林霞
- 作品数：10 被引量：37H指数：3
- 供职机构：中国石油天然气集团公司中国石油勘探开发研究院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术石油与天然气工程天文地球电子电信更多>>
- 可配置组合式数据校验方法被引量：3
- 2015年
- 在油气勘探生产信息系统建设过程中,由于涵盖勘探、开发和工程等业务,上报数据项多,数据量大和上报方式多样化的情况,容易出现上报数据类型不规范、数据精度不统一、数据统计时间不一致、相互关联的数据项不满足业务规则的问题.为解决这些问题,总结出数据项校验、列校验、行校验、跨表校验、历史数据校验和奇异值校验六种数据校验方法及组合式数据校验方法,并在跨业务和跨时间对比与奇异值分析上设计出符合石油勘探生产行业的校验规则.在此基础上,研发了可配置易维护的封装技术,提高了数据校验方法的实施效率.
- 林霞申端明时迎乔德新
- 关键词：可配置数据校验封装技术
- 梯度渐进回归树算法在电子商务品牌推荐中的应用被引量：4
- 2015年
- 针对电子商务推荐系统中,互联网"信息过载"所造成的难以准确定位用户兴趣并提供准确品牌推荐的问题,通过深入挖掘电子商务网中的用户行为日志,抽取出能辨别出用户对商品品牌购买行为的多个特征,然后将这些特征融入到梯度渐进回归树算法中,建立用户兴趣偏好模型来提高推荐精度.实验结果表明,在数据稀疏的情况下,该算法仍能较好的识别出用户对品牌的偏好,并在推荐准确度方面较其他传统推荐和分类算法有明显的提高.
- 申端明乔德新许琨林霞江日念
- 基于机器学习的产油量主控因素分析被引量：3
- 2019年
- 为了找出油水井生产数据中油压、套压、动液面、含水率、关井原因、生产天数等生产指标对产油量的影响;分析各个生产指标之间的相关性。利用决策树、随机森林和梯度提升回归树对月产油量进行预测,对三种算法利用特征重要性方法算出影响产油量的生产指标主控因素。利用皮尔森相关系数和主成分分析(PCA)算法对主控因素进行验证与分析。预测结果为随机森林算法和梯度提升回归树算法优于决策树;特征重要性分析出含水率、生产天数与动液面为产油量的主控因素,皮尔森相关系数验证出含水率与产油量高度相关,生产天数与产油量中度相关;PCA算法分析出含水率与生产天数为主要特征,油压、套压等指标之间也存在相关性。最后推荐用随机森林或者梯度提升树用于预测产量,用随机森林算法给出特征重要性,配合皮尔森相关系数和PCA验证分析结果。
- 林霞刘宗尚高宇武博宇
- 关键词：主成分分析
- 数据导航在勘探与生产综合信息系统中的实现与应用
- 2017年
- 勘探与生产综合信息系统涵盖多个业务系统,且各个业务系统都相互独立,只有熟悉系统功能的用户才能在系统中查询到数据,这种方式极其不利于数据共享。为解决这个问题引入了数据导航,改变了传统的查询方式,让不熟悉系统功能的用户也能方便的查询到所需数据。数据导航通过解决数据源、如何检索以及相似度提示问题来达到导航的目的,采用的核心技术是Oracle全文检索技术,且在此基础上增加了专业词库,提高了查询效率,提升了用户体验。
- 林霞徐师玉乔德新申端明江日念
- 关键词：ORACLE专业词库
- 基于聚类及长短时记忆神经网络预测油田产量
- 2024年
- 利用机器学习方法预测油田产量的精度与训练样本的代表性及数量息息相关。通常,采用油田生产数据或者油井生产数据构建训练样本。将油田作为训练样本,存在“小样本”的问题;将油井作为训练样本,由于老油田一般具有开发层系多、生产历史长、油井投产批次多等特点,人工标注能够代表油田产量递减规律的训练样本难度大,且耗时费力。本文将油田和油井生产数据有机融合构建训练样本,建立产量智能预测模型,预测油田产量。首先,采用无监督学习的K均值聚类算法,依据有效厚度、孔隙度、渗透率、饱和度等信息对油井进行聚类分析,识别产量递减类别,并将每类油井转换成一口典型油井作为该类油井的代表;其次,将典型井作为预测对象,通过从每类油井中按比例随机抽取油井来增加训练样本数量,即将典型井和油井生产数据融合构建训练样本;最后,基于长短时记忆循环神经网络建立模型预测典型井产量,进而预测油田产量。研究结果表明:该方法既解决了油田数据作为训练样本的“小样本”问题,又降低了油井数据作为训练样本的标注难度与工作量,并且精度符合现场生产要求,对油气产量智能预测的工程化落地应用具有一定指导意义。
- 王洪亮林霞蒋丽维刘宗尚
- 关键词：油井产量K-MEANS聚类神经网络
- 中国石油人工智能平台建设探索及实践
- 认知计算技术平台是中国油气勘探开发行业第一个开放可扩展的人工智能计算平台。平台的建设目标是实现油气勘探开发科研、生产管理提供智能化分析。其技术关键是认知计算技术，包括知识图谱、语音识别、图像识别、语义处理、深度学习等人工...
