延长LNG高压泵大修周期的可行性分析

以高压泵的特殊结构、设计原理和轴向力平衡为基础,结合对历年高压泵检修数据的分析,找出了影响高压泵使用寿命的因素。经理论计算和统计分析论证了延长高压泵大修周期的可行性,以寻求一种兼顾可靠性和经济性的新型维修模式。     

LNG接收站海水泵及高压泵变频节能探究

国内LNG接收站通常采用一台海水泵额定流量运转为一台开架式气化器(ORV)提供海水的模式气化LNG,非冬季运行,由于海水温度较高、外输天然气流量较小,ORV所需海水流量小于海水泵额定流量。所以,此运行模式普遍存在能耗过剩。同时,由于外输天然气压力调节范围较大,而高压泵只能提供其额定出口压力。因此,当外输天然气压力较小时,高压泵出口压力过剩,导致能耗过剩。为了解决海水泵、高压泵能耗过剩问题,开展了对其变频节能的探究。首先,分析了海水泵、高压泵变频的必要性;然后,以海水泵为例,以其特性曲线为基础,计算了海水泵工频出口压力及电机功率,再运用二分法及泵相似理论计算了海水泵变频电机功率;之后对海水泵及高压泵工频计算进行了误差分析,最大相对误差为3.5%;最后,通过能耗对比发现:海水泵采用变频,每年可节省电能39.41%;高压泵采用变频,每年可节省电能47.39%;采用海水泵、高压泵变频,接收站每年可节省经济成本约426万元。     

LNG接收站高压泵及高压管道系统压力等级优化研究

以某LNG(液化天然气)接收站为例,介绍了LNG接收站各运行工况下的物料平衡计算、高压泵扬程计算及高压系统压力等级确定的过程,并对影响高压泵扬程及管道压力等级的关键因素进行了分析。该LNG接收站为分期建设,一期工程建设规模3.0 Mt/a,远期工程建设规模10.0 Mt/a。物料平衡计算采用PORⅡ9.4软件得到各工况下LNG物理性质参数,用作高压泵扬程计算中的输入数据。通过优化高压泵运行工况选取原则,结合泵实际运行性能曲线,实现了高压泵扬程计算及压力等级选择的优化。优化后,一期+远期工程高压泵能耗最高可节约7.4%,并降低了高压泵出口管道及设备的设计压力及阀门磅级。     

基于SVM的中国地区进口LNG需求量预测

随着我国能源结构转型不断清洁化,天然气在一次能源消费比重中持续上升。我国天然气液化和接收站项目不断上马,LNG在天然气消费市场占有比例持续上升。传统的项目分析中,使用固定天然气价格进行测算,不能很好反映消费市场变化。介绍了一个基于机器学习方法的动态预测模型,通过分析国内市场关键参数进行回归预测。在对过去10年的天然气进口量的分析中,利用该模型进行仿真预测其结果较好,对沿海地区LNG进口量的预测与实际进口量较吻合。     

基于机器学习方法的天然气水合物稳定带厚度计算

随着互联网大数据发展,人工智能算法逐渐能自动学习数据特征和挖掘大数据隐藏的信息,且其预测结果具有极高的准确度和可靠性。机器学习是人工智能的核心算法,目前已应用于多个领域,在地球科学领域的应用也已兴起。天然气水合物稳定带是评估水合物资源潜力的关键参数,其准确性直接影响水合物勘探进程和结果。前人在计算水合物稳定带厚度时往往采用较为简单的模型,忽略气体组分、热导率等因素的影响,计算结果存在较大偏差。基于不同海水盐度和气体组分条件下的天然气水合物实验数据构建机器学习模型,利用机器学习算法预测天然气水合物的相平衡条件;进而结合南海北部的气体组分、热流、热导率等数据,计算得到南海北部水合物稳定带厚度。结果分析表明机器学习模型预测的水合物相平衡曲线与实验数据高度吻合,决定系数高达0.997。计算的南海北部水合物稳定带厚度与水合物钻井和地震资料揭示的结果基本一致。 本研究提供了一个机器学习算法在水合物稳定带厚度估算中的应用实例,表明人工智能算法在未来天然气水合物资源预测和潜力评价中具有较大的应用前景。     

基于机器学习的碳酸盐岩油藏地层压力预测

地层压力涉及到开发方式、配产配注等调整,是油田开发过程中极为重要的参数。但获取地层压力需要关井进行压力恢复,操作繁琐,数值模拟法工作量大且计算耗时,现有公式法不太适合采用复杂工作制度的碳酸盐岩油藏。基于相关性计算和主成分分析等数据预处理过程,结合精英策略遗传算法和支持向量回归模型(SEGA-SVR),建立了基于数据驱动的地层压力预测模型。SEGA-SVR模型在训练集决策系数得分为0.97,均方根误差为0.04;测试集决策系数得分0.95,均方根误差为0.05,对邻区验证井也有较好的表现。SEGA-SVR模型的性能与SVR模型相比有了很大提高,与其他机器学习模型相比,总体来说表现最优。研究结果表明,SEGA-SVR模型无需关井即可预测实时地层压力,且通过遗传算法调参省时省力,数据驱动的方式可更好适应复杂情况。同时该模型具有较好的泛化性和稳定性,预测效果较好,为碳酸盐岩油田地层压力预测提供了新方法。     

