基于人工神经网络混合油品粘度预测模型研究

在分析前向BP神经网络基本原理的基础上,对3种混油建立了人工神经网络混油粘度预测模型,该模型结构为1-7-1的三层BP网络模型。运用实测数据对BP网络进行训练和仿真。结果表明,三种模型预测误差全在2.5%以内,比前苏联学者提出的混油粘度计算公式——克恩达尔-莫恩罗埃公式和兹达诺夫斯基公式更具有计算精度高、适用性强的特点,可完全满足工程实际需要。     

处理油—水乳状液并回收表面活性剂的方法

本文介绍了一种使油—水—表面活性剂乳状液破乳的方法。能够用来处理表面活性剂驱提高采收率工程中采出的乳状液。使其经济有效地分离成两相：一相是可回注的盐水／表面活性剂相；另一相是达到管售质量的原油。     

碱对三元复合驱采出液油：水乳状液稳定性的影响

在三元复合驱中,加入的碱与原油中的组分发生反应,使油水形成稳定的乳状液,所以油水分离变得比较困难.通过研究碱溶液与模型油形成的油水乳状液的稳定性表明,用碳酸钠作为碱,和原油中的胶质及沥青质反应,生成了界面活性泡沫.用氢氧化钠作为碱,在油藏滞留的时间里形成了羧酸钠盐.     

含有油水乳状液油气水三相分层流的水力学模型

在油气水的三相管内流动中,分层流同样也是一种常见流型。由于互不相溶的油水两相之间相互作用及分散程度的复杂性,所以油气水三相分层流比一般的气液两相分层流要复杂许多。使用一维三流体模型求解含有油水乳状液的分层流、即气体/(W/O型)乳状液/(W/O/W型)多重乳状液的三相分层流。通过模型的求解可以确定油气水分层流的相分率及其他相关参数和压降。     

基于人工神经网络的油井三相流流量预测

神经网络作为一种智能化信息处理技术，克服了常规方法中各种因素影响对解释带来的不适应性，是处理此类复杂问题的一种有效手段，为确定总流量提供了一种预测定量化、模型数字化、识别智能化的新方法。应用Matlab语言及其神经网络工具包，通过BP神经网络，不需对测得的密度值和仪器响应值进行校正，直接可以作为网络的输入量而参与对流量的计算。应用该网络模型对总流量的预测与实际配比的总流量基本相符，预测精度较高。     

油包水乳状液中胶质和沥青质的界面剪切黏度和乳状液稳定性的关系

 采用红外和紫外光谱分析了胜利原油中胶质和沥青质的结构，采用界面剪切黏度对其油、水界面膜强度进行了表征，测定了胶质和沥青质模拟油油包水乳状液的稳定性。结果表明，沥青质和胶质的结构和相对分子质量不同，沥青质含有更多的芳环结构，相对分子质量比胶质大，界面膜强度也比胶质强，其乳状液更稳定。     

原油减压渣油馏分的油-水界面性质V．表面活性剂对减渣馏分油-水界面粘度的影响

采用剪切界面粘度仪考察了表面活性剂Tween40和Span80的油-水界面粘度及其对大庆、伊朗轻质和伊朗重质减压渣油馏分的油-水界面粘度的影响。结果表明，随着油相中Tween40、Span80和油相中芳烃质量分数的增加，油-水界面粘度均增大。并且，当油相中Tween40、Span80的临界胶束(CMC)质量分数在其质量分数变化范围内时，油-水界面粘度有大幅度的增加。Tween40铺展吸附于油-水界面，其油-水界面粘度较大。Span80竖立吸附于油-水界面，其油-水界面粘度较小。Tween40取代减渣馏分铺展吸附于油-水界面，其油-水界面粘度较低，相互间的差别也较小，随着油相中Tween40质量分数的增大，油-水界面粘度降低。Span80楔人减渣馏分油-水界面吸附层，共同构成油-水界面结构。对线性结构多的减渣馏分，随着油相中Span80质量分数的增大，油-水界面粘度逐渐增大。对芳香稠环结构多的减渣馏分，随着油相中Span80质量分数的增大，油-水界面粘度逐渐减小。     

