基于量子蚁群优化的油田水淹层识别方法

为提高油田水淹层识别精度及识别效率,论文提出一种基于量子蚁群优化算法的识别方法。首先提出一种基于Bloch球面搜索的量子蚁群算法,然后根据样本数据建立非线性回归模型,最后采用量子蚁群算法优化模型参数。方法简单直观,物理概念清楚。以大庆油田实际水淹层数据进行仿真,结果表明该方法的正确识别率比BP神经网络有25%的提高。     

分式过程神经元网络在网络流量预测中的应用

为更好解决网络流量预测问题,依据函数逼近论中分式的函数逼近性质和拟合能力要远远大于线性函数的性质,以及过程神经元网络对时变函数的非线性变换能力,提出一种分式过程神经元网络模型及其学习算法。实验结果证明,该网络模型对具有奇异值过程函数的柔韧逼近性质和在奇异值点附近区域反应的灵敏性优于一般过程神经元网络,以网络实测数据对模型进行训练和流量预测,取得了较好的应用效果。     

优选三元复合驱注入段塞组合参数的新方法

根据大庆油田实际开发特点建立了理想地质模型,通过数值模拟方法分析主段塞、副段塞、前置段塞和后置段塞的碱、表面活性剂和聚合物三元复合体系化学剂含量、段塞大小等共12个因素对采收率增幅的影响规律,用多元非线性混合回归方法求得采收率公式,并利用函数最优值理论求得最大采收率及对应各个段塞因素的数值。研究结果表明:12个段塞因素与采收率呈现非线性关系,由此得出二次多元非线性回归公式,用函数最优值法求得的最大采收率为66.525%。用数学方法形成了一套三元复合驱前置段塞、主段塞、副段塞、保护段塞化学剂大小、化学剂配方优选方法,对三元复合驱数值模拟应用性研究具有重要意义。     

CO2驱水气交替注入参数正交试验设计模拟

结合ECLIPSE软件的PVTi和E300模块,建立了榆树林特低渗透油藏三维三相油藏数值模拟模型。在历史拟合基础上,根据正交试验设计原理,考虑水气交替注气量、段塞大小、气水比、注气速度和后续水驱注入速度5个参数,以增油量和换油率为评价指标,进行正交试验设计。通过对试验结果的直观和方差分析,得到注入参数对评价指标影响的主次顺序,优选出水气交替注入参数的最佳组合方案,为现场CO2驱水气交替注入参数的优化提供理论指导和技术支持。     

大庆油田天然气干法脱硫剂的比选与应用

对天然气干法脱硫技术(分子筛法,氧化铁法及活性炭法)及所用脱硫荆作了综合分析.在相应的室内脱硫装置上,在单一空速、温度等条件下,测定了5种氧化铁脱硫荆和5种活性炭脱硫剂用于含3 mg/L H2S 的N2气脱硫时的硫容.在扩大的空速(500～2000 1/h)、温度(20～120℃)、H2S浓度(2～11mg/L,氧化铁)或粒度(0.2～1.0mm,活性炭)条件下,对初选氧化铁脱硫剂 EF-2 和活性炭脱硫剂3018作了进一步考察,通过脱硫效果和工艺条件对比,选择3108为大庆油田天然气脱硫荆.在3108基础上,改用Na2CO3为浸溃用碱,浸溃量6%,改用商品TLC为催化剂,制得了一种高效煤制活性炭脱硫剂.将这种脱硫荆用于大庆油田喇二注气站天然气脱硫,日处理天然气72×104 m3,空气需求量24 m3/h,原料气含H2S 0.0445～0.213mg/L,净化气含H2S 0～0.0017 mg/L,满足有关国家标准的要求(≤0.02 mg/L).图1表6参9.     

求解连续空间优化问题的量子粒子群算法

为提高粒子群算法的搜索能力和优化效率并避免早熟收敛,将量子进化算法融合到粒子群算法中,提出一种求解连续空间优化问题的量子粒子群优化算法.用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;用量子非门实现变异,提高种群多样性.因每个量子位有两个概率幅,故每个粒子同时占据空间两个位置,在粒子数目相同时,能加速粒子的搜索进程.实验结果表明,本算法优于基本粒子群算法.     

基于聚类分析的砾岩储层分类方法及应用

砾岩的岩相丰富多变,孔隙结构复杂,储层类型划分困难,且评价参数无法统一。以新疆克拉玛依油田七中区上—下克拉玛依组砾岩储层为研究对象,基于106组储层岩石高压压汞数据,利用聚类分析方法建立砾岩储层分类方案,通过方差计算等方法,简化并明确了砾岩储层的分类参数,最后利用判别分析法验证了该方法的有效性。结果表明：研究区砾岩随着储层物性变好,孔喉尺寸变大,非均质性反而加强,体现了砾岩孔隙结构的复杂性;数据预处理后的聚类分析可有效进行储层分类,类间差异显著;基于参数集中性和分散性的量化,优选出中值压力、平均孔喉半径等6个储层分类参数,经过判别分析验证,参数优选后分类准确率依然高达95.80%,表明该方法的分类准确性高,且不受地域限制,具有推广价值。     

非牛顿－牛顿复合油藏渗流试井解释方法

建立了复合油藏非牛顿-牛顿渗流试井解释模型,求得了拉氏空间中的解,做出了理论图版,进行了实例研究.本文的研究可用于聚合物驱等非牛顿幂律流体条件下的试井解释、预测油层参数和聚合物驱替前缘的位置.     

混合量子衍生神经网络模型及算法

为提高人工神经网络的逼近能力,该文从研究隐层神经元的映射机制入手,提出基于量子比特在Bloch球面的绕轴旋转构造神经网络模型的新思想。首先将样本线性变换为量子比特的相位,并使量子比特在Bloch球面上分别绕着3个坐标轴旋转,旋转角度即为网络参数。然后通过投影测量可以得到量子比特的球面坐标,将这些坐标值提交到隐层激励函数,可得隐层神经元的输出。输出层采用普通神经元。基于L-M(Levenberg-Marquardt)算法设计了该模型的学习算法。实验结果表明,该文提出的模型在逼近能力、泛化能力、鲁棒性能方面,均优于采用L-M算法的普通神经网络。