-
公开(公告)号：CN111368710B
公开(公告)日：2022-03-04
申请号：CN202010134754.1
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
-
公开(公告)号：CN104198311A
公开(公告)日：2014-12-10
申请号：CN201410496768.2
申请日：2014-09-25
Applicant: 东北石油大学
Abstract: 本发明涉及的是一种扭转冲击破岩实验装置及实验方法，其中扭转冲击破岩实验装置的主机架通过两立柱设置在横梁与底座之间构成，升降台设置在两立柱间，升降台与立柱滑动连接，十字滑台设置在升降台上，十字滑台上安装四爪卡盘，岩样固定在四爪卡盘上，位移传感器设置在升降台与横梁之间，液压油缸活塞杆上端连接载荷传感器并顶在十字滑台底部，液压油缸连接液压泵；主电机通过同步带分别连接转矩转速仪和钻杆，侧电机通过三角带连接设置在钻杆上的超越离合器；位移传感器、载荷传感器、转矩转速仪分别连接数据采集系统，数据采集系统连接计算机，计算机内安装有控制系统。本发明可研究扭转冲击条件下的岩石破碎效果，分析实际钻进过程中的粘滑效应，及扭转冲击载荷下的岩石破碎力学特性及破碎规律。
-
公开(公告)号：CN110298803B
公开(公告)日：2023-03-24
申请号：CN201910596515.5
申请日：2019-07-03
Applicant: 东北石油大学
Abstract: 本发明涉及的是一种基于压缩感知的图像条带噪声去除方法，它包括：步骤一、建立包含条带噪声图像的观测矩阵；步骤二、建立包含条带噪声图像Curvelet域的稀疏表示方法；步骤三、建立条带噪声去除正则化问题最优化的求解算法，去除条带噪声，得到去除条带噪声的图像。本发明在条带噪声去除过程，提出的凸投影和滤波操作交替进行的指数阈值收缩迭代算法，在迭代初期快速阈值收缩，加速噪声的去除；在迭代后期减缓阈值收缩，加强图像细节信息保留，能充分利用Curvelet域稀疏表示性能与压缩感知的优势，提高去噪效果。
-
公开(公告)号：CN111368680A
公开(公告)日：2020-07-03
申请号：CN202010122492.7
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种基于波原子变换的深度学习抗假频地震数据规则化方法，该方法的步骤为1、训练数据集准备；2、波原子域样本标签准备；3、网络输入与标签设定；4、深度学习网络模型G结构设定；5、损失函数设定；6、网络模型训练；7、地震数据规则化测试。根据地震数据在波原子域的良好分布特征，建立空间域和波原子域联合学习深度卷积神经网络模型，结合空间域和波原子域的特征对地震数据进行规则化，模型的训练评判指标采用空间域、波原子域误差以及f-k域误差联合约束规则化误差，反馈调整网络参数，提高地震数据规则化网络模型的精度与泛化能力。
-
公开(公告)号：CN104234648A
公开(公告)日：2014-12-24
申请号：CN201410343129.2
申请日：2014-07-18
Applicant: 东北石油大学
IPC: E21B21/14
Abstract: 本发明涉及的是一种钻井液密度井下实时控制系统，这种钻井液密度井下实时控制系统包括钻机、空气压缩机、泥浆泵、中间传输装置、电磁阀、封隔器、无线接收器、地面控制系统，中间传输装置由同轴设置的内筒和外筒构成，空气压缩机连接到内筒的进气口，泥浆泵连接外筒的进液口，内筒末端连接内钻杆，外筒末端连接外钻杆；外钻杆的末端连接钻铤，内钻杆的末端固定在钻铤底部；内钻杆末端连接电磁阀，封隔器安装在外钻杆上，无线密度传感器和无线压力传感器均安装在钻铤底部；无线接收器连接地面控制系统。本发明充分利用了过平衡钻井、欠平衡钻井和控压钻井这三种钻井技术的优势，使井底压差在过平衡、欠平衡和近平衡状态之间转换，可安全高效地钻达目的层，减少非生产时间，降低钻井成本。
-
Patent Agency Ranking
公开(公告)号：CN114065595A
公开(公告)日：2022-02-18
