亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        智能算法模型預(yù)測(cè)蠟沉積研究進(jìn)展

        2022-05-17 07:16:38高志敏
        云南化工 2022年4期
        關(guān)鍵詞:智能算法沉積向量

        高志敏

        (西安石油大學(xué)石油工程學(xué)院,陜西 西安 710065)

        近年來(lái),基于機(jī)器學(xué)習(xí)的人工智能方法在各領(lǐng)域的研究中取得了豐碩的成果,該方法是在大量的復(fù)雜的數(shù)據(jù)中通過一定的模型及算法探究某一規(guī)律,以應(yīng)用于某一問題的解決[1-2]。常用的一些智能算法模型,如人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型等,在工程科技領(lǐng)域的應(yīng)用逐漸興起,在解決某些數(shù)據(jù)量較大且繁冗的工程問題上,智能方法具有較為獨(dú)特的優(yōu)勢(shì)。該方法的使用價(jià)值和應(yīng)用前景得到了較多科技工作者的肯定,顯然,該方法在未來(lái)工業(yè)的發(fā)展中前途廣闊。

        目前,在石油化工行業(yè),應(yīng)用人工智能算法模型來(lái)解決部分實(shí)際問題的現(xiàn)象已較為廣泛,在復(fù)雜的原油儲(chǔ)層、井筒及管道流動(dòng)環(huán)境中,原油的流態(tài)、相態(tài)、物性等指標(biāo)所受影響因素較多,需要大量的模擬、預(yù)測(cè)等計(jì)算描述,對(duì)此而言,智能算法模型是一個(gè)有力且高效的應(yīng)用工具。隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步以及科研者的不斷探究,人工智能能模型對(duì)于輸油管道蠟沉積的預(yù)測(cè)應(yīng)用逐漸增多。當(dāng)原油溫度受外在環(huán)境影響而降低至析蠟點(diǎn)溫度及以下,并加之各種外在因素的影響,析出的蠟分子會(huì)沉積在管壁上,使得流通面積減小,且會(huì)對(duì)原有的油品流動(dòng)性形成一定的阻礙。對(duì)蠟沉積而言,常用的描述參數(shù)有析蠟點(diǎn)溫度、溶蠟點(diǎn)溫度、析蠟量、蠟沉積量等,各參數(shù)的計(jì)算過程中需考慮的復(fù)雜機(jī)理、因素較多[3]。相較于傳統(tǒng)的數(shù)學(xué)模型而言,智能模型的引入無(wú)需細(xì)致研究其機(jī)理,會(huì)節(jié)省一定的人工投入。

        1 常用的智能算法模型

        用于蠟沉積預(yù)測(cè)的智能算法模型中,使用較為廣泛的有人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、遺傳算法、蟻群算法等,以及各種模型組合使用的綜合方法。對(duì)于不同條件進(jìn)行的不同建模方法[4],整體來(lái)看,各學(xué)者使用較多的模型為人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型,以及組合了多種算法后的委員會(huì)機(jī)器模型。

        1.1 人工神經(jīng)網(wǎng)絡(luò)模型

        早在1943年,McCulloch W S等人[5]依據(jù)神經(jīng)元的原理提出了最早的神經(jīng)網(wǎng)絡(luò)模型。該原始模型是近代所出現(xiàn)的各種神經(jīng)網(wǎng)絡(luò)模型的雛形,但因其計(jì)算過程中的權(quán)重值必須通過手動(dòng)調(diào)節(jié),難以滿足計(jì)算需求,且人工干預(yù)程度較大,故被逐漸淘汰。新發(fā)展的神經(jīng)網(wǎng)絡(luò)模型在此基礎(chǔ)上進(jìn)行了大量的改進(jìn)與優(yōu)化,與智能學(xué)習(xí)的趨勢(shì)相接軌。

        神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)主要由輸入層、隱藏層、輸出層構(gòu)成,其中的隱藏層可根據(jù)建模情況分為單層和多層,其結(jié)構(gòu)如圖1所示[6]。

