煤层气集输管道持液率影响因素及排液点优选

煤层气开采压力低、产量小,且常含有大量液态水,集输管道上坡段容易产生管道积液,使得摩阻增大并出现段塞流,引起压力骤降,不利于集输管道安全运行。本文利用模拟软件OLGA分析入口流量、管径、气液比和出口压力对煤层气集输管道持液率的影响,得到了煤层气集输管道各管段持液率分布规律,并进一步比较了基于管道持液率、流型、压降和排液点个数的4种排液点设置方案。结果表明,煤层气集输管道压力骤降段均出现在上坡段,出口压力对管道持液率影响最为显著,入口流量和气液比对管道持液率影响规律相似,不同管径下管道持液率在流动方向上的分布也具有一定的相似性;设置排液点后,管道持液率明显下降,管道积液情况得到改善,且方案比较表明,当排液点设置在管段低洼处时,管道持液率最低,且各管段均无段塞流出现,管道压降最小。     

基于深度学习的双目立体匹配方法综述

双目立体匹配是计算机视觉领域的经典问题,在自动驾驶、遥感、机器人感知等诸多任务中得到广泛应用。双目立体匹配的主要目标是寻找双目图像对中同名点的对应关系,并利用三角测量原理恢复图像深度信息。近年来,基于深度学习的立体匹配方法在匹配精度和匹配效率上均取得了远超传统方法的性能表现。将现有基于深度学习的立体匹配方法分为非端到端方法和端到端方法。基于深度学习的非端到端方法利用深度神经网络取代传统立体匹配方法中的某一步骤,根据被取代步骤的不同,该类方法被分为基于代价计算网络、基于代价聚合网络和基于视差优化网络的3类方法。基于深度学习的端到端方法根据代价体维度的不同可分为基于3D代价体和基于4D代价体的方法。从匹配精度、时间复杂度、应用场景等多个角度对非端到端和端到端方法中的代表性成果进行分析,并归纳各类方法的优点以及存在的局限性。在此基础上,总结基于深度学习的立体匹配方法当前面临的主要挑战并展望该领域未来的研究方向。     

基于Pareto前沿的塔河油田高含氮天然气分离过程研究

注氮气提高原油采收率在塔河油田取得了较好的效果,但随着注氮气规模的扩大,天然气中氮气含量也不断上升,天然气热值不断下降,对用户生产经营造成了影响。本文针对高含氮天然气分离过程,建立了C_1损失量关于产品气N_2摩尔分数的Pareto前沿搜索模型,并通过遗传算法进行求解,同时根据塔河油田高含氮天然气的脱氮要求,对比了不同分离压力和分离级数下的C_1损失量。结果表明,在分离压力为500kPa时且满足C_1损失量小于5%的前提下,一级分离可处理N_2摩尔分数小于33%的天然气,二级分离可处理N_2摩尔分数小于40%的天然气,三级分离可处理N_2摩尔分数小于42%的天然气;塔河油田高含氮天然气多级分离单元分离压力应选择为500kPa,并采用二级分离。     

基于BP神经网络的低温提氦工艺优化

氦气是国家重要性战略物资之一,目前氦气的主要工业来源仍是从天然气中提取。为进一步优化低温提氦工艺,降低工艺能耗水平,对已有低温提氦工艺进行了改进,以一级提氦塔进料温度、压力、回流比、制冷剂高压、低压压力和制冷剂流量6个参数为变量,建立基于BP神经网络算法的综合能耗及提氦浓度预测模型,并对模型进行检验,并运用训练好的BP神经网络对改进工艺的综合能耗及粗氦浓度进行了预测。研究表明:BP模型训练效果较好,可用于综合能耗和粗氦体积分数的预测;通过训练误差分析,确定了模型隐藏层节点数为8时BP模型预测结果最优;利用确定好的BP神经网络预测出最优工艺生产参数,在满足粗氦体积分数不小于63.5%的基础上,综合能耗降低了18.08%。     

