基于BP神经网络的压裂参数优化设计

合集下载

基于BP神经网络的爆破参数优选

基于B P 神经网络的爆破参数优选①赵　彬1,王新民1,史良贵2,张钦礼1,南世卿3,苏　明3,宋爱东3(1.中南大学资源与安全工程学院,湖南长沙410083;2.新桥矿业公司,安徽铜陵244131;3.唐钢矿业有限公司石人沟铁矿,河北遵化064200)摘　要:为了得到最优的矿岩爆破参数,提出以矿岩的容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力为输入因子,炮孔排距、孔底距及一次炸药单耗为输出因子,并以国内爆破工艺类似、效果良好的矿山为样本来建立BP 神经网络模型进行优选的思路。

以石人沟铁矿上向扇形中深孔爆破参数选择为例,优选出的参数适用于矿岩条件,爆破效果良好。

这种思路也可用于使用其它爆破工艺的矿山,具有广阔的应用前景。

关键词:爆破参数;影响因素;优化选择;非线性关系;BP 神经网络中图分类号:T D235;T B41文献标识码:A文章编号:0253-6099(2009)04-0024-04Opti m i zati on of Bl asti n g Parameters Based onBack 2Propagati on Neural NetworkZHAO B in 1,WANG Xin 2m in 1,SH IL iang 2gui 2,ZHANG Q in 2li 1,NAN Shi 2qing 3,S U M ing 3,S ONG A i 2dong3(1.School of R esources and Safety Engineering,Central South U niversity,Changsha 410083,Hunan,China;2.X in 2qiao M ining Corporation,Tongling 244131,A nhui,China;3.Shirengou Iron M ine,Tanggang M ining Co L td Co m pany,Zunhua 064200,Hebei,China )Abstract:I n order t o get op ti m al blasting para meters,it is p r oposed that taking a domestic m ine with the si m ilar blasting technol ogy and good p ractice as a sa mp le,a BP neural net w ork model is established with the volu me weight,modulus of elasticity,comp ressive strength,tensile strength,fricti on angle and bond strength as input fact ors,with the r ows s pace,dep th of holes and once consu mp ti on of dyna m ite as out put fact ors .And taking the selecti on of blasting para meters f or upward sect or mediu m 2length hole in the Shirengou Ir on M ine as an exa mp le,the op ti m al para meters can be app lied f or the r ock conditi on with a good blasting effect .This method has a wide app licati on since it can als o be app lied in other m ines with different blasting technol ogy .Key words:blasting para meters;influence fact or ;op ti m al choice;nonlinear relati onshi p;Back 2Pr opagati on neural net w ork 矿岩的爆破工艺是矿山生产过程中最重要的环节之一,合理的爆破参数是保证安全、高效回采的必备前提[1]。

基于PLS-BP神经网络模型的导水裂缝带高度预测

3. Shaanxi Province Coal Mine Water Disaster Prevention & Cure Key Laboratory, Xi
an Research Institute, Xi
an 710077)
an 710077, China;
㊀㊀煤矿开采过程中, 由于采动破坏了围岩原始应力状态, 使得煤层顶板发生变形乃至破坏, 当这一破坏高度延伸至上部含水层时, 极易引发突水事故㊂因此, 顶板导水裂缝带发育高度是煤矿防治水工作的重要内容, 是评价矿井突水危险性和设计防隔水煤 ( 岩) 柱尺寸的主要技术参数之一㊂目前的经验公式只是考虑了煤层顶板岩性和煤层开采厚度, 普通的回归公式也因未充分考虑影响因素的综合作用, 而在计算导水裂缝带高度中均存在一定的误差㊂导水裂缝带高度受开采深度㊁煤层倾角㊁开采厚度㊁走向长度㊁倾斜长度㊁顶板岩性㊁断层等诸多因素的影响 [1-3] , 在这些影响因素中并不能完全排除其多重相关性的存在, 且由于现实中可利用
HUANG Huan1,2,3
Abstract: To the problems of water flowing fractured zone height precise forecast based on long-wall caving mining along the strike method of Huainan coal field, BP neuron network model was built on partial least square regression, forecast precision of water flowing fractured zone height was improved. Firstly, the influence factors of water flowing fractured zone height were analyzed by partial least the multi-correlation that induced by small sample capacity between different variable quantity was conquered, it has doughty explain aexceed than experience formula, single partial least square regression and BP neuron network model. square regression method, the main factors were extracted by dimension reduction of original data, and original data was optimized, bility for self-variable and dependent variable / then the main factors that extracted was as input layer of BP neuron network model, and water flowing fractured zone was output layer, and net was trained. The network structure was simplify according it, the precision was Key words: water flowing fractured zone; multi-correlation; partial least square regression; BP neuron network

