火星感应磁层边界的等离子体不稳定性,如边界层处速度剪切激发的Kelvin-Helmholtz(K-H)不稳定性,对火星感应磁层结构和磁层离子输运过程具有重要的影响.本文利用Mars Atmosphere and Volatile EvolutioN(MAVEN)卫星搭载的Magnetometer(M...火星感应磁层边界的等离子体不稳定性,如边界层处速度剪切激发的Kelvin-Helmholtz(K-H)不稳定性,对火星感应磁层结构和磁层离子输运过程具有重要的影响.本文利用Mars Atmosphere and Volatile EvolutioN(MAVEN)卫星搭载的Magnetometer(MAG)和Super Thermal and Thermal Ion Composition(STATIC)仪器所提供的磁场和等离子数据,分析了2018年5月21日火星感应磁层边界处观测到的K-H不稳定性事件,发现在磁场、重离子通量、离子成分与密度、和离子速度上存在五个连续的准周期变化,估算K-H波的周期为~100 s,同时在其中两个K-H涡旋内发现了磁通量绳结构.磁通量绳的轴向方向与边界层法向准垂直,且其中的离子成分与涡旋内电离层等离子体成分接近,表明此处的磁通量绳有可能是在K-H波的发展过程中形成.磁通量绳的整体速度也远大于此处的离子逃逸速度,这可能导致重离子O^(+)和O_(2)^(+)从火星大气中快速逃逸.展开更多
深层油气资源量巨大,是全球油气开发的重要方向.随着钻井朝着深层(>4500 m)和超深层(>6000 m)发展,地质条件更加复杂,深层钻井泥浆信号传输速率受限,井下随钻测井等数据传输延迟,增加了钻井事故的频率及钻出储层的风险.当前井场...深层油气资源量巨大,是全球油气开发的重要方向.随着钻井朝着深层(>4500 m)和超深层(>6000 m)发展,地质条件更加复杂,深层钻井泥浆信号传输速率受限,井下随钻测井等数据传输延迟,增加了钻井事故的频率及钻出储层的风险.当前井场智能决策钻井的方法不适用,井下自主智能钻进是未来深层超深层高效钻进的发展方向.本文借鉴无人驾驶汽车的理论技术架构,提出了一种大闭环伺服控制随钻智能导向钻井方法,集旋转导向、地质导向、随钻地震、电磁前探、随钻测量、信号传输、自动钻机等技术于一体,利用“边钻边学”的人工智能评价与决策方法,智能识别钻头前方油气藏甜点,智能决策钻进方向和钻速,并利用大闭环伺服控制实现井下钻头的自主智能导向和钻进.大闭环伺服控制随钻智能导向钻井架构包括钻进感知、智能决策与大闭环控制3个部分.钻进感知部分通过随钻测井数据获取钻头定位信息、井周地层及钻头前方特性参数,智能决策部分依据钻进感知部分获取的信息通过人工智能决策模型修正轨道和优化钻进策略,大闭环控制部分根据智能决策指令调整钻进方向和速度.本文在钻进感知部分采用支持向量机算法利用随钻测井数据进行岩性智能识别,优选随机森林算法和长短期记忆(Long Short Term Memory,LSTM)循环神经网络对孔隙度、渗透率、饱和度和泥质含量进行评价.在智能决策部分优选随机森林算法对机械钻速进行预测与优化,均获得了高准确率.展开更多
文摘火星感应磁层边界的等离子体不稳定性,如边界层处速度剪切激发的Kelvin-Helmholtz(K-H)不稳定性,对火星感应磁层结构和磁层离子输运过程具有重要的影响.本文利用Mars Atmosphere and Volatile EvolutioN(MAVEN)卫星搭载的Magnetometer(MAG)和Super Thermal and Thermal Ion Composition(STATIC)仪器所提供的磁场和等离子数据,分析了2018年5月21日火星感应磁层边界处观测到的K-H不稳定性事件,发现在磁场、重离子通量、离子成分与密度、和离子速度上存在五个连续的准周期变化,估算K-H波的周期为~100 s,同时在其中两个K-H涡旋内发现了磁通量绳结构.磁通量绳的轴向方向与边界层法向准垂直,且其中的离子成分与涡旋内电离层等离子体成分接近,表明此处的磁通量绳有可能是在K-H波的发展过程中形成.磁通量绳的整体速度也远大于此处的离子逃逸速度,这可能导致重离子O^(+)和O_(2)^(+)从火星大气中快速逃逸.
文摘深层油气资源量巨大,是全球油气开发的重要方向.随着钻井朝着深层(>4500 m)和超深层(>6000 m)发展,地质条件更加复杂,深层钻井泥浆信号传输速率受限,井下随钻测井等数据传输延迟,增加了钻井事故的频率及钻出储层的风险.当前井场智能决策钻井的方法不适用,井下自主智能钻进是未来深层超深层高效钻进的发展方向.本文借鉴无人驾驶汽车的理论技术架构,提出了一种大闭环伺服控制随钻智能导向钻井方法,集旋转导向、地质导向、随钻地震、电磁前探、随钻测量、信号传输、自动钻机等技术于一体,利用“边钻边学”的人工智能评价与决策方法,智能识别钻头前方油气藏甜点,智能决策钻进方向和钻速,并利用大闭环伺服控制实现井下钻头的自主智能导向和钻进.大闭环伺服控制随钻智能导向钻井架构包括钻进感知、智能决策与大闭环控制3个部分.钻进感知部分通过随钻测井数据获取钻头定位信息、井周地层及钻头前方特性参数,智能决策部分依据钻进感知部分获取的信息通过人工智能决策模型修正轨道和优化钻进策略,大闭环控制部分根据智能决策指令调整钻进方向和速度.本文在钻进感知部分采用支持向量机算法利用随钻测井数据进行岩性智能识别,优选随机森林算法和长短期记忆(Long Short Term Memory,LSTM)循环神经网络对孔隙度、渗透率、饱和度和泥质含量进行评价.在智能决策部分优选随机森林算法对机械钻速进行预测与优化,均获得了高准确率.
