融合IndRNN和PSO的随钻测井数据反演方法

针对传统的反演方法过于其依赖初始模型, 导致结果不稳定与计算效率低的问题, 提出一种融合独立循环神经网络和粒子群优化算法的随钻测井实时反演方法. 首先, 通过地层模型正演模拟产生的序列数据, 建立独立循环神经网络模型, 并引入注意力机制强调关键特征在随钻测井反演中的作用; 其次, 在粒子群优化算法中引入随机惯性权重提高粒子群算法的全局和局部搜索能力, 利用粒子群优化算法对神经网络模型进行超参数优化; 最后, 在正演模拟测试集与某油田1931–2132 m段的测井数据测试集上分别进行消融实验与对比实验, 结果证明, 粒子群算法与注意力机制可以有效提高预测精度, 且该方法在各个方面的反演性能均优于长短期记忆神经网络、双向长短期记忆神经网络以及门控循环单元网络模型, 满足随钻测井数据实时反演的需要.     

面向地质导向的三维井筒可视化

随钻地质导向是目前复杂油气藏开发的高端应用,三维井筒可视化是其关键基础技术之一. 基于随钻获得的井斜工程数据和测井地质属性数据,研究了建立均径井筒和非均径井筒模型的方法,采用成像原理实现了地质属性的可视化表达,并实现了井筒模型和地层可视信息的有机融合,即在井筒壁上显示钻遇地层的属性信息. 基于OpenInventor对该方法进行了原型实现,实际运行测试表明,系统能形象、直观、准确地从井筒中观察钻遇地层情况,为随钻地质导向的实现奠定了基础.     

基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法

针对目前的图像超分辨率重建算法中存在的大尺度因子的重建效果较差、不同尺度的图像重建均需要单独训练等问题,提出一种基于拉普拉斯金字塔生成对抗网络（GAN）的图像超分辨率重建算法。算法中的生成器使用金字塔结构实现多尺度的图像重建,从而以渐进上采样的方式降低了大尺度因子的学习难度,并在层与层之间使用密集连接加强特征传播,从而有效避免了梯度弥散问题。算法中使用马尔可夫判别器将输入数据映射为结果矩阵,并在训练的过程中引导生成器关注图像的局部特征,从而丰富了重建图像的细节。实验结果表明：在Set5等基准数据集上分别进行放大2倍、4倍、8倍的图像重建时,所提算法的平均峰值信噪比（PSNR）分别达到了33.97 dB、29.15 dB、25.43 dB,平均结构相似性（SSIM）分别达到了0.924、0.840、0.667,相比用于超分辨率重建的卷积神经网络（SRCNN）、深度拉普拉斯金字塔超分辨率重建网络（LapSRN）、用于超分辨率重建的生成对抗式网络（SRGAN）等其他算法有较大提升,且其重建的图像在主观视觉上保留了更多生动的纹理和小颗粒细节。     

基于示功图大数据的立式抽油机故障分析

有杆抽油系统是目前原油开采的主要方式.抽油机的数字化控制、自动化管理、智能化运行是智能油田的主要目标之一.物联网及深度学习技术的发展为实现抽油机的智能化提供了技术支撑.软件子系统已经成为新一代智能立式抽油机系统的重要组成部分,目的是利用采集的大数据进行智能监控和生产分析决策.基于获得的示功图工况大数据,利用深度学习技术,建立新一代立式智能抽油机的故障分析模型,在保证识别准确率高的同时有效降低训练时间,很好地达到实际应用要求.     

基于联合概率的构造等高线断线重建方法

针对构造等高线断线重建问题,文中分析了多种等高线断线重建算法,提出了一种基于联合概率的构造等高线断线重建算法。将分割后的等高线的断点进行分类,分别处理每一类断点。在中间断点处理过程中,先根据方向信息对其进行分组,然后在考虑断点距离、方向差异和拟合曲线平均曲率等因素的基础上,采用基于最大连接概率的等高线断线重建算法进行断线重建。实验结果表明,该方法解决了不同尺寸图像和不同复杂程度的构造等高线图的断线重建问题,与现有方法相比,具有较好的适应性和准确性。     

