基于遗传算法的污水处理厂选址-配送问题集成研究

从选址-路径问题(Location-Routing Problem,LRP)集成化的角度研究了华北石油局大牛地气田污水处理厂的扩张选址问题。综合考虑车辆容量、设施容量等约束,使得之前的污水处理厂和新建造的污水处理厂共同作业,产生的运输费用、建厂费用和车辆使用固定费用的总和最小,即建立了多设施多车型的有容量限制的LRP模型,并合理地设计遗传算法求解模型,同时优化选址问题和路径问题,最终得到了最优解。该模型和算法对于进一步补充和完善选址和配送模型具有一定的意义,对油田、煤矿等工业物流领域的决策具有重要的指导意义。

基于离散与连续选址相结合的平面选址问题研究--以华北石油局大牛地气田污水处理厂选址为例

选址问题的研究中,大多考虑的是理论距离(例如欧式距离等);但在实际问题中,真实的公路运输距离和理论距离有较大差异,并且修建公路的成本较高.在尽量利用当前的公路交通网络同时,又能得到最优选址,在现实中具有重要意义.以华北石油局大牛地气田第一采气厂污水处理厂选址为例,分别采用重心法选址、最大值最小化选址、多目标选址等选址的方法得到污水处理厂的备选点,并结合实际距离模拟出了各个备选点的运输费用,再综合考虑当地政策和交通状况等因素,最终得到了使得运输费用最低的新的污水处理厂的位置坐标P(9.33,11.79),在该位置建立污水处理厂比之前的运输方案每年大约可节约511万元的运输费用.方法最大的优点是减小了在选址过程中理论距离与实际距离的误差,在现实中具有一定的指导意义.

基于DEMATEL的高含水油田水驱开发效果评价影响因素识别研究——以杏西油田为例

在高含水油田水驱开发效果评价中影响因素的选取决定了评价效果的好坏.不同区块、不同专家、不同时间可能所选取的指标体系也不一样,如何在众多指标中客观的识别出关键指标(关键影响因素)是要解决的问题.统计了国内外学者在高含水油田水驱开发效果评价中所选用的指标,根据统计的各指标所出现的频率,选取出现频率大于10%的指标构建了高含水油田水驱开发效果评价体系,该体系分为三级,一级指标包含开发技术因素和人为控制因素,二级指标包含井网完善状况、注水状况、含水变化状况、产油量变化状况、产液量变化状况、储采状况、开采程度、工作效果状况、管理状况和经济状况,三级指标包含了水驱储量控制程度、存水率等的23个指标,然后运用DEMATEL方法对所建立的评价体系中的指标进行了识别选择,通过对处理结果的分析,剔除了水驱储量控制程度、水驱储量动用程度、井网密度等7个影响度、被影响度、中心度和原因度都比较差的因素,最终识别出了存水率、水驱指数、耗水比、含水率、含水上升率等16个影响因素.

基于自适应差分演化的特征选择算法在石油储层识别中的应用

近年来我国石油产量跟不上需求,供需矛盾进一步凸显,导致石油的对外依存度已经连续几年超过警戒线,为了缓解供需矛盾,石油的增储上产是一种有效措施,但精确地识别石油储层成为增储上产的一大难题,而特征选择是精确识别石油储层的有效保障.本文提出了一种增强型自适应差分演化算法,即ESADE算法,在算法中使用了双种群的概念,构造了一个简单的双层差分演化,并且在算法的选择操作中加入模拟退火的思想;接着将ESADE算法作为特征选择的搜索策略,将ReliefF算法、BIF算法、FCBF算法及随机抽选特征算法作为评价准则库,SOM神经网络算法、模糊C均值算法、K均值算法和K近邻算法作为分类器库,得到了一种基于ESADE的特征选择算法.然后将此算法应用于某油田oil81、oil82、oil83、oil84和oil85五口井的测井数据集上进行石油储层的油层、差油层、水层和干层的分类识别,并与未进行特征选择直接进行分类的结果进行比较及相同分类正确率下不同分类算法组合及不同属性选择的比较.实验结果表明与SOM神经网络算法、模糊C均值算法、K均值算法及K近邻算法这四种分类算法相比,基于ESADE的特征选择算法能在利用较少属性的同时提高分类准确率,并能够提供不同的属性和分类算法的最优组合方案.

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.