基于模态分解与LSTM注意表征的测井曲线重构研究

测井曲线记录着地层物理性质随深度变化的幅值范围,是测井与地震资料之间的纽带,对储层岩性分析与识别和后续的油气勘探工程十分重要.然而,在实际的测井过程中仪器故障等原因会造成测井曲线缺失的问题,重新测井不仅价格昂贵而且难以实现.针对地质勘探时测井数据时常缺失的问题,本文提出了一种LSTM(Long Short-Term Memory)注意力表征的测井曲线重构方法.同时,对原始测井信号进行两种模态分解,计算分解后得到模态分量与原始信号之间的相关性,去除冗余分量,实现对缺失的测井曲线高效、高精度的人工补全.将该方法用于声波(ACoustic,AC)与密度(DENsity,DEN)曲线重构实验,并将实验结果与LSTM网络和BP(Back Propagation)神经网络预测的结果进行对比分析.结果表明,LSTM-Attention模型有着更为优异的预测效果,重构后的AC和DEN与原始曲线之间的相关性分别达到了86.8%和74.8%,高于传统LSTM和BP神经网络预测方法.在去除冗余的信号分量后,相关系数分别提高了1.4%和4.0%.同时,本文所提方法预测出的测井曲线具有最低的预测误差.因此,基于LSTM注意表征的网络结构对测井曲线重构具有较好的预测精度.

小流量热式气体流量的数值模拟研究

为了研究火烧油层采油技术中火烧井空气(助燃剂)的注入状况和监测微小气体流量,提出了一种具有自动温度补偿功能及混合气体组分补偿功能的小流量热式气体质量流量测量方法。为适应井下狭小空间的复杂操作环境,在传统传感器结构的基础上,在管道中加入环形分布器的传感器优化结构。利用FLUENT进行流体仿真,验证该结构的可行性及测量原理数学模型的正确性。传感器优化设计为深入了解各层注入气体量和提高采收率提供了可靠的依据。

基于LSTM多尺度共生关系挖掘的测井曲线复原

利用测井数据进行储层地质描述的应用中,经常出现部分测井曲线失真或缺失的问题,为此,测井曲线复原一直以来都是相关研究领域的研究热点和难点。传统信号复原方法和基于神经网络等机器学习的复原方法,对同井不同测井曲线间关联信息的表示和利用不充分,跨井模型适应能力差。针对这些问题,该文提出一种基于长短时记忆(LSTM)网络多尺度共生关系挖掘的测井曲线复原方法:在基于神经网络测井曲线复原方法的基础上,通过引入多尺度灰度共生短阵(GLCM)关系完成对不同测井曲线间横向关联信息的表征以实现测井曲线集纵横向语义信息的全面利用,进而实现缺失测井曲线的复原。实验结果表明,与BP神经网络、随机森林(RF)、GBDT、深度森林(DF)和LSTM网络方法相比,该文所提方法具有更好的信号复原精度,且所构建模型具有一定的井间适应能力。

基于电磁感应的聚合物水溶液粘度测量方法研究

针对聚合物水溶液的粘度测量问题,提出了一种基于电磁感应的聚合物水溶液粘度测量方法。使电磁驱动柱状永磁铁在套筒中往复运动,通过信号采集电路和数据处理,获取相应的运动时间差,从而推算出聚合物水溶液的粘度。通过实验研究,实现了对聚合物水溶液粘度的实时测量,验证了该方法的可行性。

基于边缘特征和CNN联合的多视航拍图像配准方法

针对传统卷积神经网络对多视航拍图像进行配准训练时,未能充分利用多视图像间边缘特征之间的联系,为了提取多层图像边缘结构之间的特征信息,提出了一种基于边缘特征和卷积神经网络联合的多视航拍图像配准方法,通过窗口灰度加权算法提取图像的边缘特征图,并将边缘特征图作为卷积神经网络的输入端进行训练,在测试阶段,给出一对新的多视航拍图像,训练后的模型可以预测图像间的空间对应关系。实验结果表明,该算法实现了图像对齐变换,提高了图像配准的精度,优于现有的图像配准方法。

基于集成学习的油水两相ECT系统流型识别研究

针对传统的电容层析成像(ECT)流型识别方法识别率低的问题,提出一种基于集成学习理论的ECT流型识别方法。将ECT系统获得的大量流型数据进行归一化处理,并将样本数据的60%随机分配给训练数据,40%作为测试数据。在现有随机森林分类器的基础上进行改进,通过对单一流型进行识别,获取各类流型的识别标签,并通过组合策略的原则将多个单类标签结果进行重组,最终获取多种流型分类结果。对8种典型流型的仿真实验结果表明,该方法继承了传统的随机森林的分类特点。在5~40 dB信噪比的情况下,识别率有明显的提升,最高可达99.93%,表明了这种方法抗噪声干扰能力强,是一种适用于工业检测的方法。

电磁感应聚合物粘度特性仿真分析与试验研究

针对井下聚合物驱油剂的粘度实时检测难度大的问题,提出一种基于电磁感应的粘度测量方法。利用电磁场模拟柱状永磁铁在电磁驱动力的作用下,对套筒中做往复实时运动的情况和受力大小进行分析。对比了仿真结果和试验测试数据,并根据检测参数实时计算出聚合物驱油剂的当前粘度,分析系统稳定性和可行性,为进一步实现粘度检测提供理论和实践参考。

植物生理传感器的研究现状与应用展望

植物生长发育状况对农业生产指导有着不可忽视的作用。本文利用植物生长的特点,从植物内部生理状态、外部形态特征和大气环境监测3个方面入手,论述了植物生理传感器的研究现状。主要介绍了植物径流速度、激素、葡萄糖等小分子、pH、叶片面积和果实直径测定的生理传感器,以及农业化生产环境的一体化监测系统,并详述了其各自的特点。随着植物生理学的发展以及相关研究的深入,无损在线式监测和新型传感器的开发将是未来研究的重点。

基于区域结构特征的城区LiDAR数据快速分类

机载激光雷达能够及时准确地获取大量具有精确三维位置信息的三维点云数据,在数字城市、森林防火、智能交通等领域有着广泛的应用。城市中心区域的三维点云数据往往会因为高大树木或植被的遮挡,造成建筑物等人造目标识别特别困难。本文通过直接的二次多项式拟合方式提取高大树木等植被与建筑物目标典型局部区域的区域信息,构建区域目标敏感的结构特征,进而,通过模糊逻辑即可完成三维点云数据的建筑物目标敏感的分类任务。实验结果表明,该方法能够快速有效地实现较大尺度范围内LiDAR点云数据的分类,具有较好的应用前景和推广能力。

基于改进U-Net的磁共振成像脑肿瘤图像分割

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

立体视觉感知中的深度敏感信息提取综述

图像显著性是实现视觉信息感知的最主要信息源,图像显著性信息的检测是计算机视觉研究中的热点.随着数据获取能力的极大提升,三维或立体视觉感知的需求越来越迫切,深度敏感信息的有效提取是影响当前立体视觉体验的重要元素,已经得到了很多研究人员的注意并取得了一定的研究成果.本文对图像显著性检测及深度敏感信息提取研究的相关检测模板及技术进行广泛研究,对深度敏感信息提取的研究现状进行了分类和概括,并通过对比实验,分析了几种典型深度敏感信息提取算法.最后,对深度敏感信息提取技术存在的问题及发展趋势进行了讨论.