基于领域驱动数据挖掘技术定量描述油层水淹级别

为了准确识别水淹层、确定储集层的水淹程度,引入数据挖掘技术,结合水淹层评价领域的相关知识,从"领域驱动"的角度建立高效预测储集层水淹程度的模型.结合研究区块沉积相带特征,综合运用聚类分析、关联规则和决策树等方法,对水淹层的测井数据及储集层衍生参数进行分沉积微相、分参数组合挖掘,分别获得预测整个研究区块和各小层水淹层的模型;并给出挖掘参数对油层水淹情况敏感程度的大小关系,证实不同沉积微相对水淹情况敏感的参数不同.将所得预测模型程序化之后,对研究区180口老井水淹层进行复查,对10口新井水淹层进行预测,其结果与试油结论对比,准确率为91.03%,证明了方法的可靠性.     

两个动量耦合谐振子的能级分裂

利用微扰法研究了υp1p2耦合下两个玻色谐振子(N=1)时的能级分裂,而后用坐标变换技巧研究该耦合谐振子能量本征值的精确解,取得了令人十分满意的结果.     

成形纹缺陷影响因素分析及工艺优化

以侧围外板为代表的难成形零件,对零件表面成形质量要求高,成形后用油石打磨表面后存在成形纹缺陷,影响零件寿命以及涂装质量。应变分析后发现缺陷区域应变量安全裕度远大于10%,在此安全裕度下不会出现严重的减薄而导致表面粗糙。由应变云图可以看出,该区域应变状态为平面应变,平面应变状态下材料晶粒之间对变形比较敏感,晶粒间容易出现变形不协调。通过对材料生产中的热轧温度、卷取温度等工艺参数进行优化改进,改进优化后成形件的材料组织得到了细化,成形件打磨后其材料表面较致密,有效解决了材料的成形纹缺陷。     

特征聚类在油田测试方案优化中的研究

针对油田注产剖面动态测试在选井上没有一个合适参考标准的问题,提出利用基于特征的聚类将油井按照生产状况进行先聚类再分类的方法。首先对油井生产时间序列数据选择处理,然后提取序列特征进行聚类,并把聚类结果划分等级,最后制定油田测试优化方案。实验结果表明,提取的时间序列特征能很好地表征油井生产波动情况,获得较好地分类效果,对指导油田测试有重要意义。     

复杂储层测井评价数据挖掘方法研究

数据挖掘是应对石油勘探开发未来挑战的10项关键技术之一。提出了一种将预测性数据挖掘技术应用于复杂储层测井评价的方法。将遗传算法应用于特征子集选择和建模参数优化,利用重复交叉验证得到泛化误差的无偏估计,并从选定的多学习算法建模结果中优选出最终预测模型。以克拉玛依油田六中区克下组油藏水淹级别划分为例,在该方法框架内对比研究了8种特征子集方案和决策树、神经网络、支持向量机、贝叶斯网络、组合学习等5种分类方法12种预测模型。结果表明支持向量机预测准确率最高,达91.47%,选择其作为最终预测模型,而决策树模型容易理解,作为辅助参考模型。利用该数据挖掘方法解决油、气、水层识别和岩性划分等问题时,能够获得高性能的分类模型,从而将有效地提高解释精度和符合率。     

基于粒子群算法的声波测井岩心自动归位

为解决传统岩心手动归位不准确、主观性强等缺点,提出一种全新的岩心归位方法,利用粒子群优化算法实现声波测井岩心自动归位。根据位于同一深度的声波时差与岩心的物性数据具有相关性这一原理,声波测井岩心自动归位可归结为寻找全局位移最小、数值变、化趋势对应性最好的优化问题。仿真结果表明,用粒子群算法可以快速有效地实现声波测井岩心自动归位。     

关于知识工程的发展综述

人工智能与计算机技术的结合产生了所谓"知识工程",本文首先从知识工程的基本概念入手,依次对其包含的知识的获取、知识的表示和知识的运用三大要素进行详细的总结概述,同时提出将知识管理加入知识工程对于其实戢应用的巨大作用.     

基于CC和STAF的分布式持续集成和自动测试方案

为缩短大型软件的构建和测试时间以适应持续集成的要求,提出了分布式持续集成和自动测试方案.以CruiseControl和STAF&STAX搭建分布式框架,把功能模块和测试案例分别以编译依赖性和测试相关性进行分组,以组为单位把源代码部署到多个编译机或测试机上并行地执行编译和测试,从而成倍地提高编译和测试效率.通过在大型石油测井软件项目实现持续集成的实例,验证了该方案的有效性.     

Xlib模式绘图的原理及应用

分析了Xlib模式绘图的基本原理并对应用中出现的问题提出了解决办法。     

基于特征选择、遗传算法和支持向量机的水淹层识别方法

支持向量机是识别水淹层的有效方法,但其预测性能受多种因素的影响。研究提出一种水淹层识别新方法,采用Relief-F算法进行自动化特征选择,通过遗传算法优化模型参数以及使用加权支持向量机改善样本类数据分布不平衡对分类准确率的影响。将该方法应用于克拉玛依油田六中区克下组砾岩油藏水淹级别划分中,结果表明效果良好,增强了支持向量机的预测能力,进一步提高了水淹层解释的精度。