机器学习算法在焊接领域中的应用

针对机器学习算法已经渗透到了焊接领域的情况,在对近年来焊接领域相关文献深入研究分析的基础上,重点阐述了在焊接领域运用较多的神经网络、支持向量机和遗传算法。分析总结了机器学习算法在焊接领域的应用方式,包括标准应用、改进应用和交叉混合应用。同时也介绍了机器学习算法在建模预测与参数优化、路径规划与焊接顺序、过程控制与质量监测和缺陷识别与分类判定方面的应用情况。对机器学习算法在焊接领域的未来发展进行了展望。     

基于可解释性机器学习的ECD敏感性分析与预测技术

当量钻井液循环密度（ECD）计算过于繁琐耗时,且其敏感性规律尚未得到明确认识。为此,采用ProHydraulic软件对克深区带的1928个数据点进行分析,以确定ECD的理论值,并建立了相关的特征参数。同时,利用可解释性机器学习方法 SHAP对钻井液特性、钻进参数和环空容积等关键因素进行了敏感性分析。最终,利用线性回归构建克深区带计算ECD的经验公式,涵盖了12个主要特征参数。结果表明,该模型表现优异,测试集决定系数达到0.963,平均绝对误差仅为0.04,为实际工程应用推出了简明、高效的经验公式。     

抗磨液压油台架试验中高压泵摩擦副磨损的评估

较详细地阐述了抗磨液压油台架试验高压泵摩擦副磨损评估的国内外现状，并介绍了对高压抗磨液压油ＨＦ－Ｏ的评估方法，采用叶片泵及柱塞泵对试验元件进行磨损评价，从失重、摩擦副形态、颜色、加权系数及评比分计算等诸方面，提出了建立我国高压泵摩擦副磨损评估的方法。这对我国抗磨液压油应用技术的研究具有深远的现实意义，是一项值得研究的摩擦机理课题。     

基于物理模型驱动的机器学习方法预测超临界二氧化碳管道最大泄漏速率

碳捕集与封存(CCS)项目中涉及的大规模CO₂适合采用超临界管道输送。然而超临界CO₂管道泄漏过程伴随着复杂相变,因此对其最大泄漏速率进行准确预测是目前的研究难点。鉴于传统物理模型方法存在建模复杂、假设过多、计算耗时等缺点,研究提出通过机器学习方法预测超临界CO₂管道最大泄漏速率,分别采用粒子群算法优化的支持向量机(PSO-SVM)和简化处理的卷积神经网络(CNN)对等熵阻塞泄漏模型所生成的泄漏特征数据进行学习,并测试了机器学习模型的预测准确率和泛化能力。研究结果表明：(1)物理模型、PSO-SVM、CNN的预测结果与实验数据的平均误差为28.82%;(2)两种机器学习模型预测精度相差不大,CNN的训练时间远短于PSO-SVM,但PSO-SVM的泛化能力强于CNN,因此,SVM适用于小样本数据精确预测,而CNN更适用于对大数据的学习和预测。本研究成果为超临界CO₂管道最大泄漏速率预测提供了一种高效的新方法。     

基于SVM的注水机组状态预示技术研究

油田大型注水机组在连续运转过程中,由于其自身的因素以及受外界条件的干扰,其运行常处于非线性非平稳状态。在充分研究和比较多种设备状态预示方法的基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的状态预测新方法。该方法应用最终预报误差(FinalPrediction Error,FPE)准则确定样本的嵌入维数。通过比较SVM预测模型与自回归预测模型的单步和多步预测结果,证明基于SVM的预测方法在较长区间内具有良好的预测效果。用SVM预测大庆油田旋转注水机组时域的振动烈度,取得了较好预测效果,证明该算法能有效提高预测精度。     

基于机器学习的页岩气产能非确定性预测方法研究

针对页岩气确定性产能预测方法误差较大的问题,综合最大信息系数相关性分析方法、混合支持向量机技术及“蒙特卡洛—马尔科夫链”模拟,提出一种基于机器学习的页岩气产能非确定性预测方法。运用该方法,可根据已投产页岩气井的地质及工程数据,对拟钻页岩气井未来的产能进行非确定性预测。24口页岩气井算例分析结果表明：利用该方法进行产能非确定性预测的准确率为70.8%,且预测结果为“大概率事件”的井占54.2%,说明该方法有较高的预测精度且预测结果满足概率统计规律。研究成果对国内外页岩气开发方案的优化有重要意义。     