        圖1 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

        其最小的組成部分便是神經(jīng)元,作為連接輸入和輸出的樞紐,并承擔(dān)著進(jìn)行某種計(jì)算的任務(wù),大多包含多個(gè)點(diǎn)的輸入和一個(gè)點(diǎn)的輸出。計(jì)算過程中所使用的算法和數(shù)學(xué)函數(shù)也是多種多樣,不盡相同。各項(xiàng)參數(shù)輸入模型中后,需進(jìn)行大量的學(xué)習(xí)計(jì)算,對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練、測(cè)試,不斷調(diào)整權(quán)重值,以期得到最好的預(yù)測(cè)情況。

        常用的神經(jīng)網(wǎng)絡(luò)模型有誤差反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)模型、徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)模型、長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)模型等。其中,BP神經(jīng)網(wǎng)絡(luò)模型是Rumelhart等人于1986年提出的,該模型依據(jù)人腦思維的第二種方式,將外部的信息按照輸入層→中間隱藏層→輸出層的正向進(jìn)行傳播,而將誤差信息按照輸出層→中間隱藏層→輸入層的反向進(jìn)行傳播,以不斷修正、調(diào)整各層的權(quán)重值,加強(qiáng)模型的學(xué)習(xí)及訓(xùn)練過程,針對(duì)于非線性連續(xù)函數(shù),可用于解決其多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重值的調(diào)整問題。RBF神經(jīng)網(wǎng)絡(luò)模型是Broomhcad等人于1988年將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)的建模而形成,該模型可將輸入的低維數(shù)據(jù)轉(zhuǎn)變至高維空間內(nèi),可用于解決非線性函數(shù)的問題,具有分類能力較強(qiáng)、學(xué)習(xí)收斂速度較快的特點(diǎn),這一模型的核心是基函數(shù)的選取,包括高斯函數(shù)、多二次函數(shù)等。LSTM神經(jīng)網(wǎng)絡(luò)模型是一種與時(shí)間有關(guān)的遞歸網(wǎng)絡(luò)模型,相比與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型而言,其具有記憶功能,且具有解決長(zhǎng)時(shí)依賴問題的能力。

        彭繼慎等人[7]建立了經(jīng)典的“2-5-1”結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型,“2-5-1”結(jié)構(gòu)即為該模型中輸入層節(jié)點(diǎn)的個(gè)數(shù)為2,隱藏層節(jié)點(diǎn)的個(gè)數(shù)為5,輸出層節(jié)點(diǎn)的個(gè)數(shù)為1,該模型的原理如圖2所示,由簡(jiǎn)單的3層前向網(wǎng)絡(luò)組成。該模型結(jié)構(gòu)雖然簡(jiǎn)單,卻仍有較強(qiáng)的泛化能力,通過MATLAB軟件進(jìn)行了相關(guān)的仿真實(shí)驗(yàn),結(jié)果表明,其設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)與指數(shù)趨近律結(jié)合后,可實(shí)時(shí)調(diào)整其中的切換效益,具有較強(qiáng)的非線性跟蹤能力,能夠減少一定的設(shè)備損耗。

        圖2 RBF神經(jīng)網(wǎng)絡(luò)模型的原理圖

        1.2 支持向量機(jī)模型

        早在1995年,Cortes C等人[8]提出了支持向量機(jī)(Support Vector Machines,SVM)模型,該模型基于統(tǒng)計(jì)學(xué)習(xí)理論、VC維理論等基礎(chǔ),經(jīng)過科學(xué)研究者們多年嘔心瀝血的探索及改進(jìn),在算法訓(xùn)練、分類方法等方面有了許多創(chuàng)新性的改進(jìn),該領(lǐng)域的研究在多個(gè)行業(yè)里面也逐漸成為炙手可熱的對(duì)象。截止到目前,該模型已成為一種較為通用的機(jī)器學(xué)習(xí)算法模型。

