排序方式: 共有37条查询结果,搜索用时 15 毫秒
11.
河南中牟页岩气区块地层特征及钻探问题研究 总被引:6,自引:1,他引:6
页岩气主要以吸附和游离状态贮藏在海相、陆相和海陆过渡相泥页岩中,这些岩石的沉积过程、时间和类型不同,表现出了地层或岩石的物理化学性质各向异性的特点。页岩气钻探所遇地层主要是不同时代的泥岩、砂岩、泥质砂岩、砂质泥岩等,这些岩石对钻井液中水分子具有极强的敏感性。所以,在钻探过程中常遇到起下钻遇阻、孔内沉渣多、重复破碎、卡钻等问题,由此花费大量的时间处理,从而减少了纯钻时间。这些问题的根本原因则是由于岩石膨胀缩径、孔壁崩塌超径所造成的。本文首先对河南中牟页岩气区块地层特征进行了描述,并就牟页1井钻探问题从钻孔缩径和超径2个方面进行了理论研究和分析,最后从钻井液和钻探工艺选择方面提出了原则性的建议。 相似文献
12.
广东东莞1900 m深大口径基岩地热勘探孔钻探工艺 总被引:2,自引:1,他引:2
申云飞 《探矿工程(岩土钻掘工程)》2012,39(Z2):257-260
RK2孔为广东某大口径基岩地热勘探孔,孔深1900 m,常规地热钻探工艺已不能满足施工要求,为解决问题,采用了大排量、高压力、PDC+螺杆复合钻进、川式系列石油取心工具等石油与水文水井工艺联合的施工方法,取得了良好效果。介绍了该孔的钻探工艺,并分析研究了在不同情况下,排量、螺杆钻进等对钻进效率的影响。 相似文献
13.
14.
15.
16.
17.
18.
19.
20.
随着人工智能(AI)技术的蓬勃发展,深度神经网络(DNN)模型被大规模应用到各类移动端与边缘端。然而,边缘端算力低、内存容量小,且实现模型加速需要深入掌握边缘端硬件知识,这增加了模型的部署难度,也限制了模型的推广应用。因此,基于张量虚拟机(TVM)提出一种DNN加速与部署方法,从而实现卷积神经网络(CNN)模型在现场可编程门阵列(FPGA)上的加速,并在分心驾驶分类应用场景下验证了所提方法的可行性。通过计算图优化方法减小了模型的访存和计算开销,通过模型量化方法减小了模型尺寸,通过计算图打包方法将卷积计算卸载到FPGA上执行以提高模型推理速度。与微处理器(MPU)相比,所提方法可使ResNet50和ResNet18在MPU+FPGA上的推理时间分别减少88.63%和77.53%;而在AUC(American University in Cairo)数据集上,相较于MPU,两个模型在MPU+FPGA上的top1推理精度仅下降了0.26和0.16个百分点。可见,所提方法可以降低不同模型在FPGA上的部署难度。 相似文献