中轴线法在低渗透性油藏孔隙结构认识中的应用

以X油田低渗透储层为研究对象,应用CT扫描技术、居中轴线算法等方法重构三维数字岩心模型、提取孔隙网络模型进行分析。研究表明:该区储层孔隙类型以粒间孔、溶蚀孔和微裂缝为主,平均孔隙半径33.11μm,平均喉道半径1.47μm,喉道细小是造成研究区储层渗透率低的主要原因。     

成都未来科技城起步区城市设计及建筑设计

<正>虽然创新产业是中国经济议程上的重要内容,但最近为该产业制定的总体规划几乎没有反映出这些雄心:规则的网格、绿轴、独立地块——与任何其他产业的模式相同。考虑到我们的生活方式、通勤方式以及与自然的联系正在迅速演变,由通用规划模式驱动的中国城市化能否保持可持续发展?     

基于改进残差卷积网络的柴油机故障诊断方法

针对基于卷积神经网络（convolutional neural network, CNN）的柴油机故障诊断方法在训练样本匮乏时易过拟合、诊断准确率低的问题,提出一种基于改进残差卷积网络的“端到端”柴油机故障诊断方法。该方法采用连续可微指数线性单元（continuously differentiable exponential linear units, CELU）作为CNN激活函数并采取小批次训练方法,提高模型提取特征能力的同时加速其收敛;在模型中加入残差结构将深层网络提取到的抽象特征与表层特征相融合,避免深层网络导致的特征信息丢失与梯度消失问题。经柴油机故障模拟试验验证,该方法在仅使用20个样本进行训练时,能实现95.5%的故障诊断准确率;与CNN相比,该方法在不同类型及规模的训练集下,故障诊断准确率均有显著提升。     

基于人工数据融合的柴油机故障数据增强方法EI北大核心CSCD

针对基于数据驱动的柴油机故障诊断方法在训练数据匮乏时易过拟合、准确率低的问题,提出一种基于人工数据融合的数据增强方法,实现训练数据的增广。该方法将Wasserstein距离与梯度惩罚法引入辅助分类生成对抗网络(auxiliary classifier generative adversarial network,ACGAN),解决原始ACGAN训练不稳定的问题;将优化前后的ACGAN生成的两种人工数据按比例引入原始训练集中,从强化原有数据和优化诊断网络判定范围两个角度对训练集进行数据增强。经柴油机故障诊断试验验证,采用该方法对训练集进行数据增强后,在不同故障类型下的诊断准确率均有明显提高,且效果优于其他对比方法。