基于门控循环单元网络的低阻油层测井流体识别方法

研究区块低阻油层发育广泛,油层和水层的电阻率相差不大,导致测井流体识别较为困难。为了有效识别低阻油层,采用少数类过采样技术(synthetic minority oversampling technique,Smote)对油水同层,油层等少数类样本进行过采样使数据集均衡;并利用门控循环单元(gated recurrent unit,GRU)网络模型进行低阻油层的流体识别。通过相关性分析确定自然伽马(GR)、深侧向电阻率(RD)、密度(DEN)等8条测井曲线数据作为输入训练模型,应用于中实际资料中,并将GRU与传统RNN和其他3种机器学习算法对比。结果表明:序列数据模型的流体识别效果比传统机器学习模型好,且基于Smote-GRU的流体识别模型的符合率达到89.5%,相对传统循环神经网络(recurrent neural network,RNN)的81.1%,取得了较好的应用效果。通过对照试验还证实了Smote算法提高了分类器对少数类样本的识别率。所提出的方法可为样本不均衡的低阻油层的流体识别提供参考。

基于BI-GRU改进的Seq2Seq网络的变压器油中溶解气体浓度预测方法

基于门控循环单元(GRU)构建双向多层门控循环单元,并引入编码器-解码器结构搭建Seq2Seq网络模型,通过优化神经元及神经网络结构提取时序数据依赖关系。同时引入注意力机制和Scheduled Sampling算法,自动获取与当前时刻预测输出显著相关的关键输入时间点,提高长时间预测的精度。变压器正常运行状态下的气体浓度预测算例结果表明,与基于简单GRU模型及简单Seq2Seq模型的方法相比,所提方法的预测误差更低且预测的发展趋势更符合真实值;变压器异常运行状态下的气体浓度预测算例结果表明,所提方法的平均相对误差和最大相对误差相比长短期记忆(LSTM)网络方法分别降低了0.73%和2.31%。

微波诱导热解废旧润滑油的研究

为清洁高效回收利用废旧润滑油,以碳化硅泡沫材料和碳粉为复合吸波剂,通过微波诱导热解的方式将废旧润滑油热裂解成化工原料及燃料,并分析了单位样品量微波功率及微波裂解终温对裂解产物收率及化学组成的影响。结果表明,在一定范围内,适当地提高单位样品量微波功率有利于裂解产物收率的提高,同时能够使产物中烷、烯烃所占比例达到最大。更高的微波裂解终温虽能提高收率,但为了抑制物理蒸发过程同时促进裂解反应的进行,裂解终温不宜过高。

地面水中石油类样品的采集及分析结果的表达

作者利用石油类微溶或不溶于水，一般都漂浮于地面水表面的性质，研制出一种新型装置——油膜采样器来采集漂浮态的石油类样品，并提出用单位水体表面面积的含油量。

油田抽油机减速器润滑系统取样研究

介绍了油品取样管理,取样的相关理论、国家标准,取样操作的技术关键及不同工况下的取样方式与方法;并针对油田抽油机减速器现场条件,就减速器中取样方式和方法进行了研究。同时也介绍一种适用于油田现场快速、多品种、大剂量的取样设备。

浮动出油装置在航煤储罐中的应用

本文详细介绍了浮动出油装置在新加坡裕廊岛SPC项目3000m^3航煤储罐中的实际应用;在详细了解其工作原理、主要构件、选型原则等基础上解决了浮动出油装置的液位指示和取样功能设计,并提出了浮动出油装置设计中应注意的一些问题。该装置投入使用后,运转正常,效果明显,为今后类似储罐设计提供参考依据和指导意见。