-
公开(公告)号：CN114492746B
公开(公告)日：2024-10-29
申请号：CN202210057437.3
申请日：2022-01-19
Applicant: 中国石油大学(华东)
IPC: G06N3/0464 , G06N3/098 , G06F18/214 , G06F18/211
Abstract: 本发明公开了一种基于模型分割的联邦学习加速方法，属于物联网领域和机器视觉领域，首先，为了提高联邦学习的训练效率，选择高质量的参与者是极其关键的，针对高质量的、资源受限的物联网设备，综合考虑网络带宽变化与全局训练时间这两方面，利用模型分割的理念，设计一种计算任务卸载策略，减少全局训练时间，从而提高训练效率；然后，采用联邦学习范式，保护数据安全，利用分布式用户数据提高推理性能；最后，优化联邦学习的全局模型聚合策略，通过多轮迭代再通信与模型压缩相结合的聚合方式，进一步减少传输内容，降低通信压力，达到联邦学习加速的目的。
-
公开(公告)号：CN119918399A
公开(公告)日：2025-05-02
申请号：CN202411978354.3
申请日：2024-12-30
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06N3/0442 , G06N3/084 , G06N3/0985 , G06F119/14
Abstract: 本发明涉及一种基于机器学习模型的层理性页岩大位移井破裂压力预测方法。S1：获取已钻井数据并收集井下岩芯，开展沿层理方向的各向异性页岩抗拉力学实验，依据实验结果构建页岩破裂准则；S2：构建层理性页岩大位移井破裂压力模型，结合现场地破实验数据对计算出的破裂压力值校正整合；S3：结合大斜度井井身结构条件，运用力学模型计算破裂压力，利用现场小压数据验证，形成破裂压力计算分析数据库；S4：基于机器学习方法训练预测模型，确定WT‑LSTM模型结构，设置隐藏层并进行训练；S5：通过超参数调整、特征选择与重要性评估手段，优化基于机器学习的破裂压力模型。本发明综合多因素提升大斜度井破裂压力预测准确性，为现场复杂层理性页岩压裂工程设计提供数据支持，有助于大位移井施工合理选择参数，提高适应性与安全性，为层理性页岩油气资源开发提供数据支撑。
-
公开(公告)号：CN116151368A
公开(公告)日：2023-05-23
申请号：CN202310258341.8
申请日：2023-03-17
Applicant: 中国石油大学(华东)
IPC: G06N3/096 , G06N3/04 , G06F18/241 , G06Q50/02
Abstract: 本发明提出一种基于元迁移学习的小样本储层分类方法，主要涉及人工智能、机器学习，石油勘探领域。主要步骤包含：根据油田实际情况，设计两种案例，分别借助邻近区块和较远区块样本来解决目标区块样本不足的问题；设计掩码注意力机制，以避免非储层的干扰，同时学习储层与非储层的关系，提高模型的特征提取能力；设计元迁移学习策略，在迁移学习中借助元学习实现参数快速寻优，提高模型的收敛速度；在元迁移学习中设计价值感知模块，使模型关注困难任务，以学习有价值的迁移知识，避免因区块间地质差异造成的负向迁移。本发明针对目标区块数据量有限，难以支持模型训练，借助元迁移学习，评估两种实际案例下的储层分类效果，并对元迁移学习方法进行优化，有效的解决了储层分类中的小样本问题。
-
公开(公告)号：CN115442370A
公开(公告)日：2022-12-06
申请号：CN202211076222.2
申请日：2022-09-05
Applicant: 中国石油大学(华东)
IPC: H04L67/10 , H04L67/566 , H04L9/32 , H04L9/40
Abstract: 本发明基于云雾协同卸载环境不完全可信的特征，结合双区块链(Double Blockchain，DBC)技术提出了一种时延敏感且节能地物联网(Internet of Things，IoT)任务调度方法。首先，考虑到IoT系统高吞吐量的特性，采用基于权威证明(Proof of Authority，PoA)和基于工作证明(Proof of Work，PoW)的思想，设计一种适用于IoT任务调度系统的共识策略。然后，权衡区块链系统可伸缩性和安全性两方面，提出基于DBC的IoT任务调度架构。最后，结合半贪心和蚁群系统算法提出了一种低时间复杂度的任务调度方法，达到在不完全可信环境下确保IoT任务及时响应的同时优化系统能耗的目标。
-
公开(公告)号：CN119357654A
公开(公告)日：2025-01-24
申请号：CN202411412087.3
申请日：2024-10-10
Applicant: 中国石油大学(华东)
IPC: G06F18/2135 , G06F18/20 , G06N3/045 , G06N3/084 , G06N3/0442 , G06N3/0455 , G06F123/02
Abstract: 本发明提出了一种基于知识感知时间融合变换器的孔隙压力预测模型。该模型通过整合领域专业知识与时间序列数据，有效提升了孔隙压力的预测准确性。在数据处理阶段，首先对原始测井数据进行预处理，包括异常值检测、缺失值填补和数据分割，以确保数据的质量和完整性。在特征提取阶段，运用知识提取方法从测井数据中提取时间序列统计特征、岩石物理特性和经验公式参数，这些特征涵盖了地层的物理参数、机械性能和流体性质。通过特征筛选，保留对孔隙压力预测影响较大的关键特征。在模型训练和评估阶段，使用训练集数据训练模型，并在独立测试集上验证其泛化能力和鲁棒性。该方法不仅提升了模型的预测精度，也在实际应用中取得了优异的结果，使其成为替代传统技术的有效选择。
