潜油电泵智能节电装置的研制

在进入高含水期的油田开发中,潜油电泵得到广泛应用,而如何提高其采油系统效率,降低电泵采油井耗电量,成为油田节能减排工作的重点。本文设计了一种新型智能潜油电泵有载调压变压器,给出了结构组成及工作流程,进行了室内外的现场实验,结果表明,该装置可以有效地选择最佳电压,节电效果显著。     

潜油电泵机组及井下传感器状态监测技术研究

在石油开采中后期由于井下的温度、压力等非常的高,所以采用潜油电泵机组进行施工,同时需要采用传感器对其实时的进行监测。基于电力线载波通信技术对传感器反应的井下工作环境参数与潜油泵机组工作参数进行地面监测与控制是本文研究的课题,对井下传感器的故障进行分析,提出潜油电泵机组及井下传感器状态监测方法与监测技术的实验研究,可有效的保障深井开采安全进行。     

潜油电泵井选配技术

根据油井的工况,通过计算来预测油井的生产能力,并对潜油电泵机组的主要组成部件进行选择,使选择的潜油电泵满足设计排量和扬程的要求,最大地发挥其潜能。设计后的电泵机组能够在最大效率下运行,提升了潜油电泵的应用水平,达到理想的开采效果。     

深井潜油电泵保护器用胶囊的研制

深井潜油电泵保护器用胶囊的研制曾星绍（自贡机械密封件厂６４３０００）王华湘（自贡特种橡胶密封件厂６４３０００）深井潜油电泵是潜入上千米深的油井工作的电泵。其保护器用胶囊是该电泵的关键配件之一，它的性能和质量对于深井潜油电泵稳定可靠的运行具有举足轻重的...     

潜油电泵腐蚀性研究

我国多数油气田已进入中、高含水期,各种采油设施的腐蚀十分严重,潜油电泵是油田主要采油设备之一。为了提高潜油电泵运行寿命,分别从物理因素和化学因素方面对潜油电泵腐蚀性、机理等进行分析研究,为提高产品的性能和可靠性奠定基础,对油田生产起到更好的促进作用。     

潜油电泵抽油时机分析

潜油电泵主要用于油井大排量抽汲井液,它是通过降低井底流动压力来增加油井产量的。从油井的生产特性、流体特性、井筒特性、油藏特性及经济效果等多个方面进行分析,详细说明何种情况下使用潜油电泵进行采油时才能运行得最安全可靠并取得最佳的经济效益。     

潜油电泵系统能耗研究

针对潜油电泵的系统能耗问题,结合我国潜油电泵的应用现状,首先对潜油电泵的系统效率进行深入分析,在此基础上,对影响潜油电泵系统能耗的相关因素进行深入研究,分析这些因素出现的原因,并提出降低能耗的相关措施,为推动潜油电泵技术的进一步发展奠定基础。研究表明:参数设计、库存以及结垢等因素都会影响潜油电泵的系统能耗,各因素影响系统能耗的途径各不相同,但是都会给油田单位带来一定的经济损失,因此相关单位必须从这些影响因素出发,采取必要的措施,降低系统能耗。     

潜油电泵井清防垢剂的研制与应用

在油田生产中,潜油电泵个别井结垢严重,造成电泵井过载运行机组损坏。垢样含水0.74%、含酸溶物53.81%、有机物29.60%、酸不溶性杂质19.85%。针对结垢原因研制了电泵井清防垢剂,主剂为无机有机混合酸,添加了防垢剂、表面活性剂、助溶剂、缓蚀剂、络合剂、稳定剂等。该清防垢剂与地层原油配伍性好,同10%HCI对比溶蚀率和反应速度均有较大提高。现场试验2口井,平均检泵周期由146天延长到669天,延长了523天,取得了很好的效果。     

潜油电泵井效率分析

以潜油电泵井系统效率计算和测试试验为基础,分析了影响机组系统效率的各种因素。说明系统效率高低取决于潜油电泵设备各部件损耗和运行参数的设置,以及管理水平和油井状况。并提出了通过提升潜油电泵产品结构性能、优化油井和参数设计、加强日常管理等措施来提高潜油电泵井的系统效率。     