油,水二相流固耦合渗流的数学模型

为了正确模拟油藏中流体流动的动态过程，必须考虑由于注水和开采而引起的多相流体的流动、应力状态的变化和储集层变形之间复杂的相互作用。但由于这种问题的控制方程是三维非线性耦合方程，因此，很难模拟这种耦合作用。利用广义的Ｂｉｏｔ理论建立了一个完全耦合的数学模型，它描述可变形油藏中岩石变形和油水流动的这种相互作用。模型中假设岩石骨架具有弹塑性特性，流体是可压缩的。以岩石骨架位移和油水压力为未知变量所建立的控制方程，包括岩石骨架的平衡方程和流体（油、水）的连续性方程。所建立的流固耦合模型在石油工程，特别是在油藏数值模拟中有广泛的应用。参８（陈志宏摘     

原油减压渣油馏分的油-水界面性质Ⅴ.表面活性剂对减渣馏分油-水界面粘度的影响

采用剪切界面粘度仪考察了表面活性剂Tween40和Span80的油 水界面粘度及其对大庆、伊朗轻质和伊朗重质减压渣油馏分的油 水界面粘度的影响。结果表明,随着油相中Tween40、Span80和油相中芳烃质量分数的增加,油 水界面粘度均增大。并且,当油相中Tween40、Span80的临界胶束(CMC)质量分数在其质量分数变化范围内时,油 水界面粘度有大幅度的增加。Tween40铺展吸附于油 水界面,其油 水界面粘度较大。Span80竖立吸附于油 水界面,其油 水界面粘度较小。Tween40取代减渣馏分铺展吸附于油 水界面,其油 水界面粘度较低,相互间的差别也较小,随着油相中Tween40质量分数的增大,油 水界面粘度降低。Span80楔入减渣馏分油 水界面吸附层,共同构成油 水界面结构。对线性结构多的减渣馏分,随着油相中Span80质量分数的增大,油 水界面粘度逐渐增大。对芳香稠环结构多的减渣馏分,随着油相中Span80质量分数的增大,油 水界面粘度逐渐减小。     

预测水驱砂岩油田驱油效率的方法

驱油效率是预测油田最终采收率、评价油田开发效果的主要参数。以双河油田资料为基础，建立了驱油效率与渗透率、油水粘度比和注入倍数的关系式。该多元回归式不仅可确定最终驱油效率，而且还可计算注水倍数，确定不同开发阶段的驱油效率、波及系数。驱油效率实际值与预测值平均相对误差8．7％，精度满足生产要求。     

神经网络构建稠油掺稀黏度预测模型研究

本文利用BP神经网络能够较好地在实验数据基础上建立稠油掺稀黏度预测模型,以对新疆塔河油田稠油掺入四种稀油的黏度预测为例,通过BP神经网络建立预测模型,并与四种传统基于线性回归的建模方法及进行改进的方法进行对比,结果表明：利用神经网络建立模型的最大误差为4.1%,黏度与温度、稀稠比的非线性关系能够较好拟合,对比基于线性回归方法的建模方法及其改进算法有着更高的拟合精度。     

The Prediction of Undersaturated Crude Oil Viscosity: An Artificial Neural Network and Fuzzy Model Approach

Abstract

Viscosity is one of the most important governing parameters of the fluid flow, either in the porous media or in pipelines. So it is important to use an accurate method to calculate the oil viscosity at various operating conditions. In the literature, several empirical correlations have been proposed for predicting undersaturated crude oil viscosity. However these correlations are not able to predict the oil viscosity adequately for a wide range of conditions. An extensive experimental data of undersaturated oil viscosities from different samples of Iranian oil reservoirs was applied to develop an Artificial Neural Network (ANN) model and fuzzy model to predict and calculate the undersaturated oil viscosity. Validity and accuracy of these models has been confirmed by comparing the obtained results of these correlations and with experimental data for Iranian oil samples. It was observed that there is acceptable agreement between the ANN model and fuzzy model results with experimental data.     

