疏松砂岩油气藏出砂量预测技术研究进展

油气井的出砂问题一直是生产过程中的重大问题,工程师们通过各种研究对油层出砂机理有了一定了解。特别是随着稠油冷采和出砂管理新技术理论的提出,油气井开采中出砂量的预测更是成为出砂管理的关键,成为迫切需要解决的问题。预测出砂量的方法经历了从简单到复杂、从定性到定量的曲折发展过程。对疏松砂岩地层出砂机理和出砂量预测模型的发展进行了详细的综合论述。其中预测油气井出砂的理论模型包括:应力应变模型、流固耦合模型、蚯蚓洞模型、油气井初始出砂冲蚀模型及其他预测出砂量模型。通过对比各个不同模型的适用范围和相互间的联系,并指出了模型的不足之处以及可改进的地方。     

基于LightGBM和SVM的多属性砂体厚度预测

预测储层砂体厚度对指导油气勘探有着重要意义。以陆东凹陷前后河地区九佛堂组上段湖侵体系域为例，由于研究区地震资料品质差，砂体变化复杂，难以使用单一地震属性反映储层特征，利用机器学习方法进行多属性融合预测地层厚度。LightGBM是实现梯度提升决策树算法的开源框架，可用于特征选择，支持向量机是常用的机器学习算法，在解决小样本问题上具有优势。在此基础上，利用研究区钻、测井资料和地震属性建立样本集，优选了7种地震属性，对其标准化处理后进行模型训练，进而预测砂体厚度，最终得到了符合地质认识的结果。研究为地震多属性砂体厚度预测提供了有效方法和新的思路。     

油气井出砂预测方法综述

油田开采过程中，疏松砂岩油藏的出砂问题已成为影响油、气井产能和损害设备的严重问题，然而油、气井出砂问题必须立足于早期防范，因此对油、气井出砂预测方法的研究是至关重要的。通过对国内外出砂预测技术的研究，介绍了目前适用的出砂预测方法：现场观测法、经验分析法、应力分析法、实验室试验法等，总结了各出砂预测技术的优缺点，并通过油田现场实例计算证实了出砂预测方法的可行性，最后指出了几个有待进一步研究的方向。     

基于模型融合的钻进参数识别岩石类型研究

岩石类型的识别对于钻进工程的安全和经济效益具有重要意义。钻进过程中的岩石类型实时识别大多是通过随钻测井，但由于随钻测井成本昂贵，在地质勘探领域鲜见应用。本文挖掘深部探测Sinoprobe-05项目金川科钻的钻进多参数（钻速、钻压、转速、钻头扭矩、泵压力、泵量）数据，通过一种融合模型算法来识别岩石类型。首先采用Savitzky-Golay平滑滤波器降低钻进参数数据的噪声，然后对数据进行了归一化。最后运用融合模型预测和识别岩石类别。融合模型的初级学习器为支持向量机、人工神经网络和随机森林，通过次级学习器贝叶斯模型平均算法对每个模型的权重进行计算。结果表明，多模型融合算法准确率为0.9686，比每个单独的算法准确率高。     

伊拉克M油田群碳酸盐岩中混积砂体预测研究

M油田群碳酸盐岩混积砂体的石油地质储量大，但砂体横向变化快，给水平井设计和水淹层预测带来了较大的困难，因此需要利用地震反演预测砂体空间展布。针对常规岩石物理分析只能定性确定储层敏感参数的问题，基于岩性概率分布发展的定量岩石物理分析方法，可以较好地确定储层的识别率。然后，针对地震分辨率低和常规测井低频约束反演难以有效分辨薄砂体的难题，发展了测井宽频约束反演方法，模型和实例应用表明，该方法可以较好地分辨薄砂体，储层预测结果可以为开发方案制定提供有利技术支持。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析，以此确定人工神经网络的输入参数．并应用改进的BP算法，选择灰关联分析的5个优势因子作为输入参数，建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本，对网络进行训练学习，并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本，将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析，以此确定人工神经网络的输入参数．并应用改进的BP算法，选择灰关联分析的5个优势因子作为输入参数，建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本，对网络进行训练学习，并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本，将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