        支持向量機(jī)模型與神經(jīng)網(wǎng)絡(luò)模型相似,但也有較大差別,二者都是基于機(jī)器學(xué)習(xí)的算法訓(xùn)練機(jī)制,但支持向量機(jī)模型主要針對(duì)的是小樣本型的數(shù)據(jù)集,數(shù)據(jù)量較少,而神經(jīng)網(wǎng)絡(luò)模型主要針對(duì)的是大樣本型的數(shù)據(jù)集,數(shù)據(jù)量較大且繁冗。此外,支持向量機(jī)模型的重點(diǎn)在于數(shù)學(xué)方法、優(yōu)化技術(shù)的選擇改進(jìn)等。當(dāng)然,為了更好地滿足實(shí)際應(yīng)用中的需要,多位學(xué)者也在積極探索研究大樣本型數(shù)據(jù)集的訓(xùn)練算法,為提高求解精度而不斷摸索嘗試。目前,該領(lǐng)域內(nèi)常用的訓(xùn)練算法主要有分塊算法、子集選擇算法、序貫最小優(yōu)化算法、增量學(xué)習(xí)算法等類型,主要是針對(duì)于不同的目標(biāo),通過相應(yīng)的約束條件等,解決各種訓(xùn)練速度、分類速度等相關(guān)問題。

        關(guān)于該領(lǐng)域內(nèi)的分類方法,其雛形是二分類問題,此后的各類方法皆是基于此而提出?,F(xiàn)實(shí)生活中很多問題都是多分類的問題,多數(shù)研究者的目光也是聚集在該類問題上。這一類問題的解決方法籠統(tǒng)來(lái)說可以分為兩種:直接法、間接法,各有特點(diǎn)與局限性,針對(duì)不同的問題辯證使用。支持向量機(jī)模型中核函數(shù)的選取是一個(gè)非常重要的問題,該模型方法之所以能夠解決非線性分類問題、高維模式識(shí)別問題,很大程度上取決于核函數(shù)的引入和核參數(shù)的優(yōu)化,因此在建模過程中需抓住這一關(guān)鍵問題。

        李捷輝等人[9]為了提高分類預(yù)測(cè)的效果,建立了基于改進(jìn)蝙蝠算法優(yōu)化的支持向量機(jī)模型,其分類路線如圖3所示。為解決實(shí)際應(yīng)用的多分類問題,通過一對(duì)一的方法,以一層的訓(xùn)練樣本和一層的測(cè)試樣本數(shù)據(jù)集,對(duì)所建模型的功能進(jìn)行數(shù)據(jù)的訓(xùn)練及測(cè)試,通過改進(jìn)的蝙蝠算法對(duì)模型中的懲罰系數(shù)、核函數(shù)半徑等參數(shù)進(jìn)行優(yōu)化,同時(shí)與遺傳算法、粒子群算法、網(wǎng)絡(luò)搜索算法、蝙蝠算法優(yōu)化的支持向量機(jī)模型進(jìn)行精度對(duì)比。結(jié)果表明,該改進(jìn)蝙蝠算法優(yōu)化的支持向量機(jī)模型精度為97.5%,預(yù)測(cè)效果最好。

        圖3 支持向量機(jī)分類路線圖

        1.3 委員會(huì)機(jī)器模型

        早在1965年,Nilsson[10]提出了委員會(huì)機(jī)器(committee machine, CM)模型(圖4),該類模型提出的最初目的是為了克服關(guān)于多層感知器的某一缺點(diǎn)——缺乏自適應(yīng)學(xué)習(xí)規(guī)則,后來(lái)經(jīng)過各科研學(xué)者的研究與探索,逐漸在各種領(lǐng)域中鋪展應(yīng)用開來(lái),并出現(xiàn)了相應(yīng)的許多改進(jìn)模型。該類型的模型其實(shí)是一種集成的學(xué)習(xí)方法,通過單一的模型進(jìn)行某一單模塊的任務(wù)求解,然后對(duì)各模塊的解進(jìn)行合成,得到最后的結(jié)果。

        圖4 動(dòng)態(tài)分類委員會(huì)機(jī)器流程圖

        該類模型通常由輸入層、專家層、組合器和輸出層4個(gè)部分組成[11]。其中,輸入層是這一類模型的開端處,原始數(shù)據(jù)從此處輸入并進(jìn)行相關(guān)的預(yù)處理;專家層是模型的重要組成部分,包含多種算法,各自承擔(dān)著相應(yīng)模塊的訓(xùn)練任務(wù)及預(yù)測(cè)結(jié)果的輸出任務(wù);組合器是該類模型核心部分,針對(duì)于各專家模塊權(quán)重值的計(jì)算與分配等重要問題。委員會(huì)機(jī)器模型通常分為兩類:靜態(tài)委員會(huì)機(jī)器模型、動(dòng)態(tài)委員會(huì)機(jī)器模型,前者通常會(huì)受限于專家的自身性能,提升空間有一定限制,后者可以簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu),進(jìn)而提升相關(guān)訓(xùn)練模型的性能。

