Site Loader

Содержание

Стабилитрон КС133 — DataSheet

Перейти к содержимому

Корпус стабилитрона КС133

Описание

Стабилитроны кремниевые, сплавные, малой мощности. Предназначены для стабилизации номинального напряжения 3,3…6,8 В в диапазоне токов стабилизации 3…81 мА.

2C133A, 2C139A, 2С147А, 2С156А, 2С168А выпускаются в металлостеклянном корпусе с гибкими выводами. Тип прибора приводится на
корпусе; корпус в рабочем режиме служит положительным электродом (анодом). Масса стабилитронов не более 1 г.

КС133А, КС139А, КС147А, KC156A, КС168А выпускаются в стеклянном корпусе с гибкими выводами. Для обозначения типа и полярности стабилитрона используется условная маркировка — голубая кольцевая полоса со стороны катодного вывода и разноцветные кольцевые полосы по сторонам анодного вывода, КС133А — белая, КС139А — зеленая, КС147А —серая, КС156А —оранжевая, KC168A — красная.  Для КС133Г оранжевая кольцевая полоса со стороны катодного вывода, серая метка возле катодного вывода и желтая возле анодного.

В режиме стабилизации напряжения полярность включения стабилитрона обратная. Масса стабилитронов не более 0,3 г.

 

Характеристики стабилитрона КС133
Обозначение Значение для: Ед. изм.
КС133А КС133Г КС133Д-1
 Аналог 1N5588B 1N5588B
Uст мин. 2.95 В
ном. 3.3
3.3
макс. 3.65 3.5
при Iст 10 5 мА
αUст -0. 11 0.075 %/°C
δUст ±1.5 %
Uпр  (при Iпр, мА) 1 (50) 180 (3) В
rст (при Iст, мА) 65 (10) 150 (5) 1400 Ом
Iст мин. 3 1 мА
макс.
81 37.5 15.2
Pпp 0.3 0.125 0.05 Вт
T -60…+125 -60…+125 -60…+125 °C
  • Uст — Напряжение стабилизации.
  • αUст — Температурный коэффициент напряжения стабилизации.
  • δUст — Временная нестабильность напряжения стабилизации.
  • Uпр — Постоянное прямое напряжение.
  • Iпр — Постоянный прямой ток.
  • rст — Дифференциальное сопротивление стабилитрона.
  • Iст — Ток стабилизации.
  • Pпp — Прямая рассеиваемая мощность.
  • T — Температура окружающей среды.

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Стабилитрон КС133А

Количество драгоценных металлов в стабилитроне КС133А согласно документации производителя. Справочник массы и наименований ценных металлов в советских стабилитронах КС133А.

Стабилитрон КС133А количество содержания драгоценных металлов:
Золото: 0,00008 грамм.
Серебро: 0 грамм.
Платина: 0 грамм.
Палладий: 0 грамм.
Согласно данным: .

Справочник содержания ценных металлов из другого источника:
Стабилитрон КС133А 0,00008 0 0 0 троп. Стабилитрон КС133А 0,00008 0 0 0 эксп. Стабилитрон КС133А 0,00014 0 0 0 Из справочника Связь-Инвест

Стабилитроны КС133А теория

Полупроводниковый стабилитрон, или диод Зенера — полупроводниковый диод, работающий при обратном смещении в режиме пробоя.

До наступления пробоя через стабилитрон протекают незначительные токи утечки, а его сопротивление весьма высоко. При наступлении пробоя ток через стабилитрон резко возрастает, а его дифференциальное сопротивление падает до величины, составляющей для различных приборов от долей Ома до сотен Ом. Поэтому в режиме пробоя напряжение на стабилитроне поддерживается с заданной точностью в широком диапазоне обратных токов.

 

Прежде всего, не следует забывать, что стабилитрон работает только в цепях постоянного тока. Напряжение на стабилитрон подают в обратной полярности, то есть на анод стабилитрона будет подан минус “-“. При таком включении стабилитрона через него протекает обратный ток (I обр) от выпрямителя. Напряжение с выхода выпрямителя может изменяться, будет изменяться и обратный ток, а напряжение на стабилитроне и на нагрузке останется неизменным, то есть стабильным. На следующем рисунке показана вольт-амперная характеристика стабилитрона.

Основное назначение стабилитронов — стабилизация напряжения. Серийные стабилитроны изготавливаются на напряжения от 1,8 В до 400 В. Интегральные стабилитроны со скрытой структурой на напряжение около 7 В являются самыми точными и стабильными твердотельными источниками опорного напряжения: лучшие их образцы приближаются по совокупности показателей к нормальному элементу Вестона. Особый тип стабилитронов, высоковольтные лавинные диоды («подавители переходных импульсных помех», «суппрессоры», «TVS-диоды») применяется для защиты электроаппаратуры от перенапряжений.

Стабилитроны КС133А Принцип действия

Советские и импортные стабилитроны

Полупроводниковый стабилитрон — это диод, предназначенный для работы в режиме пробоя на обратной ветви вольт-амперной характеристики. В диоде, к которому приложено обратное, или запирающее, напряжение, возможны три механизма пробоя: туннельный пробой, лавинный пробой и пробой вследствие тепловой неустойчивости — разрушительного саморазогрева токами утечки. Тепловой пробой наблюдается в выпрямительных диодах, особенно германиевых, а для кремниевых стабилитронов он не критичен.

Стабилитроны проектируются и изготавливаются таким образом, что либо туннельный, либо лавинный пробой, либо оба эти явления вместе возникают задолго до того, как в кристалле диода возникнут предпосылки к тепловому пробою. Серийные стабилитроны изготавливаются из кремния, известны также перспективные разработки стабилитронов из карбида кремния и арсенида галлия.

Первую модель электрического пробоя предложил в 1933 году Кларенс Зенер, в то время работавший в Бристольском университете. Его «Теория электического пробоя в твёрдых диэлектриках» была опубликована летом 1934 года. В 1954 году Кеннет Маккей из Bell Labs установил, что предложеный Зенером туннельный механизм действует только при напряжениях пробоя до примерно 5,5 В, а при бо́льших напряжениях преобладает лавинный механизм. Напряжение пробоя стабилитрона определяется концентрациями акцепторов и доноров и профилем легирования области p-n-перехода. Чем выше концентрации примесей и чем больше их градиент в переходе, тем больше напряжённость электрического поля в области пространственного заряда при равном обратном напряжении, и тем меньше обратное напряжение, при котором возникает пробой:

Туннельный, или зенеровский, пробой возникает в полупроводнике только тогда, когда напряжённость электрического поля в p-n-переходе достигает уровня в 106 В/см. Такие уровни напряжённости возможны только в высоколегированных диодах (структурах p+-n+-типа проводимости) с напряжением пробоя не более шестикратной ширины запрещённой зоны (6 EG ≈ 6,7 В), при этом в диапазоне от 4 EG до 6 EG (4,5…6,7 В) туннельный пробой сосуществует с лавинным, а при напряжении пробоя менее 4 EG (≈4,5 В) полностью вытесняет его. С ростом температуры перехода ширина запрещённой зоны, а вместе с ней и напряжение пробоя, уменьшается: низковольтные стабилитроны с преобладанием туннельного пробоя имеют отрицательный температурный коэффициент напряжения (ТКН).

В диодах с меньшими уровнями легирования, или меньшими градиентами легирующих примесей, и, как следствие, бо́льшими напряжениями пробоя наблюдается лавинный механизм пробоя. Он возникает при концентрациях примесей, примерно соответствующих напряжению пробоя в 4 EG (≈4,5 В), а при напряжениях пробоя выше 4 EG (≈7,2 В) полностью вытесняет туннельный механизм. Напряжение, при котором возникает лавинный пробой, с ростом температуры возрастает, а наибольшая величина ТКН пробоя наблюдается в низколегированных, относительно высоковольтных, переходах.

Механизм пробоя конкретного образца можно определить грубо — по напряжению стабилизации, и точно — по знаку его температурного коэффициента. В «серой зоне» (см. рисунок), в которой конкурируют оба механизма пробоя, ТКН может быть определён только опытным путём. Источники расходятся в точных оценках ширины этой зоны: С. М. Зи указывает «от 4 EG до 6 EG» (4,5…6,7 В), авторы словаря «Электроника» — «от 5 до 7 В»8, Линден Харрисон — «от 3 до 8 В»26, Ирвинг Готтлиб проводит верхнюю границу по уровню 10 В9. Низковольтные лавинные диоды (LVA) на напряжения от 4 до 10 В — исключение из правила: в них действует только лавинный механизм.

Оптимальная совокупность характеристик стабилитрона достигается в середине «серой зоны», при напряжении стабилизации около 6 В. Дело не столько в том, что благодаря взаимной компенсации ТКН туннельного и лавинного механизмов эти стабилитроны относительно термостабильны, а в том, что они имеют наименьший технологический разброс напряжения стабилизации и наименьшее, при прочих равных условиях, дифференциальное сопротивление. Наихудшая совокупность характеристик — высокий уровень шума, большой разброс напряжений стабилизации, высокое дифференциальное сопротивление — свойственна низковольтным стабилитронам на 3,3—4,7 В.


Область применения стабилитрона КС133А

Основная область применения стабилитрона — стабилизация постоянного напряжения источников питания. В простейшей схеме линейного параметрического стабилизатора стабилитрон выступает одновременно и источником опорного напряжения, и силовым регулирующим элементом. В более сложных схемах стабилитрону отводится только функция источника опорного напряжения, а регулирующим элементом служит внешний силовой транзистор.

Прецизионные термокомпенсированные стабилитроны и стабилитроны со скрытой структурой широко применяются в качестве дискретных и интегральных источников опорного напряжения (ИОН), в том числе в наиболее требовательных к стабильности напряжения схемах измерительных аналого-цифровых преобразователей. C середины 1970-х годов и по сей день (2012 год) стабилитроны со скрытой структурой являются наиболее точными и стабильными твердотельными ИОН. Точностные показатели лабораторных эталонов напряжения на специально отобранных интегральных стабилитронах приближаются к показателям нормального элемента Вестона.

Особые импульсные лавинные стабилитроны («подавители переходных импульсных помех», «суппрессоры», «TVS-диоды») применяются для защиты электроаппаратуры от перенапряжений, вызываемых разрядами молний и статического электричества, а также от выбросов напряжения на индуктивных нагрузках. Такие приборы номинальной мощностью 1 Вт выдерживают импульсы тока в десятки и сотни ампер намного лучше, чем «обычные» пятидесятиваттные силовые стабилитроны. Для защиты входов электроизмерительных приборов и затворов полевых транзисторов используются обычные маломощные стабилитроны. В современных «умных» МДП-транзисторах защитные стабилитроны выполняются на одном кристалле с силовым транзистором.

Маркировка стабилитронов КС133А

Маркировка стабилитронов

 

Есть информация о стабилитроне КС133А – высылайте ее нам, мы ее разместим на этом сайте посвященному утилизации, аффинажу и переработке драгоценных и ценных металлов.

Фото Стабилитрон КС133А:

Предназначение Стабилитрон КС133А.

Характеристики Стабилитрон КС133А:

Купить или продать а также цены на Стабилитрон КС133А (стоимость, купить, продать):

Отзыв о стабилитроне КС133А вы можете в комментариях ниже:

  • Стабилитроны

Цветовая маркировка стабилитронов и стабисторов

Тип диода Метка у выводов Рисунок
анода (+) катода (-)
Д814А1 черное широкое кольцо
Д814АБ1 черн.шир+черн.узкое кольца
Д814В1 черное узкое кольцо
Д814Г1 два узких черных колца
Д814Д1 три узких кольца
Д814А2 белое кольцо
Д814Б2 синее кольцо
Д814В2 зеленое кольцо
Д814Г2 желтое кольцо
Д814Д2 серое кольцо
Д818А черная метка на торце+белое кольцо
Д818Б чераная метка на торце корпуса+желтое кольцо
Д818В чераная метка на торце корпуса+голубое кольцо
Д818Г чераная метка на торце корпуса+зеленое кольцо
Д818Д чераная метка на торце корпуса+серое кольцо
Д818Е чераная метка на торце корпуса+оранж-е кольцо
2С107А чераная метка на торце корпуса+красное кольцо
КС115А чераная метка на торце корпуса+голубое кольцо
КС126А красное широкое+фиолетовое узкое+белое узкое
КС126Б оранжевое широкое+черное узкое+белое узкое
КС126В оранжевое широкое+оранжевое узкое+белое узкое
КС126Г оранжевое широкое+белое узкое+белое узкое
КС126Д желтое широкое+фиолетовое узкое+белое узкое
КС126Е зеленое ширикое+голубое узкое+белое узкое
КС126Ж

