基于集合和神经网络架构搜索的自动历史拟合方法

由于人工经验选取的局限性,难以获取决定模型重构精度的最优网络参数是目前使用深度学习方法在自动历史拟合中对油藏地质模型进行降维时的难点之一.针对此问题,通过将深度自编码器与粒子群优化算法相互结合实现最佳网络架构的自动搜索,并以此构建一种基于集合数据同化和神经网络架构自动搜索的油藏自动历史拟合方法.分别对一个二维河流相油藏...     

基于连通性分析局域化的集合卡尔曼滤波的油藏自动历史拟合方法

集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）是自动历史拟合中应用最为广泛的方法之一,但该算法在应用过程中会产生伪相关、滤波发散等问题。本文建立了一种新的基于连通性分析的单井敏感性局域化集合卡尔曼滤波自动历史拟合方法,解决了传统距离截断方法处理伪相关时与实际油藏不匹配问题。该方法将油藏网格视为连通的有向图,利用连通性分析和Floyd算法计算任意两个网格点间的最短路径,从而确定单井敏感性区域和井点到各网格的相关系数矩阵,再结合集合卡尔曼滤波方法有效削弱了伪相关问题。将改进的算法编程实现并运用实例进行验证,结果表明,基于连通性分析局域化的EnKF方法在生产动态拟合和模型参数场反演等方面均优于标准EnKF方法。     

无梯度多参数自动历史拟合方法

通过历史拟合以降低油藏地质参数的不确定性,提出一种稳定高效的无梯度多参数最优化调参技术,根据贝叶斯统计理论建立历史拟合最小化数学模型,并利用奇异值分解算法进行降维分解,然后采用基于方向导数的无梯度算法对该最优化问题进行求解。该方法同时实现了渗透率、孔隙度、相对渗透率、原油黏度及水体参数的拟合,进一步降低了反问题的不确定性。与人工历史拟合结果相比,基于降维方法的自动历史拟合结果表现出高度的一致性,节省了大量的人力与机时,证明了该方法的有效性与正确性。     

基于四维变分的油藏数模自动历史拟合方法

应用基于最优控制理论的四维变分资料同化方法,将油藏初始参数场和历史拟合时间段内的动态资料作为约束条件,将历史拟合过程转化为非线性规划中求解定义在多维空间的最优化问题,采用Levenberg-Marquardt优化算法求解目标函数极小值,从而建立基于四维变分资料同化的油藏自动历史拟合模型。将某小断块油藏渗透率和油水相渗曲线作为被估参数,自动拟合油藏产油量和含水率历史数据。结果表明:应用四维变分资料同化方法进行油藏数模自动历史拟合是可行的,可大幅提高历史拟合的效率。     

油藏自动历史拟合研究进展

 油藏自动历史拟合自提出至今已有50余年的历史,在理论和应用研究方面都取得了长足进展。为总结油藏自动历史拟合领域的研究进展和关键技术,以油藏自动历史拟合的发展历程为主线,以油藏自动历史拟合的技术进展为核心,将油藏自动历史拟合分为萌芽、形成、发展和快速发展4个阶段,讨论了常用的优化方法和具有发展潜力的优化算法,对比了各优化算法的特点和适用范围,探讨了目前研究存在的问题,提出了油藏自动历史拟合的发展方向。     

单井黑油模型自动历史拟合的一种方法

提出了单井三维三相黑油模型自动历史拟合的一种方法。在此基础上,建立了一个带约束条件的非线性目标函数,应用本算法使目标函数达到最小,实现自动历史拟合,从而反求出地层各参数值,另外还对新疆百口泉井的测试资料进行了自动历史拟合,求得了各自地层参数值,同时将本文结果与地层参数电测解释结果进行了对比,证实了本算法求解的可靠性。     

多模型的油藏模拟自动历史拟合方法研究

传统油气藏数值模拟通常仅建立单个随机地质模型,采用人工历史拟合方式获得符合油藏动态的地质模型并用于方案预测。但由于地质资料相对稀少且地层非均质性的客观事实存在,历史拟合问题必然存在多解性,所获得的单个地质模型无法保证准确反映地下真实情况。本次研究中首先利用静态地质资料生产大量随机实现,使用PCA降维方法减少模型数据量,再利用聚类方法挑选出多个特征各异的实现作为初始模型,采用基于SPSA算法的自动历史拟合方法,获得多个符合油藏动态却又包含不同特征的历史拟合模型。结果表明,多模型能够更接近地下的真实情况,产生的预测结果不再是单一动态曲线,而是具有多种开发可能性的一系列曲线,这样使预测更为科学可靠。     