        白洋等人[12]通過引入門網(wǎng)絡(luò)建立了動(dòng)態(tài)分類委員會(huì)機(jī)器模型,在輸入層和輸出層之間建立了敏感性評(píng)價(jià)指標(biāo),由門網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行劃分,使用概率神經(jīng)網(wǎng)絡(luò)、決策樹、BP神經(jīng)網(wǎng)絡(luò)、貝葉斯分類、最近鄰算法5種智能算法對(duì)各子數(shù)據(jù)集進(jìn)行訓(xùn)練,通過組合器對(duì)各子模型進(jìn)行優(yōu)化和組合。結(jié)果表明,該委員會(huì)機(jī)器模型的訓(xùn)練集的準(zhǔn)確率為96.29%,驗(yàn)證集的準(zhǔn)確率為91.39%,相較于其他單一模型而言精度最高,提高了流體類型的預(yù)測(cè)準(zhǔn)確率。

        2 蠟沉積預(yù)測(cè)應(yīng)用

        原油蠟沉積的傳統(tǒng)預(yù)測(cè)模型主要為動(dòng)力學(xué)模型和熱力學(xué)模型,前者基于分子擴(kuò)散、剪切剝離、老化作用等機(jī)理,考慮不同影響因素,通過大量的實(shí)驗(yàn)數(shù)據(jù)以及適當(dāng)?shù)臄?shù)學(xué)方法建模。后者基于相平衡理論,從原油組分的微觀角度入手,建立相關(guān)的預(yù)測(cè)模型。近年來(lái)隨著智能算法模型的發(fā)展,多為研究學(xué)者在原油蠟沉積智能模型預(yù)測(cè)方面進(jìn)行了探索應(yīng)用,開辟了更廣闊的道路。

        鄒德昊等人[13]針對(duì)于某油礦井筒的結(jié)蠟問題,通過對(duì)多口井的高含蠟、高凝原油的物性和流動(dòng)性進(jìn)行分析,發(fā)現(xiàn)井筒內(nèi)剪切應(yīng)力、原油黏度、徑向溫度梯度、蠟分布密度4個(gè)因素對(duì)原油蠟沉積的影響較大,便以這4個(gè)因素作為輸入變量,以蠟沉積速率作為目標(biāo)參數(shù),用SPSS Modeler軟件建立了BP神經(jīng)網(wǎng)絡(luò)模型。該模型以雙極S形函數(shù)為激活函數(shù),最大訓(xùn)練周期設(shè)為1000次,最終的預(yù)測(cè)表明,該蠟沉積速率預(yù)測(cè)結(jié)果用于清管周期的計(jì)算時(shí),誤差率在3%以內(nèi),效果較好。

        楊鳴峰等人[14]利用開源文獻(xiàn)中的實(shí)驗(yàn)數(shù)據(jù),考慮了4個(gè)影響因素:管壁處溫度梯度、管壁處剪切應(yīng)力、原油動(dòng)力黏度和管壁處蠟分子質(zhì)量分?jǐn)?shù)梯度,通過MATLAB軟件建立了RBF神經(jīng)網(wǎng)絡(luò)模型,以較小的樣本數(shù)據(jù)作為訓(xùn)練和測(cè)試(24組訓(xùn)練,6組預(yù)測(cè)),結(jié)果表明,預(yù)測(cè)的相對(duì)誤差在2%左右,與實(shí)驗(yàn)數(shù)據(jù)值吻合度較好。

        田震等人[15]在研究BP神經(jīng)網(wǎng)絡(luò)對(duì)管道蠟沉積的預(yù)測(cè)過程中,分析了不同的輸入維數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度的影響,通過灰色關(guān)聯(lián)法對(duì)輸入維數(shù)為7(7個(gè)影響因素)和輸入維數(shù)為4(4個(gè)影響因素)時(shí)進(jìn)行了關(guān)聯(lián)度計(jì)算,發(fā)現(xiàn)輸入維數(shù)為7時(shí)更為合適。在建模過程中,借助MATLAB軟件,選用trainlm函數(shù)作為訓(xùn)練函數(shù),將最大訓(xùn)練次數(shù)設(shè)為10000,隱藏層的節(jié)點(diǎn)數(shù)設(shè)置為10,通過38組開源文獻(xiàn)數(shù)據(jù)進(jìn)行數(shù)據(jù)的訓(xùn)練及測(cè)試。結(jié)果表明,該模型預(yù)測(cè)的相關(guān)系數(shù)為0.999962、均方誤差為0.0475085,精度較高。

