Apr, 2023

基于统计和机器学习算法的不纯 / 纯 N2 增强油藏采收过程最小相溶压力 (MMP) 估计的比较研究

PDF
TL;DR对基于统计和机器学习方法用于 MMP 预测的比较研究表明，在本研究中开发的大多数预测模型表现优异，超过了文献报道的相关和预测模型。
发现论文，激发创造
  • 机器学习和量子蒙特卡洛在高压氢中的应用

    发展了一种结合了量子蒙特卡罗的准确性与机器学习潜能的效率的技术，使用核回归与 SOAP 特征，并利用基于最远点采样的稀疏技术和 Δ-learning，可以将训练数据集保持小，以实现高精度计算，第一个应用涉及高压氢的液 - 液相转变的基准研究，并强调了高精度的重要性，以提高实验结果不明确领域的准确性。

    Dec, 2021

  • 用于氢脆性的机器学习压力模拟器

    本文提出了一种基于物理学的机器学习模型来预测管道内壁上的气压，该模型可以应用于氢气与天然气混合运输的管道系统监控中，此方法优于完全基于数据推导的方法。

    Jun, 2023

  • 利用机器学习增强岩石物理研究：异质储层渗透率预测现场案例研究

    使用人工神经网络、随机森林分类器和支持向量机等三种模型，以预测渗透率为主要目标，比较了三种机器学习算法的有效性，并利用 FZI 岩性分类技术对影响油藏质量的因素进行了分析，表明 FZI 模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。

    May, 2023

  • 人工神经网络在压力过滤性能研究中的应用：锌浸出滤饼湿度建模

    使用人工神经网络（ANN）模型，研究开发了一种强大的机器学习工具，用于高精度预测锌生产中压力过滤工艺的蛋糕湿度。

    Aug, 2023

  • 通过操作员学习加速液态金属喷射增材制造中的局部尺度模拟

    本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。

    Feb, 2022

  • 氩气驱动熔融池动力的物理信息机器学习

    通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

    Jul, 2023

  • 利用物理属性增强分子特性预测的 PEMP

    本文介绍了 PEMP，即利用物理化学理论和研究揭示的化合物间关系来增强化学和生理特性预测模型的新方法，该方法包括多任务学习和迁移学习两种模型构建方法，并在公共基准 MoleculeNet 上表现出超越对应最先进模型的能力。

    Oct, 2022

  • 基于机器学习的智能化学纯化技术

    通过发展自动化平台和应用先进的机器学习算法，本研究通过预测模型来提高色谱过程的效率和质量，使用转移学习技术可以适应不同的柱规格，为传统色谱学挑战提供可扩展的解决方案。

    Apr, 2024

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 信号和噪音统计信息不可知的正交匹配追踪

    本篇论文提出了一种名为残差比阈值法（Residual Ratio Thresholding，RRT）的新技术，可以在没有关于疏密性和噪声统计的任何先验知识情况下运行正交匹配追踪（Orthogonal Matching Pursuit，OMP），并为其建立有限样本和大样本支持恢复保证。分析结果和实数及虚数数据集的数值模拟表明，RRT 的性能与具有先验知识的 OMP 相当。

    Jun, 2018