голубое широкое+красное узкое+белое узкое

КС126И голубое широкое+серое узкое+белое узкое
КС126К фиолетовое широкое+зеленое узкое+белое узкое
КС126Л серое широкое+красное узкое+белое узкое
КС126М белое широкое+коричневое узкое+белое узкое
КС207А коричневое широкое+черное узкое+черное узкое
КС207Б коричневое широкое+коричневое узкое+черное узкое
КС207В коричневое широкое+красное узкое+черное узкое
КС133А голубое кольцо белое кольцо
2С133А белое кольцо черное кольцо
КС133Г оранжевая метка на торце корпуса
КС139А зеленое кольцо белое кольцо
2С139А зеленое кольцо черное кольцо
КС139Г серая метка на торце корпуса
КС147А серое или синее кольцо белое кольцо
2С147А черное кольцо
КС147Г зеленая метка на торце корпуса
КС156А серое или синее кольцо белое кольцо
2С156А черное кольцо
КС156Г красная метка на торце корпуса
КС162А2 черное широкое кольцо (двуханодный стабилитрон)
КС168А красное кольцо белое кольцо
2С168А красное кольцо черное кольцо
КС168В2 черное широкое+черное узкое кольцо (двуханодный стабилитрон)
КС175Ж* белое кольцо
КС175А2 два черных узких кольца (двуханодный стабилитрон)
КС182Ж* желтое кольцо
КС182А2 три черных узких кольца (двуханодный стабилитрон)
КС191Ж* красное кольцо
КСК191А2 черное узкое кольцо (двуханодный стабилитрон)
КС210Ж* зеленое кольцо
КС210Б2 два черных широких кольца (двуханодный стабилитрон)
КС211Ж* серое кольцо
КС212Ж* оранжевое кольцо
КС213Ж* черное кольцо
КС213Б2 черное широкое+два черных узких кольца (двуханодный стабилитрон)
КС215Ж* белое кольцо черное кольцо
КС216Ж* желтое коьлцо черное кольцо
КС218Ж* красное кольцо черное кольцо
КС220Ж* зеленое кольцо черное кольцо
КС222Ж* серое кольцо черное кольцо
КС224Ж* оранжевое кольцо черное кольцо
КС405А черная метка на торце корпуса+красное кольцо черное кольцо
КС406А черная метка на торце корпуса+серое кольцо белое кольцо
КС406Б черная метка на торце корпуса+белое кольцо оранжевое кольцо
КС407А черная метка на торце корпуса+красное кольцо голубое кольцо
КС407Б черная метка на торце корпуса+красное кольцо оранжевое кольцо
КС407В черная метка на торце корпуса+красное кольцо желтое кольцо
КС407Г черная метка на торце корпуса+красное кольцо зеленое кольцо
КС407Д черная метка на торце корпуса+красное кольцо серое кольцо
КС411А белое кольцо черное кольцо
КС411Б синее кольцо черное кольцо
КС508А черная метка на торце корпуса+оранжевое кольцо зеленое кольцо
КС508Б черная метка на торце корпуса+желтое кольцо белое кольцо
КС508В черная метка на торце корпуса+красное кольцо зеленое кольцо
КС508Г черная метка на торце корпуса+голубое кольцо белое кольцо
КС508Д черная метка на торце корпуса+зеленое кольцо белое кольцо
КС510А оранжевое кольцо зеленое кольцо
КС512А желтое кольцо зеленое кольцо
КС514А белое кольцо зеленое кольцо
2С516А зеленое кольцо черное кольцо
2С516Б желтое кольцо черное кольцо
2С516В серое кольцо черное кольцо
КС518А голубое кольцо зеленое кольцо
КС522А серое кольцо зеленое кольцо
КС572А черное кольцо зеленое кольцо

Цветовая маркировка стабилитронов и стабисторов

Д814А1

черное широкое кольцо

Д814Б1

черное широкое+черное
узкое кольца

Д814В1

черное узкое кольцо

Д814Г1

желтое широкое кольцо

Д814Д1

три узких черных кольца

Д818А

черная метка на торце корпуса +
белое кольцо

Д818Б

черная метка на торце корпуса +
желтое кольцо

Д818В

черная метка на торце корпуса +
голубое кольцо

Д818Г

черная метка на торце корпуса +
зеленое кольцо

Д818Д

черная метка на торце корпуса +
серое кольцо

Д818Е

черная метка на торце корпуса +
оранжевое кольцо

КС107А

серая метка на торце корпуса +
красное кольцо

КС126А

красное широкое+фиолетовое
узкое+белое узкое кольца

КС126Б

оранжевое штрокое+ черное
узкое+белое узкое кольца

КС126В

оранжевое широкое+оранжевое
широкое+белое узкое кольца

КС126Г

оранжевое широкое+белое узкое+
белое узкое кольца

КС126Д

желтое широкое+фиолетовое узкое +
белое узкое кольца

КС126Е

зеленое широкое+голубое узкое+
белое узкое кольца

КС126Ж

голубое широкое+ красное узкое+
белое узкое кольца

КС126И

голубое широкое+серое узкое+
белое узкое кольца

КС126К

фиолетовое узкое+зеленое узкое+
белое узкое кольца

КС126Л

серое широкое+красное узкое+
белое узкое кольца

КС126М

белое широкое + коричневое узкое +
белое узкое кольца

КС207А

коричневое широкое+черное узкое+
черное узкое кольца

КС207Б

коричневое широкое+коричневое
узкое+черное узкое кольца

КС207В

коричневое широкое+красное
узкое+черное узкое кольца

КС133А

голубое кольцо

белое кольцо

2С133А

белое кольцо

черное кольцо

КС133Г

оранжевая метка на торце корпуса

КС139А

зеленое кольцо

белое кольцо

2С139А

зеленое кольцо

черное кольцо

КС147А

серое или синее кольцо

белое кольцо

2С147А

черное кольцо

КС147Г

зеленая метка на торце корпуса

КС156А

оранжевое кольцо

белое кольцо

2С156А

оранжевое кольцо

черное кольцо

КС156Г

красная метка на торце корпуса

КС168А

красное кольцо

белое кольцо

2С168А

красное кольцо

черное кольцо

КС175Ж

белое кольцо

КС182Ж

желтое кольцо

КС191Ж

красное кольцо

КС210Ж

зеленое кольцо

КС211Ж

серое кольцо

КС212Ж

оранжевое кольцо

КС213Ж

черное кольцо

КС215Ж

белое кольцо

черное кольцо

КС216Ж

желтое кольцо

черное кольцо

КС218Ж

красное кольцо

черное кольцо

КС220Ж

зеленое кольцо

черное кольцо

КС222Ж

серое кольцо

черное кольцо

КС224Ж

оранжевое кольцо

черное кольцо

2С175Ж

голубая метка на торце корпуса +
белое кольцо

2С182Ж

голубая метка на торце корпуса +
желтое кольцо

2С191Ж

голубая метка на торце корпуса +
красное кольцо

2С210Ж

голубаяметка на торце корпуса +
зеленое кольцо

2С211Ж

голубая метка на торце корпуса +
серое кольцо

2С212Ж

голубая метка на торце корпуса +
оранжевое кольцо

2С213Ж

голубая метка на торце корпуса +
черное кольцо

2С215Ж

голубая метка на торце корпуса +
белое кольцо

черное кольцо

2С216Ж

голубая метка на торце корпуса +
желтое кольцо

черное кольцо

2С218Ж

голубая метка на торце корпуса +
красное кольцо

черное кольцо

2С220Ж

голубая метка на торце корпуса +
зеленое кольцо

черное кольцо

2С222Ж

голубая метка на торце корпуса +
серое кольцо

черное кольцо

2С224Ж

голубая метка на торце корпуса +
оранжевое кольцо

черное кольцо

КС405А

серая метка на торце корпуса +
красное кольцо

черное кольцо

КС406А

черная метка на торце корпуса +
серое кольцо

белое кольцо

КС406Б

черная метка на торце корпуса +
белое кольцо

оранжевое кольцо

КС407А

черная метка на торце корпуса +
красное кольцо

голубое кольцо

КС407Б

черная метка на торце корпуса +
красное кольцо

оранжевое кольцо

КС407В

черная метка на торце корпуса +
красное кольцо

желтое кольцо

КС407Г

черная метка на торце корпуса +
красное кольцо

зеленое кольцо

КС407Д

черная метка на торце корпуса +
красное кольцо

серое кольцо

КС411А

белое кольцо

черное кольцо

КС411Б

синее кольцо

черное кольцо

КС508А

черная метка на торце корпуса +
оранжевое кольцо

зеленое кольцо

КС508Б

черная метка на торце корпуса +
желтое кольцо

белое кольцо

КС508В

черная метка на торце корпуса +
красное кольцо

зеленое кольцо

КС508Г

черная метка на торце корпуса +
голубое кольцо

белое кольцо

КС508Д

черная метка на торце корпуса +
зеленое кольцо

белое кольцо

КС510А

оранжевое кольцо

зеленое кольцо

КС512А

желтое кольцо

зеленое кольцо

КС515А

белое кольцо

зеленое кольцо

КС516А

зеленое кольцо

черное кольцо

КС518А

голубое кольцо

зеленое кольцо

КС522А

серое кольцо

зеленое кольцо

КС527А

черное кольцо

зеленое кольцо

РАДИОСВАЛКА: Цветовая маркировка отечественных стабилитронов

ДИОД

МАРКИРОВКА

2С108А белая полоса со стороны анода
2С133А
КС133А
2С133Б
белая полоса со стороны катода и черная полоса со стороны анода
голубая полоса со стороны катода и белая полоса со стороны анода
маркируется двумя белыми точками
2С139А
КС139А
2С139Б
зеленая полоса со стороны катода и черная полоса со стороны анода
зеленая полоса со стороны катода и белая полоса со стороны анода
маркируется двумя черными точками
2С147А
КС147А
2С147Б
черная полоса со стороны анода
серая полоса со стороны катода и белая полоса со стороны анода
маркируется двумя желтыми точками
2С156А
КС156А
2С156Б
оранжевая полоса со стороны катода и черная полоса со стороны анода
оранжевая полоса со стороны катода и белая полоса со стороны анода
маркируется двумя зелеными точками
2С168А
КС168А
2С168Б
красная полоса со стороны катода и черная полоса со стороны анода
красная полоса со стороны катода и белая полоса со стороны анода
маркируется двумя голубыми точками
2С175Ж
КС175Ж
2С175Ц
голубая метка и белая полоса со стороны катода
маркируется серым корпусом и белой полосой со стороны анода
белая полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С182Ж
КС182Ж
2С182Ц
голубая метка и желтая полоса со стороны катода
маркируется серым корпусом и желтой полосой со стороны анода
красная полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С191Ж
КС191Ж
2С191Ц
голубая метка и красная полоса со стороны катода
маркируется серым корпусом и красной полосой со стороны анода
голубая полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С210Ж
КС210Ж
2С210Ц
голубая метка и зеленая полоса со стороны катода
маркируется серым корпусом и зеленой полосой со стороны анода
зеленая полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С211Ж
КС211Ж
КС211Ц
голубая метка и синяя полоса со стороны катода
маркируется серым корпусом и синей полосой со стороны анода
синяя полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С212Ж
КС212Ж
2С212Ц
голубая метка и оранжевая полоса со стороны катода
маркируется серым корпусом и черной полосой со стороны анода
оранжевая полоса со стороны анода и желтая полоса и белая метка со стороны катода
2С213Ж 
КС213Ж
голубая метка и черная полоса со стороны катода
маркируется серым корпусом и голубой полосой со стороны анода
2С215Ж
КС215Ж
голубая метка и белая полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и белой полосой со стороны анода
2С216Ж
КС216Ж
голубая метка и желтая полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и желтой полосой со стороны анода
2С218Ж
КС218Ж
голубая метка и красная полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и красной полосой со стороны анода
2С220Ж
КС220Ж
голубая метка и зеленая полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и зеленой полосой со стороны анода
2С222Ж
КС222Ж
голубая метка и синяя полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и синей полосой со стороны анода
2С224Ж
КС224Ж
голубая метка и оранжевая полоса со стороны катода и черная полоса со стороны анода
маркируется черным корпусом и голубой полосой со стороны анода
КС405А красная полоса со стороны катода и черная полоса со стороны анода
КС406А
КС406Б
серая полоса со стороны катода и белая полоса со стороны анода
белая полоса со стороны катода и оранжевая полоса со стороны анода
КС407А
КС407Б
КС407В
КС407Г
КС407Д
голубая полоса со стороны катода и черная полоса со стороны анода
голубая полоса со стороны катода и оранжевая полоса со стороны анода
голубая полоса со стороны катода и желтая полоса со стороны анода
голубая полоса со стороны катода и зеленая полоса со стороны анода
голубая полоса со стороны катода и серая полоса со стороны анода
2С411А
2С411Б
маркируется широкой черной полосой
маркируется широкой и узкой черными полосами
КС412А серая полоса со стороны катода и голубая полоса со стороны анода
КС413Б зеленая полоса и желтая метка со стороны катода
КС415А красная полоса со стороны анода
КС417А
КС417Б
КС417В
КС417Г
КС417Д
КС417Е
КС417Ж
полосы серого и белого цвета со стороны анода
полосы белого и черного цвета со стороны анода
полосы белого и зеленого цвета со стороны анода
полосы белого и синего цвета со стороны анода
полосы белого и желтого цвета со стороны анода
полосы белого и серого цвета со стороны анода
полосы черного и белого цвета со стороны анода
КС508А
КС508Б
КС508В
КС508Г
КС508Д
оранжевая полоса со стороны катода и зеленая полоса со стороны анода
желтая полоса со стороны катода и белая полоса со стороны анода
красная полоса со стороны катода и белая полоса со стороны анода
голубая полоса со стороны катода и белая полоса со стороны анода
зеленая полоса со стороны катода и белая полоса со стороны анода
КС509А
КС509Б
КС509В
голубая полоса со стороны катода и красная полоса со стороны анода
голубая полоса со стороны катода и желтая полоса со стороны анода
голубая полоса со стороны катода и зеленая полоса со стороны анода
2С516А
2С516Б
2С516Б
маркируется узкой черной полосой
маркируется двумя узкими черными полосами
маркируется тремя узкими черными полосами
КС528А
КС528Б
КС528В
КС528Г
КС528Д
КС528Е
КС528Ж
КС528И
КС528К
КС528Л
КС528М
КС528Н
КС528П
КС528Р
КС528С
КС528Т
КС528У
КС528Ф
КС528Х
КС528Ц
полосы серого и черного цвета со стороны анода 
полосы черного и зеленого цвета со стороны анода
полосы черного и синего цвета со стороны анода
полосы черного и желтого цвета со стороны анода
полосы черного и серого цвета со стороны анода ?
полосы зеленого и белого цвета со стороны анода
полосы зеленого и черного цвета со стороны анода
полосы серого и зеленого цвета со стороны анода
полосы зеленого и синего цвета со стороны анода
полосы зеленого и желтого цвета со стороны анода
полосы зеленого и серого цвета со стороны анода
полосы синего и белого цвета со стороны анода
полосы синего и черного цвета со стороны анода
полосы синего и зеленого цвета со стороны анода ?
полосы серого и синего цвета со стороны анода
полосы синего и желтого цвета со стороны анода
полосы синего и серого цвета ?
полосы желтого и белого цвета со стороны анода
полосы желтого и черного цвета со стороны анода ?
полосы желтого и зеленого цвета со стороны анода ?

