基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。     

Al2O3溶胶对铝基磷酸盐涂层组织及性能的影响

为提高铝基磷酸盐涂层的耐腐蚀性能和力学性能,通过在铝基磷酸盐涂料中添加 Al₂O₃溶胶,经空气喷涂与热固化得到 Al₂O₃颗粒增强铝基磷酸盐复合涂层,采用 X射线衍射仪（ XRD）、扫描电镜（ SEM）、胶粘拉脱法、维氏硬度、电化学腐蚀试验和模拟海水浸泡试验考察 Al₂O₃溶胶含量对复合涂层微观组织、力学性能和耐腐蚀性能的影响。结果表明： Al₂O₃溶胶在涂层 500 ℃热固化的物相演化为 Al₂O₃溶胶 -AlOOH-Al₂O₃,随 Al₂O₃溶胶含量从 0增加到（γ相）生成的 Al₂O₃颗粒在涂层呈弥散分布;4%,复合涂层的孔隙减少,致密性提高, Al₂O₃颗粒弥散强化作用得到发挥,涂层结合强度由 15 MPa提高为 25 MPa,硬度由 38 HV提高为 65 HV;添加 Al₂O₃溶胶制备得到的铝基磷酸盐复合涂层耐腐蚀性能明显提高,自腐蚀电流密度由 2. 38×10-7 A/cm2下降至 2. 79×10^-8 A/cm²,极化电阻由 1. 95×10⁴ Ω提升至 4. 73×10⁵ Ω。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

水凝胶复合水泥基材料性能与微结构特征EI北大核心CSCD

借助纤维素/聚乙烯醇(PVA)水凝胶对温度变化的响应特性,可缓解由正负温变化导致的水泥基材料损伤破坏。在分析纤维素/PVA对水泥基材料流动性、冻融循环前后力学性能影响基础上,研究了水凝胶复合水泥基材料水化产物、孔、裂缝等微结构特征。结果表明:纤维素/PVA溶液提高了水泥浆体的流动度;经冻融循环的纤维素/PVA溶液形成了交联网络状结构,提高了水泥基复合材料的总孔隙率,但有效缓解由于冻融循环作用而导致的强度下降和损伤。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

含能材料锥形双螺杆安全混合径向间隙的研究

以锥形双螺杆挤出机挤出段、过渡体和挤出机头为研究对象,基于Polyflow非等温稳态和瞬态的有限元模拟,对不同径向间隙下流场中各场量分布情况和变化曲线进行分析,研究含能材料在挤出段、过渡体和挤出机头流道中的安全和混合问题。从安全和混合效果两方面考虑,建立了综合评价方法,优选径向间隙。结果表明,最大剪切速率、最高剪切应力和最高黏性耗散热均在挤出段流道入口附近,最高压力在挤出段流道出口处,最高温度在机头处;锥形双螺杆的混合效果随着间隙的增加而增加;在径向间隙为0.5 mm时,流道的安全性能最差,径向间隙为1 mm时,流道的安全性能最好。     

基于DBN网络与BP神经网络PID控制的永磁同步电机调速策略比较研究

针对BP神经网络自身存在的学习速率固定、记忆不稳定等缺点,设计了一种基于DBN网络PID的永磁同步电机控制器,通过Matlab/Simulink对基于BP神经网络PID控制器的电机调速策略和基于DBN网络PID控制器的电机调速策略进行建模仿真分析,探讨两者对于PMSM调速策略中控制鲁棒性和稳定性的优劣。仿真结果表明,基于DBN网络PID的永磁同步电机调速控制策略训练效果更佳,具有更好的稳定性和鲁棒性。