采油厂基于大数据分析的能耗管理

随着油田进入开发中后期,油田可采储量减少,原油物性逐渐变差、设备老化现象严重、能耗节点多且较为分散,给油田开发、能耗管理提出了更高的要求和挑战。纵观近年来的先进技术,大数据分析技术无疑是推动油田工业化与数字化融合的有力工具,华北油田在工业化建设的过程中迎来了信息化,其发展积累的大量数据正好在大数据时代发挥重要价值,以辅助企业进行现代化管理,减少常规管理、开采能耗居高不下的问题。     

空气预热器间隙控制系统的一种改进方法

本文以上海外高桥电厂二期900MW超临界机组空气预热器的漏风问题为背景,针对生产过程中存在的控制设备老化、技术落后等问题,开发了基于PLC的空气预热器间隙控制系统。采用MT500系列触摸屏方式实现了操作简便可视化控制。系统投入生产运行后,提高了空气预热器间隙控制精度,能够有效地降低空气预热器的漏风,为机组的安全运行提供了保障。     

黏土旧砂完全再生技术

分析了旧砂中黏土膜的分离机制,采用不同的再生工艺评估了黏土旧砂再生技术的可行性,确定了700℃焙烧＋机械再生＋微粉分离的黏土旧砂完全再生工艺,研究了黏土完全再生砂的工艺适应性,并介绍了黏土砂完全再生系统的组成。结果表明,视不同的型砂工艺,黏土完全再生砂可分别用于混制水玻璃砂、覆膜砂、冷芯盒砂或热芯盒砂,但不能用于自硬呋喃树脂砂的制备。     

铸造车间有机废气处理展望

随着有机粘结剂的大量使用,铸造生产中会产生大量的有机废气,不仅造成了对环境的污染,同时也会对人的身体健康造成一定的影响,逐步受到业内人士的关注。采用行之有效的方法解决铸造生产过程中产生的有机废气污染问题,将成为铸造行业面临的一个重要课题。介绍了铸造生产中有机废气产生的途径及治理现状,石油、化工等行业用于治理有机废气污染的方法,对铸造生产有机废气治理方法进行了展望。     

浅谈车架用底面合一阴极电泳工艺

主要探讨了车架用底面合一阴极电泳工艺,并对涂料及其性能进行了简要介绍,同时结合经验,分析了底面合一阴极电泳涂料在应用中面临的问题。     

结合图自编码器与聚类的半监督表示学习方法

节点标签是复杂网络中广泛存在的监督信息,对网络表示学习具有重要作用。基于此,提出了一种结合图自编码器与聚类的半监督表示学习方法（GAECSRL）。首先,以图卷积网络（GCN）和内积函数分别作为编码器和解码器,并构建图自编码器以形成信息传播框架;然后,在编码器生成的低维表示基础上增加k-means聚类模块,从而使图自编码器的训练过程和节点的类别分布划分形成自监督机制;最后,利用节点标签的判别信息对网络低维表示的类别划分进行指导,将网络表示生成、类别划分以及图自编码器的训练构建在一个统一的优化模型中,并获得融合节点标签信息的有效网络表示结果。在仿真实验中,将GAECSRL用于节点分类和链接预测任务。实验结果表明,相比DeepWalk、node2vec、全局结构信息图表示学习（GraRep）、结构化深度网络嵌入（SDNE）和用数据的转导式或归纳式嵌入预测标签和邻居（Planetoid）,在节点分类任务中GAECSRL的Micro?F1指标提高了0.9~24.46个百分点,Macro?F1指标提高了0.76~24.20个百分点;在链接预测任务中,GAECSRL的AUC指标提高了0.33~9.06个百分点,说明GAECSRL获得的网络表示结果能有效提高节点分类和链接预测任务的性能。     

风载作用下JQ900A型架桥机结构动态响应特性研究

鉴于架桥机发生前倾或侧翻事故较多,对其在风载作用下的结构动态响应进行了研究.首先构建了具有指数风廓线和Kaimal脉动风功率谱特性的风场模型,并采用FFT技术得到自然风风载时程曲线;其次,针对风载情况下JQ900A型架桥机架桥的4种危险工况,建立了架桥机的有限元模型,通过静力学分析进一步确定危险工况下整机的危险部位;最...     

面向属性网络的重叠社区发现算法

针对现实世界的网络节点中包含大量属性信息并且社区之间呈现出重叠特性的问题,提出了一种面向属性网络的重叠社区发现算法。融合网络的拓扑结构和节点属性定义了节点的密集度和间隔度,分别用于描述社区内部连接紧密和外部连接松散的特点。基于密度峰值聚类的思想搜索局部密度中心作为社区中心,在此基础上给出了非中心节点关于各个社区的隶属度的迭代计算方法,实现了重叠社区的划分。在真实数据集上进行了仿真实验,实验结果表明所提算法相对于LINK、COPRA和DPSCD能获得更好的社区划分结果。     

一种深度自监督聚类集成算法

针对聚类集成中一致性函数设计问题,本文提出一种深度自监督聚类集成算法。该算法首先根据基聚类划分结果采用加权连通三元组算法计算样本之间的相似度矩阵,基于相似度矩阵表达邻接关系,将基聚类由特征空间中的数据表示变换至图数据表示;在此基础上,基聚类的一致性集成问题被转化为对基聚类图数据表示的图聚类问题。为此,本文利用图神经网络构造自监督聚类集成模型,一方面采用图自动编码器学习图的低维嵌入,依据低维嵌入似然分布估计聚类集成的目标分布;另一方面利用聚类集成目标对低维嵌入过程进行指导,确保模型获得的图低维嵌入与聚类集成结果是一致最优的。在大量数据集上进行了仿真实验,结果表明本文算法相比HGPA、CSPA和MCLA等算法可以进一步提高聚类集成结果的准确性。     

一种融合伴随信息的网络表示学习模型

网络表示学习被认为是提高信息网络分析效率的关键技术之一,旨在将网络中每个节点映射为低维隐空间中的向量表示,并使这些向量高效的保持原网络的结构和特性.近年来,大量研究致力于网络拓扑和节点属性的深度挖掘,并在一些网络分析任务中取得了良好应用效果.事实上,在这两类关键信息之外,真实网络中广泛存在的伴随信息,反映了网络中复杂微妙的各种关系,对网络的形成和演化起着重要作用.为提高网络表示学习的有效性,提出了一种能够融合伴随信息的网络表示学习模型NRLIAI.该模型以变分自编码器（VAE）作为信息传播和处理的框架,在编码器中利用图卷积算子进行网络拓扑和节点属性的聚合与映射,在解码器中完成网络的重构,并融合伴随信息对网络表示学习过程进行指导.该模型克服了现有方法无法有效利用伴随信息的缺点,同时具有一定的生成能力,能减轻表示学习过程中的过拟合问题.在真实网络数据集上,通过节点分类和链路预测任务对NRLIAI模型与几种现有方法进行了对比实验,实验结果验证了该模型的有效性.