坪北特低渗透油田加密调整效果数值模拟评价研究

坪北油田属低孔、特低渗储层,2002年完成整体部署,2003年进行了局部加密调整,取得了较好效果。在综合地质研究的基础上,利用数值模拟方法,结合经济评价手段,对其加密调整效果进行了评价,认为加密后水驱储量提高,新增可采储量效果显著。     

水利工程建设中的伦理问题初探

阐述了当前水利建设取得的成就，并着重分析了其中存在的若干伦理问题，以期引起社会的广泛关注，以求得理想的改善途径。     

混凝土外加剂在防渗工程中的应用

根据江东灌区的工程实际，总结了在渠道防渗工程中混凝土外加剂应用情况，提出了应用中的注意事项。     

智能仪表在钻机控制方面的应用

以ADμC812型8位单片机为核心,开发了适用于钻机控制中反馈信号测量的智能仪表。针对现场钻机控制系统在测量反馈信号时受到的干扰,提出了有效的解决方案。实现了对钻机绞车快绳线速度、拉力反馈信号的精确测量、显示,及把测量数据通过串口向计算机传输、存储的功能。     

Kerr介质中"耦合双原子-单模光场"模型的反聚束效应

利用全量子理论,研究了在Kerr介质中,耦合二能级双原子与单模光场相互作用过程的反聚束效应,着重讨论了Kerr介质对场的二阶相干度的影响,并揭示了初始场强及原子间耦合系数的变化与场的二阶相干度的关系。     

基于Proteus的汽车空调控制系统的设计与仿真

介绍了利用Atmegal6单片机、Proteus仿真软件开发的汽车空调自动控制系统。利用Atmegal6单片机构建了一个智能型汽车空调控制系统,并对系统的液晶模块、热电阻温度采集、液晶模块显示、继电器控制、键盘输入、风向步进电机控制器进行了设计,用Proteus软件对系统进行仿真。结果表明该系统具有电路结构简单、分立元件少、系统界面友好、操作简单等优点,能满足一般要求的汽车空调的自动控制。     

基于Java EE多层架构的进销存管理系统

针对传统的进销存管理系统的开发方式所带来的一些问题,提出使用基于S2SH框架的N层体系结构来开发系统,介绍Struts2、Hibernate和Spring三个框架,分析系统功能,阐述系统实现所使用的一些关键技术,并使用基于S2SH框架的N层体系结构对系统进行总体架构设计,有效提高了系统的可维护性、可扩展性和可复用性。     

区块链系统中的分布式数据管理技术——挑战与展望

区块链是在数字加密货币的应用基础之上发展起来的一种分布式数据库技术.区块链系统具有去中心化、不可篡改、分布共识、可溯源和最终一致性等特点,这使其可以用于解决不可信环境下数据管理问题.区块链独特的数据管理功能已经成为各领域应用中发挥区块链价值的关键.本文基于对比特币、以太坊、超级账本等代表性区块链系统的研究分析,阐述区块链系统中分布式数据管理技术.首先,深入讨论区块链系统与传统分布式数据库系统之间的异同点,从分布式部署模式、节点角色、链拓扑结构等多个方面给出区块链的分类.然后,详细分析各类区块链系统所使用的数据存储结构、分布式查询处理与优化技术及其优缺点.最后,总结区块链系统的分布式数据管理技术在各专门领域应用中所面临的挑战和发展趋势.     

一种验证分布式协议活性属性容错机制的模型检测方法

云计算是一种通过网络以服务的方式向用户提供按需收费的计算资源的模式,目前企业逐渐将业务部署、数据处理转移到云计算平台上进行.因为可扩展性、性能等各方面需求,所以云平台部署在分布式系统上.由于分布式系统采用大量的商品机通过复杂的结构进行搭建,因此分布式系统中组件发生故障是无法避免的.为了提高分布式系统的可靠性,技术人员在开发分布式系统时为其设计了容错机制.为了保证容错机制在分布式系统发生故障时能真正有效地工作,故障注入是检验容错机制的方法之一,通过人为地向系统中注入特定的故障,观察系统的行为并检验容错机制是否正确工作.由于分布式系统的并发特性,传统软件测试方法无法对其进行完全测试,近年来越来越多地使用模型检测技术来对分布式系统进行验证.现有的模型检测技术注重对分布式系统的安全性属性和活性属性的检测,忽略了对容错机制尤其是活性属性容错机制的检测,所以如何验证系统的活性属性容错机制是目前面临的挑战.采用抽象模型检测方法会引入模型与实际系统不匹配的问题.同时,采用实现级模型检测方法会加剧模型检测中的状态空间爆炸问题.本文提出了一个实现级模型检测工具LTMC(Liveness Properties Fault Tolerance Model Checker),结合故障注入技术对分布式协议的安全性属性与活性属性及其容错机制进行验证.同时,基于分布式系统节点的角色,本文提出了一种对等约减策略PRP(Peer Reduction Policy)对LTMC需要搜索的状态空间进行约减,缓解了状态空间爆炸问题.此外,LTMC通过引入逻辑时钟机制,优先搜索那些更有实际价值的事件执行路径.LTMC能够有目标地在待验证系统运行的特定时刻注入特定的故障,而不依赖于随机故障注入策略;当待验证系统发生改变时,只需要简单地对工具进行轻微的修改;LTMC可以系统地发现分布式协议中指定类型的所有Bug.在本文最后,我们将LTMC应用到ZooKeeper和Cassandra的几个协议中,并与深度优先搜索作对比,可以发现LTMC有3.7～594.4倍的状态空间约减率.     

深度学习的图像实例分割方法综述

实例分割是一项具有挑战性的任务,需要同时进行实例级和像素级的预测,在自动驾驶、视频分析、场景理解等方面应用广泛.近年来,基于深度学习的实例分割方法迅速发展,如两阶段检测器Faster R-CNN扩展出的聚焦于网络的精度而非速度的强大实例分割基准Mask R-CNN,一度成为实例分割的标杆.利用高速检测的单阶段检测器延伸出的实例分割算法YOLACT填补了实时实例分割模型的空白,具有较高的研究和应用价值.本文首先对实例分割算法进行了类别划分,然后对一些代表性的算法及其改进算法进行了深入分析,并阐述了相关算法的优缺点,最后对实例分割方法未来的发展进行了展望.