重复压裂选井选层的BP神经网络法

图１ＢＰ神经网络结构示意图
其工作原理是：将输入样本从输入层输入，经隐层向输出层传递，其间根据各层神经元激活函数做加权计算，最终在输出层得到实际输出。如果输出层得不到期望的输出，再按使网络输出层的误差平方和达到最小的目标，通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标。每次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层，直到达到期望目标。经过训练的ＢＰ神经网络由于具有很强的非线性映射能力，因此能够有效地将属于训练样本范围内的测试样本进行分类和识别。
文献标识码：Ａ文章编号：１００４ —４３８８（２０１３）０２ —０００４ —０３中图分类号：ＴＥ３５７．１４
０引
言
输入层
隐含层
隐含层
重复压裂作为油气井在原有裂缝失效情况下，保持增产的一项重要措施，在低渗油气田开发过程中得到广泛应用。选井选层是重复压裂改造工程成功的前提，对提高压裂的有效率和成功率起着举足轻重的作用。而影响重复压裂选井选层的因素很
灰色关联度ｎ是表征两系统或因素间动态变化一致性符合程度的指标。显然，两因素间的灰色关联度越大，则某一因素对另一因素的权重影响
［基金项目］国家科技重大专项子课题“ 油田开采后期提高采收率新技术” （２０１１ＺＸ０５００９ — ００４）资助。［作者简介］吕志凯，男，１９８４年出生，２００８年毕业于中国石油大学（北京）石油工程专业，现为中国石油大学（北京）油气田开发工程专业在读博士研究生，主要从事油气田开发和增产技术等方面的研究。Ｅ．ｍａｉｌ：ｌｚｋｎｂ＠１６３．ｃｏｎｒ。

基于神经网络模型的水平井破裂压力预测方法

第 55 卷第 1 期2024 年 1 月中南大学学报(自然科学版)Journal of Central South University (Science and Technology)V ol.55 No.1Jan. 2024基于神经网络模型的水平井破裂压力预测方法马天寿1，张东洋1，陈颖杰2，杨赟3，韩雄3(1. 西南石油大学油气藏地质及开发工程全国重点实验室，四川成都，610500；2. 中国石油西南油气田分公司致密油气勘探开发项目部，四川成都，610056；3. 中国石油川庆钻探工程有限公司钻采工程技术研究院，四川广汉，618300)摘要：破裂压力是井身结构设计的基础依据，也是水力压裂设备选型和方案设计的基础参数，通常采用测井解释获取破裂压力剖面，但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题，机器学习提供了一种解决这些问题的新方法。

为此，以测井数据作为输入参数，采用4种不同的神经网络模型，建立水平井测井数据与破裂压力间的非线性关系，通过测试集预测结果的对比分析，优选出最佳的神经网络模型，并优化模型网络结构和超参数，实现水平井破裂压力的直接预测。

研究结果表明：1) 破裂压力与井斜角、横波时差和纵波时差表现为极强相关性，与井深、岩性密度和补偿中子表现为强相关性，与井径和自然伽马表现为弱相关性；2) 不同组合的测井参数对模型预测结果具有显著影响，最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子；3) 对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型，发现LSTM 模型的预测效果最佳；4) 优化了LSTM 模型的网络结构及超参数，优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。

LSTM 模型能够有效构建水平井测井参数与破裂压力之间的非线性关系，可以实现水平井破裂压力的准确预测，对于准确预测破裂压力、简化破裂压力计算过程、推广机器学习在石油工程领域的应用具有重要的作用。

