期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于集成时域卷积神经网络模型的水驱油田单井产量预测方法 被引量：16
1
作者 张蕾 窦宏恩 +6 位作者 王天智 王洪亮 彭翼 张继风 刘宗尚 米兰 蒋丽维 《石油勘探与开发》 SCIE EI CAS CSCD 北大核心 2022年第5期996-1004,共9页
针对水驱油田单井产量变化大、预测难的问题,提出了一种基于时域卷积神经网络(TCN)的水驱油田单井产量预测方法,并进行实例验证。该方法从数据处理入手,依据注水井影响半径衡量油水井对应关系,增加油井当月受注水井影响程度为模型特征,... 针对水驱油田单井产量变化大、预测难的问题,提出了一种基于时域卷积神经网络(TCN)的水驱油田单井产量预测方法,并进行实例验证。该方法从数据处理入手,依据注水井影响半径衡量油水井对应关系,增加油井当月受注水井影响程度为模型特征,构建随机森林模型填补水驱开发动态数据空缺,根据含水率将单井生产历程划分为低含水、中含水、高含水、特高含水4个阶段,基于TCN建立阶段预测模型,采用麻雀搜索算法(SSA)优化模型超参数,最终将4个阶段模型集成为全生命周期模型用于产量预测。大庆油田应用实践表明:①所用数据处理方法较常规数据处理方法更符合产量数据特点、数据集更具真实性和完备性;②TCN模型较长短时记忆网络(LSTM)等11种时间序列模型预测精度更高;③集成全生命周期模型较单一全生命周期模型可显著降低产量预测误差。 展开更多
关键词 单井产量预测 时域卷积神经网络 时间序列预测 水驱油藏
在线阅读 下载PDF
应用时域卷积神经网络的地震波阻抗反演方法 被引量：9
2
作者 王泽峰 许辉群 +1 位作者 杨梦琼 赵桠松 《石油地球物理勘探》 EI CSCD 北大核心 2022年第2期279-286,296,I0002,共10页
地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(T... 地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。 展开更多
关键词 地震波阻抗反演 时域卷积神经网络 反演映射模型 储层预测
在线阅读 下载PDF
一种基于时序注意力动态卷积的油气井产量预测方法
3
作者 杨晨 彭小龙 +3 位作者 朱苏阳 王超文 官文洁 向东流 《油气藏评价与开发》 北大核心 2025年第6期1046-1055,共10页
目前机器学习对油气井产量预测效果不佳的原因在于常规方法过度依赖历史产量数据特征,使得预测结果更多地表现为对历史信息的重组,而难以预测新的趋势。这些方法忽略了其他重要的时序变量,如油气井的开发阶段、压力和产水等对产量的影... 目前机器学习对油气井产量预测效果不佳的原因在于常规方法过度依赖历史产量数据特征,使得预测结果更多地表现为对历史信息的重组,而难以预测新的趋势。这些方法忽略了其他重要的时序变量,如油气井的开发阶段、压力和产水等对产量的影响。为了解决这些问题,研究提出了压力、产水和产量的关联对策,并建立了一种基于时序注意力动态卷积神经网络的油气井产量预测方法,该方法以时域卷积神经网络为基础模型,引入了多头注意力和动态卷积机制,从而捕捉输入特征序列中不同时间步之间的长期依赖关系,并为每个时间步分配不同的权重。动态卷积模块可以根据时序注意力模块的输出,动态地生成卷积核参数,从而适应不同生产阶段的输入特征。通过安岳采气作业区多井真实复杂案例的验证,展示了基于时序注意力动态卷积的油气井产量预测模型的优越性。研究表明,所提出的模型在面对随机选取的4口井时表现出更好的预测效果。进一步通过对注意力权重和动态卷积权重的可视化分析,发现该模型能够根据不同开发阶段动态调整卷积核权重,特别是针对气井的初始阶段、过渡阶段和衰退阶段。通过结合开发阶段的压力、产水和产量关系,时序注意力动态卷积神经网络模型能自适应调整其结构和参数,从而实现对油气井产量的精准预测。 展开更多
