多相流测量：流量系数的估算

孔板流量系数CD是校正理论流量为实际流量的系数。对于单相孔板模型它是已知的，但其临界流动的预测方法并不能应用于多相流。因此，必须回答的问题是；在多相流测量时，我们如何确定流量系数的值？临界多相流动的流量系数值可否应用于亚临界流动？这里提出的CD的图、表和公式，可把临界流动和亚临界流动下计量的多相流量校正得到实际的多相流量。业已表明，多相临界流动的CD与多相亚临界流动下的不相同。     

地层压力BP网络预测方法研究及其应用

为了进一步提高井底下部地层压力预测精度,探讨利用BP网络法进行地层压力预测研究。着重介绍了合理网络结构的确定方法、学习算法的选择和改进等,并建立了适合地层压力预测的BP算法。通过井底下部地层的声波时差预测,介绍了神经网络在地层压力预测中的具体应用过程,并对其在现场的应用效果进行了验证。研究结果表明,利用神经网络来进行地层压力预测的方法,具有预测精度高、自适应好、容错能力强等优点。     

人工神经网络基团贡献法预测有机物闪点

建立了一个基于误差反向传播(Back-Propagation,BP)神经网络方法的基团贡献模型,用于预测有机物闪点。以32种分子基团作为神经网络的输入参数,闪点作为输出,研究有机物闪点与分子结构之间的相关性。实验样本由258种有机物构成,并随机划分为训练集(216种)和预测集(42种)。通过试差法确定神经网络最优参数,应用最优BP网络结构(32-4-1)进行模拟,结果表明,闪点预测值与实验值符合良好,绝对平均绝对误差6.22K,绝对平均相对误差2.24%,优于传统基团贡献法所得结果。该方法的提出,不仅揭示了有机物闪点与分子结构之间的定量关系,而且为工程上提供了一种预测有机物闪点的新的有效方法。     

基于神经网络的磨料射流破岩射孔深度预测方法

磨料射流破岩射孔深度与其影响因素之间存在着复杂的非线性关系,因此难以用传统的数学方法建立破岩射孔深度的数学模型.将人工神经网络技术引入该领域,提出了一种利用BP神经网络预测磨料射流破岩射孔深度的新方法.给出了样本集构造与网络拓扑结构的确定方法,详细介绍了网络层数与隐层节点数的确定原则,并通过一个实例对设计的BP神经网络进行了训练与验证.结果显示,仅仅通过24次迭代过程即满足了精度要求,获得了稳定的权值矩阵、阈值矩阵与网络结构,预测值与试验值之间的相对误差满足工程要求.由此可见,利用BP神经网络预测磨料射流破岩射孔深度是完全可行的.     

亚临界汽-水两相流量计的研制与应用

针对我国油田大量使用亚临界注汽锅炉,但其流量干度测量问题却还没有解决的现状,采用分流分相的测量原理,研制出亚临界汽-水两相流量计,实现了注气过程中的流量、干度等参数的在线测量。详细介绍了亚临界汽-水两相流量计的结构组成及特点、工作原理、室内和现场试验及推广应用情况。现场试验表明,亚临界汽-水两相流量计流量测量误差小于5%,干度测试误差小于6%,工作稳定且操作方便,完全满足现场使用要求。     

油水分离水力旋流器的人工神经网络模拟

采用改进的BP神经网络模型模拟水力旋流器的油水分离过程。根据水力旋流器的实际生产条件 ,确定旋流器模型设计中的优化神经网络结构为 8- 12 - 12型神经网络。对神经网络的结构进行了优选和分析 ,提出了自适应调节学习率和动量因子的快速BP算法 ,并对激励函数进行了改进。结果表明 ,用改进的BP神经网络模型模拟水力旋流器的分离过程是切实可行的 ,通过旋流器的人工神经网络模拟 ,能够根据旋流器的物性参数和分离期望值 ,预测旋流器的结构参数和操作参数 ,实现旋流器结构参数和操作参数的优化。     

基于神经网络的LM算法预测储层声波孔隙度

精确确定储层的声波孔隙度是测井解释中的一个难题.传统方法在使用时的局限性,提出基于神经网络的LM算法预测储层的声波孔隙度.其主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练、声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高,能较准确地实现声波孔隙度的预测任务.     

管道弯曲塑性屈曲应变的评价

概述了目前的几种管道弯曲屈曲临界应变预测评估方法,重点介绍了弯管横截面椭圆化的理论解决方案,并分析了它们各自的适用性。为了确定目前最合理有效的预测评估方法,对几种管道弯曲屈曲临界应变公式的预测结果与试验数据以及有限元计算结果进行了对比分析。分析结果表明,针对管道弯曲屈曲临界应变的预测,在大多数情况下,屈曲塑性变形引起的截面椭圆模型给出的预测结果比其他屈曲应变预测方法的结果更切实际。     

连续油管材料临界CTOD值计算方法研究

连续油管在油田作业时微小的裂纹会很快引起管子的断裂，当用无损检测技术确定出微裂纹后，再根据材料的断裂韧度确定裂纹临界尺寸，进而确定含裂纹型缺陷连续油管的寿命。临界裂纹尺寸要通过平面应变状态下的临界CTOD试验才能确定，而制造连续油管的材料CT80只有薄试样，通过薄试样试验方法和有限元仿真计算方法，结合临界孔洞扩张比断裂准则，得到了一个借助有限元分析计算CT80材料临界CTOD值的方法。     

