油气流-固耦合渗流研究进展

介绍了多孔介质流-固耦合渗流研究的重要意义，对多孔介质流-固耦合渗流研究进展加以综述和讨论，提出了进一步深入研究的方向，并着重讨论了近十年来油气流-固耦合多相渗流及其应用研究和各种耦合方法，为其他渗流工作提供一定的参考。     

利用遗传算法进行水平井水平段长度优化设计

在油藏开发过程中,随着水平井水平段长度的增加,水平井段与油藏的接触面也随之增加,同时井筒内流体的流动阻力也增加,从而导致水平井的产液量减少,即水平井的最终产量是2个相互制约的因素共同作用的结果。利用遗传算法全局寻优的特点,结合一种计算无限导流和有限导流情况下水平井产量的井筒/油藏耦合模型,提出了一种用于水平井水平段长度的优化设计方法。该方法可以在不同的油藏地质模型中使用。     

油气流–固耦合渗流研究进展

介绍了多孔介质流–固耦合渗流研究的重要意义,对多孔介质流–固耦合渗流研究进展加以综述和讨论,提出了进一步深入研究的方向,并着重讨论了近十年来油气流–固耦合多相渗流及其应用研究和各种耦合方法,为其他渗流工作提供一定的参考。     

自动识别油藏渗透率分布微分方程反演算法

利用微分方程反演理论,根据压力方程和饱和度方程非线性耦合的复杂性特点,充分利用隐式压力显式饱和度的成熟算法,形成一种崭新的序贯反演方法,成功地解决了时空域中反演方法、欠定积分方程的数值解法以及不依赖初始猜测的迭代算法中的一系列问题,既快速又准确地自动识别不可压缩流体和多维多相可压缩流体渗流的油藏渗透率分布.理论模型和实际资料检验证明,该方法不仅丰富了微分方程反演理论和方法,而且具有生产实用价值.     

一种基于共轭梯度法的广义单隐层神经网络

单隐层前馈神经网络是一种高效且结构简单的神经网络,它的一种典型的学习算法就是误差反向传播(error back propagation,BP)算法.这种算法基于最速下降法原理,主要缺点是学习速度过慢.超限学习机(extreme learning machine,ELM)极大地优化了单隐层神经网络的学习速度,却需要更多的隐层单元来达到与BP网络相当的效率,这不可避免地使网络结构冗余、测试时间变长.受到一种结合了ELM和最速下降法思想的USA(upper-layer-solution-aware)算法的启发,提出一种基于共轭梯度法的单隐层神经网络快速算法,并把它应用于不同数据库中.试验结果表明,在相同网络结构情况下,本算法的效率要优于ELM和USA算法.