改进BP神经网络在裂缝预测中的应用

ｐａｔｃ１ｒｃｉａ．ＴｈｒｆｒｈｓｐｐｒｆｒｔｙｓｕｉｓｔｅｉｐｏｅｎｆＢＰ（ＢａｋＰｒｐｇｔｎ）ｅｅｏｅｔｉａｅｉｓｌｔｄｅｈｍｒｖｍｅｔｏｃｏａａｉｏｎｕａｅｗｏｋａｇｒｔｍ，ｗｈｃｒａｌｍｐｏｅｈｅｒｌｅｗｏｋａｇｒｔｍｎｔｅｅｒｌｔｒｌｏｉｎｈｉｈｇｅｔｙｉｒｖｄｔｅＢＰｎｕａｔｒｌｏｉｈｉｈｎｃｎｅｇｎｅｓｅｄａｄｇｏａｏｔａｔｌａａｉｏｖｒｅｃｐｅｎｌｂｌｃｎｒｃｉｃｐｃｔｅｙ，ｔｅｈｌｏｉｈｗａｎｒｄｃｄｔｈｎｔｅａｇｒｔｍｓｉｔｏｕｅｏ
中，利用常规测井曲线就能较好地达到预测裂缝的目的。结合实际的生产资料进行了效果分析，果表明，使结
对常规测井资料应用神经网络技术能较好地识别裂缝。
关键词：改进ＢＰ神经网络；裂缝识别；测井；特鲁瓦油田北
ｆａｔｒｒｄｃｉｒｃｕｅｐｅｉｔｏｎ，ｅａｉｇｔｅｏｏｖｅｔｏｌｌｇｇｎｇｃｖｏａｈｉｖｔｅｒｄｃｎｂｌｎｈｅｕｓｆｃｎｎｉｎａｏｉｕｒｅｔｃｅｅｂｅｔｒｐｅｉ— ｔｏｆｆａｔｅｅｓｉｎｏｒｃｕｒｎｄ．Ｃｏｂｎｅｔｈｅａｔｌｐｏｄｔｏａａｏｈｅｅｆｃｎａｙｉ，ｔｍｉｄｗｉｈｔｃｕａｒｕｃｉｎｄｔｆｔｆｅｔａｌｓｓｈｅｒｓｔｈｏｔｔｔｅｃｎｖｎｉｎａｏｇｉａａａｈｅａｐｌｃｔｏｆｎｅｒｌｎｔｒｅｈ— ｅｕｌｓｓｗｈａｈｏｅｔｏｌｌｇｎｇｄｔｎｄｔｐｉａｉｎｏｕａｅｗｏｋｔｃ

基于BP神经网络的凿岩爆破参数优选

基于BP神经网络的凿岩爆破参数优选王新民;赵彬;王贤来;张钦礼【期刊名称】《中南大学学报（自然科学版）》【年(卷),期】2009(040)005【摘要】Back-Propagation neural network was used to optimize the drilling and blasting parameters. In the process of simplification, the interval and row-space of holes were used as the input data and the sum of unit explosive consumption was confirmed to be the synthesized output data. Some learning and training samples were established by the numbered orthogonal blasting tests to get the best network mode. The best parameters were gotten using the selected network, according to the forecasted and optimized samples formed by combining the more levels of the parameters. BP neural network mode was used in Xinqiao Pyrite Mine. The results show that the best interval and row-space of holes are 1.30 m and 1.10 m, respectively, the sum of forecasted unit explosive consumption is 0.459 7 kg/t, which is 44.53% lower than the former (0.828 8 kg/t).%为了得到合理的凿岩爆破参数,使用BP神经网络进行优选.经过简化,以炮孔间距和排距作为输入因子,以总炸药单耗作为综合输出因子;通过有限次的爆破正交试验,建立网络学习、训练样本,优选出最佳的网络模型;增加各输入因子水平,组合成预测、优选样本,从而搜索出最优的凿岩爆破参数.以新桥硫铁矿为例,优选出炮孔间距为1.30 m,排距为1.10 m;预测总炸药单耗为0.459 7 kg/t,比原炸药单耗(0.828 8 kg/t)降低44.53%.【总页数】6页(P1411-1416)【作者】王新民;赵彬;王贤来;张钦礼【作者单位】中南大学,资源与安全工程学院,湖南,长沙,410083;中南大学,资源与安全工程学院,湖南,长沙,410083;中南大学,资源与安全工程学院,湖南,长沙,410083;中南大学,资源与安全工程学院,湖南,长沙,410083【正文语种】中文【中图分类】TD235.4【相关文献】1.基于GA-BP神经网络矿岩爆破参数优选 [J], 王德永;袁艳斌;钱兆明;陈颖2.基于爆破漏斗试验的中深孔凿岩爆破参数研究 [J], 张立新3.爆破参数的BP神经网络优选及验证 [J], 王永奇;戴兵4.基于灰色理论与BP神经网络的特长瓦斯隧道爆破参数优选 [J], 邹宝平;杨建辉;王建秀;胡力绳5.基于BP神经网络的爆破参数优选 [J], 赵彬;王新民;史良贵;张钦礼;南世卿;苏明;宋爱东因版权原因，仅展示原文概要，查看原文内容请购买。

