低压电力线载波抄表系统中的通信技术应用

通过对载波自动抄表系统中的通信技术以及相关系统构成的讨论 ,提出应用扩频理论实现低压电力线载波远程抄表网络系统的解决方案     

耐烧蚀输送带的研制

采用使覆盖胶高温炭化形成高强度隔热烧蚀层这一新设计思路研制耐烧蚀输送带。隔热蚀层胶料配方为：ＳＢＲ１００；氧化锌５；硬脂酸２；防老剂４０１０２；古马隆１３；结炭剂２０；松焦油１０；磷酸三苯酯６；机油５；高耐磨炭黑５０；促进剂ＣＺ１．５；促进剂ＴＭＴＤ０．２；硫黄２．８。成品输送带输送温度为３００—７００℃的物料，使用寿命达３个月以上。     

低压线载波抄表系统中的通信技术应用

通过对载波自动抄表系统中的通信技术以及相关系统构成的讨论，提出应用扩频理论实现低压电力线载波远程抄表网络系统的解决方案。     

基于人工神经网络研究油田产量预测方法

准确预测油田未来原油产量对油田的开发和生产管理具有重要的指导意义.对于具有非线性、不确定和开放特性的多变量系统进行预测,使用传统的统计学方法或静态模型预测通常不能满足精度要求.这里把BP神经网络、模糊神经网络以及基于神经网络的组合预测方法应用于多变量系统.采用了两层预测系统第一层包含两个神经网络;第二层是把第一层的两个网络输出进行组合.研究了3种不同的组合算法平均法、最小平方回归法和前馈神经网络法.实验结果表明,采用组合方法比采用单一的预测方法的预测精度有了进一步的提高,特别是应用人工神经网络(即BPNN)的组合预测优于其他的预测方法,具有较好的适应性.     

基于vb的油井结构图设计与绘制

运用Visual Basic中的PictureBox控件，将绘制好的标准井下作业图例以位图的形式，按照相对位置放置在PictureBox控件中，形成所要绘制的油井结构示意图，以此研制完成了适用于油田油井结构示意图绘制软件，提高了工作效率。     

油田产量的多变量预测研究

研究了神经网络模型和多元线性回归模型用于产量预测的原理和方法 ,采用神经网络模型和多元线性回归模型对油田油产量进行预测 ,综合考虑各种地质因素及人为因素对油产量的影响 ,提出了油田产量的多变量预测方法。对我国某油田的实际数据进行拟合预测的结果表明 ,神经网络模型和多元线性回归模型用于油田产量的多变量预测都可得到较满意的结果 ;与多元线性回归模型相比 ,神经网络模型的预测精度更高 ,而且快速简便。     

BP学习算法的应用研究与比较

本文比较研究了神经网络中常用的9种改进BP算法,针对4个应用于不同问题的神经网络进行训练,得出了各算法适应的环境.在此基础上,总结出了针对不同的实际问题,要根据网络的大小,应用方向(函数逼近,模式识别)以及误差精度要求等方面来选择合适的BP算法.在实际问题中的应用结果表明,恰当的BP算法能够对运算速度、泛化能力等得到较好的效果;神经网络的改进BP算法比较结果,对实际问题中选择恰当的算法提供了理论依据,有实用价值.     

基于人工神经网络组合预测油田产量

油田原油产量的准确预测可以对油田的生产管理进行合理的指导。该文探讨了应用神经网络组合方法预测油田产量，对开井数、含水率、动用储量以及往年产量同未来产量之间的复杂关系建立模型。采用了两层预测系统：第一层包含两个神经网络，一个多层前馈网络和一个函数链接网络；第二层是把第一层的两个网络输出进行组合。研究了五种不同的组合算法：平均法、最小平方回归法、模糊逻辑法、自适应前馈神经网络法和自适应函数链接神经网络法。根据油品类型分为稀油、热采稠油、常规稠油和总产量四组数据，对上述方法进行了测试，结果表明应用人工神经网络的组合预测方法优于其他的预测方法，而且适用范围广。     

应用模糊神经网络预测油田产量

为了研究受多变量、时变和不确定因素影响的油田产量预测问题,将模糊逻辑推理技术与人工神经网络相结合,构建具有模糊逻辑推理和学习功能的模糊神经网络(FNN)系统。该系统基于现有的油田开发历史数据,建立相应的规则集,使用神经网络的训练方法(如梯度下降学习算法),在训练过程中调整参数,并自适应增加规则,以使系统的输出最佳地逼近于目标样本。通过对某油田的实际开发历史数据的拟合与测试,结果表明该模糊神经网络能够较精确地预测未来的油产量,与常规的BP神经网络相比,其预测精度更高、训练速度更快。因此,基于模糊神经网络(FNN)的油田产量预测方法研究具有较好的实际应用价值。