- 李薇薇周相广林霞米兰刘立夏
- 关键词：勘探开发人工智能知识图谱油气层识别
- 基于深度学习UNet++网络的初至波拾取方法被引量：23
- 2021年
- 初至波拾取是地震资料处理中一项基础而重要的工作.为解决我国西部沙漠、黄土塬、戈壁等地区地震资料信噪比低,致使初至波拾取准确率不高的难题.本文创新提出一种基于图像分割技术——UNet++神经网络应用于初至波智能拾取.输入原始地震数据及少量初至时间的标签数据进行监督学习,并建立UNet++模型,应用西部某工区地震数据测试,实验证明,UNet++模型性能稳定,炸药震源初至波拾取准确率达到98%,可控震源初至波拾取准确率达到98%.此外,本方法与商业软件、U-net网络的初至拾取对比表明,UNet++优势明显,具有准确率高,抗噪能力强,性能稳定、高效等特点.
- 李薇薇龚仁彬周相广林霞米兰李宁王晓东肖高杰
- 关键词：初至波
- 基于地质知识蒸馏学习的油气储集层识别方法被引量：2
- 2021年
- 油气储集层识别是石油能源企业在勘测和开发业务中核心的任务之一.长期以来,油气行业一直依靠专家人工分析海量测井数据以对地下油气储集层进行定性分析,虽然专家解释结论有着很高的精准度,但是时间与经济成本都十分高昂.近些年来,随着以深度学习为代表的人工智能技术的迅速发展,智能油气储集层识别技术成为学术界和工业界共同关注的问题.然而,真实工业环境存在严重的传感数据不一致问题,给传统的监督学习模型带来巨大的挑战.本文针对传感器不一致情境中油气储集层识别任务展开研究,提出多尺度地质知识蒸馏网络的方法.首先,该方法提出一种多尺度特征自注意力融合机制来学习地质信息的多尺度动态表征.其次,该方法设计一种地质知识蒸馏学习模型,从非一致传感数据中学习额外的地质知识,进一步提升模型准确度.最后,在真实数据集上进行大量实验,结果充分证明本文提出的模型在油气储集层识别任务上的有效性和鲁棒性.
- 李徵刘淇王喆锋郑毅林霞怀宝兴米兰陈恩红
- 关键词：传感数据
- 基于机器学习的油田产量预测的方法比较被引量：2
- 2019年
- 论文对比了多元回归分析(MRA)、长短期记忆法(LSTM)、滑动平均自回归模型(ARIMA)三种算法的应用效果来预测石油产量,应用于国内某水驱从2000年2月份到2018年12月份的月产量数据。实例分析表明:1.回归滑动平均模型表现最好,其次为多元线性回归,最后为长短期记忆法模型。2.LSTM模型适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,对产量预测问题不适用。3.ARIMA模型对短期时间预测结果很好,ARIMA模型对于按时间顺序排列的,随时间变化的数据序列有很好的适用性。因此,论文得出当使用一个机器学习算法做产量预测时,推荐采用ARIMA算法。
- 林霞武博宇王洪亮刘宗尚
- 多维分析技术在油气田生产管理中的应用研究
- 在油价低迷的环境下,如何动态监测和分析生产指标,科学地制定年度油田生产计划,合理地安排油田生产任务是研究的重点。利用多维分析技术,将分散在不同业务下的海量二维数据整合到一起,构建出基于开发指标主题域和产能指标主题域的油气...
- 申端明乔德新林霞时迎
- 关键词：油气信息
- 文献传递