神经网络方法在缝洞型碳酸盐岩储层酸压改造中的应用

运用人工神经网络对塔河油田缝洞型碳酸盐岩储层酸压效果进行预测研究。通过溶洞型区、裂缝型区的划分把塔河油田酸压井划分到两个区块内,这样使得各区内影响因素与压后产能的关系变得明确。确定选用单隐层BP神经网络结构作为酸压效果预测的模型,通过综合相关系数、偏相关系数及灰色关联度确定神经网络参数输入组合,通过改变输入参数个数及改变隐层节点个数研究不同结构神经网络模型与压后效果的关系,分别优选出适合两个区块的最优神经网络模型。现场应用表明,BP人工神经网络是适合该类储层酸压效果预测的方法。     

BP神经网络模型用于芳烃油加氢工艺条件考察

采用BP神经网络模型建立了预测芳烃油加氢过程中稠环芳烃（PAHs）脱除率的方法。通过单因素实验方法,分别考察反应时间（2~10 h）、温度（240~320 ℃）、压力（5~9 MPa）对PAHs脱除率的影响。针对单因素实验各因素水平之间存在的漏点,将神经网络与单因素实验相结合,以matlab软件建立网络进行训练并预测漏点,用实验数据进行验证,确定芳烃油加氢的最佳条件为7 h,279 ℃,9 MPa,此条件下PAHs脱除率达到47.89%。在此工艺条件基础上,进一步研究剂油比、添加溶剂对PAHs脱除率的影响。结果表明,最佳剂油比为0.3,PAHs脱除率为51.02%; 添加甲苯溶剂时PAHs脱除率达到54.29%。     

GA辅助BP神经网络预测催化裂化装置汽油产率

催化裂化反应-再生系统是一个高度非线性和强耦合的操作系统,用传统建模方法很难描述。鉴于人工神经网络（ANN）非线性预测和自学习自适应能力强,而遗传算法（GA）全局寻优能力强的特点,将两者结合,先通过GA寻得BP神经网络最优的权值和阈值初值,再赋予BP,从而改善BP模型随机不确定选择初值的方法,提高其映射精度。以某炼油厂2.8 Mt/a MIP装置反应-再生系统为研究对象,选取第一反应器温度、第二反应器温度、第一再生器温度、第二再生器温度、反应器压力、再生器压力等6个变量为神经网络的输入变量,汽油产率为输出变量,建立6-11-1的BP神经网络,并采用GA来对BP神经网络的权值和阈值进行优化。结果表明,未经GA优化时BP神经网络对催化裂化汽油产率的预测数据的均方误差为5.16,而经GA优化后预测数据的均方误差为4.92。     

The Use of ANN and the Mathematical Model for Prediction of the Main Product Yields in the Thermal Cracking of Naphtha

Thermal cracking of naphtha has such numerous reaction routes that the detailed reaction mechanism has not yet been determined. In this regard, a model of artificial neural networks (ANNs), using back propagation (BP), is developed for modeling thermal cracking of naphtha. The optimum structure of the neural network was determined by a trial-and-error method. Different structures were tried with several neurons in the hidden layer. The model investigates the influence of the coil outlet temperature, the pressure of the reactor, the steam ratio (H2O/naphtha), and the residence time on the pyrolysis product yields. A good agreement was found between model results and experimental data. A comparison between the results of the mathematical model and the designed ANN was also conducted and the relative absolute error was calculated. Performance of the ANN model was better than the mathematical model.     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了研究。采用了一种改进的 BP算法 ,其方法具有收敛速度快、避免网络陷入局部最小和出现振荡现象、优化网络结构等优点。提出了一种基于统计的学习样本生成方法 ,使样本生成问题规范化。使用该方法生成的样本真实可靠 ,具有代表性 ,可大大提高样本质量。实际应用网络进行岩性识别和孔隙度预测 ,取得了令人满意的结果     

The Use of ANN and the Mathematical Model for Prediction of the Main Product Yields in the Thermal Cracking of Naphtha

Abstract

Thermal cracking of naphtha has such numerous reaction routes that the detailed reaction mechanism has not yet been determined. In this regard, a model of artificial neural networks (ANNs), using back propagation (BP), is developed for modeling thermal cracking of naphtha. The optimum structure of the neural network was determined by a trial-and-error method. Different structures were tried with several neurons in the hidden layer. The model investigates the influence of the coil outlet temperature, the pressure of the reactor, the steam ratio (H2O/naphtha), and the residence time on the pyrolysis product yields. A good agreement was found between model results and experimental data. A comparison between the results of the mathematical model and the designed ANN was also conducted and the relative absolute error was calculated. Performance of the ANN model was better than the mathematical model.     

基于ANN响应面法和Monte Carlo法的海洋平台可靠度分析

利用人工神经网络(ANN)响应面法和Monte Carlo法对波流联合作用下固定式海洋平台进行了可靠度分析。综合考虑各种随机变量对海洋平台失效的影响,通过有限元方法获得一组随机变量和结构响应数据,利用BP神经网络模型构建平台结构的隐式功能函数。基于Monte Carlo方法由MATLAB软件产生大量的随机变量组合,通过统计网络映射结果确定结构的可靠性。     

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。     

基于小波变换和BP神经网络的润滑油水分测量研究

基于小波变换和BP神经网络理论，构造了一个应用于润滑油水分含量判断的BP神经网络分类器。通过PULSE系统对7种不同浓度润滑油加热后发生微爆效应时产生的声信号进行采集，并进行小波变换，提取能量分布特征信号，最后根据BP神经网络分类器对声信号进行分类并半定量判断润滑油中的水分含量。实验结果表明，该方法能有效地判断润滑油中水分含量是否合格，为研究润滑油水分含量的现场测量提供了新的思路和方法。