Цветовая маркировка стабилитронов и стабисторов

Лучшие смартфоны на Android в 2022 году

Серия iPhone от Apple редко чем удивляет. Когда вы получаете новый iPhone, общее впечатление, скорее всего, будет очень похожим на ваше предыдущее устройство. Однако всё совсем не так в лагере владельцев устройств на Android. Существуют телефоны Android всех форм и размеров, не говоря уже о разных ценовых категориях. Другими словами, Android-телефон может подойти многим. Однако поиск лучших телефонов на Android может быть сложной задачей.

Документация Схемотехника CAD / CAM Статьи

Диоды Транзисторы Переходника и адаптеры Разъемы Кабели Комплектующие

  • Главная
  • /
  • База знаний
  • /
  • Документация
  • /
  • Диоды

Тип
диода

Метка у выводов катода

Метка у выводов анода

Рисунок

Д814А1

черное широкое кольцо

Д814Б1

черное широкое+черное
узкое кольца

Д814В1

черное узкое кольцо

Д814Г1

желтое широкое кольцо

Д814Д1

три узких черных кольца

Д818А

черная метка на торце корпуса+
белое кольцо

Д818Б

черная метка на торце корпуса+
желтое кольцо

Д818В

черная метка на торце корпуса+
голубое кольцо

Д818Г

черная метка на торце корпуса+
зеленое кольцо

Д818Д

черная метка на торце корпуса+
серое кольцо

Д818Е

черная метка на торце корпуса+
оранжевое кольцо

КС107А

серая метка на торце корпуса+
красное кольцо

КС126А

красное широкое+фиолетовое
узкое+белое узкое кольца

КС126Б

оранжевое штрокое+ черное
узкое+белое узкое кольца

КС126В

оранжевое широкое+оранжевое
широкое+белое узкое кольца

КС126Г

оранжевое широкое+белое узкое+
белое узкое кольца

КС126Д

желтое широкое+фиолетовое узкое+
белое узкое кольца

КС126Е

зеленое широкое+голубое узкое+
белое узкое кольца

КС126Ж

голубое широкое+ красное узкое+
белое узкое кольца

КС126И

голубое широкое+серое узкое+
белое узкое кольца

КС126К

фиолетовое узкое+зеленое узкое+
белое узкое кольца

КС126Л

серое широкое+красное узкое+
белое узкое кольца

КС126М

белое широкое+коричневое узкое+
белое узкое кольца

КС207А

коричневое широкое+черное узкое+
черное узкое кольца

КС207Б

коричневое широкое+коричневое
узкое+черное узкое кольца

КС207В

коричневое широкое+красное
узкое+черное узкое кольца

КС133А

голубое кольцо

белое кольцо

2С133А

белое кольцо

черное кольцо

КС133Г

оранжевая метка на торце корпуса

КС139А

зеленое кольцо

белое кольцо

2С139А

зеленое кольцо

черное кольцо

КС147А

серое или синее кольцо

белое кольцо

2С147А

черное кольцо

КС147Г

зеленая метка на торце корпуса

КС156А

оранжевое кольцо

белое кольцо

2С156А

оранжевое кольцо

черное кольцо

КС156Г

красная метка на торце корпуса

КС168А

красное кольцо

белое кольцо

2С168А

красное кольцо

черное кольцо

КС175Ж

белое кольцо

КС182Ж

желтое кольцо

КС191Ж

красное кольцо

КС210Ж

зеленое кольцо

КС211Ж

серое кольцо

Тип
диода

Метка у выводов катода

Метка у выводов анода

Рисунок

КС212Ж

оранжевое кольцо

КС213Ж

черное кольцо

КС215Ж

белое кольцо

черное кольцо

КС216Ж

желтое кольцо

черное кольцо

КС218Ж

красное кольцо

черное кольцо

КС220Ж

зеленое кольцо

черное кольцо

КС222Ж

серое кольцо

черное кольцо

КС224Ж

оранжевое кольцо

черное кольцо

2С175Ж

голубая метка на торце корпуса +
белое кольцо

2С182Ж

голубая метка на торце корпуса +
желтое кольцо

2С191Ж

голубая метка на торце корпуса +
красное кольцо

2С210Ж

голубаяметка на торце корпуса +
зеленое кольцо

2С211Ж

голубая метка на торце корпуса +
серое кольцо

2С212Ж

голубая метка на торце корпуса +
оранжевое кольцо

2С213Ж

голубая метка на торце корпуса +
черное кольцо

2С215Ж

голубая метка на торце корпуса +
белое кольцо

черное кольцо

2С216Ж

голубая метка на торце корпуса +
желтое кольцо

черное кольцо

2С218Ж

голубая метка на торце корпуса +
красное кольцо

черное кольцо

2С220Ж

голубая метка на торце корпуса +
зеленое кольцо

черное кольцо

2С222Ж

голубая метка на торце корпуса +
серое кольцо

черное кольцо

2С224Ж

голубая метка на торце корпуса +
оранжевое кольцо

черное кольцо

КС405А

серая метка на торце корпуса +
красное кольцо

черное кольцо

КС406А

черная метка на торце корпуса +
серое кольцо

белое кольцо

КС406Б

черная метка на торце корпуса +
белое кольцо

оранжевое кольцо

КС407А

черная метка на торце корпуса +
красное кольцо

голубое кольцо

КС407Б

черная метка на торце корпуса +
красное кольцо

оранжевое кольцо

КС407В

черная метка на торце корпуса +
красное кольцо

желтое кольцо

КС407Г

черная метка на торце корпуса +
красное кольцо

зеленое кольцо

КС407Д

черная метка на торце корпуса +
красное кольцо

серое кольцо

КС411А

белое кольцо

черное кольцо

КС411Б

синее кольцо

черное кольцо

КС508А

черная метка на торце корпуса +
оранжевое кольцо

зеленое кольцо

КС508Б

черная метка на торце корпуса +
желтое кольцо

белое кольцо

КС508В

черная метка на торце корпуса +
красное кольцо

зеленое кольцо

КС508Г

черная метка на торце корпуса +
голубое кольцо

белое кольцо

КС508Д

черная метка на торце корпуса +
зеленое кольцо

белое кольцо

КС510А

оранжевое кольцо

зеленое кольцо

КС512А

желтое кольцо

зеленое кольцо

КС515А

белое кольцо

зеленое кольцо

КС516А

зеленое кольцо

черное кольцо

КС518А

голубое кольцо

зеленое кольцо

КС522А

серое кольцо

зеленое кольцо

КС527А

черное кольцо

зеленое кольцо

Нравится

Твитнуть

Теги Справка

Сюжеты Справка

Микросхемы

12555 0

Интегральные стабилизаторы напряжения отечественного производства

14318 0

Индикаторы

10886 0

Комментарии (0)

Вы должны авторизоваться, чтобы оставлять комментарии.

Вход

О проекте Использование материалов Контакты

Новости Статьи База знаний

Радиомастер
© 2005–2022 radiomaster.ru

При использовании материалов данного сайта прямая и явная ссылка на сайт radiomaster.ru обязательна. 0.2694 s

Shal and Shaker Дифференциальный вклад в токи K+ в нейронах грибовидного тела дрозофилы 2348-2358; DOI.0012

Артикул Цифры и данные

Цифры

  • Фигура 1.

    GFP+ нейронов в линии 7A2-Gal4/UAS-GFP идентифицируют MBN in vivo и in vitro. A , Мозг взрослых иссекали в PBS, фиксировали в 4% параформальдегиде и слегка сплющивали покровным стеклом. Слева показано светлопольное изображение всего препарата, тогда как справа показана конфокальная проекция того же препарата с максимальной интенсивностью. Мозг ориентирован передней стороной вверх и дорсальной вверху. B . Мозг личинок обрабатывали так же, как и мозг взрослых особей, и устанавливали вентральным ганглием вниз. Слева — светлопольное изображение, справа — конфокальная проекция. Масштабирование такое же, как в A . На вставке показано большее увеличение личиночного мозга. Были окрашены две дорсально выступающие доли (стрелки) и две медиально выступающие доли (стрелки). Нейроны в par intercerebralis также отмечены (звездочкой). C , В остро диссоциированном мозге личинок MBN идентифицируются как небольшие GFP+ нейроны (стрелка). Изображение слева представляет собой вид в светлом поле диссоциированного мозга 7A2-Gal4/UAS-GFP в течение 12 часов после посева. На изображении справа показано то же поле при эпифлуоресцентном освещении и при просмотре через фильтры FITC.

  • Рисунок 3.

    Шал доминирует инактивируя наружу К + тока в Дрозофила МБН. A , K + токи, зарегистрированные в вентрально-латеральном продольном волокне 6 сегментов A2 и A3 wt или sh KS133 , блуждающие личинки третьего возраста, показанные ниже по протоколу напряжения. Шаги напряжения составляли 10 мВ. Каждая кривая представляет средние токи от шести разных мышц в четырех разных препаратах (для wt ) или средние токи от 18 разных мышц от 11 разных личинок (для ш КС133 ). В мышцах sh KS133 отсутствует заметный инактивирующий ток наружу, обеспечиваемый шейкерными каналами. B , Верхние кривые представляют собой репрезентативные контрольные исходящие токи, зарегистрированные от остро диссоциированных wt MBN, полученные с помощью протокола напряжения, показанного ниже. Шаги напряжения составляли 10 мВ. Удерживающий потенциал составлял -70 мВ. Деполяризующим импульсам предшествовал 1-секундный преимпульс до -100 мВ. Нижний график показывает среднее значение I-V графики (нормированные по емкости клетки) пикового тока (•), неинактивирующего тока, зарегистрированного после 80 мс начала деполяризации (▾), и пикового тока при замене внутреннего KCl эквимолярным CsCl (○). Подробнее о решениях для записи см. в разделе «Материалы и методы». Каждая точка представляет собой среднее значение 17 нейронов (для записей KCl) или восьми нейронов (для записей CsCl). На вставке показаны средние текущие следы восьми последовательных нейронов, зарегистрированных либо с KCl, либо с CsCl в пипетке. Значения калибровки указаны выше. C , Верхние кривые представляют собой репрезентативные исходящие токи, зарегистрированные от остро диссоциированных sh KS133 MBN, полученные с помощью того же протокола напряжения, что и в B . Калибровочные значения имеют те же размеры, что и в B . На нижнем графике показана средняя пиковая плотность тока, из которой вычтен устойчивый компонент, для 33 нейронов wt и 33 sh KS133 нейронов. Значения составляют 624 ± 67 и 533 ± 56 пА/пФ соответственно.

  • Фигура 2.

    Грибовидные тела экспрессируют транскрипты каналов шейкера , shal, shab и shaw . Для получения кДНК использовали кластеры клеток GFP+, полученные из МБ, извлеченных из рассредоточения мозга личинок. Один из этих кластеров показан до ( A ) и после ( B ) его помещения в пипетку со сломанным наконечником. В левом столбце показаны виды в светлом поле, тогда как в правом столбце показаны те же поля при эпифлуоресцентном освещении и при просмотре через фильтры FITC. C кДНК, полученную из четырех-пяти кластеров клеток GFP+, подвергали двойной ПЦР, и ожидаемые продукты разделяли в 1,5%-ном агарозном геле, окрашенном бромистым этидием. M, маркер молекулярной массы в п.н. Интенсивность полос в геле не является количественной.

  • Рисунок 4.

    A-тип K + токи MBN дифференциально чувствительны к Shal-специфичному токсину. Специфичность PaTx2 тестировали на рекомбинантных каналах dShal, экспрессированных в Xenopus ооцитов и в шейкерных токах зарегистрированы в вентрально-латеральных продольных мышцах личинок третьего возраста. A , Наложенный контроль и токи, подвергнутые воздействию PaTx2, зарегистрированы из Shal-экспрессирующих ооцитов (вверху) и мышечных волокон (внизу). PaTx2 (1 мкм) удалял значительную часть токов dShal, но существенно не блокировал шейкерные каналы мышц. B , Наложенные следы токов K + до и после воздействия 1 мкм PaTx2, записанные с двух разных MBN. В чувствительной к токсину клетке (верхние дорожки) заблокированным компонентом является быстроактивирующийся быстроинактивирующий ток. Нейрон, зарегистрированный внизу, был почти нечувствителен к токсину. Калибровочные значения имеют те же размеры, что и на верхних кривых. C , сводка результатов, описанных в A ( n = 4, как для рекомбинантного dShal, так и для мышечных шейкерных каналов) и B ( n = n). На вставке показан процент блокады 1 мкм PaTx2 от пикового тока, зарегистрированного в диссоциированных MBN, как функция времени после покрытия (в часах). Линия указывает на самую низкую блокаду, достигаемую 4-AP. D , На верхнем графике показаны наложенные трассы K + ток, зарегистрированный с МБН до и после воздействия 2,5 мм 4-АП, общего блокатора токов А-типа. Калибровочные размеры такие же, как у B . Нижний график показывает эффективность блокады 4-AP и PaTx2 в каждой протестированной клетке. Степень блокады 4-АР была довольно равномерной (55 ± 3%), тогда как блокада PaTx2 была шире, сильнее и почти равнялась блокаде 4-АР примерно у двух третей выборки. Хотя каждый MBN экспрессирует примерно одинаковое количество 4-AP-чувствительного внешнего тока, PaTx2-чувствительный Shal-компонентный компонент относительно слаб в подмножестве нейронов.

