期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于PSO-GBDT的CO_(2)-原油最小混相压力预测模型
1
作者 沈斌 杨胜来 《科学技术与工程》 北大核心 2022年第18期7866-7872,共7页
随着“2060年碳中和目标”的提出,中国油田开发领域CO_(2)气驱采油技术又一次得到了广泛关注。CO_(2)气驱采油既可以实现对碳资源的地下封存,又能够对油田三次采油起到主要作用。但是其驱油效果会受到CO_(2)和原油混相与否的制约,所以... 随着“2060年碳中和目标”的提出,中国油田开发领域CO_(2)气驱采油技术又一次得到了广泛关注。CO_(2)气驱采油既可以实现对碳资源的地下封存,又能够对油田三次采油起到主要作用。但是其驱油效果会受到CO_(2)和原油混相与否的制约,所以需要对CO_(2)-原油体系最小混相压力(minimum miscibility pressure,MMP)进行精准预测。而传统预测方法时间成本及误差过大,人工智能算法因其计算效率及准确率高便脱颖而出。使用随机森林算法对MMP主控因素进行分析,筛选出CO_(2)、H_(2)S、C_(1)、C_(2)-C_(5)、N_(2)的摩尔分数及油藏温度、平均临界温度等特征变量,采用MLP、GA-RBF、RF、PSO-GBDT、AdaBoost SVR 5种智能算法建立MMP预测模型。为此,使用了160行的数据库进行预测分析,采用5种不同评估指标及可视化图像对不同模型结果进行对比分析,并验证模型的准确性。最终测试效果证明,在数据有限的情况下,PSO-GBDT模型具有最佳的MMP预测效果,PSO-GBDT平均绝对百分比误差(mean absolute percentage error,MAPE)为4.89%,均方根误差(root mean square error,RMSE)为0.83,测试集R^(2)为0.96。此模型精度最高,灵活性、鲁棒性最强。 展开更多
关键词 人工智能 最小混相压力 mmp预测 PSO-GBDT AdaBoost SVR
下载PDF
烃组分对CO_2驱最小混相压力的影响 被引量:11
2
作者 邓瑞健 齐桂雪 +1 位作者 谭肖 李鹏冲 《石油与天然气化工》 CAS 北大核心 2018年第6期59-63,共5页
针对CO_2-EOR原油组分对混相能力影响的问题,应用界面张力消失法设计了不同碳数烃组分、不同族烃组分、不同含量烃组分混合模拟油与CO_2的最小混相压力实验,分析不同族烃组分与CO_2最小混相压力的变化规律,探寻原油中影响CO_2驱最小混... 针对CO_2-EOR原油组分对混相能力影响的问题,应用界面张力消失法设计了不同碳数烃组分、不同族烃组分、不同含量烃组分混合模拟油与CO_2的最小混相压力实验,分析不同族烃组分与CO_2最小混相压力的变化规律,探寻原油中影响CO_2驱最小混相压力的关键组分。研究表明:原油中不同组分与CO_2的最小混相压力不同,相同碳数烃组分最小混相压力依次为:烷烃、环烷烃、芳香烃;同族烃的碳数越小,最小混相压力越小;相同碳数烃类的混合组分模拟油的最小混相压力小于单一烃组分的最小混相压力;原油中低碳数烷烃含量增加,最小混相压力降低,高碳数芳香烃含量增加,最小混相压力升高。该研究结果为多种类型油藏实施CO_2驱提高采收率提供了数据材料及理论支撑。 展开更多
关键词 烃组分 CO2混相驱 最小混相压力 表面张力 mmp预测模型
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部