公开(公告)号：CN109615108A

公开(公告)日：2019-04-12

申请号：CN201811285473.5

申请日：2018-10-30

Applicant: 中国石油大学(华东)

Inventor： 张卫山 ,  王新哲 ,  徐亮 ,  尹广楹 ,  赵宏伟 ,  张瑞聪 ,  郑宗超

IPC: G06Q10/04 ,  G06Q50/02 ,  G06N3/08

Abstract: 本发明提出了一种基于元学习(Meta-Learning)的多任务油田生产动态拟合模型。油田生产任务众多，特性复杂，针对每一类任务每一个油田设计算法模型不现实，因此我们提出了基于元学习的多任务油田生产动态拟合模型。该模型相比与常用的算法模型具有以下优势：该模型适用于多类任务，例如分类、回归以及强化学习等；该模型适用于当前常用的多种模型，例如CNN、DNN等；该模型在数据集较少的情况下表现优于常见的模型，模型训练速度快，通过较少次数的梯度下降就可以到达很好的效果；该模型针对油田任务提出了一种通用的表达方式。该模型分为训练阶段与运行测试阶段：训练阶段，通过不同井的生产数据，调整模型参数，找到每口井的敏感参数，从而得到较好的油田生产动态模型；运行阶段，针对不同类型的任务，可以较好的实现某口井的生产动态预测任务(回归)，井下故障预测任务(分类)，或者其他任务。

公开(公告)号：CN110727256A

公开(公告)日：2020-01-24

申请号：CN201910261241.4

申请日：2019-04-01

Applicant: 中国石油大学(华东)

Inventor： 张瑞聪 ,  张卫山 ,  房凯

IPC: G05B23/02

Abstract: 本发明提出了一种基于混合小波神经网络的工业设备故障诊断方法，以音频信号作为故障信息的载体输入到Mixed-BPWNN模型，得到音频信号中的中所包含的故障信息。其核心方法包括两个方面：一方面对采集的音频信号进行小波分析，另一方面将传统网络模型中隐含层的激活函数用小波函数替代。该方法充分继承了小波变换良好的时频局部化性质及神经网络的自学习功能的特点，保留了全局最优解和局部细节最优解的优势，大大提高了网络模型对音频数据的处理能力和对故障诊断的精确度。

公开(公告)号：CN110704630A

公开(公告)日：2020-01-17

申请号：CN201910303395.5

申请日：2019-04-15

Applicant: 中国石油大学(华东)

Inventor： 赵宏伟 ,  张卫山 ,  张瑞聪

IPC: G06F16/36

Abstract: 本发明提出了一种基于深度学习的标识化关联图谱自优化机制，该机制结合知识图谱技术与深度学习技术，对于不断采集的数据经过深度学习模型进行标识化处理后加入关联图谱。在关联图谱中通过多个分布式数据存储节点和分布式计算节点进行数据处理，以块同步并行计算模型为基础，通过局部计算、通讯单元和栅栏同步三部分进行一系列全局迭代。根据系统的资源利用率、处理性能和数据的局部性实现计算资源的自适应动态最优分配。对于已经加入关联图谱的数据进行不断地消歧分析和聚类计算进行不断地精简和校正，实现关联图谱的持续自优化。

公开(公告)号：CN109857739A

公开(公告)日：2019-06-07

申请号：CN201910072758.9

申请日：2019-01-28

Applicant: 中国石油大学(华东)

Inventor： 张瑞聪 ,  张卫山 ,  房凯

IPC: G06F16/22 ,  G06F16/2455 ,  G06F16/2458

Abstract: 本发明提出了本发明提出了一种基于RK(Redis and Kafka)的实时高效缓存机制，结合Redis数据库的高效缓存性能与Kafka高吞吐量的实时消息队列特性，设计实时高效缓存机制。利用Kafka消息队列的拓扑结构，配合多终端并行服务机制，实现请求合理资源分配。针对写入请求所附带的数据更新，首先缓存到Redis，然后协调写入后台HBase数据库，保证数据的同步性、持久化。缓存在Redis的数据，在接收到Kafka的请求后将缓存数据发送服务端给与回复。保证了各平台数据缓存的协调同步、平台各事务的快速调度，提升了平台整体执行效率。

公开(公告)号：CN109857560A

公开(公告)日：2019-06-07

申请号：CN201910082779.9

申请日：2019-01-28

Applicant: 中国石油大学(华东)

Inventor： 张瑞聪 ,  张卫山 ,  房凯

IPC: G06F9/50

Abstract: 本发明提出了一种基于CPU/GPU异构环境的协同并行化机制，实现在大数据计算和处理时将其速度大大提高。一方面CPU向GPU提供数据并接受GPU传回的数据，管理GPU的工作；另一方面CPU和GPU协同并行完成计算任务，通过设置阈值的方式，比较此不同任务对CPU和GPU资源的不同请求，分别计算出在使用CPU和使用GPU的情况下此任务下能被容纳个数，选择出能容纳最多个数的处理器。这种根据节点的负载情况合理选择CPU或者GPU的方式，将目前大数据的计算和处理速度大大提高。