申请号：CN202111501938.8
申请日：2021-12-09
Applicant: 东北石油大学
IPC: G06F30/23 , G06F30/27 , G01V1/36 , G06N3/04 , G06N3/08 , G06F111/10 , G06F111/04
Abstract: 本发明涉及的是基于稀疏约束空‑频域联合学习的波场数值频散压制方法，它包括:训练数据集预处理；样本标签准备；卷积核稀疏化准备；设计联合学习模型G的网络结构；设计损失函数；训练并保存网络模型；测试网络模型性能。通过傅立叶变换将波场数据变换至频率域，获得频域波场的纹理特征；将用低价有限差分法对波动方程进行求解所得到的高频散波场数据作为输入，高阶有限差分法所得到的无频散的空域与频域特征作为标签；构建空间域与频率域联合深度学习网络结构；利用波场数据的稀疏性引入稀疏约束对卷积核进行稀疏化，本发明充分利用波场特征，有效压制数值频散问题，得到高精度、高质量的波场数据。
-
公开(公告)号：CN111368710A
公开(公告)日：2020-07-03
申请号：CN202010134754.1
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。
-
公开(公告)号：CN111368680B
公开(公告)日：2022-03-15
申请号：CN202010122492.7
申请日：2020-02-27
Applicant: 东北石油大学
Abstract: 本发明属于地球科学技术领域，具体涉及一种基于波原子变换的深度学习抗假频地震数据规则化方法，该方法的步骤为1、训练数据集准备；2、波原子域样本标签准备；3、网络输入与标签设定；4、深度学习网络模型G结构设定；5、损失函数设定；6、网络模型训练；7、地震数据规则化测试。根据地震数据在波原子域的良好分布特征，建立空间域和波原子域联合学习深度卷积神经网络模型，结合空间域和波原子域的特征对地震数据进行规则化，模型的训练评判指标采用空间域、波原子域误差以及f‑k域误差联合约束规则化误差，反馈调整网络参数，提高地震数据规则化网络模型的精度与泛化能力。
-
公开(公告)号：CN110298803A
公开(公告)日：2019-10-01
申请号：CN201910596515.5
申请日：2019-07-03
Applicant: 东北石油大学
Abstract: 本发明涉及的是一种基于压缩感知的图像条带噪声去除方法，它包括：步骤一、建立包含条带噪声图像的观测矩阵；步骤二、建立包含条带噪声图像Curvelet域的稀疏表示方法；步骤三、建立条带噪声去除正则化问题最优化的求解算法，去除条带噪声，得到去除条带噪声的图像。本发明在条带噪声去除过程，提出的凸投影和滤波操作交替进行的指数阈值收缩迭代算法，在迭代初期快速阈值收缩，加速噪声的去除；在迭代后期减缓阈值收缩，加强图像细节信息保留，能充分利用Curvelet域稀疏表示性能与压缩感知的优势，提高去噪效果。
-
公开(公告)号：CN108093264B
公开(公告)日：2019-03-08
申请号：CN201711473464.4
申请日：2017-12-29
Applicant: 东北石油大学
IPC: H04N19/63
Abstract: 本发明涉及一种基于分块压缩感知的岩心图像压缩、解压方法和系统，其中，压缩方法包括：针对待压缩岩心图像，根据设定的目标采样率、分解级数和码率计算小波变换各级的采样子率；根据设定的分块大小获得各级的高斯随机矩阵；利用离散小波变换方法对待压缩岩心图像进行离散小波变换，根据子带和分块大小将每一级的各个子带分块，得到图像块；对每一级的各个图像块采用高斯随机矩阵进行观测，得到观测值块；对观测值块中最低频子带采用差分脉冲编码调制方法进行编码；对观测值块中各级高频子带进行提升小波变换，再采用集合分裂嵌入块编码方法进行编码。实验结果表明，本发明在高压缩比条件下，可有效保留岩心图像的纹理特征，提高了图像重构质量。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.017 seconds)
