中红外光谱和近红外光谱在油品分析中的技术比较

介绍了美军对中红外和近红外光谱的对比情况,并对两种红外光谱的本质区别作了详细阐述,总结了中红外和近红外的技术性能比较,同时对两种红外光谱未来的发展趋势进行了展望。     

柴油近红外光谱的独立分量分析方法

 将新兴的多变量分析工具—独立分量分析(ICA)应用到石化行业中，分析柴油的十六烷值和密度、组分中芳烃含量与其近红外光谱之间的关系。ICA方法用于提取柴油近红外光谱数据矩阵的独立成分和相应的混合矩阵，再用BP神经网络对混合矩阵和十六烷值、芳烃含量以及密度进行回归分析，提出了新的柴油组分含量测定和特性分析的基于独立分量分析-神经网络回归(ICA-NNR)的近红外光谱分析方法。通过分析独立分量数和网络中间隐层的神经元数对模型性能的影响，分别建立柴油组分含量测定模型和密度特性的关联模型。结果表明，该方法用于实测的柴油样品近红外光谱数据的处理，测试样品集的标准方法测定值与所建模型预测值的相关性及相对误差均优于现行常用的PLS、PCR等方法。基于ICA-NNR的近红外光谱分析方法对石化行业中油品的组分及物理特性分析具有很好的可行性。     

柴油近红外光谱与性质的相关性分析

通过近红外光谱与柴油性质的相关性分析,解释了柴油中各种C－H基团的存在对柴油十六烷值、密度、折光、馏程等性质的影响。鉴于在测样技术上的特点和相关分析的便利性,近红外光谱可以作为一种研究油品组成与性质关系的有效手段。     

在用润滑油闪点的近红外光谱快速测定方法研究

提出一种基于近红外光谱技术的在用润滑油闪点快速检测方法。通过比较样品光谱和混入燃油光谱之间的光谱差异进行波段筛选,利用人工神经网络方法(ANN)和偏最小二乘方法(PLS)进行建模并比较,最终确定针对3个特征波段建立的ANN在用润滑油闪点的数学模型性能较优,模型的R2和SEP分别达到0.918 3、3.06℃。实验结果表明,ANN方法作为一种处理非线性问题的化学计量学方法,能较好地实现对在用润滑油的闪点测定。利用近红外光谱分析技术对快速判断润滑油是否混入轻质油料,为及时准确找到设备故障所在提供依据具有重要的指导意义。     

近红外光谱技术与仪器的发展和推广应用

近红外光谱分析技术与近红外光谱仪器近年来有很大发展,在不少领域获得了成功的应用;但是无论是近红外光谱仪器还是近红外光谱分析技术的推广应用,都是全球亟待解决的前沿课题。     

近红外光谱技术与仪器的发展和推广应用

近红外光谱分析技术与近红外光谱仪器近年来有很大发展，在不少领域获得了成功的应用；但是无论是近红外光谱仪器还是近红外光谱分析技术的推广应用，都是全球亟待解决的前沿课题。     

近红外光谱分析技术在石脑油分析中的应用

先用由20个石脑油试样组成的样品集和相关软件建立石脑油的近红外光谱离线数学模型,后用建立的数学模型预测石脑油的族组成、馏程、密度等性能参数,还考察了模型的准确度和精密度.可采用甲苯验证波长的漂移情况,漂移范围应为±1 cm-1.仪器分辨率应为4 cm-1.推荐扫描次数为32次.用建立的数学模型预测某石脑油试样的族组成,20次扫描预测结果显示,数学模型的精密度能满足ASTM D 5443要求.用建立的数学模型预测20个石脑油盲样的族组成并与用PIONA多维色谱仪测得的结果进行对比,结果显示数学模型的准确度可满足ASTM D 5443,1319要求.     