BP神经网络在台阶爆破参数优化中的应用

摘
要：在遵义县新材料工业园区平场工程土石方开挖中，为了达到良好的爆破效果，需对爆破参数进
行优化研究。首先根据目前所采用的生产设备和爆破器材确定了中深孔台阶爆破所需优化的参数，用Ｂ利Ｐ神经网络以岩石性质参数、爆破现场条件ｖ￣．Ｘｔ爆破效果要求作为ＢＰ神经网络的输入层，以需优化的爆破参
数作为ＢＰ神经网络的输出层，然后以２经典数据分析了模型参数的选取并进行了神经网络训练验证了５组网络的有效性，最后将现场参数输入神经网络得到了满足生产要求的爆破参数，达到了良好的爆破效果。
关键词：台阶爆破；参数优化；Ｐ神经网络Ｂ
露天采矿技术２１年第３０２期
・９９・
ＢＰ神经网络在台阶爆破参数优化中的应用
王璞，王维锋徐海波，
（．甘肃久联爆破工程有限公司，甘肃兰州７０３；２１３００．湖北省地质矿业开发有限责任公司，湖北武汉４０２２
文献标识码：Ｂ
文章编号：６１— ９１２１）０１７８６（０２３—０９０９—０４
ＡｐｌａｏｆＢＰｎｕａｅｗｏｋｏｂｎｈｂａｔｇｐｒｍｅｅｐｉｚｔｎｐｉｔｎｏｅｒｌｎｔｒｓｔｅｃｌｓｉａａｔｒｏｔｃｉｎｍｉａｉｏＷＡＮＧｕ，ＷＡＮＧｉｆｎＸＵＨａ — ｏＰ。Ｗｅ — ｅｇ，ｉｂ

基于BP神经网络的混凝土抗裂性能预测

为自变量．表达为输入节点．并把极限拉伸值作为目标数据，以输出节点表达。
（２）用Ｍａｔｌａｂ自带的ｍａｐｍｉｎｍａｘ函数对原始数据进行【０，１】
归一化（输入数据矩阵为Ｐ，输出数据矩阵为ｔ）：
ＬｏＷＣＡＲＢＯＮＷＯＲＬＤ２ｏｌ７
建筑・能
基于ＢＰ神 ቤተ መጻሕፍቲ ባይዱ 网络的混凝土抗裂性能预测
文０灿（重庆交通大学，重庆市南岸区４０００７４）
【摘要】影响混凝土结构抗裂性能的一重要因素是原材料，本文基于ＢＰ神经网络模型和Ｍａｔｌａｂ软件，建立了原材料对混凝土抗裂性能影响
１４ｌ
１４０１４３１４１１４２１４０１４０１３９
７０．５
６４．５１４３ｌ２５１ｌ４ｌ０２９３８５．５
０＿８２
０．７５１．Ｏ７３０．９４００．８５００．７６５０．７ｏｏ０．６４３
的神经网络预测模型，结果表明ＢＰ神经网络能很好地预测混凝土抗裂性能，模型预测精度高达９９．９５％。
【关键词】ＢＰ神经网络；混凝土；抗裂性能
【中图分类号】ＴＵ５２８【文献标识码】Ａ【文章编号】２０９５ — ２０６６（２０１７）２５ — ０１６３ — ０２