碳纳米管薄膜加热装置在塔河油田原油集输中的应用研究

碳纳米管薄膜作为一种新型复合材料,具有节能、环保、高效的特点。碳纳米管薄膜加热装置是原油集输的新型加热装置,其应用顺应了我国的环保战略要求。本文在简要介绍碳纳米管薄膜的热学特性后,提出碳纳米管薄膜加热装置的结构设计和PID模糊控制方法。以塔河油田某井场运行参数为例,通过MATLAB编程及最小加热管段长度计算方法为基础,对碳纳米管薄膜加热装置在油田中应用进行了经济效益分析。研究结果表明:该油井运行参数条件下,加热管段设计长度应为8 m;开采年限在5年内的油井应用碳纳米管薄膜加热装置可节省15%综合耗资,应优先考虑应用此加热装置;开采年限为10年的油井,碳纳米管薄膜加热装置与燃气水套加热炉综合耗资持平;开采年限大于10年的油井不建议采用该加热装置。     

基于[火用]分析方法的天然气脱氮工艺优化

为了进一步提高天然气脱氮工艺的生产能效,基于塔河油田的基础数据,利用HYSYS软件对提出的膨胀制冷+LNG辅助制冷多级分离脱氮工艺进行了模拟,对工艺主要设备[火用]进行了分析计算,确定了[火用]损的主要设备,并根据设备[火用]损的分布情况,对提出的脱氮工艺进行了优化。研究结果表明:①不同设备的[火用]损差别较大,冷箱1、入口压缩机及水冷器为本工艺的主要[火用]损设备,三者[火用]损占总设备[火用]损的73.1%;②综合设备[火用]损及[火用]效率分析,冷箱1[火用]效率优化空间较小,入口压缩机[火用]效率优化空间较大;③根据[火用]分析结果提出了进料气入口两级增压方案,根据压缩单元总[火用]损及[火用]效率确定了最优中间压力为1250 kPa;④在优化工艺最优中间压力下,入口压缩机[火用]效率提高到94%,各设备总[火用]损降低了6.3%,总[火用]效率提高到97.1%。     

沥青质抑制剂抑制机理研究

通过评价抑制剂对沥青质沉淀点、沉淀量、沉淀尺寸,研究了沥青质抑制剂对沉淀的影响,研究表明加入不同浓度抑制剂能够推迟沥青质沉淀初始点,相对应的沉淀量大幅降低,沉淀尺寸随着抑制剂的加量也相应减小,说明抑制剂能够较好的抑制沥青质沉淀析出。通过红外光谱、扫描电镜、XRD等表征表明抑制剂能够通过改变沥青质分子的极性、发生氢键作用、分散沥青质分子、吸附或嵌入沥青质分子片层等多种作用,抑制沥青质的析出,并且对沥青质沉淀具有较好的分散作用,极好的抑制了沥青质沉淀。     

基于深度学习的视觉里程计方法综述

视觉里程计（visual odometry,VO）是处理搭载视觉传感器的移动设备定位问题的一种常用方法,在自动驾驶、移动机器人、AR/VR等领域得到了广泛应用。与传统基于模型的方法相比,基于深度学习的方法可在不需显式计算的情况下从数据中学习高效且鲁棒的特征表达,从而提升其对于光照变化、少纹理等挑战性场景的鲁棒性。简略回顾了基于模型的视觉里程计方法,从监督学习方法、无监督学习方法、模型与学习融合方法、常用数据集、评价指标、模型法与深度学习方法对比分析六个方面全面介绍了基于深度学习的视觉里程计方法。指出了基于深度学习视觉里程计仍存在的问题和未来的发展趋势。     

塔河油田含氮天然气回注安全性及经济性研究

塔河油田随着注氮开采的进行,其采出气氮含量不断上升,天然气热值不达标,故有必要开展含氮天然气回注的安全性及经济性研究。从含氮天然气对注气井腐蚀速率、含氮天然气爆炸极限和含氮天然气临界氧比例等3个方面讨论了含氮天然气回注的安全性,并进一步分析了含氮天然气注气工艺和变压吸附制氮注氮工艺的能耗。结果表明:塔河油田含氮天然气中的氧对注气井无腐蚀危险;在注气压力下,含氮天然气爆炸极限范围极窄,含氮天然气中氧含量远低于临界氧比例,回注无爆炸危险,含氮天然气回注安全性较高。工艺能耗对比结果表明,含氮天然气回注工艺所需能耗仅为变压吸附制氮注氮工艺的三分之一,具有更好的经济性。 