基于EMD-BP神经网络的短期电力负荷预测

针对电力负荷具有的非平稳、随机性、不确定性的特点,提出用EMD-BP神经网络方法对电力负荷进行预测,通过EMD方法将非平稳、随机的电力负荷数据转换成平稳、确定性数据,之后利用BP神经网络进行电力负荷预测。通过仿真试验可以看出,相比于直接使用BP神经网络进行预测,EMD-BP神经网络的预测精度更高、相对误差较小。     

大型油浸变压器的水喷雾灭火系统设计

结合大型油浸变压器消防设计实践,介绍了大型油浸变压器水喷雾灭火系统的组成和控制方式,探讨了设计中应该注意的问题,以使该系统设计不断改进。     

基于BP神经网络在储层预测中研究及应用

利用人工神经网络模式识别技术可以在现有油层下面寻找新的油气储层,也可以预测储层类型。将用于预测的网络提供的浅层地震反演参数集作为输入,经BP网络学习后,对深层或无井储层进行预测。最后利用垦71地区实际参数,对BP神经网络进行检验。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

A method of model validation for chaotic chemical reaction systems based on neural network

A chaotic system with measurable state variables fewer than the degrees of freedom of the system is identified with the Artificial Neural Network (ANN) method combined with dynamic training. Instead of using the usual method of Sum of Square Errors (SSE), the identified models are validated with the return maps (embedded trajectories), the largest Lyapunov exponent, and the correlation dimension when there is no exogenous input, and bifurcation diagram when there is an exogenous input. This method is demonstrated for nonisothermal, irreversible, first-order, series reaction A→ B → C in a CSTR.     

径向基函数神经网络在精馏塔软测量中的应用

精馏塔是化工过程中最常用的操作单元 ,具有很强的非线性和时变性 ,故很难进行机理建模分析或常规在线实时控制 ,因而提出一种基于径向基函数神经网络的优化控制方案。通过利用径向基函数神经网络建立精馏塔产品质量的软测量模型 ,将软测量结果与现场数据比较 ,表明本模型具有比较准确的跟踪显示效果 ,并将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中     

神经网络方法在储层孔隙度预测中的应用

储层参数预测对油田勘探具有重要意义。文章采用主成分变换优化法对海拉尔盆地某油田的11种地震属性进行标准化、主成分变换,计算结果说明,只需其中4种主成分用于储层预测。利用神经网络方法对储层孔隙度进行预测,预测结果与测井资料十分吻合,取得了较好的预测效果。     

径向基神经网络在粉煤灰混凝土二维和三维碳化分析中的应用

研究了不同粉煤灰掺量(0%,15%,40%,60%)、不同水灰比(0.3,0.35,0.4)、不同强度等级下(C30～C50)高性能混凝土二维和三维碳化深度;应用多因子输入向量的径向基神经网络(RBF)进行二维和三维碳化深度的预测。试验表明,采用多因子输入向量的径向基神经网络能够在试验样本数量较少的情况下建立高效准确的预测网络,可以较好地预测混凝土的碳化深度,其二维和三维碳化深度预测精度比一维精度高,其一维,二维和三维碳化深度的预测值和试测值相对误差分别为10.9%,5.6%,7.1%。混凝土二维和三维碳化研究对混凝土结构耐久性和寿命预测具有现实意义。     

Prediction of air pollutants by using an artificial neural network

The purpose of this study is to predict the amount of primary air pollution substances in Seoul, Korea. An artificial neural network (ANN) was used as a prediction method. The ANN with three layers is learned with past data, and the concentrations of air pollutants are predicted based on the pre-learned weights. The error back propagation method that has a powerful application to various fields was adopted as the learning rule. The concentrations of air pollutants from one to six hours in the future were predicted with the ANN. To verify the performance of the prediction method used in the present study, the predicted concentrations of air pollutants were compared with the measured data. From the comparison, it was found that the prediction method based on the ANN gives an acceptable accuracy for the limited prediction horizon.