原油含水在线检测影响因素的研究

微波法作为原油开采过程中最常用的含水率检测方式,其检测效果极易受到实际开采环境中多因素影响从而产生检测误测。试验分析了矿化度以及温度两种实际开采环境下存在的因素对于微波实时检测含水率精度的影响。通过对试验数据的处理,运用二次拟合有效得出含水检测值伴随矿化度(矿化度组分:CaCl_2)的变化规律。利用试验所得规律,可有效将微波含水传感器精度提高,为提高微波含水检测精度的研究提供了校正参数和理论依据。     

渤海油田水平井出水特征及控水效果评价方法

针对渤海油田水平井出水特征认识不清和控水效果难以有效评价的问题，基于单井含水率曲线法，运用统计学、灰色关联度分析理论等，对渤海油田水平井出水规律及特征进行了研究，提出了相应的开发对策，建立了以等效增油量和平均增油速率为指标的控水效果量化评价方法。结果表明：渤海油田水平井出水规律主要归纳为S型、凹型、凸型、直线型等4种类型，以凸型为主，S型和凹型具有相对较长的无水采油期；影响水平井出水的主要因素包括避水高度、渗透率级差、采液强度、油水黏度比和水平段长度，其中，避水高度和水平段长度是影响凸型、S型水平井的主要因素，采液强度是影响凹型、直线型水平井的主要因素。实例应用表明，水平井出水规律主控因素分析可为控水方案优化提供方向，控水效果量化评价方法可有效评价水平井控水效果，对解决渤海油田高含水问题具有重要意义。     

市政污泥干化热解工艺分析与热平衡模型的构建

建立了一种工艺流程高度集成的污泥干化热解处理系统,并在污泥成分分析、污泥热解过程参数测定的基础上,基于能量守恒定律,分析了该系统的干化、污泥热解、热解气燃烧过程全系统的能量转换、传递和耗散过程,最终构建了数学模型;利用该模型求得了燃料消耗量与污泥初始含水率和污泥处理量间的线性回归方程,分别为:y=-12.17+0.278 9x(x为含水率)和y=0.010 2x(x为污泥处理量)。试验表明线性回归方程的误差较小,可为污泥热解技术的工业化和集成化提供了可靠的运行参数。     

采煤工作面煤层注水参数试验研究

通过在6198采煤工作面现场施工煤层注水钻孔采取煤样,实验室试验注水钻孔水压力分布、煤样含水率变化,得到了工作面煤层注水影响半径等技术参数,为采煤工作面煤层注水提供了一定的参考依据。     

混料含水率对电解锰渣免烧砖性能的影响

以电解锰渣、水泥、骨料和水为主要原料制备电解锰渣免烧砖,在成型压力为10 MPa,水泥、骨料添加量分别为23％和25％的条件下,研究混料含水率对电解锰渣免烧砖各项性能的影响.结果 表明:混料含水率从20％增加至40％时,电解锰渣免烧砖抗压、抗折强度均先增大后减小,体积密度基本保持不变,线收缩率先减小后增大最后趋于稳定,吸水率和饱和系数总体先减小后增大.最适宜混料含水率为30％,此时砖样抗压、抗折强度均满足国家免烧砖MU10标准规定,其他性能参数均符合国家免烧砖一等品要求.     

高盐高有机制药废水污泥电渗透高干脱水

为研究高盐高有机制药废水污泥的电渗透脱水效果，深入认识化学污泥的电脱水过程，本文采用电渗透高干脱水技术对经抽滤脱水的高盐高有机制药废水化学污泥进行深度脱水，考察了泥饼初始pH的改变对污泥电渗透高干脱水过程中阴阳极污泥的含水率、电流、电导率、pH、zeta电位与能耗的影响，验证了对高盐高有机制药废水污泥实行电渗透高干脱水的可行性，解析了化学污泥电渗透脱水过程的机制。结果表明，泥饼pH为2、3、4时，zeta电位为正值，电渗流反向流动，无法脱水；pH增至5时，zeta电位为负值，电渗流从阴极脱除，污泥含水率从53.2%降至44.8%，脱水效果最好；但pH增至6时，脱水量有所降低。污泥电导率随pH的增加而降低。pH为5时初始电流最大。脱水15min时，即污泥含水率降至45.5%时，能源利用率最高。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。