普通稠油油藏转换开发方式研究与实践

欢喜岭油田锦612块大凌河油层为高孔、高渗、块状边底水普通稠油油藏。该油藏投产以来,主要依靠天然能量开采,边部油井全部水淹关井,内部地层压力大幅度下降(仅5 MPa左右),原油黏度升高,油井水窜严重,开发效果不理想,寻求有效开发方式迫在眉睫。通过对水驱、蒸汽吞吐、蒸汽驱及非混相驱开发方式的研究与实践,确定锦612块大凌河油层应主要立足于常规注水开发,采用水平井与直井多种组合的注水方式,辅以蒸汽吞吐开发,在注水后期转入非混相驱。非混相驱阶段提高采收率9.77%,区块最终采收率为41.17%。     

Fe∶In∶LiNbO_3晶体近红外非挥发全息存储实验研究

采用双中心存储方式在双掺杂Fe∶In∶LiNbO3晶体中实现了近红外非挥发全息存储,研究了Fe∶In∶LiNbO3晶体在1064nm波长下的全息存储性能。实验结果表明:使用近红外光作为存储光时,其存储灵敏度随存储时间和光透射掩膜图夹角的变化趋势与双中心短波长存储时不同。通过与传统双掺杂铌酸锂晶体的可见波段存储效果对比,发现同时掺杂Fe和In离子可增强晶体对近红外光的吸收,获得更高的浅中心光生伏特系数,从而能够在Fe∶In∶LiNbO3晶体中实现近红外波段的光折变全息存储。     

应用数值模拟技术研究剩余油分布规律

沈95区块储层具有砂体结构复杂,非均质性强,注水开发效果差及剩余油分布规律认识不清等特点。采用地质建模和油藏数值模拟一体化技术研究思路,在构造特征研究、精细地层对比、沉积相研究的基础上,建立精细的三维地质模型。利用油藏数值模拟软件建立了该区块油藏数值模型,并对区块地质储量、压力、含水率及单井生产历史进行了拟合,地质储量拟合误差为4.2%,87%的单井历史拟合误差小于6%。研究结果表明,沈95区块剩余油主要受沉积微相、储层非均质性、断层的封闭性、井网不完善等因素的综合影响,从纵向上来看,剩余油主要集中在主力油层的Ⅱ4—Ⅲ2小层;平面上主要分布在现井网未波及区、断层封闭性较强地区及微构造高部位,多呈孤立状和条带状。     

二维椭圆介质柱光折变光子晶体的制作

对6个点光源进行光学傅里叶变换,在自散焦光折变掺铁铌酸锂晶体中成功制作了具有100余条椭圆柱阵列波导。研究表明,这些阵列波导构成了大带隙的椭圆柱光子晶体。测得沿着椭圆长轴、短轴方向的晶格常数分别26um和15um。     

马赫-曾德干涉仪观测光写入平面光子晶格折射率调制度的实验研究

研究了用搭建的马赫-曾德干涉仪光路和LBA-PC模式分析仪组成的观测系统,对掺铁铌酸锂晶体光写入平面光子晶格折射率调制度的分布进行观测的方法。利用CCD记录下晶体在平面光子晶格写入前后的像面投影图和全息干涉图,通过模式分析仪再现出其反映平面光子晶格折射率调制度分布的相位图信息,进而测出条纹变化量和条纹间距,从而实现对掺铁铌酸锂晶体光写入平面光子晶格折射率调制度分布的实验观察并测量。     

加强研究生课程建设 培养研究生创新能力

加强研究生创新能力培养、提高研究生培养质量,是我国研究生教育的重要任务,而课程教学对研究生创新能力的形成具有不可替代的关键作用。指出了课程教学对研究生创新能力培养的重要性,分析了现行研究生课程教学存在的问题,在此基础上提出了加强研究生课程建设的措施。     

研究生课程设置与创新能力培养

课程教学作为研究生培养过程的一个基本环节,对研究生创新能力的培养起着至关重要的作用,而课程设置在整个课程教学工作中起着基石性和原本性的作用.分析了我国现行的研究生课程设置存在的主要问题,提出了面向创新能力培养的研究生课程设置改革措施.     

基于多级全局信息传递模型的视觉显著性检测

对神经网络中的卷积特征采用分层处理的思想能明显提升显著目标检测的性能。然而,在集成分层特征时,如何获得丰富的全局信息以及有效融合较高层特征空间的全局信息和底层细节信息仍是一个没有解决的问题。为此,提出了一种基于多级全局信息传递模型的显著性检测算法。为了提取丰富的多尺度全局信息,在较高层级引入了多尺度全局特征聚合模块（MGFAM）,并且将多层级提取出的全局信息进行特征融合操作;此外,为了同时获得高层特征空间的全局信息和丰富的底层细节信息,将提取到的有判别力的高级全局语义信息以特征传递的方式和较低层次特征进行融合。这些操作可以最大限度提取到高级全局语义信息,同时避免了这些信息在逐步传递到较低层时产生的损失。在ECSSD、PASCAL-S、SOD、HKU-IS等4个数据集上进行实验,实验结果表明,所提算法相较于较先进的NLDF模型,其F-measure（F）值分别提高了0.028、0.05、0.035和0.013,平均绝对误差（MAE）分别降低了0.023、0.03、0.023和0.007。同时,所提算法在准确率、召回率、F-measure值及MAE等指标上也优于几种经典的图像显著性检测方法。     

基于时空上下文信息增强的目标跟踪算法

充分利用视频中的时空上下文信息能明显提高目标跟踪性能,但目前大多数基于深度学习的目标跟踪算法仅利用当前帧的特征信息来定位目标,没有利用同一目标在视频前后帧的时空上下文特征信息,导致跟踪目标易受到邻近相似目标的干扰,从而在跟踪定位时会引入一个潜在的累计误差。为了保留时空上下文信息,在SiamMask算法的基础上引入一个短期记忆存储池来存储历史帧特征;同时,提出了外观显著性增强模块（ASBM）,一方面增强跟踪目标的显著性特征,另一方面抑制周围相似目标对目标的干扰。基于此,提出一种基于时空上下文信息增强的目标跟踪算法。在VOT2016、VOT2018、DAVIS-2016和DAVIS-2017等四个数据集上进行实验与分析,结果表明所提出的算法相较于SiamMask算法在VOT2016上的准确率和平均重叠率（EAO）分别提升了4个百分点和2个百分点;在VOT2018上的准确率、鲁棒性和EAO分别提升了3.7个百分点、2.8个百分点和1个百分点;在DAVIS-2016上的区域相似度、轮廓精度指标中的下降率均分别降低了0.2个百分点;在DAVIS-2017上的区域相似度、轮廓精度指标中的下降率分别降低了1.3和0.9个百分点。