  • Рисунок 5.

    Канал шейкера добавляет деполяризованный компонент к инактивирующему току целой клетки. A , Стационарные данные об инактивации 46 нейронов дикого типа были получены путем измерения пикового тока, вызванного деполяризующим импульсом, до +40 мВ (вставка) после предварительных импульсов кондиционирования (Vp), указанных на оси x . . Данные были нормализованы к максимальному току, и одно распределение Больцмана использовалось для соответствия экспериментальным данным. Среднее напряжение стационарной инактивации ( В i1/2 ) в среднем -76,4 ± 4,6 мВ (±SD). B , гистограмма, показывающая, что wt MBN можно разделить на две группы в соответствии с их V i1/2 . Размер бина составляет 1 мВ. Сплошная линия изображает функцию Гаусса, построенную с использованием среднего математического значения и значений стандартного отклонения, полученных из экспериментальных данных. Пунктирная линия показывает наилучшую аппроксимацию по Гауссу. Оптимизация дала следующие значения: В i1/2 = -78,0 мВ для основного компонента (72% выборки) и В i1/2 = -70,0 мВ для второстепенной составляющей. C , Стационарные данные инактивации 37 sh KS133 нейронов были получены и проанализированы точно так, как описано выше. В i1/2 в среднем -77,0 ± 2,7 мВ (±SD). D . Гистограмму V i1/2 для нейронов sh KS133 строили, как описано выше. Функция Гаусса, описываемая эмпирическим средним значением V i1/2 и его SD показаны сплошной линией. E , Распределение V i1/2 в нейронах wt и sh KS133 показано кумулятивно. Непрерывные линии представляют собой распределения Больцмана, построенные с параметрами, полученными путем подгонки гауссовых распределений к данным на рисунке 5, B и D . В то время как sh KS133 точно соответствует одному распределению Гаусса, wt образец отходит грубо. Вставка, значения wt V i1/2 (в милливольтах), нанесенные как функция времени в культуре (в часах). Линия показывает -73 мВ. F , Чувствительность токов к PaTx2 ( n = 20) и 4-AP ( n = 16) представлена ​​как функция В i1/2 . Пунктирной линией показана средняя блокада 4-АР (56 ± 3%). Калибровка: А , С , 100 пА, 20 мс.

  • Рисунок 6.

    Шейкер способствует быстрой инактивации тока в подмножестве MBN. A , Transient K + токи от четырех различных ячеек wt и четырех разных ячеек sh KS133 показаны с подобранными кривыми, наложенными на токовые трассы. Кривые аппроксимировались с использованием одинарной или двойной экспоненциальной функции плюс базовая линия. Минимальное количество экспоненциальных компонент, необходимых для учета временной динамики инактивации внешнего тока, определяли статистически в соответствии с теорией вложенных моделей (см. Материалы и методы). Калибровка: (во всех кривых) 100 пА, 20 мс. B , Улучшение коэффициента корреляции ( r ) показано как функция увеличения членов в подобранных экспоненциальных функциях трасс , показанных в A . Некоторые из нейронов wt и sh KS133 уже хорошо аппроксимировались одной экспонентой (▪, •, □, ○), тогда как другим требовалось два термина (▴, ▾, ▵, ▿). Символы связаны с токами в A . С , Распределение анализируемых wt ( n = 60) и sh KS133 ( n = 61) нейронов по количеству экспоненциальных членов для адекватной подгонки. В то время как 97% из нейронов wt требовали двух экспонент для объяснения кинетики инактивации тока целых клеток, только 80% из sh KS133 инактивировались по двойной экспоненте. Разница статистически значима ( p < 0,005; χ 2 тест). D , Распределение быстрой и медленной констант времени 58 wt и 49 sh KS133 MBN, кинетика инактивации которых была аппроксимирована двумя экспонентами. Квадраты на правой панели показывают распределение инактивированных нейронов 12 sh KS133 по одной экспоненте. E , левые кривые показывают примеры токов sh KS133 K + , инактивирующих по одинарной (вверху) или двойной (внизу) экспоненте до и после воздействия 1 мкм PaTx2. К токсину были чувствительны только токи, представляющие собой быстро инактивирующий компонент. Правая панель отображает результаты, полученные в 22 ш КС133 нейронов. Только четыре из них (закрашенные кружки) демонстрировали одноэкспоненциальный ток и были слабо чувствительны к PaTx2.

Дополнительные файлы

  • Страница HTML — index.htslp

    Дополнительные рисунки

    Файлы в этом дополнении к данным:

  • 0
  • 0 Доп. — Дополнительный рисунок S1. Для выражения GFP в MBN требуется драйвер 7A2. А. Конструкция 7А2 была получена путем клонирования фрагмент размером 10 т.п.н., который включает сайт инициации транскрипции гена бесплодия (fru) в вектор pPTGAL. Этот Фрагмент фланкирован сайтами SalI и был клонирован в сайт BamHI pPTGAL, который стал совместимым после заполнения двумя парами оснований. реакция. Инсерцию транспозона картировали на второй хромосоме. Б, В. Вскрыт мозг третьего интара личинок. в PBS, фиксировали в 4% параформальдегиде и слегка сплющивали покровным стеклом. Яркопольные изображения цельных препаратов показаны слева, а конфокальные проекции тех же препаратов максимальной интенсивности показаны справа. Мозги ориентированы передней стороной вверх и дорсальной вершиной. B, линия 7A2-Gal4/UAS-GFP. C, родительская линия UAS-GFP/UAS-GFP. Экспрессия GFP зависит от ловушки энхансера Gal4 в линии 7A2. Является ли обогащенная экспрессия Gal4 в Mushroom Нейроны тела фактически управляются фрагментом fru, который несет конструкция 7A2, или эндогенным энхансером, захваченным эта конструкция остается неизвестной. Паттерн экспрессии Gal4 не связан с паттерном экспрессии fru, поскольку экспрессия GFP и иммунолокализация Fru не коррелируют (данные не показаны).
  • Дополнительный рис. 2 — Дополнительный рисунок S2. Обогащенная GFP MB экспрессия появляется уже на личиночной стадии первого возраста. А, Тот же 7А2-Гал4/УАС-ГФП мозг личинок, исследованный на дополнительном рисунке S1, был переэкспонирован, чтобы выявить слабую экспрессию GFP. В этих условиях несколько Клетки, экспрессирующие GFP, выявляются в вентральном ганглии. Идентичность этих клеток не исследовалась. Вентральные ганглии были удалены из мозга, используемого в ОТ-ПЦР и электрофизиологических экспериментах, что уменьшило загрязнение не-MB флуоресцентные клетки. B, Амплификация долей головного мозга, показанная на A. Стрелки указывают на нейроны, экспрессирующие GFP. somata вне области MB. В этом препарате мы могли подсчитать 12 клеток, не экспрессирующих MB GFP (стрелки указывают на кластер из трех нейронов), а также крупные клетки в межмозговой части (звездочка). C, изображение нейрона МБ с высоким разрешением соматы и чашечки. Это изображение показывает, что сигнал GFP, обнаруженный в области MB, исходит от широко распространенного выражения GFP. в MBN, а не из-за высокой экспрессии GFP, ограниченной небольшим подмножеством MBN. D, личиночный мозг первого возраста (10-14 часов после вылупления), демонстрируя экспрессию GFP в MBN. Нейроны в вентральном ганглии также были окрашены (не показано).

Наверх

мутантов дрозофилы обнаруживают два компонента быстрого внешнего тока

  • Опубликовано:
  • Лоуренс Салкофф 1 nAff2  

Природа том 302 , страницы 249–251 (1983 г.)Цитировать эту статью

  • 107 доступов

  • 97 цитирований

  • Сведения о показателях

Abstract

Было показано, что открытие каналов ионов калия зависит от напряжения 1 или Ca 2+ ионы 2,3 или оба 4,5 . Быстрый транзиторный ток калия (иногда обозначаемый I A ) обнаруживается у самых разных животных 6–14 . Чувствительность этого раннего внешнего тока к Ca 2+ была предметом споров, поскольку отчеты из разных систем указывали на полную нечувствительность 6–8 , заметную чувствительность 10–12 или только на частичную чувствительность 13,14 . Возможно, существуют две различные системы раннего внешнего тока, одна Ca 2+ -чувствительная, а другая нет. Таким образом, сообщения о частичной чувствительности к Ca 2+ указывают на присутствие обеих систем в мембране. Теперь я сообщаю, что во взрослых Drosophila летательных мышцах переходный ток наружу также частично Ca 2+ -чувствителен. Гипотеза о наличии двух отдельных токов подкрепляется открытием, что у нескольких мутантов Х-сцепленного Shaker Locus ( SH KS133 , SH 102 и SH K0120 ; Refs 15–17 ) Ca0120 ; Refs 15–17 ). отсутствует, остается только Ca 2+ -зависимый компонент ( I Acd ). Следовательно, мутации, по-видимому, удаляют одну из двух отдельных существующих систем. Альтернативная гипотеза состоит в том, что присутствует только один тип канала, который может быть изменен путем мутации, чтобы полностью стать каналом Ca 9.0060 2+ -зависимый.

Это предварительный просмотр содержимого подписки, доступ через ваше учреждение

Варианты доступа

Подписаться на журнал

Получить полный доступ к журналу на 1 год

199,00 €

всего 3,90 € за выпуск

Подписаться

Расчет налогов будет завершен во время оформления заказа.

Купить статью

Получите ограниченный по времени или полный доступ к статье на ReadCube.

$32,00

Купить

Все цены указаны без учета стоимости.

Ссылки

  1. Hodgkin, A. L. & Huxley, A.F. J. Physiol., Lond. 116 , 449–472 (1952).

    КАС Статья Google ученый

  2. Meech, R. W. A. Rev. Biophys. Bioengng 7 , 1–8 (1978).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  3. Горман А. Л. Ф. и Герман А. J. Physiol., Lond. 296 , 393–410 (1979).

    КАС Статья Google ученый

  4. Адамс, П. Р., Константи, А., Браун, Д. А. и Кларк, Р. Б. Nature 296 , 746–749 (1982).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  5. Barrett, J. N., Magleby, K. L. & Pallotta, B. S. J. Physiol., Lond. 331 , 211–230 (1982).

    КАС Статья Google ученый

  6. Hagiwara, S. & Saito, N. J. Physiol., Lond. 148 , 161–171 (1959).

    КАС Статья Google ученый

  7. Connor, J. A. & Stevens, C. F. J. Physiol., Lond. 213 , 21–30 (1971).

    КАС Статья Google ученый

  8. Neher, E. J. gen. Физиол. 58 , 36–53 (1971).

    КАС Статья Google ученый

  9. Barrett, J. N. & Crill, W. E. Fedn Proc. 31 , 305 (1972).

    Google ученый

  10. Siegelbum, S.A. & Tsien, R.W. J. Physiol., Lond. 299 , 485–506 (1980).

    Артикул Google ученый

  11. Миледи Р. Proc. Р. Соц. В 215 , 491–497 (1982).

    ОБЪЯВЛЕНИЕ КАС Google ученый

  12. Mounier, Y. & Vassort, G. J. Physiol., Lond. 251 , 609–625 (1975).

    КАС Статья Google ученый

  13. Coraboeuf, E. & Carmeliet, E. Pflügers Arch. гэс. Physiol , 392 , 352–359 (1982).

    КАС Статья Google ученый

  14. MacDermott, A.B. & Weight, F.F. Nature 300 , 185–188 (1982).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  15. Ян, Ю. Н., Ян, Л. Ю. и Деннис, М. Дж. Proc. Р. Соц. B 198 , 87–108 (1977).

    ОБЪЯВЛЕНИЕ КАС Google ученый

  16. Tanouye, M.A., Ferrus, A. & Fujita, S. C. Proc. физ. акад. науч. США 78 , 6548–6552 (1981).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  17. Salkoff, L. & Wyman, R. Nature 293 , 228–230 (1981).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  18. Salkoff, L. & Wyman, R. Science 212 , 461–463 (1981).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  19. Salkoff, L. & Wyman, R. J. Physiol., Lond. (в печати).

  20. Брем, П. и Эккерт, Р. Наука 202 , 1203–1206 (1978).

    ОБЪЯВЛЕНИЕ КАС Статья Google ученый

  21. Эккерт Р., Тиллотсон Д. Л. и Брем П. Fedn Proc. 40 , 2226–2232 (1981).

