基于多GPU的深层神经网络快速训练方法

近年来,深层神经网络(deep neural network,DNN)被成功应用于语音识别领域,成为一种很具发展潜力的语音识别模型。然而,由于其训练算法复杂度高,随着训练数据和网络规模增大,DNN模型训练将非常耗时。为提高DNN的训练效率,该文研究了基于多图形处理器(graph-ic processing unit,GPU)的DNN快速训练算法。在TIMIT数据集上的音素识别实验显示:在基本保证识别性能的前提下,优化后的DNN快速训练方法在4个GPU下训练速度相比单GPU有约3.3倍的提升。实验结果表明该快速训练方法可以显著提升DNN模型的训练速度。     

抗高温高密度油基钻井液体系静态沉降稳定性建模及优化

抗高温高密度油基钻井液可用于复杂地层钻井,利于井壁稳定,可用于钻大位移井、水平井、超深井等,但在高温状态下面临钻井液沉降问题。钻井液的沉降包括静态沉降和动态沉降,过去主要关注钻井过程中钻井液的动态沉降,但由于钻井液具有剪切稀释性,一般静态条件下沉降稳定性较好的钻井液体系在较高剪切速率下仍具备良好的稳定性,主要研究高温状态下油基钻井液体系的静态沉降稳定性。为使体系达到较好的静态沉降稳定性,以往对各类核心处理剂,乳化剂、有机土、重晶石和油水比的加量和配比只做出试探性调整,实验存在一定盲目性,不能确定实验周期。针对上述问题,分析室内和现场密度2.5 g·cm~(-3)柴油基钻井液流变参数与静态沉降密度差的相关性,建立数学函数模型;将模型反馈的流变参数值与实验结合起来,利用模型优化基础实验,调整处理剂加量至相应流变参数值,使体系静态沉降密度差最小;最终得到一组抗温190℃,密度2.5 g·cm~(-3)沉降稳定性好的油基钻井液体系。研究过程具有目的性,体系静态沉降稳定性建模方法和实验模型结合的方法为优化钻井液体系性能提供了一种新思路。