        王磊等人[16]在研究支持向量機(jī)模型對(duì)蠟沉積速率的預(yù)測(cè)研究中,利用開源文獻(xiàn)中的環(huán)道實(shí)驗(yàn)數(shù)據(jù),將7個(gè)影響因素:流速、油溫、壁溫、原油動(dòng)力黏度、管壁處蠟分子濃度梯度、管壁處溫度梯度、管壁處剪切應(yīng)力作為輸入變量,將蠟沉積速率作為輸出變量,選取RBF作為核函數(shù),用svmtrain函數(shù)訓(xùn)練相關(guān)的樣本數(shù)據(jù),用svmpredict函數(shù)測(cè)試相關(guān)的樣本數(shù)據(jù),建立了相關(guān)預(yù)測(cè)模型。最終的預(yù)測(cè)表明,訓(xùn)練數(shù)據(jù)的相關(guān)系數(shù)為0.9907,測(cè)試數(shù)據(jù)的的相關(guān)系數(shù)為0.9823,預(yù)測(cè)精度較高。此外,通過網(wǎng)格參數(shù)尋優(yōu)法、遺傳算法、粒子群算法三種方法對(duì)分別支持向量機(jī)模型進(jìn)行參數(shù)優(yōu)化,發(fā)現(xiàn)最終結(jié)果的差異并不大,預(yù)測(cè)的差值在0.05左右,效果不錯(cuò)。類似的,靳文博等人[17]從最小二乘支持向量機(jī)預(yù)測(cè)的角度出發(fā),通過對(duì)模型的參數(shù)進(jìn)行相關(guān)優(yōu)化,建立了適用于小樣本數(shù)據(jù)集的蠟沉積速率預(yù)測(cè)模型,相對(duì)于神經(jīng)網(wǎng)絡(luò)模型而言,該模型可以得到顯式表達(dá)式,具有一定的優(yōu)勢(shì),且預(yù)測(cè)效果較好。

        Jalalnezhad M J等人[18]對(duì)輸油管道蠟沉積智能模型的開發(fā)進(jìn)行研究,基于實(shí)驗(yàn)數(shù)據(jù)集,將神經(jīng)網(wǎng)絡(luò)與模糊邏輯組合成一種新的智能算法模型——自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型,對(duì)蠟沉積厚度進(jìn)行預(yù)測(cè)。其研究基于管道單相紊流狀態(tài),以雷諾數(shù)、時(shí)間、蠟含量、周圍環(huán)境溫度、油溫、管壁溫度等7個(gè)影響因素作為輸入變量,建立了自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型五層結(jié)構(gòu)。該模型基于if-then規(guī)則的模糊邏輯,考慮了具有2個(gè)輸入x、y和1個(gè)輸出f的網(wǎng)絡(luò)。模型推理完畢后,使用實(shí)驗(yàn)數(shù)據(jù)值與模型預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比,該項(xiàng)研究從1500個(gè)數(shù)據(jù)中隨機(jī)選取1000個(gè)數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù),剩余數(shù)據(jù)作為測(cè)試集數(shù)據(jù),最終的預(yù)測(cè)結(jié)果如圖5、圖6所示。其中,圖5顯示了自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型的測(cè)試結(jié)果與該研究中的實(shí)驗(yàn)結(jié)果的對(duì)比,圖6顯示了該模型輸出的實(shí)際結(jié)果與實(shí)驗(yàn)結(jié)果的對(duì)比。其結(jié)果表明,該模型的計(jì)算結(jié)果與實(shí)際計(jì)算結(jié)果吻合較好,其中,均方誤差為0.00077034,絕對(duì)相對(duì)偏差為0.015720,平均相對(duì)偏差為0.097961,該模型的精度較高。在單相湍流流動(dòng)狀態(tài)下,該自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型比Halstensen模型所預(yù)測(cè)的蠟沉積厚度更為精準(zhǔn)。