    КАС Google ученый

  22. Ashcroft, F. M. & Stanfield, P. R. J. Physiol., Lond. 323 , 93–115 (1982).

    КАС Статья Google ученый

Ссылки для скачивания

Информация об авторе

Примечания автора

  1. Lawrence Salkoff

    Текущий адрес: Факультет физиологии, Медицинский факультет Калифорнийского университета, Сан-Франциско, Калифорния, 94143, США

Авторы и филиалы Йельского университета

5 University, PO Box 6666, New Haven, Connecticut, 06511, USA

Lawrence Salkoff

Авторы

  1. Lawrence Salkoff

    Посмотреть публикации авторов

    Вы также можете искать этого автора в PubMed Google Scholar

Права и разрешения

Перепечатка и разрешения

Об этой статье

Дополнительная литература

  • Быстро инактивирующий Са2+-зависимый К+-ток в клетках феохромоцитомы (РС12) крысы

    • Р. Ю. К. Каламбур
    • М. М. Бехбехани

    Pflügers Archive European Journal of Physiology (1990)

  • Электрогенные ответы, вызванные трансмембранным деполяризующим током в аэрированных мышцах стенки тела личинок Drosophila melanogaster

    • Кагеюки Ямаока
    • Казуо Икэда

    Журнал сравнительной физиологии A (1988)

  • Зависимый от кальция ток калия увеличивается за счет мутации одного гена в Paramecium.

    • Тодд М. Хеннесси
    • Чинг Кунг

    Журнал биологии мембран (1987)

  • Два различных калиевых потока, активируемых кальцием, в личиночных мышечных волокнах Drosophila melanogaster.

    • Мишель Го
    • Альберто Малларт

    Pflügers Archive European Journal of Physiology (1986)

  • Очистка ионных каналов от возбудимых клеток

    • Джейн А. Талвенхеймо

    Журнал биологии мембран (1985)

Комментарии

Отправляя комментарий, вы соглашаетесь соблюдать наши Условия и Правила сообщества. Если вы обнаружите что-то оскорбительное или не соответствующее нашим условиям или правилам, отметьте это как неприемлемое.

Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка (Технический отчет)

Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка (Технический отчет) | ОСТИ.GOV

перейти к основному содержанию

  • Полная запись
  • Другое связанное исследование

В течение 1980 и 1981 годов в общей сложности было установлено 569 новых гравиметрических станций в Юте, Гошен-Вэлли и прилегающих районах штата Юта. Новые станции были объединены с 530 другими гравиметрическими станциями, сделанными в предыдущих съемках, в результате чего было собрано 1099 станций, которые использовались в этом исследовании. Дополнительные исследования были проведены, чтобы помочь в оценке области возможного развития геотермальных ресурсов, путем предоставления интерпретированного структурного каркаса путем определения разломов, структурных трендов, интрузий, толщины заполнения долины и повышенной плотности вмещающих пород. Гравитационные данные представлены в виде (1) полной карты гравитационной аномалии Бугера с интервалом изолиний 2 мгл в масштабе 1:100 000 и (2) пяти гравиметрических профилей восточного простирания. Геологическая интерпретация изучаемого района была сделана на основе гравикарты и интерпретационных геологических разрезов, которые были смоделированы по гравиметрическим профилям.

Авторов:
Дэвис, Д. А.; Кук, К.Л.
Дата публикации:
Исследовательская организация:
Геологическая и минеральная служба штата Юта, Солт-Лейк-Сити (США)
Идентификатор ОСТИ:
6559995
Номер(а) отчета:
DOE/ET/28393-T5
НА: DE84017359
Номер контракта Министерства энергетики:  
АС07-77ЭТ28393
Тип ресурса:
Технический отчет
Отношение ресурсов:
Прочая информация: Части неразборчивы в продуктах на микрофишах. Отчет о расследовании № 179
Страна публикации:
США
Язык:
Английский
Тема:
15 ГЕОТЕРМАЛЬНАЯ ЭНЕРГЕТИКА; ЮТА; ГЕОТЕРМАЛЬНЫЕ РЕСУРСЫ; ГРАВИТАЦИОННЫЕ СЪЕМКИ; ГЕОЛОГИЯ; МАГМАТИЧЕСКИЕ ПОРОДЫ; КАРТЫ; РЕСУРСНЫЙ ПОТЕНЦИАЛ; ОСАДОЧНЫЕ ПОРОДЫ; ФЕДЕРАЛЬНЫЙ ОКРУГ VIII; ГЕОФИЗИЧЕСКИЕ ИЗЫСКАНИЯ; СЕВЕРНАЯ АМЕРИКА; РЕСУРСЫ; ГОРНЫЕ ПОРОДЫ; ОБЗОРЫ; США; геотермальное наследие; 150301 * — Геотермальная разведка и технология разведки — Геофизические методы и исследования

Форматы цитирования

  • MLA
  • АПА
  • Чикаго
  • БибТекс

Дэвис Д.А. и Кук К.Л. Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка . США: Н. П., 1983. Веб. дои: 10.2172/6559995.

Копировать в буфер обмена

Дэвис Д.А. и Кук К.Л. Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка . Соединенные Штаты. https://doi.org/10.2172/6559995

Копировать в буфер обмена

Дэвис, Д.А., и Кук, К.Л., 1983. «Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, штат Юта. Часть I. Гравитационная съемка». Соединенные Штаты. https://doi.org/10.2172/6559995. https://www.osti.gov/servlets/purl/6559995.

Копировать в буфер обмена

@статья{osti_6559995,
title = {Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка},
автор = {Дэвис, Д.А. и Кук, К.Л.},
abstractNote = {В течение 1980 и 1981 годов в Юте, долине Гошен и прилегающих районах штата Юта было установлено в общей сложности 569 новых гравиметрических станций. Новые станции были объединены с 530 другими гравиметрическими станциями, сделанными в ходе предыдущих съемок, в результате чего было собрано 109 станций.9 станций, которые использовались в этом исследовании. Дополнительные исследования были проведены, чтобы помочь в оценке области возможного развития геотермальных ресурсов, путем предоставления интерпретированного структурного каркаса путем определения разломов, структурных трендов, интрузий, толщины заполнения долины и повышенной плотности вмещающих пород. Гравитационные данные представлены в виде (1) полной карты гравитационной аномалии Бугера с интервалом изолиний 2 мгл в масштабе 1:100 000 и (2) пяти гравиметрических профилей восточного простирания. Геологическая интерпретация изучаемой территории была сделана на основе гравикарты и интерпретационных геологических разрезов, которые были смоделированы по гравипрофилям. },
дои = {10,2172/6559995},
URL = {https://www.osti.gov/biblio/6559995}, журнал = {},
номер =,
объем = ,
место = {США},
год = {1983},
месяц = ​​{4}
}

Копировать в буфер обмена


Посмотреть технический отчет (9,64 МБ)

https://doi.org/10.2172/6559995


Экспорт метаданных

Сохранить в моей библиотеке

Вы должны войти в систему или создать учетную запись, чтобы сохранять документы в своей библиотеке.

Аналогичных записей в сборниках OSTI.GOV:

  • Аналогичные записи

KMC Powersports KS135 ГРАНАТА | 15×10 0 мм 4×156

Марка КМК
Название модели KS133 МЕСА ЛАЙТ
Номер детали КС13356044538
Отделка Обработанный
Размер 15×6
Расположение болтов 4×156
Смещение 38 мм
Отверстие 115. 1
Нагрузка 1250 фунтов
Вес 14,52 фунта

Размер кромки, вогнутость и общий внешний вид могут различаться в зависимости от автомобиля и размера колеса. Пожалуйста, не стесняйтесь обращаться к нашим экспертам по колесам, если у вас есть какие-либо вопросы!

250 долларов

В наличии

В наличии

KMC KS135 GRENADE 15×10 0mm (4×156) Satin Black количество

  • Отзывы (0)
  • Соответствие цены
  • Доставка и возврат

Wheel Suppliers стремится предоставить нашим клиентам лучший опыт покупки; с нами вы никогда не переплатите!

Итак, вы готовы к соглашению по цене? Все, что нужно, это 2 простых шага:

  1. Отправить запрос: Для новых заказов, свяжитесь с нами. Для существующего заказа отправьте запрос, используя форму ниже. Вас попросят предоставить ссылку на веб-сайт или рекламу с указанием более низкой стоимости.
  2. Получите скидку/возврат: Для новых заказов мы скорректируем цену на момент продажи. Для существующего заказа разница в цене будет возвращена на исходный способ оплаты.

Вот несколько важных моментов, о которых следует помнить:

  • Цена не суммируется с другими рекламными предложениями
  • Ценовой матч не включает в себя применимый налог с продаж
  • Некоторые исключения применяются
  • Ошибные списки цен
  • Продажи или рекламные предложения
  • Ликвидации
  • пунктов с аукционных участков или членов.

Доставка и доставка

Поставщики колес отправляют товары всем жителям континентальной части США, Гавайев и Аляски с помощью FedEx и UPS. Все наши отправления требуют подписи, однако, если вы являетесь владельцем учетной записи FedEx или UPS, вы можете разрешить выпуск без подписи. При этом поставщики колес больше не несут ответственности за утерянные или украденные посылки.

После того, как ваш заказ будет размещен, подождите 24-48 часов после получения очищенного платежа с подтвержденным адресом для выполнения вашего заказа. Все заказы будут отправлены в тот же день, если они размещены до 16:00 по стандартному тихоокеанскому времени в будние дни.

Возврат

Хотите вернуть товар? Без проблем. Заполните форму ниже, и мы вышлем вам этикетку для отправки и форму разрешения на возврат в течение 24–72 часов. Заполните форму RA и распечатайте предоставленную транспортную этикетку. Прикрепите транспортировочную этикетку к внешней стороне возвратной упаковки и поместите форму RA в возвратную упаковку. Как только товар будет получен, ваш возврат будет выдан в течение 48 часов.

Что можно вернуть?

Если вы не полностью удовлетворены своей покупкой, мы с радостью примем возврат и вернем деньги за продукты в новом и неиспользованном состоянии в течение 30 дней с момента доставки. Предметы должны быть в новом состоянии и в оригинальной упаковке, что означает отсутствие сборки, установки или модификации. Товары, четко обозначенные как «невозвратные», не подлежат возврату.

Взимается ли плата?

Для заказов, доставленных в пределах континентальной части США, где причина возврата не является результатом ошибки поставщика колес, взимается комиссия за пополнение запасов в размере 10%.

Возврат товара

Обмен

Хотите обменять товар? Без проблем. Заполните форму ниже, и мы вышлем вам этикетку для отправки и форму разрешения на возврат в течение 24–72 часов. Заполните форму RA и распечатайте предоставленную транспортную этикетку. Прикрепите транспортировочную этикетку к внешней стороне возвратной упаковки и поместите форму RA в возвратную упаковку. Как только товар будет получен, ваши замены будут отправлены в течение 48 часов.

Что я могу обменять?

Если вы не полностью удовлетворены своей покупкой, мы с радостью обменяем продукты в новом и неиспользованном состоянии в течение 30 дней с момента доставки. Предметы должны быть в новом состоянии и в оригинальной упаковке, что означает отсутствие сборки, установки или модификации. Товар с пометкой «невозвратный» обмену не подлежит.

Предметы обмена

Пикировка по первому вступлению для микросейсмического мониторинга на основе глубокого обучения

На этой странице

РезюмеВведениеМетодыОбсуждениеВыводыДоступность данныхКонфликты интересовСсылкиАвторское правоСтатьи по теме

В микросейсмическом мониторинге достижение точного и эффективного пикирования первого прибытия имеет решающее значение для повышения точности и эффективности определения местоположения источника микросейсмической разницы во времени. В эпоху больших данных традиционный метод пикинга по первому поступлению не может соответствовать требованиям обработки в режиме реального времени процесса микросейсмического мониторинга. Используя передовую идею сквозной классификации, основанной на глубоком обучении, и важные преимущества извлечения признаков полностью сверточной нейронной сети, в этой статье предлагается метод выбора эффективных сигналов по первому вступлению для микросейсмического мониторинга на основе сети UNet++, который может значительно повысить точность и эффективность отбора товаров по первому прибытию. В этой статье мы впервые представили методологию метода выбора на основе UNet++. Затем работоспособность предложенного метода проверяется экспериментами с конечно-разностным опережающим моделированием смоделированных сигналов и фактических микросейсмических записей при различных отношениях сигнал-шум, и, наконец, проводятся сравнительные эксперименты с использованием первой на базе U-Net -алгоритм выбора прибытия и алгоритм преобразования краткосрочного среднего в долгосрочное среднее (STA/LTA). Результаты показывают, что по сравнению с сетью U-Net предложенный метод, очевидно, может улучшить точность выделения первого прихода микросейсмических сигналов с низким отношением сигнал/шум, достигая значительно более высокой точности и эффективности, чем алгоритм STA/LTA, который славится своей высокой эффективностью в традиционных алгоритмах.

1. Введение

Обработка данных микросейсмического мониторинга долгое время сталкивалась с трудностями баланса между точностью и эффективностью [1–3]. С развитием технологий микросейсмического мониторинга все большее значение при разведке и разработке месторождений сланцевого газа приобретает микросейсмика гидроразрыва пласта [4–7]. Точная и эффективная пикировка микросейсмического мониторинга по первому вступлению является предпосылкой для повышения эффективности определения местоположения источника микросейсмической разницы во времени. В последнее время было предложено много методов выбора, таких как от краткосрочного среднего до долгосрочного среднего (STA/LTA) [8], информационный критерий Акаике (AIC) [9].] и корреляционный метод [10].