基于粗糙集理论的岩爆预测模糊综合评价

基于粗糙集理论和模糊集理论相结合的方法,利用粗糙集中的知识约简方法挖掘评价指标,把权系数问题转化为粗糙集中属性重要性评价问题,建立了关于岩爆发生和烈度分级评价的关系数据模型。利用国内外一些重大深部岩石工程实例作为学习的样本进行训练,经过训练后的模型判别估计误判率为0。利用该模型对实际工程项目贵州开磷集团马路坪深埋硬岩矿山岩爆情况进行预测,预测等级与实际结果吻合,说明该模型在研究岩爆预测中具有良好的实用性和有效性。该方法可为深部地下工程岩爆发生可能性及其烈度分级预测提供一种新思路。     

粒子群算法在煤与瓦斯突出危险预测中的应用

煤与瓦斯突出危险是影响煤矿生产安全的一个重大问题,为了解决危险预测的问题,将反映煤与瓦斯突出的六个指标:垂深、倾角、巷道类型、煤层厚度、地质构造和作业方式作为输入层参数,使用BP神经网络与粒子群算法结合建立模型,导入数据到Matlab中进行模拟仿真,将预测结果与实际情况相对比。结果表明:粒子群算法结合神经网络对预测煤与瓦斯突出危险是有效的,相较于传统预测方法,其预测的速度、精度都有所提升,可以将该算法应用到突出危险预测当中。     

空间数据挖掘算法在煤矿能源保护监管中的应用

为降低煤矿能源开采风险,实现规范化管理,提出空间数据挖掘算法在煤矿能源保护监管中的应用研究。由信息层、控制层和设备层构成监管系统,明确系统职责,结合监管系统特征,设计空间数据挖掘模型整体结构。将粗糙集和神经网络方法相结合,去除冗余数据,采用误差函数和代价函数,确定神经网络训练样本数量。探究数据挖掘模型在煤矿保护监管中的应用过程,设计神经网络结构,计算神经元数量,反复训练网络生成关联规则。经过实例应用分析,从关联规则中可得出:煤矿能源安全和瓦斯浓度、日开采量之间支持度较高,必须将二者指标控制在合理范围内。由此证明了挖掘算法不但可以获取煤矿能源现状,还能通过历史数据得出预见性结论。     

经济预测与分析的智能数据挖掘

介绍了在数据挖掘算法中经济数据应用的重要性,以及应用程序示例;综合当前的国际宏观经济指数,介绍了数据仓库模型结构和其实现特性;并应用SQL Server 2005数据仓库和数据挖掘解决方案于经济数据之上,介绍了系统结构,算法的实现;并最终讨论数据挖掘应用程序的开发趋势和在经济领域的关键技术。     

数据挖掘技术中关联规则挖掘的应用研究

数据挖掘是从大量的应用数据中提取人们事先不知道的、潜在并且有用的信息和知识的过程。数据挖掘的方法有很多,其中应用最广泛的方法之一就是数据的关联规则挖掘。文章介绍了数据挖掘的一般技术,对于关联规则中的Apriori算法进行了说明,重点介绍了关联规则的数据挖掘方法在实际档案数据中的应用。     

基于分类算法的可视化技术研究

文章研究可视化技术在分类算法中的应用。通过将数据进行预处理成为符合要求的数据后,然后调用数据挖掘中分类算法选择不同的可视化方法展示不同的可视化模型结果。通过采用不同的可视化技术,可以从不同角度分析数据挖掘的结果,对其有深刻直观的理解,从而打破传统挖掘算法的黑盒子模式,对数据挖掘的应用度显著提高。     

多维关联规则的分布式能源系统数据挖掘方法研究

为了提升分布式能源系统数据挖掘精度与效率,保证分布式能源系统安全稳定运行,提出基于多维关联规则的分布式能源系统数据挖掘方法。离散化处理分布式能源系统中的所有数据,将数据转换为满足挖掘需求的数字化形式,明确数据支持度和隶属度值,建立与之对应的相关表,统计操作、运行和执行维度组合后总的支持度和隶属度值,通过分析每个维度的子维度得到正常和异常状态下两种数据。在Apriori算法基础上构建FP-树,不断生成频繁项集,直至不再产生新的项集时停止挖掘,采用剪枝处理去除部分冗余结点,保留下来的即为最终的数据挖掘结果。实验结果表明,所提方法能够精准挖掘出异常数据类型,且挖掘效率高,实际应用效果更好。     

