塔里木盆地柯克亚凝析气田地层划分与对比

塔里木盆地柯克亚凝析气田自1977年柯1井井喷发现,至今已有四十余年,开发进入中后期。气田目前存在油气产量低、采出程度低、剩余优质储量少、稳产难度大等问题。通过油气藏动态分析、产能评价、数值模拟等工作,研究了剩余油分布规律,显示KKY凝析气田B气藏具备较大二次开发潜力。为了对柯克亚凝析气田进行更好的二次开发,本文将所学的地质理论知识与实践结合起来,对柯克亚凝析气田地层进行进一步详细的划分与对比。     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

钢结构二维桁架建模比较

桁架设计为水泥厂工程设计普遍项目,通过PKPM对两个案例多种情况的建模分析,可发现桁架在不同情况下应采用不同的模型以匹配现实状态.     

关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

资源节约型GH4169合金热变形行为及热加工图

为获得组织细小均匀的资源节约型GH4169合金大型锻棒,采用Gleeble-3500型热模拟试验机研究了一种资源节约型GH4169合金的热变形行为,基于应力-应变曲线和峰值应力和应变,建立了该合金的热变形本构关系以及一种描述其流变应力行为的本构方程,并基于动态材料模型绘制了该合金的热加工图.结果 表明:该合金的再结晶激活能(Q)为467.91 kJ·mol",与高纯材料冶炼的合金相当,表明资源节约型高温合金具有与高纯材料冶炼合金相似的热加工性;该合金再结晶组织有较高热加工参数敏感性,随变形量的增加,热加工工艺参数窗口变窄.     

胶莱盆地南部大盛群、王氏群的划分与对比

胶莱盆地在胶东半岛地质构造及造山带研究中占有重要地位,其巨厚的白垩系陆相沉积是石油系统多年的研究目标。胶莱盆地南部白垩纪的岩石地层序列较其北部更为复杂,其认识几经反复,其中尤以大盛群与王氏群和莱阳群的部分单位的关系为甚。本次工作通过详细对比其沉积层序、相互关系、古生物组合、岩石学特征及同位素年龄等因素,认为大盛群与王氏群属同一沉积层序,沉积基底相同、沉积环境相似、古生物群落时代一致,二者具有同时代、同沉积相、同岩石组合的一致性,应是一套地层,建议今后使用统一地层名称。     

一种面向宽带频谱的信噪分离方法

自动化频谱监测中，信噪分离为宽带频谱序列进一步信号识别和统计提供算法支撑，而现有的频域信噪分离方法存在准确性较低的问题，为提高算法准确性，提出了一种面向宽带频谱的信噪分离方法. 首先，分析实测宽带频谱样本数据特征，采用爱泼斯-普利方法验证了频谱噪声数据样本满足正态性；其次，结合标准差理论，采用邻值比较和窗口划分方法确定信噪分离阈值；最后，以信噪分离准确性为目标，通过迭代优化邻值比较判别值及窗口划分宽度，提高了算法的准确性. 数据验证和对比分析表明，本文方法的信噪分离阈值与频谱噪声吻合较佳，准确性高至90.53%，明显高于现有信噪分离方法，且运行速度快，能够较好地应用于自动化频谱监测的实时信号识别与统计.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。