XiaoMi-AI文件搜索系统
World File Search SystemShahab
机器学习-Shahab Bahreini
机器学习工程师和Python开发人员具有5年以上深度学习，计算机视觉和AI驱动自动化的经验。在开发可扩展模型以进行对象检测，时间序列的预测和智能自动化方面具有验证的专业知识。在Python，TensorFlow和在云环境中部署ML管道的经验。
Digital Commons 引用 Digital Commons 引用 Mohaghegh，Shahab D.，“地下分析：人工智能和机器学习对油藏工程、油藏建模和油藏管理的贡献”(2020)。教职员工奖学金。3089。https://researchrepository.wvu.edu/faculty_publications/3089
几十年来，传统的数值油藏模拟一直为石油和天然气行业做出贡献。该技术的现状是数十年来大量工程师和科学家研究和开发的结果。从 20 世纪 60 年代末和 70 年代初开始，计算机硬件的进步以及巧妙算法的开发和应用导致油藏研究发生了范式转变，从简化的模拟和解析解方法转向数学上更稳健的计算和数值解模型。新的计算范式克服了解析解方法的数学局限性。与简单的模拟模型（如 CRM（电容-电阻建模，1943 年由 W. A. Bruce 引入石油工业）[1] ）相比，它引入了更现实的解决方案。控制多孔介质中流体流动的复杂二阶非线性偏微分方程的数值求解速度在几年前是不可想象的 [2]。如今，这项技术对油藏建模的能力几乎无可争议。现在，它已成为石油和天然气行业工程师和科学家广泛接受的技术。传统数值油藏模拟技术的基础是我们目前对储存和运输现象的物理理解，以及我们的数学建模能力。与被建模油藏的物理和地质相关的复杂性决定了建模过程中所需的妥协程度。将传统数值油藏模拟应用于页岩等非常规资源是一个很好的例子，说明在建模过程中需要做出多少妥协。数值油藏模拟在非常规应用中的折衷方案
引用本文：Shahaboddin Shamshirband、Meisam Babanezhad、Amir Mosavi、Narjes Nabipour、Eva Hajnal、Laszlo Nadai 和 Kwok-Wing Chau (2020) 通过基于人工信息素的生物蚂蚁通信预测气泡塔反应器中的流动特性，计算流体力学的工程应用，14:1，367-378，DOI：10.1080 / 19942060.2020.1715842
a 越南胡志明市同德唐大学科技发展管理系；b 越南胡志明市同德唐大学信息技术学院；c 伊朗德黑兰伊斯兰阿扎德大学南德黑兰分校能源系机械工程学院；d 英国牛津布鲁克斯大学建筑环境学院；e 匈牙利布达佩斯奥布达大学卡尔曼坎多电气工程学院；f 德国魏玛包豪斯大学土木工程学院；g 越南岘港 550000 维新大学研究与开发研究所；h 匈牙利塞克什白堡奥布达大学阿尔巴雷吉亚技术学院；i 中国香港理工大学土木与环境工程系