摘要：机器学习,特别是深度神经网络学习算法的发展,正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构,这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能(Oil&Gas AI)极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象,依据数据驱动的地球物理知识发现原理和机器学习属性,按照“数据-算法-平台-知识-应用场景”研究思路,开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求,学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图,尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系,其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明,机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势,贯穿于测井方法、仪器设计、测井作业及测井解释中。机器学习算法相对于传统的岩石物理建模方法,以数据为纽带综合评价岩石物理的多重属性。这从数据科学角度突破了实验条件和物理属性的限制,具有跨学科、综合性的特点。

摘要：对219名初中女生进行手工人体测量,运用SPSS 13.0软件对测量数据进行统计分析,探讨了初中女生的体型特征和分类,为初中女生的服装号型设定和服装结构设计提供参考。

摘要：研究了不同浓度水网藻种植水对铜绿微囊藻生长的抑制作用以及对叶绿素a和抗氧化酶活性(SOD、CAT、POD)的影响.结果表明,水网藻种植水对铜绿微囊藻的抑制效果明显,20%～80%浓度的种植水第8 d的平均抑藻率达到98.9%,藻细胞几乎全部死亡.在种植水的作用下藻细胞叶绿素a含量迅速降低,叶绿素a遭到破坏.实验前2 d由于受到活性氧的刺激铜绿微囊藻抗氧化酶活性增加,且都高于对照组,随着抗氧化酶活性达到极限,活性氧开始积累并破坏细胞的正常代谢,抗氧化酶活性迅速降低,80%浓度的实验组至第8 d时SOD、CAT、POD活性分别仅为31、6、5 ***-1.水网藻种植水经过高温处理后对铜绿微囊藻基本没有抑制作用,说明种植水中的抑藻物质具有热不稳定性.