近红外光谱用于原油快速评价的研究

基于275种原油建立原油近红外光谱数据库,通过偏最小二乘方法建立快速测定原油主要性质的分析模型。利用原油近红外光谱指纹特征提出原油种类精确识别方法--移动相关系数法,结合原油评价数据库可快速得到单种类原油的详细评价数据。对于混兑原油,采用库光谱拟合方法,可从原油近红外光谱数据库中解析出一组参与混兑的"伪原油种类"及其混兑比例,结合原油评价数据库可得到该混兑原油的详细评价数据。     

人工神经网络在近红外分析方法中的应用及深色油品的分析——人工神经网络-近红外分析方法快速测定原油馏程

采用近红外分析方法测定原油馏程性质，比较了人工神经网络，主成分回归和偏最小二乘法的校正结果，认为对于组成变化比较复杂的原油，采用人工神经网络方法能够得到较好的建模效果，对验证集的测定结果表明，近红外分析方法与所用参考分析方法（气相色谱模拟蒸馏）测定的原油馏程结果之间没有显著性差别，二者测定结果的差值在参考方法ASTM D5307的再现性范围内，说明以人工神经网络为校正方法的近红外分析方法可以用于原油馏程性质的快速测定，其单次测定只需大约10min.     

在线近红外光谱分析技术在重整装置的应用

介绍国内首次将在线近红外光谱分析技术应用于中国石化广州分公司重整装置先进过程控制(APC)系统的情况,该项目的成功实施说明在线近红外光谱分析技术完全可以实时、准确和完整地给APC提供所需的分析数据,而且分析仪日常维护费用低,几乎没有消耗品,解决了长期制约先进过程控制发展的一个关键技术问题.对APC实现装置的平稳优化生产,提高目的产品产率、降低能耗,最终提高经济效益起到了显著作用.     

应用神经网络模式识别技术进行测井沉积学研究

将人工神经网络(ANN)模式识别技术应用于测井沉积学解释中，可以实现井剖面沉积环境的连续自动解释，大大提高解释精度和工作效率。在确定济阳坳陷车镇凹陷关键井8种主要沉积相及测井响应模式的基础上，从测井曲线中提取出10种具有较明确地质意义的特征参数，在岩心观察以及地区经验的基础上优选指示沉积相灵敏性较好的曲线组合，基于神经网络模式识别技术进行井剖面沉积微相自动解释。采用自行开发的软件解释了40余口井的沉积微相，取得了较好的效果。该软件适用于具有一定区域背景知识和地质解释经验的人员。图3表2参16     

人工神经网络在油藏数据训练中的应用

由于人工神经网络（ANN）较传统的模式识别方法更具优越性,可以应用到油藏数据的训练中。采用3种神经网络训练函数,即,网络的权值和阈值训练函数、利用Levenberg-Marquardt规则训练函数和阶梯变化梯度算法,分别对油藏数据进行训练,得到成功的训练结果,从而把预测的油藏参数和三维（3D）地震属性联系起来。实验表明,把ANN用于训练油藏数据是可行的。     

基于GRNN振幅谱估计的井控提高地震分辨率技术

提高分辨率一直是地震勘探必不可少的处理过程,当前简单油气藏逐渐减少,薄层、薄互层等复杂地质体已成为油气藏勘探开发的主要目标,对勘探精度的要求也越来越高。传统提高分辨率的方法主要依据地震剖面信息,这种处理方法往往比较盲目,缺少判断依据,而井控地震处理技术能将井资料信息运用到地震勘探处理中。提出了一种与广义回归神经网络(GRNN)相结合,利用井资料的介入提高地震资料分辨率的方法。由于广义回归神经网络具有较强的自适应学习逼近能力,可将其作为修整和拓展地震数据频谱的手段,以井作为约束条件,提高地震数据的分辨率。模型测试和实际数据处理表明基于GRNN振幅谱估计的井控提高地震分辨率技术是有效可行的。     

示功图频谱分析新方法

示功图分析法是目前常用的抽油井故障诊断方法.由于受到复杂的井下工况的影响,示功图时域信号往往会出现极大变形,从而令示功图分析结果出现错误.为解决这一问题,对示功图时域信号进行了频谱分析.利用将时域信号转换为频域信号的方法,研究了各种频率的能量分布及信号的规律性.分析了示功图频谱的影响因素以及典型工况频谱特征,建立了示功图模糊数学识别模型,并给出了示功图频谱分析方法的步骤.用40多口油井示功图进行了验证,结果表明,频谱分析新方法可用于示功图的识别.     

