保边滤波的断层似然属性在西湖凹陷复杂断裂识别中的应用

西湖凹陷中央背斜带N构造区油气资源富集,但地质活动频繁,断层期次、交切关系复杂,同时,靶区地震资料信噪比低,目的层段反射杂乱,进一步影响断层精细刻画。本文利用非线性各向异性保边滤波方法去噪,克服传统线性滤波对断层边缘破坏问题,兼顾噪音压制与边界信息保护;通过对每个样点进行断层倾向和倾角扫描,依次计算相似系数和似然属性,选取最大的似然属性值作为最终结果,该方法较传统相干算法可更精细表征断层。实际资料应用表明:联合非线性各向异性保边滤波去噪与断层似然属性方法能够更好地压制随机噪音、保护断层边界信息,断层刻画精度更高,较好地落实了N构造区复杂断裂幕次精细刻画。

基于AL-Transformer的铁路客运站旅客属性识别方法

随着铁路运力的不断提升,旅客在铁路客运站内候车的频次和时间也在不断增加,为主动挖掘候车旅客的个性化需求,提出一种基于AL-Transformer(Attribute Localization-Transformer)模型的铁路客运站旅客属性识别方法。AL-Transformer模型基于Swin Transformer主干网络提取进站旅客的结构化信息,通过掩码对比学习(MCL,Mask Contrast Learning)框架抑制特征区域相关性,获取到更有辨识度的属性区域;通过属性空间记忆(ASM,Attribute Spatial Memory)模块选取更加可靠、稳定的属性相关区域。在中国铁路兰州局集团有限公司白银南站试用的效果表明,该方法可有效识别旅客属性,为客运站工作人员推送更有针对性的信息,提升客运站的旅客服务质量,保障旅客候车安全。

论利川土家民歌的基本特征

在形成过程中,特殊的地理环境和相对复杂的历史原因让利川土家民歌形成了带有独特地域性和民族性的辨识特征。在发展过程中,利川土家民歌又不断吸收其他区域或其他类型民歌的艺术特征,形成了以土家族原生态民歌为主体,兼有其他民族音乐文化某些特点的多元化艺术风格。此外利川土家民歌总体追求“思无邪”的精神境界,具有良好的社会教化意义。

页岩储层不同尺度断裂识别方法

松辽盆地齐家凹陷南部青山口组发育页岩储层,页岩油正在成为该地区增储上产的重要接替领域。青山口组沉积时期被多组不同期次断裂切割,断裂识别及裂缝预测难度影响了对该区油藏主控因素的认识。准确识别不同级次断裂的展布特征对研究区页岩油勘探具有重要意义。地震属性分析是断裂识别、储层预测的有效手段之一,不同的地震属性能描述不同的地质特征,单一地震属性难以全面精确识别断裂。综合利用方差体属性、三维构造曲率属性、构造平滑以及三维边缘强化技术、蚂蚁体属性等地震多属性断裂识别技术,提高不同级次断裂的识别精度,形成一套有效的针对不同级次、不同尺度的页岩地层断裂识别技术流程。有效刻画了研究区内断裂展布特征,实现了不同级次断裂平面展布预测,克服了单一地震属性方法在断裂识别及预测中的局限,为油气资源勘探部署提供可靠依据。

进口含钴物料表征及其固体废物属性鉴别

本文研究了一种鉴别含钴物料固体废物属性的方法。具体为采用X射线荧光光谱(XRF)、X射线衍射光谱(XRD)、超景深显微镜、扫描电子显微镜-能谱联用等分析技术,对一批进口申报为“钴粉”的含钴物料进行表征和分析,样品呈黑色粉末状,夹杂有金属光泽的细小颗粒,由钴(Co)、铝(Al)、铜(Cu)、镍(Ni)、锰(Mn)、磷(P)、硫(S)、铁(Fe)、硅(Si)、锂(Li)等元素组成,主要物相包括石墨(C)、钴酸锂(LiCoO_(2))、镍酸锂(LiNiO_(2))、金属铜(Cu)等,与含钴废弃电池经机械物理粉碎和分离后得到的含钴物料特征吻合,因此推断样品为电池废料经物理处置后的产物。依据《中华人民共和国固体废物污染环境防治法》和《固体废物鉴别标准通则》(GB34330—2017),判定该样品为固体废物。

基于层次化主题分析的铁路敏感数据智能识别与分类分级方法

为了对铁路不同敏感等级数据实施差异化保护,文章提出了一种基于层次化主题分析的铁路敏感数据智能识别与分类分级方法,旨在为铁路网络数据分级保护提供依据。该方法利用数据语义和分类分级规则建立主题词库,通过主题分析初步判断数据敏感级别。考虑到铁路网络数据的敏感级别分布不平衡,设计分级概率向量加权聚合机制,利用凝聚层次聚类算法实现准确定级。经实验验证,与基于语义和K-means聚类的传统主题分析方法相比,该方法可有效缓解分布不平衡问题,实现细粒度、动态可调整的铁路敏感数据智能识别与准确定级,从而为落实铁路网络数据分级管理要求、确保铁路网络数据安全可控提供技术支撑。