一种基于深度学习的中文生成式自动摘要方法

针对中文的象形性和结构性特点,本文提出了一种新的生成式自动摘要解决方案,包括基于笔画的文本向量生成技术和一个生成式自动摘要模型。基于笔画的文本向量方法针对组成汉字的最小粒度笔画进行编码,增强了通过Skip-Gram模型得到对应的中文词向量语义信息;然后通过对Seq2Seq模型进行优化,使用Bi-LSTM解决长序列文本信息丢失以及逆向信息的补充问题;并在编码端加入Attention机制以计算不同输入词对解码端的影响权重,在解码端加入Beam Search算法优化生成序列的流畅度。基于LCSTS数据集实验表明,本文提出的模型在中文文本摘要生成质量和可读性上有所提升。     

基于深度学习的交通运输行业数据自动分级方法研究

为促进交通运输行业信息系统互联、保障数据安全,进而推动行业健康发展,本文对交通运输行业中的数据共享和自动分级方法进行研究。本文基于卷积神经网络(convolutional neural networks,CNN)–双向门控循环单元(bidirectional gating recurrent unit,BiGRU)–胶囊网络（capsule network,CapsNet）模型的数据类别判定方法,设计并实现了交通运输信息资源目录系统中数据的自动分级模块,完成了行业领域下的数据自动分级。实验结果表明本文算法的准确率和F1值分别达到了70.48%和70.16%,明显高于现有的几种主流模型,可以有效提高数据分级的效率。     

基于EnKF的油藏自动历史拟合方法对三相相对渗透率的反演

为解决标准集合Kalman滤波在非线性油藏反演中更新模型与更新动态场的统计不一致性问题,提出了一种改进的集合Kalman滤波方法,历史拟合过程中只对模型参数进行更新,然后利用更新的模型参数从初始状态重新运行油藏数值模拟软件进行下一拟合时刻的生产预测,协方差矩阵由从时间零运行油藏数值模拟软件得到的预测数据进行计算.理论证明了该方法与集合随机最大似然法的一致性.对某油藏的相对渗透率曲线进行了估计,比较了标准集合Kalman滤波方法与改进方法的参数估计及生产预测结果.由于保证了更新模型与更新动态场的一致性,改进的集合Kalman滤波方法得到了更好的参数估计和生产预测结果.     

基于深度学习的自动驾驶技术综述

该文在行人检测技术方面介绍了基于卷积神经网络(CNN)模型的目标识别、检测技术与改进的区域卷积神经网络(R-CNN)、任务辅助卷积神经网络(TA-CNN)模型技术。在立体匹配技术方面简述了基于孪生网络的立体匹配的深度学习模型技术。在多传感器融合技术方面回顾了基于深度学习网络的视觉传感器、雷达传感器与摄像机传感器的多源数据融合技术。在汽车控制技术方面分析了基于卷积神经网络实现无人驾驶车辆端到端的横向与纵向控制技术。深度学习技术在自动驾驶领域的感知层、决策层与控制层的广泛运用,不断地提高感知、检测、决策与控制的准确率,并取得一定的成功,分析表明深度学习技术将加速自动驾驶技术的发展速度,为自动驾驶成为现实带来巨大的可能性。     

基于深度学习的井间地震CT初至自动拾取方法

井间地震CT方法能够有效探测岩溶等不良地质,而拾取地震波的初至对其反演结果至关重要.以往井间地震CT初至拾取通过手动标定,效率低,无法满足模型训练要求.本文基于人工源地震初至的时距特征,提出了一种基于深度学习的地震初至训练样本库快速标定方法.利用人工合成数据训练初始网络模型,采用少量人工标定实测数据进一步训练,基于该网络模型对未标定的井间地震实测数据剖面进行初至拾取,采用长短时窗比法修正曲线拟合结果,对仍不理想的拾取结果进行人工判别和改正,并将准确标定数据加入训练集,形成新的网络模型;通过迭代实现数据集再生成并获得后续阶段的网络模型.基于上述方法完成了80 000道数据的初至拾取,在充分训练后神经网络具备较高的拾取精度,采用3840组数据对该模型进行测试,发现预测结果与人工拾取结果对比的绝对误差值小于0.2ms的数据占91.8%,说明该方法是一种切实有效且高效的井间地震CT初至拾取方法.     

种强非均质性油藏自动历史拟合混合求解方法

针对强非均质性油藏,提出一种强非均质性油藏自动历史拟合混合求解方法。混合由两部分组成,一是主成分分析方法(PCA)与离散余弦变换方法(DCT)混合,对先验模型进行特征提取能够在降低数据维数的同时保留更为全面的地质特征,提高历史拟合的鲁棒性;二是人工蜂群算法(ABC)与同步扰动随机近似算法(SPSA)混合,利用人工蜂群算法良好的全局搜索模式改进同步扰动随机近似算法对目标函数进行数值求解,提高算法的求解速度与精度。最后应用提出方法进行强非均质油藏模型自动历史拟合。结果表明:PCA与DCT方法混合能够有效提取强非均质油藏的地质特征,反演结果接近真实油藏模型。该研究成果可为复杂非均质油气藏地质特征的识别研究提供理论支持。     