WELL TEST MODEL IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS

The aim of this research is to investigate the performance of artificial neural networks computing technology, to identify preliminary well test interpretation model based on derivative plot. The approach is based on training the neural network simulator uses back-propagation as the learning algorithm for a predefined range of analytically generated well test response. The trained network is then requested to identify the well test identification model for test data, which is not used during training sessions. For creation of training examples, an analytical response generator is implemented which is capable of producing responses of various models. Both the neural network simulator and the analytical response generator is enfolded into a single package which is capable of producing diagnosis plots, transferring data and filtering the input pattern. Unlike the ones presented in literature the package utilises a distributed modular structure, by which saturation possibility of the neural network is reduced considerably. Moreover, the distributed structure allows the training sequence to be initiated on different computers, thus reducing the training time up to sixteen folds. The package is verified with several examples either analytically generated or taken from literature.     

WELL TEST MODEL IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS

ABSTRACT

The aim of this research is to investigate the performance of artificial neural networks computing technology, to identify preliminary well test interpretation model based on derivative plot. The approach is based on training the neural network simulator uses back-propagation as the learning algorithm for a predefined range of analytically generated well test response. The trained network is then requested to identify the well test identification model for test data, which is not used during training sessions. For creation of training examples, an analytical response generator is implemented which is capable of producing responses of various models. Both the neural network simulator and the analytical response generator is enfolded into a single package which is capable of producing diagnosis plots, transferring data and filtering the input pattern. Unlike the ones presented in literature the package utilises a distributed modular structure, by which saturation possibility of the neural network is reduced considerably. Moreover, the distributed structure allows the training sequence to be initiated on different computers, thus reducing the training time up to sixteen folds. The package is verified with several examples either analytically generated or taken from literature.     

一种基于神经网络的沉积相识别方法

将人工神经网络(ANN)模式识别技术应用于对测井曲线进行单井划相,加快了划相速度,大大提高了工作效率。本文根据某地区的河流微相特征标志,给出了一种基于神经网络的沉积相识别方法。神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练。     

神经网络方法烃类预测中的问题探讨

自神经网络应用于烃类预测以来．很多专家学者一直在神经网络和烃类预测两方面钻研，加快了神经网络与不同数学模型相结合的步伐，并分别取得了较好的应用效果。根据神经网络进行烃类预测的基本原理和应用条件，简述了神经网络应用于烃类预测时的不同模式、特点、相应要求及改进思路，许简要分析了利用神经网络进行烃类预测所存在的问题．最后展望了神经网络烃类预测的发展趋势。     

基于非线性主成分-广义回归神经网络法评估甲醇合成催化剂活性

甲醇合成过程中,影响甲醇单程收率的因数较多,反应机理十分复杂,难以建立准确的机理模型。本文提出了用非主成分分析方法对输入变量预处理,运用广义回归神经网络的非线性映射能力,建立了甲醇合成单程收率的预测模型,并用此模型对不同时期的甲醇合成催化剂的活性进行评估。实例表明,此模型可对甲醇合成催化剂的活性进行定量评估,对指导甲醇生产具有重要意义。     

基于主成分分析的SOM神经网络在火山岩岩性识别中的应用

针对火山岩储层岩性识别难的问题,提出一种将主成分分析和SOM神经网络相结合对测井资料进行处理的岩性识别方法.主成分分析能较好地提取表征样本的少数几个独它的综合指标,从而能够消除神经网络输入间的相关性,降低神经网络的输入维数,简化网络结构,加速网络收敛速度,从整体上提高网络的性能.针对松辽盆地徐家围子地区内有薄片分析及全岩分析的325块岩样,单独使用主成分分析方法的岩性识别正确率为79.38%,单独使用自组织神经网络方法的岩性识别正确率为82.15%,结合上述2种方法的岩性识别正确率为87.38%.由此在实际处理20口井火山岩层段时,将原始测井数据通过主成分分析进行精简处理,然后再通过SOM神经网络进行识别分类,最终厚度符合率为85.2%,从而为利用常规测井资料识别火山岩岩性又提供一种有效方法.