原油闪点预测模型的研究

针对原油这类结构组成复杂、差异性大、可燃的复杂混合体系,选取各地区共计101种原油的恩氏蒸馏温度、20℃密度、20℃粘度作为输入变量,建立原油闪点预测模型。采用主成分分析法对输入变量进行降维,除去恩氏蒸馏系列数据中的信息冗余,分别采用多元线性回归(MLR)、BP神经网络、RBF神经网络三种方法建模,并对模型的预测结果进行对比,RBF神经网络模型的预测准确度与稳定性均为最优,绝对误差期望为2.94℃,相对误差期望为3.45%,BP神经网络模型的准确性优于多元线性回归模型,稳定性不如MLR模型。     

风城稠油掺稀流动性变化规律研究

随新疆地区风城稠油产量的逐年提高,部分稠油需通过西部原油管道掺稀输送至下游炼厂。掌握风城稠油掺混稀油后所得混合原油的物性变化规律是稠油掺稀管输的关键环节。通过调研国内外相关文献,结合风城稠油、克拉玛依稀油、哈国油及其混合原油的实测数据,总结得到稠油掺稀前后的流动性变化规律。通过对比实测混合原油黏度数据和17种混合原油黏度预测模型计算结果,得到适合风城稠油与稀油的最优黏度预测模型,为西部管道输送风城稠油提供黏度预测数据,为制定稠油输油方案提供参考。     

基于神经网络模型的混合原油黏度预测

采用BP(back propagation) 神经网络模拟了混合油配比和温度与黏度之间的映射关系,建立了混合油黏度神经网络预测模型.将鲁-宁输油管道混合油的预测黏度与实际黏度进行了对比,结果表明,利用BP神经网络进行混合油黏度预测是可行的,完全可以满足工程需要的精度要求.     

稠油掺稀输送中混合油黏度与最优掺稀比研究

稠油掺稀油输送技术是油田实现减阻增输的重要方法。为了降低稠油管道输送过程中的能量损失,以管道输送的水头损失作为优化目标,通过对比混合油黏度计算模型,建立了水头损失与质量掺稀比关系的数学模型,并以某管道为例进行了计算分析。结果表明:稠油掺稀油是非常有效的降黏方式,可大幅降低稠油黏度;Cragoe修正模型能较好预测掺稀油后混合油黏度;随着质量掺稀比的增加,水头损失先减小之后出现小幅增加;利用Cragoe修正模型和水头损失的计算方法及稠油与稀油的物性参数,可对最优质量掺稀比进行计算分析。     

基于长短期记忆神经网络的油田新井产油量预测方法

针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题,提出了采用基于长短期记忆(简称LSTM)神经网络的油田新井产油量预测方法。在分别介绍反向传播(简称BP)神经网络、循环神经网络(简称RNN)、LSTM神经网络原理以及建模步骤的基础上,以某油田新井单井年产油量预测为例,对影响新井单井年产油量的开发指标进行了筛选,对相应LSTM神经网络进行了训练,并对新井单井年产油量进行了预测。将预测结果与支持向量回归模型和BP神经网络进行了对比,结果表明,该预测模型拟合效果更好,预测精度更高。基于LSTM神经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测,为准确预测油田新井产量,指导油田开发决策提供了一种新的方法。     

基于BP神经网络的岩石可钻性测井计算研究

利用测井资料求取岩石的可钻性是一种简便可行的途径.常规的岩石可钻性测井预测模型都是基于回归分析而建立起来的,形式简单,精度不高.介绍了一种基于BP神经网络利用测井资料求取岩石可钻性的实用方法.该方法从测井信息与岩石可钻性的内在关系出发,选用与岩石可钻性密切相关的多个测井参数,通过BP神经网络技术建立利用测井资料准确求取岩石可钻性的数学模型;将该方法用于SC油田DU4井等多口井的测井资料处理中,为邻井及时提供了较为准确的地层岩石可钻性剖面,也为该区的新井钻头选型提供了较好的依据.     

基于2种机器学习方法的页岩TOC含量评价——以川南五峰组—龙马溪组为例

为了建立合理准确的川南五峰组—龙马溪组页岩TOC含量预测方法,以长宁、泸州等地区的测井曲线及17口井实测TOC含量数据为基础,利用主成分分析法对这些资料进行预处理,基于BP神经网络和梯度提升决策树（GBDT）方法建立2种TOC含量预测模型,并将之与传统TOC含量预测方法进行对比。结果表明： ① 2种新模型的准确度均高于传统方法,预测结果与实际值吻合度均满足要求。②与BP神经网络模型相比,GBDT预测精度更高,均方根误差仅为0.0387。利用GBDT方法所建立的TOC含量预测模型具有低成本、高效、连续等特点,能够快速准确地预测目的层TOC含量。该成果可为提高页岩油气勘探开发效率提供有效技术支撑。     

BP神经网络在沥青延度预测上的应用

在我国的沥青标准体系中,延度是一个重要指标。但是,目前对于延度的预测方法可用的很少。人工神经网络可以对输入和输出间复杂的关系进行关联,能对复杂的函数关系进行线性和非线性的拟合。该文用调合沥青原料四组分数据和调合比例计算而来的四组分值作为输入,延度作为输出,在MATLAB上进行了数学建模,建立并训练BP神经网络,检验神经网络的性能优劣。结果表明:训练出来的BP神经网络对于调合汤青的延度具有较好的预测能力。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于BP神经网络的油田生产动态分析方法

为克服目前生产动态分析方法所需数据量大、费工费时和应用局限性大等缺点．文中提出了一种基于BP神经网络的油田生产动态分析新方法。该方法使用一些广泛易得的教据（如测井数据、生产历史数据）建立数据集．然后利用神经网络建模技术建立全油藏范围的基于数据驱动的预测模型,进行预测分析。实际油藏应用结果表明,产油速度的最大预测误差低于7％,产水速度的预测误差低于5％。预测效果较好,具有一定的应用和研究价值。     