关键词 油气井产量预测 时域卷积神经网络 多头注意力 动态卷积 自适应
在线阅读 下载PDF
基于TCN-自适应的地下洞室围岩变形异常数据识别 被引量：1
4
作者 吴忠明 李天述 +3 位作者 张波 周明 张瀚 周靖人 《人民长江》 北大核心 2024年第8期216-221,共6页
水电站地下洞室围岩变形数据具有变化不确定、序列样本短等特点,传统的异常识别方法漏识率、误判率较高。随着智能技术的发展,通过神经网络建立更加可靠的异常识别方法是目前研究的热点,而传统的神经网络存在时序关联性不强和计算模型... 水电站地下洞室围岩变形数据具有变化不确定、序列样本短等特点,传统的异常识别方法漏识率、误判率较高。随着智能技术的发展,通过神经网络建立更加可靠的异常识别方法是目前研究的热点,而传统的神经网络存在时序关联性不强和计算模型庞杂等问题。为此,提出了基于时域卷积神经网络(TCN)及标准自适应的地下洞室异常数据识别算法,该算法利用TCN技术,考虑序列的前后关系,建立了更为可靠的序列模型;同时针对地下洞室监测数据特征,通过考虑误差中位数、数据波动和仪器精度3个方面,突现自适应匹配最优识别准则。将该算法应用在叶巴滩水电站地下洞室围岩变形的异常数据识别中,证明了其可有效避免梯度爆炸、消失,模型耗时较长等问题,极大地提高了异常值分析效率和识别率。相关经验可供类似工程异常监测数据识别时借鉴。 展开更多
关键词 异常数据识别 地下洞室 深度学习 时域卷积神经网络 标准自适应
在线阅读 下载PDF
基于多频段多任务编解码模型的心电图基准点联合检测
5
作者 李磊 廖桂鑫 +2 位作者 蔡瑞涵 李珍妮 吕俊 《控制理论与应用》 EI CAS CSCD 北大核心 2024年第8期1451-1458,共8页
基准点检测是心电图(ECG)诊断分析的基础.但是, ECG具有波形变异性,且经常受到各种伪迹和噪声的干扰,使得基准点检测精度受限.针对该问题,本文首先构建概率图模型,分析各频带ECG成分与基准点检测任务之间的推断关系.然后,在此概率图模... 基准点检测是心电图(ECG)诊断分析的基础.但是, ECG具有波形变异性,且经常受到各种伪迹和噪声的干扰,使得基准点检测精度受限.针对该问题,本文首先构建概率图模型,分析各频带ECG成分与基准点检测任务之间的推断关系.然后,在此概率图模型的启发下提出了一种多频段多任务编解码网络.该网络先分别对不同频段的ECG成分进行一维卷积变换提取特征.然后,通过时域卷积模组学习各频段特征的注意力掩码以抵御噪声.最后,利用多分支关联结构,实现多个ECG基准点的联合检测.在MIT-BIH QT和LUDB数据集上的五重交叉验证实验结果表明:所提方法能够有效地提高ECG基准点的检测精度,达到了当前最优的水平. 展开更多
关键词 心电图基准点检测 编解码模型 时域卷积神经网络
在线阅读 下载PDF
卫星信号丢失下航空器多阶段高度预测
6
作者 黄梦婵 苗强 《工程科学与技术》 EI CAS CSCD 北大核心 2024年第6期44-53,共10页
针对卫星信号丢失下航空器高度指示值不准确的问题,提出一种基于注意力机制和时域卷积神经网络的航空器多阶段高度预测算法(LTCA–TCN)。首先,采用模糊逻辑将航空器的整段飞行过程划分为不同阶段,提供多阶段的数据储备。然后,针对航空... 针对卫星信号丢失下航空器高度指示值不准确的问题,提出一种基于注意力机制和时域卷积神经网络的航空器多阶段高度预测算法(LTCA–TCN)。首先,采用模糊逻辑将航空器的整段飞行过程划分为不同阶段,提供多阶段的数据储备。然后,针对航空器飞参长时间序列的特点,设计长时序关联注意力(LTCA)特征提取算法,以提取增强时空关联特征表示;在此基础上,利用时域卷积神经网络(TCN)的时序数据处理能力,构建LTCA–TCN高度预测模型。最后,考虑不同阶段的预测误差容忍度,给出评价模型多阶段高度预测能力的评估指标。利用大气惯导数据集进行实验测试,实验结果表明:LTCA–TCN算法相较于其他对比算法,在多阶段的高度预测中均取得了最优的预测结果,尤其在巡航阶段,本文算法预测结果的均方根误差控制在10 m之内;模拟卫星信号丢失的特定情形,LTCA–TCN算法能够较准确地预测多阶段的惯性卫星组合高度。综上,LTCA–TCN算法具有较高的灵活性与适应性,能够为航空器提供更可靠的导航高度指示值,提升了飞行过程中的安全性与可靠性。 展开更多