-
Patent Agency Ranking
公开(公告)号：CN116047608A
公开(公告)日：2023-05-02
申请号：CN202211556368.7
申请日：2022-12-06
Applicant: 中国石油大学(华东)
Abstract: 本发明提出一种基于动态联邦学习的储层识别方法，主要涉及深度学习，石油勘探领域。主要步骤包含：确定实验井，进行数据预处理；设计基于联邦学习的储层识别方法，以借助目标井所在区块的周边区块中的储层样本，来训练一个具有高泛化性的领域预训练模型；设计动态加权融合策略，以解决区块间地质差异显著的问题；设计基于重加权的储层类别均衡方案，以解决储层类别不均衡的问题，从而提高储层识别的效果。本发明针对目标区块储层样本不足，借助联邦学习方法，使用周边区块储层样本识别目标井中储层类别，并对联邦学习方法进行优化，实现有效的储层识别。
-
公开(公告)号：CN115248872A
公开(公告)日：2022-10-28
申请号：CN202111068174.8
申请日：2021-09-13
Applicant: 中国石油大学(华东)
IPC: G06F16/532 , G06F16/583 , G06F40/30 , G06V10/424 , G06V10/82 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于选择图结构的嵌套注意力网络的视觉问答方法。以往的方法主要采用对视觉特征的处理一般用卷积神经网络，或者注意力机制，这会忽略视觉特征中目标和目标之间的关系。此外，在共同注意力中无论视觉特征与问题特征是否相关，注意力都会为视觉特征和问题特征输出加权平均值。本发明首次提出了基于选择图结构的嵌套注意力网络来研究图像和问题之间的对应关系。设计一个具有嵌套注意力强化网络，通过考虑区域间的关系，消除向量不相关信息，有效地融合视觉特征和问题特征。提出选择图结构模块，依据问题找出视觉特征目标和目标之间的关系，使答案更清晰。本发明在VQA2.0上进行大量实验证明了提出模型的有效性。
-
公开(公告)号：CN119358702A
公开(公告)日：2025-01-24
申请号：CN202411409151.2
申请日：2024-10-10
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于多智能体强化学习(Multi‑Agent Reinforcement Learning，MARL)与知识蒸馏(Knowledge Distillation，KD)的联邦学习(Federated Learning，FL)加速方法，首先，由于边缘节点本地数据通常是非独立同分布的，降低了FL的模型训练效率，根据每轮参与训练的节点数使用聚类算法以模型权重为依据将数据分布接近的节点划分到同一簇中，不同簇中节点相互组合最终得到近似的全局数据分布；然后，将聚类结果的每一簇看作独立的智能体，采用MARL算法，从每一簇中选择合适的节点参与训练，最大化MARL奖励值，惩罚过多的通信轮次；最后，由于边缘节点设备的计算存储能力不同，通过双向KD的方法全局训练模型，进一步个性化本地模型、压缩传输内容，降低通信压力、达到联邦学习加速的目的。
-
公开(公告)号：CN118313240A
公开(公告)日：2024-07-09
申请号：CN202410315734.2
申请日：2024-03-20
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06F30/13 , G06N20/00 , G06F119/14
Abstract: 本发明涉及一种基于机器学习的多割理煤层井壁坍塌压力预测方法，属于油气钻井工程领域，包括：通过目标煤层的岩石力学计算模型和地应力计算模型，计算井壁稳定关键岩石力学参数；根据岩心观察和成像测井数据，确定目标煤层割理发育特征；根据得到的地应力、井眼轨迹参数、地层孔隙压力计算井周应力，基于Mogi‑Coulomb中间主应力法则结合具体割理发育特征，计算坍塌压力；选定7个参数作为输入参数，选取机器学习方法开展坍塌压力计算；建立坍塌压力和关键影响因素之间的拟合模型，实现坍塌压力的快速预测。本发明结合机器学习来预测多割理煤层的井壁坍塌压力，研究成果对保证煤层井壁稳定，实现煤层高效安全钻井具有重要指导意义。
-
公开(公告)号：CN114492746A
公开(公告)日：2022-05-13
申请号：CN202210057437.3
申请日：2022-01-19
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于模型分割的联邦学习加速方法，属于物联网领域和机器视觉领域，首先，为了提高联邦学习的训练效率，选择高质量的参与者是极其关键的，针对高质量的、资源受限的物联网设备，综合考虑网络带宽变化与全局训练时间这两方面，利用模型分割的理念，设计一种计算任务卸载策略，减少全局训练时间，从而提高训练效率；然后，采用联邦学习范式，保护数据安全，利用分布式用户数据提高推理性能；最后，优化联邦学习的全局模型聚合策略，通过多轮迭代再通信与模型压缩相结合的聚合方式，进一步减少传输内容，降低通信压力，达到联邦学习加速的目的。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
