钻速及井斜的ANFIS模型与多元回归模型比较评价

将地层可钻性K、井深H、钻压P、转速n和泥浆冲洗量Q这5个参数作为输入变量,选用历史录井数据作为样本,基于多元回归和基于自适应神经网络模糊推理(ANFIS)的方法,各建立一套钻速及井斜模型。使用所建立的模型进行钻速以及井斜预测,结果表明,2种方法所建立的模型对钻速和井斜的预测结果与实际值均比较吻合,模拟效果较好,但多元回归模型对钻速预测比ANFIS模型效果好,而ANFIS模型对井斜预测比回归模型效果好。     

油基减阻剂的研制与应用

聚α烯烃是目前最为有效的减阻聚合物,影响聚合物减阻效果的因素很多,若想得到其中的规律性,一般的实验设计所需的工作量很大。本文提出采用均匀设计安排实验结合数据回归处理的方法,可以大大减少实验次数,提高了实验效率。另外,通过对国外两种减阻剂以及实验合成的高级α烯烃的均聚物、共聚物进行环道测试和凝胶渗透色谱(GPC)分析,研究了聚合物分子量对减阻效果的影响。     

地层破裂压力测井预测的统计模式研究

目前计算地层破裂压力的理论模型或公式虽较多,但缺乏能直观反映地层破裂压力随测井岩石力学参数变化的统计模型。基于地层破裂压力与岩石力学参数的关系,优选出了对地层破裂压力影响较大的杨氏模量、体积弹性模量、泊松比和深度等4个参数作为建立统计模型的输入变量。同时利用BP神经网络和多元回归分析法对碳酸盐岩地层实测破裂压力数据进行统计建模和预测研究。多元回归模型形式简单直观,易于使用,但精度不高;而BP神经网络模型复杂,建模较难,但预测的地层破裂压力误差小,精度高。两种统计模型都不失为预测地层破裂压力的可行方法。     

利用多元地震属性预测储层信息

地震属性分析技术在储层横向预测中发挥着越来越重要的作用。利用多元地震属性分析技术进行储层信息预测的理论基础是，储层中岩石性质、流体性质的空间变化可引起地震反射波形、振幅、频率等地震属性的变化。本文主要阐述了利用地震属性的分类(聚类)分析和多元地震属性回归技术，来分析特定区域储层纵、横向变化特征；强调在区域地质概念模型的前提下，预测储层的分布范围和储层物性。应用实例表明，本文方法的预测结果与钻井资料吻合较好。     

化工过程工艺参数的故障检测技术

介绍了在芳烃厂酸性水汽提装置的关键控制回路上所研究的容错控制技术，应用时间序列和多元回归分析方法构造容错控制模型，以三取二表决算法进行故障检测，实现系统的容错控制，现场运行表明该方法取得良好的效果。     

羊毛单纤维性质与毛束强度间的关系

采用多元线性和逐步回归等方法，讨论了羊毛纤维的细度，强力，断裂伸长和卷曲性能与毛束强度之间的关系。结果表明，由单纤维性质导出的线性模型可预测毛束强度，运用毛束强度的测量结果，可估算出单纤维的强伸而替代繁琐的单纤维测量。     

多元回归和神经网络在多影响因素下优选压裂候选井层中的应用

针对乌里雅斯太凹陷储层非均质性强、隔层遮挡性差、压裂井投产后效果相差悬殊,优选增产效果好的候选井层难的特点,本文提出了利用多元回归和神经网络优选待选压裂井层的方法。根据前期压裂井的有效资料,选择了对压裂效果影响较大的9个因素作为基本参数,建立了压裂井层的数据库。计算结果表明:多元线性回归不能满足优选压裂井层的需要;二次回归和神经网络方法能够满足选井选层的非线性问题,两者拟合误差均为0,预测误差平均值为0.57%和0.47%,能够满足工程的需要。     

硬聚氯乙烯的粘塑性本构模型与裂纹扩展行为

建立材料的粘塑性本构模型,进行粘塑性裂纹扩展试验,是开展聚合物粘塑性裂纹扩展问题研究的基础.采用恒定应变速率的方法,对硬聚氯乙烯进行低应变速率下的拉伸试验,确定各应变速率下应力与应变的关系曲线.实验数据表明,该材料的力学性能对应变速率有依赖性,与时间相关,是典型的粘塑性材料.根据实验测得的不同应变速率下应力-应变关系的曲线族,对实验数据进行多元回归分析,确定有关的材料常数,建立了硬聚氯乙烯材料Bailey-Norton公式形式的粘塑性本构模型.进行硬聚氯乙烯的粘塑性裂纹扩展试验研究,得到了裂纹长度增量与时间的关系.     

EXcel回归分析计算的简化与应用

在《混凝土》杂志2002第11期《回归·矩阵·依克塞尔》一文中提到使用Excel强大的计算功能和丰富的函数进行了多元回归分析计算,可以使工程技术人员从繁琐的计算中解脱出来,但是文章在原理介绍时使用高等数学中的偏导数、矩阵、转置等专业词汇,计算时又采了较多Excel中自带的公式,理解和使用起来有一定的难度。笔者从实用的角度出发,向读者介绍一种Excel计算多元回归的方法,并结合超声回弹综合法测强曲线的建立过程,延伸到多元非线性回归领域,使用Excel表格把回归分析中复杂的计算工作变得非常简单,解决了测强曲线建立过程中回归分析计算的难关,有利于这一方法的普及和推广应用。