融合实体描述信息和邻居节点特征的知识表示学习方法

知识图谱表示学习旨在将实体和关系映射到一个低维稠密的向量空间中。现有的大多数相关模型更注重于学习三元组的结构特征,忽略了三元组内的实体关系的语义信息特征和三元组外的实体描述信息特征,因此知识表达能力较差。针对以上问题,提出了一种融合多源信息的知识表示学习模型BAGAT。首先,结合知识图谱特征来构造三元组实体目标节点和邻居节点,并使用图注意力网络（GAT）聚合三元组结构的语义信息表示;然后,使用BERT词向量模型对实体描述信息进行嵌入表示;最后,将两种表示方法映射到同一个向量空间中进行联合知识表示学习。实验结果表明,BAGAT性能较其他模型有较大提升,在公共数据集FB15K-237链接预测任务的Hits@1与Hits@10指标上,与翻译模型TransE相比分别提升了25.9个百分点和22.0个百分点,与图神经网络模型KBGAT相比分别提升了1.8个百分点和3.5个百分点。可见,融合实体描述信息和三元组结构语义信息的多源信息表示方法可以获得更强的表示学习能力。     

基于卷积神经网络与特征聚类的荧光薄片分析方法

荧光薄片是研究储层原油性质、分布特征以及孔隙结构的重要手段。但目前荧光薄片数据处理仍以人工方式为主,分析效率低且受人为因素影响。基于卷积神经网络,提出一种无监督自动分割方法。首先统计出不同组分在紫外光源激发下产生的荧光颜色,建立出荧光颜色图版与标准色系图谱以此确定划分标准,然后使用卷积神经网络提取出荧光图像的高级语义特征,通过相似性和连续性约束进行特征融合,通过计算与荧光色系图谱的空间距离与角度确定相似度划分类别,最终实现荧光图像中颗粒、孔隙、油质沥青、胶质沥青、沥青质沥青等组分的自动划分与定量分析。荧光薄片图像的实验证明,该方法不需要大量标记样本且总体各项平均误差较低,能够满足实际生产需求。     

邻域信息分层感知的知识图谱补全方法

知识图谱补全（KGC）旨在利用知识图谱的现有知识推断三元组的缺失值。近期的一些研究表明,将图卷积网络（GCN）应用于KGC任务有助于改善模型的推理性能。针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题,提出了一个邻域信息分层感知的图神经网络模型NAHAT,在关系更新中引入实体特征信息,通过聚合实体和关系表征来丰富异质关系语义,提高模型的表达能力。同时,将自我对立的负样本训练应用到损失计算中,实现模型的高效训练。实验结果表明,与图卷积网络模型COMPGCN相比,所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%;在WN18RR数据集上分别提高了0.9%、2.2%。验证了所提出的模型的有效性。     

面向地质领域的实体关系联合抽取研究

构建地质领域的知识图谱有助于便捷高效地共享和应用多源地质知识，而地质关系三元组抽取对地质领域知识图谱构建具有重要意义。针对现有实体关系联合抽取模型无法有效识别重叠三元组的问题，考虑地质领域专业知识的特殊性，基于预训练语言模型BERT建立一种用于地质领域关系三元组抽取的层级标注模型HtERT。采用中文预训练语言模型BERT-wwm替代原始的BERT模型作为底层编码器，以提高模型对中文的编码能力。在实体识别阶段，引入关于实体起始位置的嵌入表示来限制实体的抽取长度，从而提升实体识别的准确度。引入全局上下文信息和BiLSTM网络使得模型抽取到的特征能更精确地表示地质样本信息，增强模型对地质关系三元组以及重叠三元组的抽取能力。在地质领域数据集上的实验结果表明，HtERT模型相比于PCNN、BiLSTM、PCNN+ATT、CASREL等基线模型具有明显优势，精确率、召回率以及F1值分别平均提升15.24、10.96和13.20个百分点，验证了该模型在地质领域实体关系联合抽取任务中的有效性。     

波动方程正演引导的深度学习地震波形反演

物理驱动的全波形反演方法计算成本高，数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果，结合数据驱动与物理驱动，提出了波动方程正演引导的深度学习地震波形反演方法。首先，利用地震数据应用神经网络重建速度模型，对网络预测的速度模型进行正演建模，通过最小化速度模型的误差及地震数据的误差训练网络；其次，使用有限差分法将二阶偏微分波动方程近似为可微算子，使正演过程能够传递梯度，并根据梯度方向动态调整地震数据损失的权重。实验结果表明，该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性，可得到更准确的速度模型，且具有较强的鲁棒性。