结合非线性GRAPPA与SENSE的并行磁共振成像

针对SENSE并行磁共振成像中采用补零缺失数据方法估计敏感度分布不准确性的问题,提出采用非线性GRAPPA方法估算缺失的K空间欠采样数据.计算并行线圈的敏感度分布,将这些敏感度分布应用于SENSE并行磁共振成像.采用不同加速因子的脑磁共振K空间欠采样数据以验证提出算法的重建性能.实验结果表明,与单一的非线性GRAPPA和SENSE重建算法相比,该混合NLGRAPPA-SENSE算法在加速因子较大时可以重建出更加准确的磁共振图像,具有更低的噪声功率(AP)和更高的信噪比(SNR)性能.     

高温高压气井生产过程井筒温度场分析

高温高压气井在生产过程中受到地层高温流体的影响,井筒温度原有的平衡被打破,井筒温度重新分布会引起环空压力增高,威胁井筒安全服役和井筒的完整性。为了准确预测井筒温度,基于质量、动量、能量守恒、传热学、井筒传热理论,再考虑气体焦耳-汤姆逊效应、气体温度、压力、密度及物性参数的影响,建立井筒温度预测模型;将流体物性参数根据不同的温度压力分段计算,可提高模型计算的精确性。最后,通过实例计算分析了环境温度的影响因素。     

功能磁共振成像系统的成像质量控制

功能磁共振成像(fMRI)是通过测量大脑神经组织活动时所引起的脑血氧浓度变化来探测大脑的认知功能的技术。由于其无创性和高空间分辨率,fMRI已经成为认知神经科学中研究大脑功能的最重要的技术手段。但是,成像机理和成像技术决定fMRI经常会面临图像质量方面的问题。本文从fMRI的成像特点出发,介绍fMRI的常见问题和针对这些问题制定的质量控制方案。该方案的测试方法比较简单,所使用的硬件和软件在大多数磁共振系统上都有配备,具有很好的实用价值和可操作性。     

磁共振成像应用于多相流体动力学研究进展

多相流反应器广泛应用于化工、冶金、能源及医药等过程工业,其内部具有非稳态、非线性、非平衡的自然属性,因而对多相流检测技术提出了挑战。准确检测并理解多相流体力学特性、进而揭示并掌握多相流反应器设计及放大规律,一直是当今过程工程领域的前沿课题之一。磁共振成像（MRI）作为一种非侵入式、多维瞬态全流场先进检测手段,可获得准确详尽的多维流场信息,包括颗粒浓度与速度（脉动）场、流型识别、气泡尾涡、颗粒聚团等多尺度流场参数及介尺度流动结构。此外,MRI在数值模型验证与改进方面也具有良好的应用前景。概述了MRI技术原理,重点论述了MRI近年来在气固及气液反应器中的研究现状,展望了MRI在多相流反应器中有待拓展的方向。     

磁共振成像应用于多相流体动力学研究进展

多相流反应器广泛应用于化工、冶金、能源及医药等过程工业,其内部具有非稳态、非线性、非平衡的自然属性,因而对多相流检测技术提出了挑战。准确检测并理解多相流体力学特性、进而揭示并掌握多相流反应器设计及放大规律,一直是当今过程工程领域的前沿课题之一。磁共振成像(MRI)作为一种非侵入式、多维瞬态全流场先进检测手段,可获得准确详尽的多维流场信息,包括颗粒浓度与速度(脉动)场、流型识别、气泡尾涡、颗粒聚团等多尺度流场参数及介尺度流动结构。此外,MRI在数值模型验证与改进方面也具有良好的应用前景。概述了MRI技术原理,重点论述了MRI近年来在气固及气液反应器中的研究现状,展望了MRI在多相流反应器中有待拓展的方向。     

机器学习在多相反应器中的应用进展

准确理解并精确预测多相反应器内复杂的流体力学特性、传递现象及反应特征,是过程工程领域的热点方向之一。随着试验测量技术及高性能计算机的快速发展,研究者可以获取高精度的多维瞬态流场数据集。近十年来,机器学习作为一门新兴学科,越来越广泛地应用于数据挖掘、图像识别、智能控制等领域。本文概述了几种常用的机器学习方法（包括神经网络模型、支持向量机模型、决策树模型、聚类算法模型等）,总结了机器学习模型的构建过程（包括数据集的建立、特征变量的选择、算法框架的选取、模型参数的调优、模型验证与测试等）,综述了机器学习辅助多相反应器中流场本构模型构建、流场图像重构、流型识别、流场关键参数预测及优化、不确定度分析、数字孪生技术平台等方面的应用进展,剖析了机器学习结合多相反应器领域所面临的挑战,展望了机器学习在多相反应器中可能有待拓展的方向。