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｔｏｏｙｐｒｍｅｅｓ，ｅｅｔｉｒｐｅｔａａｅｅｓａｎｉｅｒｎｇｐｒｍｅｅｓＴｈｖｒｇｒｏｓ０．３％，ｉｄｃ — ｈｌｇａａｔｒｌｃｒｃｐｏｒｙｐｒｍｔｒｎｄｅｇｎｅｉａａｔｒ．ｅａｅａｅｅｒｒｉ０ｎｉａ
２１００年ｌ０月第２９卷第５期
大庆石油地质与开发
ＰｅｒｌｕＧｅｌｇｎｌｅｄＤｅｅｏｍｅｔｉｑｎｔｏｅｍｏｏｙａｄＯｉｆｌｖｌｐｎｎＤａｉｇｉ
０ｅ．．２１ｔ００Ｖｏ．９ＮＯ５１２．
ｔｇｔｉｅｌｓｉｄｌｉｘｃｎｅｅｄｂｅＯｐｅａｉｎｌｐｒｍｅｅｓｏａｔｒｎａｌｔｉｈ，ｍｅｉｍｉｈｓｒａｉｔｃｍｏｅｓｅａｔａｄｄｐｎａｌ．ｎｒｔｏａａａｔｒｆｆｃｕｉｇｇｓｗｅｌｗｉｈｈｇｒｄｕ
３．川庆钻探长庆固井公司，陕西西安
７０２）１０１
摘要：神经网络技术在油气田开发领域得到了越来越广泛的应用。应用ＢＰ神经网络原理，结合气井压裂参数，
建立了压裂气井产能仿真模型，并应用该仿真模型预测了不同岩性参数、电性参数、工程参数的压裂气井产能，平均误差为００％，表明仿真模型准确可靠。在此基础上分别对高产、中产和低产气井压裂施Ｔ参数进行了优．３化设计，得到了最优的排量、液量、砂量、砂比、液氮量等施工参数，气井平均增产幅度为１．％。结果表明５９
ａｏｐｏｕｔｉｒｐｔｉｅｎｄｖｄａｌ．Ｔｐｒｔｏａａａｔｒ，ｉｃｕｄｎｐｉａｅｉｅｙｃｐｃｔｎｄｌｗｒｄｃｉｔａｅｏｉｚｄｉｉｉｕｌｙｖｙｍｈｅｏｅａｉｎｌｐｒｍｅｅｓｎｌｉｇｏｔｍｌｄｌｒａａｉｙ，ａｖ — ｍｏｔｏｉｕｄａｄｓｎｕｎｆｌｑｉｎａｄ，ｐｏｐａｔｃｎｅｔａｉｎａｄａｏｎｔｏｑｕｄｎｔｏｅｒｂａｎｄ．Ａｖｒｇｎｒｍｅｔｏｒｐｎｏｃｎｒｔｏｎｍｕｆｌｉｉｒｇｎａｅｏｔｉｅｉｅａｅｉｃｅｎｆｐｏｕｔｎｆｒｇｓｗｅｌｉ．ｒｄｃｉｏａｌｓ１９％，ｉｄｃｔｎｈｔｔｅｏｔｍａｐｅａｉｎａｒｍｅｅｓｃｎｂｅｒｆｅｄｃｎｓｍｃｏ５ｎｉａｉｇｔａｈｐｉｌｏｒｔｏｌｐａａｔｒａｅｕｓｄｆｌｏｔ－ｏｉｔｏｆｆａｔｒｎａｌａｄｆｖｒｂｅｆｒｉｒｖｎｏｔｒｃｕｉｇｒｓｏｓｆｇｓｗｅ１ｉｎｏｃｕｉｇｇｓｗｅｌｎａｏａｌｍｐｏｉｇｐｓｆａｔｒｎｅｐｎｅｏａｌ．ｒｏＫｅｙｗｏｒｄｓ：ＢＰｎｕａｅｗｏｋ；ｓｉｅｒｌｎｔｒｔｍｕｌｔｏｒａｍｅｔｐｎｆｏｃｐｃｔａｉｎｔｅｔｎ；ｏｅｗａａｉｙ；ｈｄａｌｃｆａｔｒｎｌｙｒｕｉｃｕｉｇ；ｆａｔｒｒｍｅｒｒｃｕｅｐａａ－ｔｒ；ｏｉｉｅｅｉｎｅｐｔｚｄｄｓｇｍ