基于支持向量数据描述的往复式注水泵健康度评价方法

往复式注水泵作为油田注水作业的关键装备,由于恶劣的工作环境,易导致轴瓦、缸体和电机等部件故障,对其进行健康监测及健康度评价,以及时发现异常状态,保障安全可靠的注水作业十分必要。本文提出了一种基于支持向量数据描述的往复式注水泵健康度量化评价方法。首先,考虑到注水泵振动信号非线性、非平稳的特点,在有限条件下提取注水泵振动信号中的特征信息。针对注水泵核心部件多且间距小的问题分析振动信号的测点位置,以搭建数据采集系统。针对振动信号频率成分复杂的特点,利用变分模态分解提取振动数据的变分模态分量,在所有模态分量排列熵的基础上构建高维多域特征集,以描述注水泵的健康状态。其次,针对注水泵实际采集数据过程中,大多数设备处于健康工作状态,故障数据较少,容易造成样本不均衡的问题,利用单值分类方法支持向量数据描述在单值分类问题上的优势,仅使用健康状态运行下注水泵数据样本的特征向量进行支持向量数据描述的超球体模型构建,并引入粒子群优化算法对模型参数进行优化;通过计算注水泵不同健康状态的数据到超球体球心的距离,参考隶属度函数进行公式拟合,实现注水泵的健康度定量评价。最终,为验证该评价方法的适用性,对长庆油田现场注...     

基于机器学习的复杂储层微小断裂系统识别方法研究与应用

针对复杂断裂储层分布规律复杂、横向特征变化剧烈、微小断裂识别难的问题,结合各向异性岩石物理模型的微观特征和断裂敏感属性的宏观特征,开展了基于机器学习的复杂储层微小断裂系统特征预测方法研究。根据断裂系统的发育规律建立复杂储层各向异性岩石物理模型,预测井位处的各向异性参数,计算各向异性梯度并将其作为微小断裂系统指示因子;从叠后地震数据中提取构造类地震属性并进行优化处理,运用相关聚类算法优选微小断裂系统属性集;选取已知井点处的微小断裂系统属性集和微小断裂系统指示因子作为训练数据,利用机器学习(支持向量机)算法建立敏感属性集与微小断裂系统指示因子的非线性映射关系,实现复杂储层微小断裂系统特征的准确刻画。四川盆地某工区碳酸盐岩复杂断裂储层预测结果表明,预测的微小断裂系统发育规律符合研究工区的地质认识,并且与测井资料解释结果吻合程度较高,为复杂储层的微小断裂系统识别提供了有效的技术手段。     

基于支持向量机回归的机械钻速智能预测

塔里木盆地深层油气资源丰富,但随着井深的增加地层可钻性降低、研磨性升高,导致机械钻速低,钻井成本高等难题,亟需钻井优化技术.机械钻速预测是优化钻井的关键技术之一,准确的机械钻速预测可以为钻井参数优化、钻井工具优选等提供重要依据.利用钻井现场可实时获得的录井数据,基于决策树回归算法、随机森林回归算法、支持向量机回归算法和...     

高压泵摩擦副磨损的多评价目标的模糊评估在抗磨液压油台架试验中的应用

阐述抗磨液压油台架试验中高压泵摩擦副磨损的多评价目标的模糊评估方法，建立定量化处理的数学模型，并从评价目标，评价分级、隶属度大小的确定等方面对不同试验油样进行综合评价。提出高压泵摩擦副磨损评估的新方法。     

基于动态电阻理论的SVR点焊质量评估方法

针对电阻点焊质量评估方法大多采用破坏性试验进行检验,提出采用支持向量回归机模型预测点焊熔核直径的方法对焊点进行无损检测。电阻点焊过程具有高度非线性、多变量耦合及偶然不确定因素,且熔核形成过程时间极短。因此根据电阻点焊动态电阻理论,选择径向基核函数作为支持向量回归机的核函数,选择对电阻点焊熔核直径有直接影响的焊接电流、焊接时间等主要焊接参数构造样本数据,建立支持向量回归模型机。对建立的预测模型进行参数寻优,并进行了计算机仿真试验。结果表明,采用支持向量回归机能够较为准确的预测电阻点焊的熔核直径。     

基于数据驱动的空压机健康状态评估

以模糊数学理论为基础,建立了压气站双螺杆空压机健康状态评估模型。模型采用区间层次分析和熵值法相结合计算权重,引入相对劣化度消除评估指标类型差异性影响,并选择岭型分布隶属函数求取评估指标相对评语集的隶属度。以某压气站在役无油双螺杆空压机运行数据为基础,选取冷却系统、润滑系统和空气回路为一级评估指标,以主机1排气温度以及主机2排气温度、中冷器压力、空气过滤器压差、干燥器过滤器压差、润滑油压力、润滑油温度、主机进口温度共8个参数为二级评估指标,利用评估模型得出空压机健康状态。结果显示,空压机整机处于亚健康状态。通过现场排查,结合设备维护保养记录,验证了该方法的有效性,能够为设备检修维护和故障诊断提供参考依据。     

基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用.该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系...