摘要：针对动态不确定环境下机器人执行复杂任务的需求,提出一种线性时序逻辑(linear temporal logic,LTL)引导的无模型安全强化学习算法,能在最大化任务完成概率的同时保证学习过程的安全性.首先,综合考虑环境中的不确定因素,构建马尔可夫决策过程(Markov decision process,MDP),再用LTL刻画智能体的复杂任务,将其转化为有多接受集的基于转移的有限确定性广义布奇自动机(transition-based limit deterministic generalized Büchi automaton,tLDGBA),并通过接受边界函数构建可记录当前待访问接受集的约束型tLDGBA(constrained tLDGBA,ctLDGBA);其次,构建乘积MDP用于强化学习搜索最优策略;最后,基于LTL对安全性的描述和MDP的观测函数构建安全博弈,并根据安全博弈设计安全盾机制保证系统在学习过程中的安全性.严格的分析证明了所提出的算法能获得最大化LTL任务完成概率的最优策略.仿真结果验证了LTL引导的安全强化学习算法的有效性.

摘要：POT深海油气田投产前优选并构建了卧底管-悬链线立管集输系统,严重段塞流的预防及影响因素分析至关重要。该文基于卧底管-悬链线立管结构参数及生产参数设计,应用OLGA软件对管线内的流动进行数值模拟,计算分析产量和气液比等生产参数对流型的影响,预测严重段塞流并描绘严重段塞流的流型特征,监测不同产量及气液比情况下立管内最大液塞长度及立管底部最大压力波动值。计算结果表明,卧底管-悬链线立管结构参数设计合理,设计的生产参数范围内不会产生严重段塞流,而在低产量情况下严重段塞流特征规律明显。计算分析产量及气液比与流型的关系,绘制了严重段塞流流型区间预测图。计算得出立管内最大液塞长度及立管底部最大压力波动值,着重分析节流法在抑制严重段塞流中的效果,得到节流阀开度为0.2的POT深海油气田最优化结果,为严重段塞流的预防提供依据。