江西盘古山钨矿区开采沉陷预计的GA-SVA算法

传统矿山开采沉陷监测方法存在耗时较多且精度不高等不足，且难以对矿区开采沉陷发展趋势进行准确预计。以江西盘古山钨矿区为例，将遗传算法（Genetic algorithm,GA）与支持向量机（Support vector machine,SVM）算法相结合，提出了一种基于GA-SVM算法的开采沉陷预计方法。首先利用遗传算法（GA）对支持向量机（SVM）进行选择、变异和交叉，生成精度符合要求的数据集群；然后采用GA-SVM算法对概率积分法开采沉陷预计参数进行了训练，对矿区开采沉陷进行了预计。研究表明：基于GA-SVA算法的开采沉陷预计值与实测值的误差小于5%，基于该算法的预计值构建的矿区数字高程模型（Digital elevation model,DEM）与基于实测数据构建的数字高程模型（DEM）具有高度的一致性，表明利用所提算法预计矿山开采沉陷具有较高的精度。     

矿区塌陷区遥感影像改进自适应维纳滤波算法

遥感影像为矿区开采沉陷研究提供了大量可靠的数据,对于提高矿区开采沉陷监测与预计的精度具有重要作用,但由于遥感影像的获取受到矿区成像环境、成像器件固有的缺陷等因素的影响,易混入不同程度的随机噪声,降低了遥感影像的成像质量,导致难以高精度提取矿区塌陷区域的相关数据。为此,提出了一种针对矿区塌陷区遥感影像的滤波算法。该算法首先对自适应维纳滤波算法添加了噪声图像块检测环节,对其进行了适当改进,将改进后的自适应维纳滤波算法用于对遥感影像进行去噪;然后针对去噪后遥感影像对比度不高的问题,采用动态均值算法进行增强处理,即通过设定某一阈值,将遥感影像像素点灰度值划分为亮度异常和亮度正常2个部分,采用亮度正常的像素点灰度值修正亮度异常的像素点灰度值,实现对遥感影像对比度的动态调整。采用一幅某矿区塌陷区的遥感影像分别对新算法、自适应维纳滤波、中值滤波、非局部均值滤波等算法进行试验,结果表明:新算法对于矿区塌陷区遥感影像的滤波效果相对于其余算法而言有一定的优势,对于提高矿区开采沉陷监测与预计的精度有一定的帮助。     

能源大数据中心数据模型研究

能源大数据模型用于指导各级能源大数据中心规划、设计、开发、建设及运营等环节，支撑能源数据融合共享和价值挖掘。各级能源大数据中心能源大数据的共享开放实现的关键在于能源数据公共信息模型的构建。从能源行业数据出发，提出以国家电网公司SG-CIM模型为基础，构建能源大数据中心煤炭、石油、天然气等能源领域统一数据模型。阐述了基于统一数据模型的数据的特征提取算法、模型训练的具体实现路径，基于能源大数据中心实际数据应用需求，提出了能源大数据典型价值挖掘应用场景。     

基于粗糙集的分类规则挖掘的研究

为了使粗糙集理论应用于分类规则挖掘更具严密性,能够有效的提高挖掘异常规则的效率和针对性,研究和探讨了数据预处理、多层分类规则挖掘、规则约简等方面的技术和方法,提出了基于粗糙集的异常规则挖掘算法,增量式分类规则挖掘策略和多层次分类规则挖掘策略,并建立了一个完整的基于粗糙集的分类规则挖掘模型。     

矿区土地复垦历史文献数据挖掘方法及应用研究

土地复垦是煤炭开采面临的最严峻问题之一,经过多年相关研究的经验积累,已经产生了大量的历史文献,因此,引入数据挖掘技术处理这些宝贵的历史文献资料十分必要。本文以徐州矿区为例,通过对土地复垦历史文献关键词分词编码化,构建TF*IDF算法和空间向量模型、聚类分析,采用Python语言进行数据挖掘,最后在ArcGIS基础上二次开发,显示数据挖掘结果。最终得到了徐州矿区的塌陷情况、复垦技术以及示范工程等重要历史信息,克服了土地复垦历史文献的数据冗余、数据冲突以及真伪识别等难点。结果表明,采用数据挖掘技术,不仅弥补了人工统计的不足,同时发挥了恢复历史"数据链"的特殊作用,可实现矿区土地复垦与生态重建信息的集成与知识发现,为矿区系统修复、综合治理提供基础数据支撑。