自动驾驶中基于深度学习的3D目标检测方法综述

随着激光雷达传感器和深度学习技术的快速发展,针对自动驾驶3D目标检测算法的研究呈现爆发式增长。为了探究3D目标检测技术的发展和演变,对该领域中基于深度学习的3D检测算法进行了综述。根据车载传感器的不同,将当前基于深度学习的自动驾驶3D目标检测算法分为基于相机RGB图像、基于激光雷达点云、基于RGB图像–激光雷达点云融合的3D目标检测3种类型。在此基础上,分析了各类算法的技术原理及其发展历程,并根据平均检测精度（mAP）指标,对比了它们的性能差异与模型优缺点。最后,总结和展望了当前自动驾驶3D目标检测中仍然面临的技术挑战及未来发展趋势。     

深度学习下面部缺失图像自动补全方法

考虑到传统方法在补全面部缺失图像时存在补全比例低的问题,提出了基于深度学习的面部缺失图像自动补全方法研究。利用面部缺失图像的尺度空间,计算了面部缺失图像在时间梯度上的均值。利用深度学习算法学习面部缺失图像的类别,得到面部缺失图像的像素值。通过确定面部缺失图像的像素类别,利用深度学习算法增强处理了面部缺失图像的细节分量,完成面部缺失图像的识别。通过修复面部缺失图像的遮挡部分,优化面部图像的真实性,将相似性损失计算结果作为深度学习算法的算子,提取出面部缺失图像的特征。结合面部缺失图像自动补全算法设计,实现了面部缺失图像的自动补全。试验结果表明,在不同的缺失比例下,基于深度学习的面部缺失图像自动补全方法可以提高面部缺失图像的补全比例,具有更好的补全效果。     

基于深度学习和数据挖掘的自动表格提取算法

提出了一种新的通用表格提取工具,该工具结合了数据挖掘技术和机器学习方法,能够有效且高效地从表格中识别和提取数据.首先使用卷积神经网络来识别和分离出所有潜在的表,通过与物体检测网络相结合,进一步优化了识别过程.然后,用计算机视觉方法识别每个表的高层结构,另一个卷积神经网络使用这种高层次的结构化元数据来识别准确的单元位置....     

基于深度学习的铝厂工业自动浇筑中的图像识别

将深度学习的图像识别应用到工业生产中是一个重要的应用方向.相比传统图像处理,深度学习在图像识别中具有高识别率、抗干扰性强等特点.首先采用小波变换对图像去噪、归一化,然后利用多层卷积对图像进行特征提取并采用全连接层和softmax分类器进行分类实现图像识别.在铝厂工业自动浇注过程中,对已经浇注完成和未完成的图像进行识别、解决传统图像处理在工业生产中多干扰、亮度不足的情况下难以识别的问题.实验结果表明,采用小波变换与深度学习融合对图像进行识别的识别率可达到91. 88%,基本能满足铝厂工业生产的需要.     

基于深度学习的汽车轮毂缺陷自动分割技术

针对建立轮毂无损检测智能化平台的需要,本文提出一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,构造一种深度学习网络结构来模拟人类的视觉感知。本文依据汽车轮毂X射线图像,利用U-Net网络来训练轮毂缺陷分割模型,并在感兴趣区域的基础上模拟人脑层次感知系统,该层次感知系统能识别感兴趣区域的灰度像素,通过深度学习分层网络和卷积神经网络,逐层提取缺陷区域的内在特征,从而实现轮毂缺陷的自动分割。实验表明本方法针对复杂轮毂缺陷的识别率达到90%以上,且识别时间开销大约5ms/张,优于传统方法。可见该方法能够满足轮毂缺陷自动分割的需求,具有潜在的应用前景。     

基于深度学习的行为检测方法综述

行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究热点。近年来,基于深度学习的方法在行为检测领域取得了巨大的进展,引起了国内外研究者的关注,对这些方法进行了全面的梳理和总结,介绍了行为检测任务的详细定义和面临的主要挑战;从时序行为检测和时空行为检测2个方面对相关文献做了细致地分类,综合分析了每一类别中不同研究方法的思路和优缺点,并阐述了基于弱监督学习、图卷积神经网络、注意力机制等新兴研究话题的相关方法;介绍了行为检测领域常用的数据集以及性能评估指标,在这些数据集上比较了几种典型方法的性能;总结了当前行为检测方法需要解决的问题以及进一步发展的研究方向。     

基于深度学习的食物卡路里估算方法

现代智能移动设备可利用计算机视觉技术从食物照片中估算卡路里。针对现有食物卡路里估算方法识别准确率不高、估算结果误差较大的问题,本文提出了一种基于深度学习的食物卡路里估算方法。该方法需以食物俯视图和侧视图作为输入,先进行目标检测,再用GrabCut算法获得目标轮廓。通过对不同类别的食物采用不同的体积估算方法,以提高体积估算准确性。实验结果表明,本文方法估算结果较为准确,能为用户控制卡路里摄入提供正确的参考。