关键词 航空器 卫星信号 高度预测 注意力机制 时域卷积神经网络
在线阅读 下载PDF
改进TCPN变工况轴承故障诊断方法
7
作者 胡春生 李国利 +2 位作者 马良 闫小鹏 魏红星 《噪声与振动控制》 CSCD 北大核心 2022年第5期134-141,共8页
针对变工况条件下传统方法仅提取局部特征导致准确率低以及样本维度过高导致训练耗时巨大等问题,提出一种改进的时域卷积池化网络模型(Temporal Convolutional Pooling Neural Network,简称TCPN)。首先,将原始轴承振动信号经过短时傅里... 针对变工况条件下传统方法仅提取局部特征导致准确率低以及样本维度过高导致训练耗时巨大等问题,提出一种改进的时域卷积池化网络模型(Temporal Convolutional Pooling Neural Network,简称TCPN)。首先,将原始轴承振动信号经过短时傅里叶变换得到二维时频矩阵,再将二维时频矩阵平铺为一维时频序列,并取绝对值;其次,虽然膨胀卷积可以大幅度扩大感受野,但是对于轴承振动信号等高维特征仍需要较深的网络结构,因此对膨胀卷积进行结构优化,用于挖掘全局特征,同时降低模型复杂程度。再次,为模糊不同工况下相同故障的分布差异,对残差块进行结构优化,使用小卷积核提取局部特征,以拼接的方式与膨胀卷积进行特征融合,兼顾轴承振动信号中的全局特征与局部特征;最后,为了解决训练样本维度太高导致的训练成本过高的问题,对原始数据进行降采样研究,在保持较高准确率的情况下大量节省了训练时间。将所提方法与传统卷积神经网络及时域卷积神经网络(Temporal convolutional neural network,简称TCN)相比,实验结果表明,提出的模型准确率提高约5%,模型训练耗时降低约30%,并且收敛速度更快,训练模型的迭代次数更少,具有很强的鲁棒性。 展开更多
关键词 故障诊断 变工况 时域卷积神经网络 短时傅里叶变换 降采样
在线阅读 下载PDF
基于深度学习的三种地震波阻抗反演方法比较 被引量：5
8
作者 王泽峰 李勇根 +3 位作者 许辉群 杨梦琼 赵桠松 彭真 《石油地球物理勘探》 EI CSCD 北大核心 2022年第6期1296-1303,I0002,共9页
神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度... 神经网络结构的差异性导致深度学习效果不同。为此,在对比全卷积神经网络(FCN)、卷积循环神经网络(CRNN)和时域卷积神经网络(TCN)的三种网络结构的基础上,通过正演模型测试,对比、分析基于上述三种深度学习的地震波阻抗反演方法的精度和计算效率;然后通过实际资料应用进一步对比三种方法的效果。模型测试结果表明,基于TCN的波阻抗反演的计算效率和反演精度相对较高,基于TCN、FCN和CRNN的波阻抗反演用时分别为82、68和264s,皮尔逊相关系数分别为99.15%、97.84%和98.14%。实际资料应用表明,基于TCN的波阻抗反演结果与测井资料更加匹配。该结论可为智能地震波阻抗反演方法的优选提供参考。 展开更多
关键词 深度学习 地震波阻抗反演 全卷积神经网络 卷积循环神经网络 时域卷积神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部