В последнее время достигнут определенный прогресс в исследованиях первоприбытия. Sheng [11] объединил вейвлет-преобразование со статистикой высокого порядка и использовал статистику высокого порядка для выбора первого прихода сигналов после проведения многомасштабного вейвлет-анализа, который в определенной степени подавлял случайный шум и повышал точность первого. прибытие комплектация. Shimoda [12] применил метод взаимной корреляции для идентификации первого прихода микросейсмического сигнала на сейсмограммах скважинных сейсмоприемников, что обеспечило более простую регистрацию времени первого прихода и более высокую точность, чем предыдущие методы пошаговой регистрации прихода с использованием один детектор. На основании предыдущих исследований Tan et al. [13] предложили метод пикинга микросейсмических сигналов по первому вступлению при низком отношении сигнал/шум (SNR). Во-первых, взаимная корреляция и критерий наименьших квадратов использовались для предварительной обработки исходных микросейсмических данных для получения лучшей коррекции разницы во времени, а затем для идентификации микросейсмических событий использовался параметр многоканального подобия. После того, как микросейсмические события были идентифицированы, были выбраны поступления записей. Карастатис [14] использовал частотно-временной анализ для получения метода пикинга первого поступления микросейсм, и по сравнению с традиционным методом точность пикинга была значительно улучшена. Massin [15] использовал метод корреляции энергий компонент для идентификации объемных микросейсмических волн. Кроме того, после анализа алгоритма соотношения энергий, метода статистики высокого порядка и метода критерия минимальной информации (AIC) Akram et al. [16] обнаружили, что разные методы имеют свои преимущества и недостатки в разных условиях, поэтому они разработали набор оптимизированных по параметрам методов пикинга по первому вступлению для микросейсмических сигналов, а именно, разные параметры были присвоены разным методам пикинга по первому вступлению в соответствии с условия микросейсмического сигнала. Доуэн и др. [17] предложили метод пикинга шумовых микросейсмических записей по первому вступлению путем объединения процессов взаимной корреляции и суперпозиции. Результаты показали, что этот метод может автоматически выбирать первое вступление для сигналов с низким SNR. Ю и др. [18] предложили метод пикинга по первому вступлению, основанный на кросс-корреляции многоканальной формы волны. Результаты показали, что согласованность первого поступления предлагаемого метода улучшается по сравнению с традиционным методом пикинга с одним треком. Радж и др. [19] предложил метод пикинга микросейсм по первому вступлению, основанный на двумерной постоянной частоте ложных тревог, который улучшил точность пикинга по первому приходу в условиях низкого SNR. Ку и др. [20] использовали контролируемый алгоритм машины опорных векторов для автоматического выбора первого поступления, повышая эффективность выбора первого прибытия. Шэн и др. [21] разработали алгоритм «Преобразование Шерле — короткое временное окно/длинное временное окно — эксцесс» (S-S/L_K) с использованием преобразования Шеарлета и статистики высокого порядка, который позволяет точно выбрать первое вступление микросейсмических сигналов с низким отношением сигнал/шум. Гао и др. [22] использовали скользящее окно в сочетании с нечетким алгоритмом кластеризации C-средних для выбора первого поступления зашумленных и предварительно обработанных микросейсмических сигналов. Однако при большом объеме данных мониторинга описанный выше традиционный метод пикирования по первому вступлению не может одновременно удовлетворять требованиям по эффективности и точности оперативного микросейсмического мониторинга.

Глубокие сверточные нейронные сети широко исследовались из-за их выдающихся характеристик извлечения и распознавания признаков [23–26]. Чжан и др. [27] предложили новую многофункциональную перевзвешенную архитектуру DenseNet (MFR-DenseNet) для классификации изображений, которая значительно снизила количество ошибок в наборах данных CIFAR-10 и CIFAR-100. Хан и др. [28] предложили добавить ограничение краевой свертки в улучшенную U-Net для обнаружения цели, чтобы предсказать значимое отображение изображения. Усовершенствованная U-Net объединяет характеристики различных уровней и, таким образом, значительно снижает потери информации. Ку и др. [29] предложил метод распознавания внутриимпульсной модуляции радиолокационного сигнала, который использует частотно-временной анализ, обработку изображений и сверточную нейронную сеть (CNN) для модуляции и распознавания радиолокационного сигнала. При отношении сигнал/шум -6 дБ этот метод достиг успеха распознавания 96,1%. Ян и др. [30] предложили модель обнаружения, основанную на многозадачной сверточной нейронной сети с вращающейся областью, и добились хороших результатов в обнаружении положения корабля в произвольном направлении и прогнозировании направления.

В последнее время исследования в области геофизики также проводились многими учеными. Сюй и др. [31] идентифицировали активные землетрясения с помощью сверточной нейронной сети. Чен и др. [32] добились сильного подавления шумовых помех в магнитотеллурических данных с помощью рекуррентной нейронной сети (RNN). Стоит отметить, что Чен, Чжан и Саад [33–38] внесли выдающийся вклад в область геофизики, применив глубокое обучение к микросейсмическим событиям.

Благодаря соединению на уровне перехода, структуре глубокого контроля и преимуществам сквозной классификации и интеграции глубоких и мелких признаков [39–42], UNet++ [43] широко используется в области обработки медицинских изображений [44]. Следуя передовой идее сквозной классификации, основанной на глубоком обучении, в этой статье выбор первого поступления эффективных микросейсмических сигналов рассматривается как проблема двух классификаций и используется сеть UNet++ для выбора первого поступления эффективных микросейсмических сигналов, улучшая отказоустойчивая работа и исправление отклонения прогноза, вызванного ошибкой маркировки, с помощью сглаживания и регуляризации метки; наконец, он выводит значение предсказания максимальной вероятности, соответствующее категории первого прибытия в качестве первой точки прибытия.

Остальная часть статьи организована следующим образом. Я представляю методологию метода выбора по первому поступлению на основе UNet++. Затем создаются наборы данных, и UNet++ оптимизируется для получения наилучшего гиперпараметра. Первые поступления определяются с помощью UNet++, а сравнительные эксперименты проводятся с использованием основанного на U-Net алгоритма выбора первых вступлений и алгоритма STA/LTA в соответствии с смоделированными сигналами прямого моделирования методом конечных разностей и фактическими микросейсмическими записями при различных соотношениях сигнала к — коэффициент шума. Результаты показывают, что по сравнению с сетью U-Net предложенный метод, очевидно, может улучшить точность выделения первого прихода микросейсмических сигналов с низким SNR, достигая значительно более высокой точности и эффективности, чем хорошо известный алгоритм STA/LTA. за его высокую эффективность в традиционных алгоритмах. Наконец, обсуждение и решение представлены соответственно.

2. Методы
2.1. Метод выбора на основе UNet++

U-Net — это передовая и зрелая сеть, которая сочетает в себе специальную структуру повышающей и понижающей выборки, что играет важную роль в области глубокого обучения. По сравнению с сетью U-Net сеть UNet++, представленная на рис. 1, имеет более глубокое рецептивное поле. UNet++ имеет структуру соединения с пропуском и глубокий контроль, основанный на структуре U-Net, которая может обрабатывать информацию более высокого уровня. Основные преимущества UNet++ заключаются в следующем: его уникальное скиповое соединение интегрирует характеристики разных слоев, что повышает точность; у него есть глубокая структура наблюдения, то есть он получает окончательный результат вывода, усредняя четыре разделенных ветви, что уменьшает количество параметров и повышает скорость и точность сети. Рабочий процесс метода пикинга на основе UNet++ выглядит следующим образом: (1) Вход: дискретный временной ряд микросейсмического сигнала. (2) Путь сокращения UNet++: основная функция этого пути — извлечение характеристик сигнала и шума микросейсмических сигналов. . Каждый уровень пути сжатия содержит уровень свертки, уровень функции активации, уровень пакетной нормализации и уровень максимального объединения; все слои, кроме первого большого слоя, содержат слой повышающей дискретизации. Ядро свертки в сверточном слое имеет размер ; размер ядра свертки в слое повышающей дискретизации равен ; функция активации, используемая на уровне функции активации, — это Leaky Relu, которая выражается следующим образом: где представляет обучаемый параметр обучения, и в этой работе он установлен на 0,01; обозначает сетевой вход; представляет выход. Функция Leaky Relu может решить проблему исчезновения градиента, вызванного глубиной слоя, и ускорить скорость сходимости. (3) Путь расширения UNet++: путь расширения использует повышающую дискретизацию для восстановления и декодирования объектов до исходного входного размера и восстановления. пространственное разрешение входного сигнала, восстановление подробных функций и достижение эффекта сквозной классификации. (4) Выход: чтобы сделать извлеченные функции более полными, среднее значение ветвей, полученных в результате операции обрезки используется для получения выходного результата. Перед обучением используется однократное кодирование меток для получения разреженных меток, а затем обработка сглаживания и регуляризации меток, заданная (2), используется для повышения точности предсказания модели и увеличения ее способности сопротивляться меткам. ошибка. Наконец, функция softmax, заданная (3), используется для получения кривой вероятности точки дискретизации сигнала, принадлежащей к категории первого прихода, и точка с максимальной вероятностью на кривой принимается за точку первого прихода. Кросс-энтропия softmax используется в качестве функции потерь в сети для оптимизации сетевой модели и определяется формулой (4).

В (2) обозначает метку образца после сглаживания меток, представляет коэффициент сглаживания, представляет исходный образец и является введенным фиксированным распределением всех значений 1.

В (3) и (4) обозначает типы , обозначает точку выборки, обозначает выходные данные последнего уровня сети UNet++, соответствующие точке выборки, указывает распределение вероятностей реальных меток и представляет распределение вероятности предсказания сети. На рис. 2 показан поток бумаги. На рис. 3 показан процесс маркировки первого поступления.

2.2. Эксперимент

Параметры экспериментальной платформы приведены в таблице 1.

2.3. Набор данных

Качество и полнота набора данных оказывают существенное влияние на возможности сбора данных в UNet++. Поэтому при построении обучающей выборки UNet++ необходимо учитывать связь между непрерывностью трассы и трендами изменения параметров модели с расстоянием между точками обрыва и приема сигнала в точке прихода. В этой статье набор данных состоял из 5000 смоделированных сигналов, полученных путем прямого моделирования, и 5000 реальных сигналов микросейсмического мониторинга, собранных на нефтяных месторождениях Хубэй, Сычуань и Шэнли в Китае с высоким и низким SNR. Смоделированные сигналы находились в диапазоне частот 20–1000 Гц и были сгенерированы с помощью конечно-разностного прямого моделирования при различных значениях SNR с использованием различных скоростных моделей. Данные были разделены на обучающий набор, тестовый и проверочный наборы с использованием соотношения 6 : 2 : 2. Наконец, метод автоматического выбора, метод преобразования Шерлета-короткое временное окно/длинное временное окно-эксцесс (SS/L-K) [ 43] и метод ручного выбора использовались для маркировки точек прибытия в обучающей выборке.

2.4. Оптимизация гиперпараметров

Скорость обучения и коэффициент регуляризации сглаживания меток были оптимизированы для определения наиболее подходящих гиперпараметров UNet++. Скорость обучения, как один из наиболее важных гиперпараметров, влияющих на производительность сетевой модели, напрямую определяет скорость сходимости и точность обучения сети. Коэффициент регуляризации сглаживания может влиять на интенсивность возмущения, применяемого к правильным меткам, тем самым влияя на правильность меток входа сети. Поэтому, прежде чем использовать UNet++ для выбора первого прибытия, необходимо оптимизировать наиболее важные гиперпараметры, чтобы максимизировать производительность модели. (1) Оптимизация скорости обучения: как уже упоминалось, как один из наиболее важных гиперпараметров, скорость обучения напрямую влияет на производительность прогнозирования сети. С одной стороны, если скорость обучения слишком велика, сеть пропустит точку экстремального значения, что снизит точность обучения сети. С другой стороны, если скорость обучения слишком низкая, сеть будет сходиться слишком медленно или даже может возникнуть проблема переобучения. Чтобы решить эту проблему, в этой работе оптимальная скорость обучения была определена путем оценки производительности модели при скорости обучения 0,01, 0,001 и 0,0001. Потери и точность модели в наборах для обучения и проверки при разных скоростях обучения представлены на рисунках 4 (а) и 4 (б) соответственно. Как показано на рисунках 4(a) и 4(b), при скорости обучения 0,001 модель сходилась быстрее и достигала наивысшей точности проверки. Поэтому скорость обучения 0,001 использовалась в качестве начальной скорости обучения в экспериментах. (2) Сглаживание метки: регуляризация сглаживания метки повышает способность модели выдерживать ошибку входной метки, добавляя возмущения к исходной метке. Коэффициент гладкой регуляризации метки может определять силу приложенного возмущения. С одной стороны, если коэффициент регуляризации слишком велик, сеть может с трудом сойтись, поскольку возмущение метки будет слишком сильным. С другой стороны, если коэффициент регуляризации слишком мал, это приведет к снижению отказоустойчивости сети. Поэтому очень важно выбрать соответствующий коэффициент регуляризации. Кривая потерь на этапе обучения и кривая точности на этапе проверки при различных значениях коэффициента регуляризации сглаживания меток представлены на рисунках 5(a) и 5(b) соответственно. Как показано на рисунках 5(a) и 5(b), после использования сглаживания меток потери при обучении и точность проверки сети значительно улучшились. В частности, при коэффициенте регуляризации 0,01 модель показала наилучшие результаты. Поэтому в экспериментах использовался коэффициент регуляризации 0,01. (3) Проверка модели: чтобы проверить способность сети к обобщению, сравнивалась производительность UNet ++ на обучающем и проверочном наборах, а также пятикратная перекрестная проверка. использовался для оценки истинной ошибки обобщения сети. Потери и точность UNet++ во время обучения и проверки представлены на рисунке 6. Согласно результатам, показанным на рисунках 6(a) и 6(b), оптимизированная модель может быть использована для выбора первого прихода микросейсмического сигнала. точно.