        圖5 蠟沉積厚度隨時(shí)間的變化圖

        圖6 模型預(yù)測(cè)結(jié)果圖

        3 存在的問題

        目前,隨著智能化趨勢(shì)的到來(lái),雖然已有較多學(xué)者使用智能算法模型對(duì)原油蠟沉積的預(yù)測(cè)進(jìn)行研究及探索,但仍存在一定的問題,具體如下:

        1)智能算法模型相比于傳統(tǒng)預(yù)測(cè)模型而言,對(duì)數(shù)據(jù)的要求較高,對(duì)不同數(shù)據(jù)的適應(yīng)性較差;2)不同智能算法模型對(duì)于數(shù)據(jù)量大小的要求不同,學(xué)習(xí)速率受影響較大,各模型相關(guān)參數(shù)值對(duì)預(yù)測(cè)結(jié)果的影響較大,理論方面有待提高;3)不同輸入維數(shù)對(duì)最終的預(yù)測(cè)結(jié)果也有一定影響,維數(shù)過大過小都不合適,其選擇也要適當(dāng)。

        4 結(jié)論與展望

        1)相比穿傳統(tǒng)的熱動(dòng)力學(xué)預(yù)測(cè)模型,智能算法模型無(wú)需考慮各種復(fù)雜的機(jī)理,人工投入較少,且計(jì)算精度較高;2)智能算法模型對(duì)于單種油品的預(yù)測(cè)效果較好,但應(yīng)用于多種類油品的預(yù)測(cè)時(shí),穩(wěn)定性則較差,其專注性強(qiáng)于普適性;3)未來(lái)智能算法模型的發(fā)展,應(yīng)更貼近于實(shí)際預(yù)測(cè)應(yīng)用,加強(qiáng)數(shù)學(xué)理論深度的研究,深入開發(fā)適應(yīng)性強(qiáng)的算法,綜合多種算法模型的組合使用。

        猜你喜歡
        智能算法沉積向量
        向量的分解
        神經(jīng)網(wǎng)絡(luò)智能算法在發(fā)電機(jī)主絕緣狀態(tài)評(píng)估領(lǐng)域的應(yīng)用
        基于超像素的圖像智能算法在礦物顆粒分割中的應(yīng)用
        聚焦“向量與三角”創(chuàng)新題
        《沉積與特提斯地質(zhì)》征稿簡(jiǎn)則
        《沉積與特提斯地質(zhì)》征稿簡(jiǎn)則
        從雞群算法看群體智能算法的發(fā)展趨勢(shì)
        改進(jìn)的多目標(biāo)快速群搜索算法的應(yīng)用
        向量垂直在解析幾何中的應(yīng)用
        中国孕妇变态孕交xxxx| 成年毛片18成年毛片| 国产亚洲一区二区毛片| 精品含羞草免费视频观看| 精精国产xxxx视频在线播放 | 国产精品扒开腿做爽爽爽视频 | 蜜臀av免费一区二区三区| 久久99亚洲网美利坚合众国| 国产女人乱码一区二区三区| 日本成本人片视频免费| 精品国精品无码自拍自在线| 青草青草伊人精品视频| 美女被黑人巨大入侵的的视频| 欧美成人午夜免费影院手机在线看 | 午夜无码国产理论在线| 91精品啪在线观看国产18| 久久蜜桃一区二区三区| 久久亚洲精品中文字幕| 亚洲产国偷v产偷v自拍色戒| 91亚洲国产三上悠亚在线播放| 亚洲国产女同在线观看| 国产精品成熟老女人| 国产精品永久免费视频| 第九色区Aⅴ天堂| 国产成人综合精品一区二区| 青春草在线视频免费观看| 欧美老熟妇又粗又大| 亚洲全国最大的人成网站| 欧美xxxxx高潮喷水| 少女高清影视在线观看动漫| 在线无码精品秘 在线观看| 国产精品一区久久综合| 国产md视频一区二区三区| 久热这里只有精品99国产| 免费高清日本一区二区| 亚洲自偷精品视频自拍| 色窝窝免费播放视频在线| 午夜日韩视频在线观看| 熟女中文字幕一区二区三区| 开心五月激情综合婷婷| 亚洲欧洲日产国码久在线|