煤层气地质工程一体化平台的建设构想

钻井液流变性是钻井液流动和变形的特性,对于携带与悬浮岩屑、提高钻进速度至关重要,准确掌握钻井液流变参数是保证井眼清洁与高效钻进的前提。提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的钻井液流变参数智能识别方法,通过磁力搅拌产生稳定的钻井液流动图像,利用多种数据增强方法增加图像数量并建立数据库,增强模型的鲁棒性和泛化能力。优化AlexNet卷积神经网络算法,构建钻井液流变参数识别模型。将数据库划分为训练集：验证集：测试集=7：2：1,对训练集进行迭代训练并通过验证集调整参数获得最佳拟合模型。此外,运用混淆矩阵、卷积核可视化技术和类激活技术(Gradient-weighted Class Activation Mapping,Grad-CAM)对模型进行多方位评估。结果表明：(1)钻井液流变参数识别模型对钻井液塑性黏度测试的宏精确率为95.2%,宏召回率为94.7%,宏F₁值为0.95。(2)对钻井液表观黏度测试的宏精确率为91.6%,宏召回率为91.5%,宏F₁值为0.90。(3)利用卷积核可视化技术和Grad-CAM对特征提取进行可视化处理,发现钻井液波纹形状和大小会影响模型流变参数识别准确度。(4)室内测试结果表明,该模型的测试误差为±2 mPa·s,在设计允许范围以内,具有较高的识别精确度和稳定性。所提出的钻井液流变参数实时智能识别方法可为安全、快速和准确地进行钻井液流变性测试提供智能化技术思路。

     

A support vector machine classifier based on a new kernel function model for hyperspectral data

The kernel function is a key factor to determine the performance of a support vector machine (SVM) classifier. Choosing and constructing appropriate kernel function models has been a hot topic in SVM studies. But so far, its implementation can only rely on the experience and the specific sample characteristics without a unified pattern. Thus, this article explored the related theories and research findings of kernel functions, analyzed the classification characteristics of EO-1 Hyperion hyperspectral imagery, and combined a polynomial kernel function with a radial basis kernel function to form a new kernel function model (PRBF). Then, a hyperspectral remote sensing imagery classifier was constructed based on the PRBF model, and a genetic algorithm (GA) was used to optimize the SVM parameters. On the basis of theoretical analysis, this article completed object classification experiments on the Hyperion hyperspectral imagery of experimental areas and verified the high classification accuracy of the model. The experimental results show that the effect of hyperspectral image classification based on this PRBF model is apparently better than the model established by a single global or local kernel function and thus can greatly improve the accuracy of object identification and classification. The highest overall classification accuracy and kappa coefficient reached 93.246% and 0.907, respectively, in all experiments.     

Temporal replication of the national land cover database using active machine learning

Regional and national level land cover datasets, such as the National Land Cover Database (NLCD) in the United States, have become an important resource in physical and social science research. Updates to the NLCD have been conducted every 5 years since 2001; however, the procedure for producing a new release is labor-intensive and time-consuming, taking 3 or 4 years to complete. Furthermore, in most countries very few, if any, such releases exist, and thus there is high demand for efficient production of land cover data at different points in time. In this paper, an active machine learning framework for temporal updating (or backcasting) of land cover data is proposed and tested for three study sites covered by the NLCD. The approach employs a maximum entropy classifier to extract information from one Landsat image using the NLCD, and then replicate the classification on a Landsat image for the same geographic extent from a different point in time to create land cover data of similar quality. Results show that this framework can effectively replicate the land cover database in the temporal domain with similar levels of overall and within class agreement when compared against high resolution reference land cover datasets. These results demonstrate that the land cover information encapsulated in the NLCD can effectively be extracted using solely Landsat imagery for replication purposes. The algorithm is fully automated and scalable for applications at landscape and regional scales for multiple points in time.     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

基于多纹理和支持向量机的ZY-102C星HR数据分类

基于国产资源一号02C星高分辨率(high resolution,HR)影像,提取了基于变差函数、灰度共生矩阵和梯度的多纹理特征,结合光谱信息构建了基于支持向量机(support vector machine,SVM)的多源信息复合模型的图像分类方法,并与传统最大似然法和决策树法的分类结果进行了比较。研究表明,变差函数纹理和梯度纹理参与的多源复合数据有效提高了图像的分类精度,总分类精度由85.14%提高到87.43%,Kappa系数由0.82提高到0.85;绝对值变差函数为纹理最佳窗口分析提供了理论依据,基于累积步长提取的纹理特征能显著提升图像分类的精度,分类准确率提高了13.94%,Kappa系数增加了0.17;基于多源复合数据的SVM高空间分辨率遥感图像分类方法能有效解决传统图像分类结果破碎的问题,比最大似然方法和决策树法的分类精度显著提高,总精度达到89.14%,Kappa系数为0.87,分别提高了6.85%和10.84%。实验表明,ZY-102C星HR数据在冬小麦信息提取中具有一定的稳定性和优势。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义.建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息.针对该问题,提出一种改进粒子群(ParticleSwarmOptimization,PSO)算法优化支持向量机(SupportVe...     

塔里木盆地库车油气系统中、新生界的流体压力结构和油气成藏机制

库车油气系统中、新生界流体压力纵向结构可分为台阶式、中凸式、均斜式 3种类型。平面分布可分两个带 3个区 :北带主要是台阶式压力结构分布区 ,南带的大部分是中凸式压力结构分布区 ,南带的南缘为均斜式压力结构分布区 ,构成不同类型的封存箱。这种压力结构分异主要是喜玛拉雅晚期 ( 5Ma)天山向南强烈推挤造成的 ;喜玛拉雅早期 ,整个油气系统压力结构大体是一致的 ,深浅层基本为正常压力 ,也即均为均斜式压力结构分布区。喜玛拉雅早、晚期的流体压力封存箱规模不等 ,油气运聚的环境不同 ,因而不同时期、不同地带具有各不相同的油气成藏机制。初步可概括为 3种机制和 3种成藏模式 :早期封存箱内成藏机制———牙哈模式 ;晚期封存箱内成藏机制———克拉苏模式 ;封存箱外成藏机制———大宛齐模式     

CMW工法在隧道基坑支护工程中的应用

在南京市城市快速内环北线二期隧道基坑支护工程的粉细砂复杂地层中首次成功应用了CMW工法,与钻孔灌注桩、钢板桩、地下连续墙、土钉墙和SMW工法等相比,具有污染小、造价低、速度快和施工质量好等优点。结合该工程实例,介绍了CMW工法施工的优点、工艺流程、设备选择、施工方法、安全管理要求和使用效果等。     

基于UDEC的隧道掘进机滚刀破岩数值模拟研究

现今全断面隧道掘进机（TBM）施工方法在长大深埋隧道工程中已被广泛采用,对滚刀破岩关键技术的进一步认识具有重要的工程价值。为了研究滚刀破岩机制,分析刀圈断面形态、岩石强度和节理角度对其的影响,运用UDEC方法建立了滚刀贯切岩石的二维数值系列模型,对TBM滚刀破岩过程进行了仿真。分析表明：滚刀破岩是滚刀下岩石拉破坏和剪破坏的综合反映,拉破坏是裂纹萌生与扩展的主要驱动机制;刃宽较大的平刀与刃角较大的楔刀破岩效果较好;平刀与楔刀在软岩中破岩效果相近,平刀在硬岩施工中比楔刀的破岩效果好;滚刀对节理角度为30°～60°的岩石破坏效果较好,由于楔刀的“劈裂”作用,楔刀比平刀更适合用于贯切含有节理的岩石。