2.5. Синтетические примеры

Профиль сигнала конечно-разностного прямого моделирования при частоте сигнала 20 Гц, размере модели , интервале пространственной выборки , координате источника (140,80) и двухслойной скоростной модели, где скорости среды верхнего и нижнего слоев составляли 2000 м/с и 3000 м/с, представлено на рисунке 7.

В данной работе в качестве объекта исследования был взят сигнал четвертой трассы разреза моделирования. Первое вступление было выбрано UNet++ при разных значениях SNR путем добавления гауссова шума. Затем, после добавления гауссова шума -8 дБ, было выбрано первое вступление всего участка для проверки применимости метода выбора на основе UNet++. Значение SNR было рассчитано по формуле: где и обозначают стандартные отклонения исходного сигнала и добавленного шума соответственно.

2.6. Тест смоделированных сигналов без помех

Сигналы прямого моделирования, соответствующие восьми участкам, показанным на рисунке 7, представлены на рисунке 8(a). Как показано на рис. 8(а), время первого прихода сигнала составило 350  мс. На рисунках 8(b) и 8(c) показаны промежуточные характеристики сигнала, показанного на рисунке 8(a), извлеченного слоями C3 и C5 UNet++ соответственно. На Рис.(а) и 9(б) соответственно. Полные результаты прогноза показаны в пунктирной рамке на рисунке 9(b).

2.7. Тест сигнала с добавлением гауссовского шума

Для дальнейшей проверки производительности UNet++ при пикировании первых вступлений эффективных микросейсмических сигналов с низким ОСШ к смоделированный сигнал показан на рисунке 8(a) соответственно. Полученные результаты представлены на Рисунке 10, Рисунке 11 и Рисунке 12.

Смоделированные сигналы прямого моделирования, дополненные гауссовскими шумами -3 дБ, -5 дБ и -8 дБ представлены на Рисунках 13(a), 14(а) и 15(а) соответственно. Промежуточные характеристики сигнала, показанного на рисунке 13(a), извлеченного уровнями C3 и C5 сети UNet++, представлены на рисунках 13(b) и 13(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 10(а) и 10(б) соответственно. Полный результат выбора показан в пунктирной рамке на рисунке 10(b).

Промежуточные характеристики сигнала, показанного на рис. 14(а), извлеченного уровнями C3 и C5 UNet++, представлены на рисунках 14(b) и 14(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 11(а) и 11(б). Полный результат выбора показан в пунктирной рамке на рисунке 11(b).

Промежуточные характеристики сигнала, показанного на рис. 15(а), извлеченного уровнями C3 и C5 UNet++, представлены на рисунках 15(b) и 15(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 12(а) и 12(б). Полный результат пикинга показан в пунктирной рамке на рисунке 12(b).

Как показано на Рисунке 9, Рисунке 10, Рисунке 11 и Рисунке 12, по мере того, как SNR смоделированных сигналов прямого моделирования уменьшалось, вероятность точки первого прибытия, предсказанная UNet++, снижалась. Это произошло потому, что сеть извлекла не только особенности исходного сигнала в точке прибытия, но и характеристики шума, тем самым уменьшив значение вероятности точки первого прибытия, предсказанной сетью. Тем не менее, предложенный алгоритм может по-прежнему точно предсказывать точку первого прихода, что указывает на то, что метод выбора первого прихода, основанный на сети UNet++, может устойчиво и точно выбирать первый приход эффективного сигнала микросейсмических сигналов с низким ОСШ.

2.8. Тест профиля прямого моделирования

По мере увеличения расстояния между трещиной и точками приема эффективная амплитуда сигнала постепенно уменьшается. Для дальнейшей оценки влияния амплитуды сигнала на результат пикинга точки первого прихода в качестве опорной трассы был взят сигнал третьей трассы профиля, а затем к опорному сигналу трассы был добавлен гауссовский шум -8 дБ. Наконец, гауссовский шум был добавлен к эталонному сигналу трассы для всего профиля мониторинга, показанного на рисунке 7, для проверки производительности предложенного алгоритма выбора первого поступления. Результаты пикинга показаны на рисунке 16, а в таблице 2 показаны конкретные данные рисунка 16(c).

Как показано на рисунке 16, при гауссовском шуме -8 дБ алгоритм выбора первого поступления, основанный на UNet++, был более точным для профиля синтезированного сигнала, чем U-Net, а ошибка выбора составила всего 276 мс. В частности, результаты выделения первого прихода третьих восьми трасс профиля мониторинга хорошо согласовывались с точкой первого прихода смоделированного сигнала прямого моделирования. Это было связано с тем, что характеристики эффективного сигнала в точке прихода были более очевидными, а отношение сигнал-шум было выше, чем у первой и второй трассы сигнала. Однако для первой и второй трасс сигналов из-за затухания амплитуды эффективного сигнала после добавления гауссовского шума характеристики сигнала были нераспознаваемыми, а отношение сигнал/шум значительно уменьшилось, что привело к большой ошибке пикинга первого прихода. Как видно на рисунке 16, для микросейсмических сигналов с низким отношением сигнал-шум предложенный алгоритм может эффективно и точно выделять первое вступление микросейсмических сигналов.

2.9. Примеры реальных данных

Для дальнейшей проверки работоспособности предложенного алгоритма было проведено испытание на выбранных микросейсмических данных из Сычуаньской рабочей зоны и нефтяного месторождения Шэнли. Также было проведено сравнение алгоритма выбора прибытия на основе U-Net и традиционного алгоритма STA/LTA, известного своей высокой эффективностью.

Микросейсмические записи с высоким отношением сигнал-шум, полученные при реальном мониторинге в районе работ месторождения Шэнли, всего с семиуровневыми сейсмоприемниками, представлены на рисунке 17. Длина каждого сигнала составила 4096 мс, а интервал выборки 1 мс. Точка прихода на записи микросейсмического мониторинга была около 3500–4000 мс. Первый сигнал трассы фактического микросейсмического сигнала и промежуточные характеристики, извлеченные слоями C3 и C5 сети UNet++, представлены на рисунке 18. Времена прибытия сигнала, показанные на рисунке 18(a), взятые с помощью UNet++, U-Net и Алгоритмы STA/LTA показаны на Рисунке 19.

Как показано на Рисунке 19, результат пикинга, полученный U-Net и UNet++ для сигнала микросейсмического мониторинга, показанного на Рисунке 18(a), согласуется с результатом пикинга вручную, тогда как алгоритм STA/LTA имел очевидную ошибку выбора.

Микросейсмические записи с низким отношением сигнал-шум, полученные в результате фактического мониторинга в районе работ в провинции Сычуань, в общей сложности с использованием девятиуровневых сейсмоприемников, представлены на рисунке 20. Длина каждого сигнала составляла 3200 мс, а интервал выборки составлял РС. Точка прибытия в записи микросейсмического мониторинга была около 500  мс; результаты, полученные с помощью ручной пикировки, приведены в таблице 3. Шестой сигнал трассы профиля микросейсмической записи и промежуточные признаки, извлеченные слоями C3 и C5 UNet++, представлены на рисунке 21. Сравнение результатов пикинга по первому приходу сигнал, показанный на рис. 21(а), полученный с помощью алгоритмов UNet++, U-Net и STA/LTA, представлен на рис. 22.

Как показано на рис. 22(a), метод пикинга на основе UNet++ может выбрать приход для сигнала с низким SNR; однако была ошибка выбора метода выбора первого прибытия на основе U-Net, а точка прибытия, выбранная U-Net, была 1384. Точно так же алгоритм STA / LTA имел очевидную ошибку выбора.

В таблице 3 показано время, необходимое для выбора профилей записей, показанных на рисунках 17 и 20, для алгоритмов UNet++, U-Net и STA/LTA.

По результатам сравнительного эксперимента смоделированных и реальных сигналов мониторинга и сравнения затрат времени на выборку первого поступления различных алгоритмов можно сделать вывод, что алгоритм STA/LTA, известный своей высокой эффективностью, с трудом может получить точный результат выбора первого прибытия в условиях низкого SNR, в то время как алгоритм выбора первого прибытия, основанный на глубоком обучении, благодаря своей мощной способности захвата признаков и лучшему различению признаков SNR, может точно и эффективно выбирать первое появление низкого SNR. Микросейсмические сигналы ОСШ. Скорость выбора предлагаемого метода значительно выше, чем у алгоритма STA/LTA, что улучшает как скорость, так и точность выбора первого прибытия.

UNet++, благодаря плотному межуровневому соединению и глубокой структуре контроля, может извлекать более глубокие характеристики сигнала и шума, чем U-Net, и различать микросейсмический сигнал даже в среде с низким SNR. Превосходная способность к обобщению еще больше расширяет перспективы его применения при пикировании микросейсмических сигналов по первому вступлению. Следовательно, предлагаемый алгоритм выбора первого поступления, основанный на UNet++, может более точно и эффективно выбирать поступления микросейсмических сигналов.

3. Обсуждение

Несмотря на то, что предлагаемый метод может дать хорошие результаты, его еще можно улучшить.

Данные мониторинга разных участков работ различаются методами мониторинга, геологическими условиями, методами ГРП и т.д. Таким образом, маркировка данных нового участка съемки может сильно снизить эффективность применения алгоритма, в результате чего он не будет соответствовать требованиям оперативная обработка данных микросейсмического мониторинга. Однако полууправляемое обучение использует сеть для автоматического извлечения признаков помеченных данных из небольших выборок, тем самым реализуя автоматическую маркировку крупномасштабных неразмеченных данных, что может значительно повысить эффективность применения предлагаемого алгоритма [45–47].

По сравнению с обучением с учителем, обучение с передачей продолжает изучать данные целевой области на основе инициализации с использованием параметров сети перед обучением, уменьшая масштаб обучающих данных и значительно снижая вычислительные затраты и затраты времени на обучение сети [48]. Таким образом, чтобы реализовать обработку данных микросейсмического мониторинга в различных областях работы более эффективно и быстро, последующие исследования будут сочетать идеи полууправляемого обучения и трансферного обучения для дальнейшего повышения скорости предлагаемого алгоритма выбора первого прибытия.

Разнообразие выборок является одним из важных факторов, влияющих на эффективность прогнозирования сети. Использование соответствующего количества выборок может еще больше повысить точность предсказания сети. В последнее время было предложено множество методов улучшения выборки, таких как неконтролируемое увеличение данных (UDA) [49] и генеративно-состязательные сети (GAN) [50]. Кроме того, состязательное обучение может снизить частоту ошибок на исходном независимом и одинаково распределенном тестовом наборе и повысить отказоустойчивость сети за счет обучения сети на состязательных образцах обучающего набора [51, 52]. Таким образом, последующее исследование будет сочетать улучшение выборки и состязательное обучение для реализации высокоточного выделения первых вступлений микросейсмических сигналов в условиях небольшой выборки, чтобы еще больше повысить точность предлагаемого метода выделения первых вступлений.

Гиперпараметры оказывают значительное влияние на производительность модели, время работы алгоритма и стоимость хранения глубокой нейронной сети. Поэтому автоматическая настройка и оптимизация гиперпараметров очень важны. Гахрамани указал, что байесовская оптимизация является одной из самых передовых и многообещающих технологий в области искусственного интеллекта [53]. Поэтому последующие исследования будут дополнительно изучать схему быстрой байесовской оптимизации для глубокой нейронной сети [54], оптимизировать модель и повышать ее точность [55, 56].

4. Выводы

В этой статье предлагается метод пикирования по первому вступлению на основе UNet++, отвечающий требованиям к точности пикинга и эффективности обработки микросейсмических сигналов в реальном времени. Чтобы проверить правильность предложенного алгоритма, к сигналу прямого моделирования последовательно добавляли гауссовский шум с ОСШ -1 дБ, -5 дБ и -8 дБ, и предложенный алгоритм сравнивался с алгоритмом STA/LTA. Наконец, предложенный метод, метод на основе U-Net и метод STA/LTA были применены к реальным данным микросейсмического мониторинга в бассейне Сычуань и нефтяном месторождении Шэнли в Китае, чтобы проверить осуществимость метода пикинга на основе UNet++. Тестирование смоделированных и реальных данных показывает, что предложенный метод пикировки позволяет точно выделить первое вступление эффективного сигнала и получить надежный результат для микросейсмического мониторинга даже для зашумленных сигналов.

Доступность данных

Данные и код доступны на https://github. com/RufusGuo/UNet-.

Конфликт интересов

Автор заявляет об отсутствии конфликта интересов в связи с публикацией этой статьи.