ｔｅｔｅｒｆｂｃｒｐｇｔｏｅｒｌｎｔｒｈｈｏｙｏａｋｐｏａａｉｎｎｕａｅｗｏｋ，ｉｏｂｎｄｗｉａｔｒｎｇｐａａｅｅｓｏａｌ，ａｒａｉｔｃｍｏｅｎｃｍｉｅｔｆｃｕｉｒｍｔｒｆｇｓｗｅｌｅｌｓｉｄｌｈｒ
Ｘ ’ ｎ７０２，Ｃｉ）ｉａ１０１ｈｎａ
Ａｂｓｒｃ：Ｎｅｒｌｎｔｒｅｈｏｏｙｈａｅｎａｌｅｎｏｌａａｅｄｄｖｌｐｎｒｎｒｔａｔｕａｅｗｏｋｔｃｎｌｇｓｂｅｐｐｉｄｉｉｎｄｇｓｆｌｅｅｏｍｅｔｍｏｅａｄｍｏｅ．Ｂａｅｎｉｓｄｏ
ＤｏＩ１．９９ＪＩＳ１０．７４２１．５０５：０３６／．ＳＮ．００３５．０００．２
基于ＢＰ神经网络的压裂参数优化设计
温庆志蒲春生刘俊邦丑世龙闫效义。
（．中国石油大学石油工程学院，山东东营１２７６；２５０１．长庆油田分公司，陕西西安７０２１０１
优化的施工参数可以用末指导气井压裂施工，自利于捉高气井的压裂效呆。
关
键
词：ＢＰ神经网络；增产措施；无阻流量；水力压裂；裂缝参数；优化设计
中图分类号：Ｔ３７Ｅ５
文献标识码：Ａ
ｏｒｄｔｖｔｆｆａｔｒｄｇｓｗｅｌｉｕｉｎｅｏｐｅｉｔｐｏｕｔｉｆｆａｔｒｄｇｓｗｅｌｗｉｉｅｅｔｌ— ｆｐｏｕｃｉｉｏｃｕｅａｌｓｂｌａｄｕｓｄｔｒｄｃｒｄｃｉｔｏｃｕｅａｌｙｒｔｖｙｒｔｄｆｒｎｉｈ
（．ｈｎｎｅｓｙｏｅｏｕ１ＣｉａＵｉｒｔｆＰｔｌｍ，Ｄｎｙｎ５０，Ｃｉａ．ｅｏｈｎｈｎｑｎｉｅ，ｖｉｒｅｏｇｉｇ２７６１ｈｎ；２ＰｔＣｉａＣａｇｉｇＯｌｌｒｉｆｄ
Ｘｉａ０２１，Ｃｈｎ ’ ｎ７１０ｉａ；３．Ｃｈｎｑｎｌｍｅｔｔｏｍｐａｙ，ＣｈａｎｉｇＥｘｏａｉｎａｄＤｒｌｉｇＧｒｕ，ａｇｉｇＷｅｌＣｅｎａｉｎＣｏｎｕｑｎｐｌｒｔｏｎｉｎｏｐｌ
文章编号：１０ —７４（００５０２－４００３５２１）０－１５０
பைடு நூலகம்
ＦＲＡＣＴＵＲＩＧＮＰＡＲＡＭＥＴＥＲｏＰＴＩＩＮＧＭＺＩＢＡＳＥＤｏＮＢＰＮＥＵＲＡＬＮＥＴＷｏＲＫ
ＷＥｉｇｚｉ，Ｐｈｎｓｅｇ，ＬＵＪｎｂｎＨＯｈ— ｎＡｉ．ＮＱｎ． ‘ ＵＣｕｈｎＩｕ —ａｇ，ＣＵＳｉｏｇ，ＹＮＸａｙｈｌｏｉ