井筒中油水泥合物粘度的实验室测定

分析了已有的确定井筒中油水混合物粘度方法的不足,提出了用细管流变仪测定井筒中油水混合物粘度的方法,实例计算结果表明,用细管流变仪测定井筒中筒中油水混合物粘度是可行的。     

The Prediction of Permeability Using an Artificial Neural Network System

Abstract

The authors studied the efficiency and accuracy of neural network model for prediction of permeability as a key parameter in reservoir characterization. So, some multilayer perceptron (MLP) neural network models with different learning algorithms of Levenberg-Margnardt, back propagation, improved back propagation (IBP), and quick propagation with three layers and different node numbers (3, 4, 5, 6, 7) in the middle layer have been presented. These models have been obtained by 630 permeability data from one of offshore reservoirs located in Saudi Arabia. The accuracy of models was studied by comparing the obtained results of each model with experimental data. So, the neural network with IBP learning method and five nodes in the middle layer has the most accuracy.     

基于神经网络的高含硫气田L360钢腐蚀速率预测

高含硫气田地面集输系统广泛使用L360钢,由于腐蚀因素的多样性及协同效应,其腐蚀速率预测一直是个难题。文章介绍了不同腐蚀因素对L360钢腐蚀速率的影响。随着H2S和CO2压力的增高,腐蚀速率先降后升,在H2S和CO2压力为1.00和0.67 MPa时达到最小值;随Cl-质量浓度的升高,腐蚀速率增大,但当Cl-质量浓度高于40 g/L后,腐蚀速率反而降低;随着温度的升高,腐蚀速率增大,当温度超过70℃后,腐蚀速率反而降低。建立了三层结构BP神经网络模型,输入层有6个神经元,分别代表H2S,CO2分压、Cl-质量浓度、温度、流速和沉积硫6种腐蚀影响因素,隐层神经元数目为8个,输出层神经元数目为1个,代表腐蚀速率。结果表明,L360钢在试验水中的平均腐蚀速率的预测最大误差在15.9%以内,可以满足工程应用要求。     

用正交尺度小波网络方法预测固井质量

分析了固井质量预测系统的复杂性和正交尺度小波网络的优点,采用SAS系统对影响固井质量的众多因素进行了相关分析,通过正交尺度小波网络建立了固井质量预测模型。该模型以影响固井质量的主要因素地层压力系数、渗透率、井眼扩大率、井眼规则度、钻井液密度、水泥浆密度、套管居中度和顶替返速作为预测模型的输入参数,将固井质量定量化作为模型的输出。预测结果与实际检测结果的最大相对误差为6.87%,且计算速度快,大大节省时间,因此该模型具有较好的应用前景。     

The Artificial Neural Network's Prediction of Crude Oil Viscosity for Pipeline Safety

Abstract

Predicting crude oil viscosity is a challenge faced by reservoir engineers in production planning. Some early researchers have propounded some theories based on crude oil properties and have encountered various problems leading to errors in forecasted values. This article discusses work carried out with a model using an artificial neural network (ANN) for predicting crude oil viscosity of Nigerian crude oil. The model was started through adoption of a classical regression technique empirical method for dead oil viscosity as a function of American Institute for Petroleum (API) and reduced temperature. The Peng–Robinson equation of state and other thermodynamic properties are introduced, coupled with the Standing model for calculating bubble point pressure (P_b). The developed model was evaluated using existing measured real-life data collected from 10 oil fields within the Niger Delta region of Nigeria. Both the predicted and measured viscosities were plotted against each corresponding reservoir pressure to establish the model's level of reliability. The superimposition of the pressure-viscosity relationship shows that at each point, the viscosity model captures the physical behavior of viscosity variations with pressure. In each case, the ANN does not require a data relationship to predict the crude oil viscosity but rather relies on the field data obtained for training. For this reason, it is recommended that the ANN approach should be applied in oil fields for reduction in error, computational time, and cost of overproduction and underproduction.     

人工神经网络技术在储集层参数预测中的应用

建立在传统的经验模型或统计模型基础上的常规测井储集层参数预测方法其精度和成功率均较低。介绍了人工神经网络在处理非线性相关参数预测方面的优势和多层前馈神经网络的结构,以及在处理非线性参数过程中的原理和数学计算方法。通过实例说明了神经网络技术在测井孔隙度参数预测中所取得的成果。     

应用神经网络识别地层特性

引入了一种改进的ＢＰ算法，用于由测井资料识别地层特性。主要讨论了地层岩性和含流体性质的识别问题，并指出了提高该方法实用效果的专业性措施。通过实际资料的批量处理解释实例，证明运用本方法能加快敛速度和改善预测效果。