Ссылки
  1. Н. Икбал, Э. Лю, Дж. Х. Макклеллан, А. Аль-Шухаил, С. И. Кака и А. Зергин, «Обнаружение и шумоподавление микросейсмических событий с использованием частотно-временного представления и тензорного разложения», Доступ IEEE , том. 6, стр. 22993–23006, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  2. С. К. Максвелл, Дж. Ратледж, Р. Джонс и М. Фелер, «Характеризация нефтяного резервуара с использованием скважинного микросейсмического мониторинга», Геофизика, , том. 75, нет. 5, стр. 75A129–75A137, 2010.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  3. Сонг С. и Алхалифа Т., «Оценка микросейсмических событий на основе эффективной инверсии волнового поля», IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , vol. 12, нет. 11, стр. 4664–4671, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  4. G. L. Feng, X. T. Feng, B. R. Chen и Y. X. Xiao, «Высокоточный метод обнаружения микросейсмических событий, связанных с процессами развития горных ударов в туннелях», IEEE Access , vol. 5, стр. 27722–27731, 2017.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

  5. Л. Донг, Д. Сун, С. Ли и К. Ду, «Теоретические и экспериментальные исследования методологии локализации АЭ и источников микросейсмических волн без предварительного измерения скорости волны в шахтах», IEEE Access , vol. . 5, стр. 16818–16828, 2017.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  6. П. М. Дункан и Л. Эйснер, «Характеризация коллектора с использованием поверхностного микросейсмического мониторинга», Geophysics , vol. 75, нет. 5, стр. 75А139–75A146, 2010.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  7. Л. Эйснер, П. М. Дункан, В. М. Хейгл и В. Р. Келлер, «Неопределенности в пассивном сейсмическом мониторинге», The Leading Edge , vol. 28, нет. 6, стр. 648–655, 2012.

    Посмотреть по адресу:

    Google Scholar

  8. Р. Аллен, «Автоматическое распознавание землетрясений и определение времени по одному следу», Бюллетень сейсмологического общества Америки , том. 68, нет. 5, стр. 1521–1532, 1978.

    Просмотр по адресу:

    Google Scholar

  9. C. Suhendi, M. R. P. Sudibyo, I. F. Erlangga, and A. P. Arbad, «Automatic event event from tectonic Earthquakes with Modified Akaike Information Criterion (mAIC)», in IOP Conference Серия: Науки о Земле и окружающей среде, Институт технологий Суматра, кампус , том. 258, нет. 1, статья 012037, Лампунг Селатан, Индонезия, 2019 г.

    Посмотреть по адресу:

    Google Scholar

  10. М. Сэнкая и Х. Карсли, «Полуавтоматический подход к определению времени первого прибытия: метод взаимной корреляции», Earth Sciences Research Journal , vol. 18, нет. 2, pp. 107–113, 2014.

    Просмотр по адресу:

    Google Scholar

  11. G. Sheng, X. Tang, K. Xie, and J. Xiong, «Метод пикинга по первому вступлению для гидроразрыва микросейсмических данных, основанный на преобразование Шерлета без субдискретизации и статистика высшего порядка», Journal of Seismic Exploration , том. 28, нет. 6, pp. 593–618, 2019.

    Просмотр по адресу:

    Google Scholar

  12. Шимода Н., Решетников А., Шапиро С. SEG Technical Program Expanded Abstracts 2015 , стр. 2655–2659, Society of Exploration Geophysicists, 2015. пикирование микросейсмических событий с низким отношением сигнал/шум» Геофизика , вып. 81, нет. 2, стр. KS133–KS151, 2016.

    Просмотр по адресу:

    Google Scholar

  13. В. Карастатис, Т. Аспиотис, А. Целентис и Н. Рассилл, «Автоматический выбор S-волны на основе времени- частотный анализ для пассивных сейсмических приложений», в SEG Technical Program Expanded Abstracts 2016 , стр. 2760–2764, Society of Exploration Geophysicists, 2016. Малкольм, «Улучшенный автоматический сборщик объемных волн с широкой областью применения», в SEG Technical Program Expanded Abstracts 2016 , стр. 2617–2621, Society of Exploration Geophysicists, 2016. методы временной пикировки скважинных микросейсмических данных», Геофизика , т. 1, с. 81, нет. 2, стр. KS67–KS87, 2016.

    Просмотр по адресу:

    Google Scholar

  14. Д. Ким, Дж. Бьюн, М. Ли, Дж. Чой и М. Ким, «Алгоритм быстрого выбора первого прибытия». для зашумленных микросейсмических данных» Разведочная геофизика , вып. 48, нет. 2, pp. 131–136, 2016.

    Посмотреть по адресу:

    Google Scholar

  15. Z. Yu, C. He, G. Hou, and Y. Tan, «Выбор прибытия и уточнение микросейсмических событий на основе Waveform Cross Correlation», in International Geophysical Conference , pp. 1354–1357, Beijing, China, 2018. -Шухаил, Кака С.И. Автоматическое обнаружение микросейсмических событий с использованием постоянной обработки частоты ложных тревог в частотно-временной области // 9.0458 SEG Technical Program Expanded Abstracts 2018 , стр. 2912–2916, Society of Exploration Geophysicss, 2018. Чен, «Автоматическое обнаружение микросейсмических событий с высоким разрешением с помощью контролируемого машинного обучения», Geophysical Journal International , vol. 222, нет. 3, стр. 1881–1895, 2020.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

  16. Х. Ву, Б. Чжан, Ф. Ли и Н. Лю, «Полуавтоматический выбор микросейсмических событий по первому вступлению с использованием метода попиксельной сверточной сегментации изображения», Geophysics , vol. 84, нет. 3, pp. 1–70, 2019.

    Посмотреть по адресу:

    Google Scholar

  17. Л. Гао, З.-Ю. Цзян и Ф. Мин, «Выбор времени прохождения первого прибытия через скользящие окна и нечеткие с-средние», Mathematics , vol. 7, нет. 3, с. 221, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  18. С. Ли, Б. Лю, Ю. Рен и др., «Инверсия сейсмических данных с глубоким обучением», 2020 г., https://arxiv.org/abs/1901.07733.

    Посмотреть по адресу:

    Google Scholar

  19. Г. Чжан, З. Ван и Ю. Чен, «Глубокое обучение для прогнозирования сейсмической литологии», Geophysical Journal International , vol. 215, нет. 2, стр. 1368–1387, 2018.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

  20. М. Чжан, Ю. Лю и Ю. Чен, «Неконтролируемое подавление случайного сейсмического шума на основе глубокой сверточной нейронной сети», IEEE Access , vol. 7, стр. 179810–179822, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  21. B. Liu, S. Yang, Y. Ren, X. Xu, P. Jiang и Y. Chen, «Глубокое обучение сейсмической полноволновой инверсии для реалистичных структурных моделей», Geophysics , об. 86, нет. 1, стр. R31–R44, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  22. А. Крижевский, И. Суцкевер и Г. Хинтон, «Классификация ImageNet с помощью глубоких сверточных нейронных сетей», Достижения в системах обработки нейронной информации , том. 25, нет. 2, pp. 1097–1105, 2012.

    Посмотреть по адресу:

    Google Scholar

  23. K. Zhang, Y. Guo, X. Wang, J. Yuan, and Q. Ding, «Многофункциональная переоценка DenseNet для классификация изображений», IEEE Access , vol. 7, стр. 9872–9880, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  24. Л. Хан, С. Ли и Ю. Донг, «U-сеть на основе сверточных граничных ограничений для обнаружения заметных объектов», IEEE Access , vol. 7, стр. 48890–48900, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  25. Z. Qu, W. Wang, C. Hou, and C. Hou, «Распознавание внутриимпульсной модуляции радиолокационного сигнала на основе сверточного шумоподавляющего автоэнкодера и глубокой сверточной нейронной сети», Доступ IEEE , том. 7, стр. 112339–112347, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  26. X. Yang, H. Sun, X. Sun, M. Yan, Z. Guo и K. Fu, «Обнаружение положения и предсказание направления для произвольно ориентированных кораблей с помощью многозадачной сверточной нейронной сети области вращения, IEEE Access , vol. 6, стр. 50839–50849, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  27. Z. Xu, T. Wang, S. Xu и др., «Сейсмическая идентификация активного источника и автоматический выбор первого вступления P-волны с использованием сверточной нейронной сети», Исследование землетрясений в Китае , том. 33, нет. 2, pp. 288–304, 2019.

    Посмотреть по адресу:

    Google Scholar

  28. Ю. Чен, Г. Чжан, М. Бай, С. Зу, З. Гуань и М. Чжан, «Автоматический классификация формы волны и выбор прихода на основе сверточной нейронной сети», Earth and Space Science , vol. 6, нет. 7, стр. 1244–1261, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  29. Ю. Чен, «Автоматический выбор микросейсмических событий с помощью машинного обучения без учителя», Geophysical Journal International , vol. 222, стр. 1750–1764, 2020.

    Посмотреть по адресу:

    Google Scholar

  30. Ю. Чен, «Быстрое обнаружение формы волны для микросейсмических изображений с использованием неконтролируемого машинного обучения», Geophysical Journal International , vol. 215, нет. 2, стр. 1185–1199, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  31. Г. Чжан, К. Лин и Ю. Чен, «Сверточные нейронные сети для классификации микросейсмических сигналов и выбора прихода», Геофизика , вып. 85, нет. 4, стр. WA227–WA240, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  32. О. М. Саад и Ю. Чен, «Автоматическое построение изображения местоположения источника на основе волновой формы с использованием извлеченных микросейсмических сигналов с помощью глубокого обучения», Geophysics , vol. 85, нет. 6, стр. KS171–KS183, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  33. О. М. Саад и Ю. Чен, «Обнаружение землетрясений и выбор времени прихода P-волн с использованием капсульной нейронной сети», IEEE Transactions on Geoscience and Remote Sensing , vol. 58, стр. 1–10, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  34. D. Peng, Y. Zhang и H. Guan, «Обнаружение сквозных изменений для спутниковых изображений высокого разрешения с использованием улучшенного UNet++», Remote Sensing , vol. 11, нет. 11, с. 1382, 2019.

    Посмотреть по адресу:

    Google Scholar

  35. Ю. Чен, В. Сюй, Дж. Цзо и К. Ян, «Алгоритм распознавания пожаров с использованием динамического слияния признаков и классификатора IV-SVM», Кластерные вычисления , том. 22, стр. 7665–7675, 2018.

    Просмотр по адресу:

    Google Scholar

  36. Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh и J. Liang, «UNet++: перепроектирование пропускных соединений для использования многомасштабных функций в сегментация изображения», IEEE транзакции по медицинской визуализации , vol. 39, нет. 6, стр. 1856–1867, 2019.

    Посмотреть по адресу:

    Google Scholar

  37. З. Чу, Т. Тянь, Р. Фэн и Л. Ван, «Сегментация моря и суши с помощью Res-UNet и Полностью подключенная CRF», в IGARSS 2019-2019 Международный симпозиум IEEE по геонаукам и дистанционному зондированию , стр. 3840–3843, IEEE, Йокогама, Япония, 2019. , Лю, Ю. Ван и Р. Лин, «Уменьшение шума магнитотеллурических данных с помощью рекуррентной нейронной сети», в семинаре SEG 2019: Математическая геофизика: традиционная и обучающая , стр. 5–7, Пекин, Китай, Общество геофизиков-исследователей. , 2020.

    Посмотреть по адресу:

    Google Scholar

  38. Z. Zhou, M. M. Siddiquee, N. Tajbakhsh и J. Liang, «UNet++: A Nested U-Net Architecture for Medical Image Segmentation», in Глубокое обучение анализу медицинских изображений и мультимодальное обучение для поддержка принятия клинических решений , стр. 3–11, Springer, Cham, 2018.

    Посмотреть по адресу:

    Google Scholar

  39. С. Лейн и Т. Айла, «Временное объединение для частично контролируемого обучения», 2017 г., https://arxiv.org/abs/1610.02242.

    Посмотреть по адресу:

    Google Scholar

  40. В. Ли, Л. Дуан, Д. Сюй и И. В. Цанг, «Обучение с расширенными функциями для контролируемой и частично контролируемой адаптации гетерогенных доменов», IEEE Transactions on Pattern Анализ и машинный интеллект , том. 36, нет. 6, стр. 1134–1148, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  41. Х. Пан и З. Канг, «Надежное обучение на основе графов для полуконтролируемой классификации», в 2018 10-я Международная конференция по интеллектуальным человеко-машинным системам и кибернетике (IHMSC) , стр. 265–268, Ханчжоу, Китай, 2018 г.

    Посмотреть по адресу:

    Google Scholar и Ф. Давуан, «Explicit Inductive Bias for Transfer Learning with Convolutional Networks», в International Conference on Machine Learning , Stockholmsmässan, Стокгольм, Швеция, 2018.0011

    К. Се, З. Дай, Э. Хови, М. Луонг и К. В. Ле, «Неконтролируемое увеличение данных для обучения согласованности», 2019 г., https://arxiv.org/abs/1904.12848.

    Посмотреть по адресу:

    Google Scholar

  42. C. Chang, T. Chen и P. Chung, «Semi-supervised Learning Using Generative Adversarial Networks», in 2018 IEEE Symposium Series on Computational Intelligence (SSCI) , стр. 892–896, Бангалор, Индия, 2018 г.

    Посмотреть по адресу:

    Google Scholar

  43. И. Дж. Гудфеллоу, Дж. Шленс и К. Сегеди, «Объяснение и использование состязательных примеров», 2015 г., https://arxiv.org/abs/1412.6572.

    Посмотреть по адресу:

    Google Scholar

  44. Т. Миято, С. Маэда, М. Кояма и С. Исии, «Виртуальное состязательное обучение: метод регуляризации обучения с учителем и полуучителем», IEEE Transactions по анализу закономерностей и машинному интеллекту , том. 41, нет. 8, стр. 1979–1993, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

  45. Г. Зубин, «Вероятностное машинное обучение и искусственный интеллект», Nature , vol. 521, нет. 7553, стр. 452–459, 2018.

    Просмотр по адресу:

    Google Scholar

  46. К. Аарон, «Быстрая байесовская оптимизация гиперпараметров машинного обучения на больших наборах данных», в , искусственный интеллект и статистика 90.

alexxlab

Добавить комментарий

Ваш адрес email не будет опубликован.