加氢基础油抗氧化性能的模拟预测研究

针对不同产地加氢精制II/III类润滑油基础油（简称基础油）的结构特征,分别应用多层感知神经网络和径向基神经网络方法将加氢基础油链烷烃,环烷烃,烷基苯含量和粘度指数作为输入变量,建立了以氧化安定性为输出变量的9参数神经网络模型。研究首次将粘度指数作为预测模型输入参数,使模型预测准确度得到大幅提高。通过对影响加氢基础油氧化安定性的因素分析,找出了和氧化安定性有正/负相关关系的II/III类基础油的烷烃组成成分。在II/III类基础油中,在芳烃含量很低的情况下,随着直链烷烃含量的增加,二环、三环环烷烃含量减少,润滑油的氧化安定性增加。     

基于人工神经网络的油-水乳状液粘度智能预测研究

油水混合粘度受温度、剪切速率、含水率3种因素协同影响,很难用常规方程准确计算.提出了采用人工神经网络进行油水乳状液粘度预测的新方法.建立了三层结构BP神经网络模型,输入层有3个神经元,分别代表温度、剪切速率、含水率,输出层有一个神经元,代表油水混合物粘度,隐层神经元数目为30个.在实验室配置一定比例的油水乳状液,通过流...     

基于人工神经网络混合油品粘度预测模型研究

在分析前向BP神经网络基本原理的基础上,对3种混油建立了人工神经网络混油粘度预测模型,该模型结构为1-7-1的三层BP网络模型。运用实测数据对BP网络进行训练和仿真。结果表明,三种模型预测误差全在2.5%以内,比前苏联学者提出的混油粘度计算公式——克恩达尔-莫恩罗埃公式和兹达诺夫斯基公式更具有计算精度高、适用性强的特点,可完全满足工程实际需要。     

直馏减压馏分运动黏度的预测

摘要：采用逐步线性回归和人工神经网络(ANN)方法,建立了基于烃类组成的40℃和100℃的直馏减压馏分(VGO)运动黏度的预测公式;讨论了不同回归因子和不同回归方法对模型建立的影响。逐步回归方法可以给出直观的数学公式,并且能够了解各烃类对VGO运动黏度的影响。人工神经网络方法对非线性关系的物理量具有较强的预测能力,可以根据不同的需要选择不同的方法建立预测模型。采用成对t检验方法对VGO运动黏度运动黏度模型进行了检验,并分析了造成偏差的原因。     

A process neural network model for calculation of heavy oil viscosity in high water cut stage

The commonly used heavy oil viscosity models are just for low water cut stage, this paper determined the influencing factors of the viscosity model in high water cut stage, by analyzing the viscosity data, presents a new and simple method base on the Process Neural Network in high water cut stage to predict the viscosity of heavy oil, which can valid measure the viscosity of heavy oil by Input parameters of the different temperature, water cut and API. Compared with the real data, the new model has the small computation error and the reliability by the process neural network new model for predicting oil viscosity. it can be tested in practices in calculating the viscosity of similar oilfields in high water cut stage.     

稠油油藏水平井产能预测新模型

不同黏度下稠油室内实验研究结果,证明了稠油流动中存在启动压力梯度,启动压力梯度随原油黏度的增大而增大。考虑水平井三维空间渗流特征和启动压力梯度,应用速度势理论建立了稠油油藏水平井产能预测新的数学模型。应用新模型,对海上稠油油藏水平井产能进行了预测,分析了启动压力梯度对稠油油藏水平井产量和动用范围的影响:启动压力越大,水平井产能越低;启动压力梯度增大了渗流的阻力,减小了水平井的动用范围。     

人工神经网络在石油工业中的应用及未来发展趋势探讨

在石油勘探、开发和钻井,以及生产过程中,存在着大量且复杂的不确定性因素,所收集和获取的信息不少是非数值型的、不精确的,要靠人工智能的方法加以识别和解决。人工神经网络是在现代神经科学研究成果的基础上提出的一种智能方法,作为一种有效解决非线性问题的网络技术,已在现代石油工业中得到了广泛的应用,并取得了较好的现场应用效果。针对目前人工神经网络的迅速发展及应用情况,论述其在石油工业中的应用现状,并对其在未来石油工业中的发展趋势展开了探讨。最后利用人工神经网络构建了钻井液固相和滤液侵入深度预测模型,分析了该模型的主要特色和实现的技术难点。     

有监督SOM神经网络在油气预测中的应用

用于油气预测的方法基本上可分为两类：一类是有监督预测方法，另一类是无监督预测方法，８０年代传统模式识别方法（统计、句法和模糊模式识别）得到广泛应用；９０年代以来神经网络理论异军突起，以ＢＰ为代表的有监督神经网络和以ＳＯＭ为代表的无监督神经网络广泛应用于油气预测。本文介绍了应用有监督ＳＯＭ神经网络进行油气预测的方法原理，经两个工区的实际资料试算结果证明本方法性能良好，可以成为油气预测的一种可选方法。     

基于数据驱动的蜡油加氢装置产品预测与多目标操作优化

依据某炼油厂蜡油加氢装置生产数据,采用Aspen HYSYS对该装置进行机理建模,并用分层随机抽样法验证机理模型的有效性;然后以正常生产的28种减压蜡油和焦化蜡油进料量分区,运行机理模型,扩充了产品预测数据集.在此基础上,利用BP神经网络建立蜡油加氢装置的产品预测数据驱动模型,来预测精制蜡油流量,精制蜡油中硫、氮的质量...