InAs/GaSb量子阱中太赫兹光电导特性

太赫兹技术由于具有重大的科学价值及应用前景而引起了广泛关注,其核心问题是性能优异的室温太赫兹辐射源和探测器研究.本文用半经典的玻尔兹曼方程方法研究了In As/Ga Sb量子阱系统中载流子对电磁场的响应,运用平衡方程方法求解玻尔兹曼方程得到了量子阱系统中的光电导,系统地研究了量子阱结构对光电导的影响,揭示了在该量子阱系统中光电导产生的物理机制.研究发现,量子阱结构主要通过调节载流子的能级、浓度和波函数的耦合影响光电导,对称性较好的量子阱结构(8 nm-8 nm)的光电导信号更强,其峰值落在太赫兹区(0.2 THz),并且在低温下器件的性能较好,温度升高则吸收峰略有降低,且光电导峰值发生红移.研究结果表明该量子阱系统可以用作室温太赫兹光电器件.     

一种新的航天器外露介质充电模型

为综合考虑高能电子辐射与周围等离子体对航天器外露介质充电的影响,在航天器内带电模型的基础上,通过添加边界充电电流来考虑等离子体与航天器介质表面的相互作用,并统一参考电位为等离子体零电位,建立了航天器外露介质充电模型,给出了新模型的一维稳态解法,并与表面充电模型和深层充电模型进行了对比分析.结果表明:新建模型能够综合考虑表面入射电流、深层沉积电流和传导电流对充电的耦合作用过程,实现外露介质表面和深层耦合充电计算,有利于全面评估航天器外露介质的充电问题.     

基于井间动态连通性模型的注采参数优化方法

水驱油田开发过程中,由于储层非均质性以及注采参数与井网不匹配,造成优势通道发育,注入水低效无效循环严重.为了对注采井间各方向优势通道进行定量描述,基于物质平衡理论与叠加原理,在考虑井底流压变化的基础上,建立了油藏井间动态连通性反演模型——阻容模型,并运用人工蜂群算法进行求解,通过模型求解得到了不同注采井间的连通系数,经验证该系数合理表征了油藏井间动态连通程度.针对优势通道发育造成注水井在各注采方向上水驱不均衡、剩余油饱和度分布差异较大的问题,基于最优化理论,以当前各生产井含水率条件下生产井总产油量最大为目标函数,结合油水井动态生产数据,建立一种基于井间动态连通性模型的注采参数优化方法,并利用优化算法对该模型进行求解.实例应用表明:利用本文方法优化注采参数后,含水率得到明显控制,注入水驱替效率明显提高,并且本文方法仅需要油水井的动态生产资料,简单实用,对矿场具有较高的应用价值.     

一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

存在直线断层的复合模型试井曲线特征研究

鲜有文献报道井附近存在直线断层（尤其是断层位于复合油气藏内区）对试井解释的影响,因此,从渗流力学理论出发,首先建立考虑表皮和井筒储集的无限大地层两区径向复合油气藏试井解释数学模型,并通过拉氏变换对模型进行求解,再利用镜像反映原理和叠加原理研究存在直线断层的复合油气藏的无因次井底压力及压力导数曲线特征及影响因素。研究表明,当井到断层距离小于1/2内区半径时,无因次压力导数曲线将由无限作用径向流的0.5水平线变为内区受断层影响的1.0水平线和外区受断层影响的值为M₁₂水平线;当井到断层距离大于1/2内区半径时,无因次压力导数曲线将由无限作用径向流的0.5水平线变为反映外区特征的值为M₁₂水平线和反映外区受断层影响的值为M₁₂的水平线。     

碳酸盐岩油藏缝洞单元离散数值模型及压力响应曲线特征

 缝洞型碳酸盐岩油藏储集体类型多样,如何充分利用试井测试资料认识钻遇储层特征是后期挖潜增产的关键,并且常规解析试井模型中无法考虑井与缝洞的位置关系导致解释结果误差较大。为此,根据缝洞单元内缝洞与井的分布特征,分别建立了井钻遇和未钻遇缝洞2种离散数值试井模型,并进行有限元求解,分析了缝洞体大小以及缝洞体与井之间距离对井底压力响应曲线的影响。采用该方法对塔里木哈拉哈塘油田14口井测试资料进行试井分析,结果表明,受缝洞体的影响,井底压力响应曲线特征可分为：缝洞发育-未钻遇缝洞-井在缝洞附近、缝洞发育-钻遇缝洞、钻遇多个连通的缝洞、基质为主-缝洞不发育以及缝洞不发育-钻遇个别缝洞5种类型。     

碳酸盐岩高压高产气井异常产能资料解释方法

塔X01井是在塔中北坡缝洞型碳酸盐岩储层发现的第一口高产气井,由于特殊的储层特征,压力计难以下至储层中部,造成压力资料品质很差,影响了产能的准确评价。利用前人对气液两相垂直井筒压力研究成果,对异常资料进行甄别,形成生产数据计算并校正出井底压力方法,计算误差0.2%。基于Firoozabadi和Katz理论,建立了考虑高产时气体高速脉冲流动的碳酸盐岩高压高产气井产能方程,利用约束优化算法对其进行求解,并进行了实例应用,结果表明,该井无阻流量比常规方法计算小10%左右。获得的三项式产能方程及其求解方法,更符合研究区的矿场实际。     

基于深度极限学习机的柴油机尾气排放预测

准确预测拖拉机等柴油机械实际工况污染物排放在排放清单建立和区域污染物排放控制方面具有重要意义。基于拖拉机不同运行状态下发动机转速、油耗、燃烧比、CO、HC、NOX和PM等实测数据作为数据源,建立深度极限学习机(Deep Extreme Learning Machine,DELM）的预测模型,并对拖拉机怠速、行走和旋耕等基本工况下的污染物排放进行预测。为进一步评估DELM预测模型的适应性,将其与支持向量机(support vector machine, SVM)和前馈神经网络(Back propagation neural network, BPNN)模型进行对比分析。结果表明,1）DELM模型在预测排放时间序列方面具有一定优势,其预测拖拉机在怠速、行走和旋耕3种状态下的NOX、HC、CO和PM排放均方根误差均值分别为5.269×10-5、5.195×10-5、5.135×10-5和2.795×10-5。2）DELM模型与SVM和BP对比发现,DELM模型在鲁棒性以及适应性方面的优势显著。3）DELM方法的较高的准确度和泛化性,为基于发动机状态数据预测移动源尾气排放提供思路和方法。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络（CNN,convolution neural networks）和长短时记忆网络（LSTM,long short-term memory networks）就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM （fuzzy C-means）模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.