机器学习方法在储层分类中的应用

油气田开发中有效储层和非有效储层的样本点存在混合带时,两类储层的划分是一个难点问题.从统计学上来看,其本质是一个含噪声的小样本二分类问题,可以采用机器学习方法,充分挖掘有试油成果的样本点的数据信息.分别利用线性判别分析、支持向量机、多层感知机神经网络建立储层分类模型,利用10次10折交叉验证法进行模型评估与优选,并利用全部样本点建立了有效的储层分类模型,最后将模型推广应用到样本分布的三种不同情形.结果表明,线性支持向量机模型具有最好的分类效果和很强的泛化能力,对于区分有效储层和非有效储层是有效的,可以在油气田开发中进行推广.     

高效液相色谱-串联质谱法对奶粉、酸奶中全氟化合物的分析

建立了液相色谱-质谱检测奶粉和酸奶中11种全氟化合物(PFCs)的分析方法.分别考察了溶液离子强度和酸碱度对固相萃取效率的影响,结果表明,0.5 ～12.5 mmol/L NaCl溶液的影响很小,且中性和微酸性条件下回收率较好.通过优化和比较,选用等体积的甲醇和0.01 mol/L盐酸的甲醇溶液依次对奶粉中的PFCs进行萃取,对于酸奶则使用甲醇直接萃取,并用WAX柱对萃取液净化.以甲醇(A)和50 mmol/L 醋酸铵(B)为流动相进行梯度洗脱,洗脱时间为10 min(或15 min),流速1 mL/min.内标法定量,奶粉和酸奶中11种PFCs的加标回收率分别为81% ～111%和80% ～118%,方法检出限为2 ～29 ng/L.用该方法对市售国产和进口奶粉及酸奶样品中的PFCs进行了分析.     

高效毛细管电泳-激光诱导荧光技术在荧光标记DNA分析中的研究进展

激光诱导荧光检测器是目前最灵敏的检测器之一,已广泛用于毛细管电泳DNA分析中.该文对毛细管电泳-激光诱导荧光技术在DNA分析中3种主要的DNA荧光标记方式:荧光基团共价标记、PCR后标记、内插荧光染料标记进行了综述,并对其发展前景进行了展望.引用了78篇文献.     

分子印迹样品前处理技术的研究进展

样品前处理是分析过程的关键环节,直接影响着分析结果的准确度和精密度．分子印迹聚合物具有特异性识别能力,能从复杂样品中选择性分离富集目标物,在复杂样品前处理领域中有重要的发展潜力和应用前景．本文综述了近年来分子印迹样品前处理技术的研究进展,包括分子印迹固相萃取、分子印迹固相微萃取、分子印迹膜萃取等样品前处理技术．     

线性规划的最钝角松弛算法

本文提出一个基于最钝角原理的松弛算法求解线性规划问题。该算法依据最钝角原理略去部分约束得到一个规模较小的子问题,用原始单纯形算法解之;再添加所略去的约束恢复原问题,若此时全部约束条件均满足则已获得一个基本最优解,否则用对偶单纯形算法继续求解。初步的数值试验表明,新算法比传统两阶段单纯形算法快得多。     

艾拉姆咖(Эрланга)分布小样本区间估计和检验问题研究

本文研究了艾拉姆咖分布的小样本区间估计和检验问题.给出了检验统计量和相应的拒绝域.比较了指数分布和艾分布的区别和差异.指出在对装备维修工时的估计时,运用艾分布可能更加精确和有意义;并运用实例分析了区间估计精度.文章对装备维修工时的估计具有一定意义.     

丁烯氧化脫氫气相产物的色谱分析

本文介绍了采用分子筛柱和气液分配柱串联,对丁烯氧化脱氢的气相产物进行全分析的方法.选用30％(重)1:1的苯二甲酸二丁酯加二甲基甲酰胺混合柱,可以将除异丁烯外的其他烃类组分全部分离;5A分子筛柱用于分离永久性气体.用实验测得的各组分的校正因子进行定量分析,平均偏差不大于1.2.己二酮柱可以使包括异丁烯在内的全部丁烯异构物得到良好的分离,在异丁烯含量低于2％,并且丁烯-1和异丁烯含量相差近十倍的情况下,二者的分离度可达90％.     

Resonantly pumped Q-switched Er:GdVO4 laser

We describe a Q-switched Er:GdVO₄ laser resonantly pumped by a MgO-doped periodically poled LiNbO₃ optical parametric oscillator （MgO: PPLN OPO） at 1536 nm. In continuous-wave lasing, the maximum output power is 1.14 W with an incident pump power of 4.7 W and a slope efficiency of 27%. In Q-switched operation, 1.1 mJ of output pulse energy is achieved at 200 Hz. The upper-state lifetime at different pulse repetition frequencies is also calculated.     

基于DE-ELM的电池SOC预测研究

针对极限学习机的随机性较大的问题,提出一种基于差分演化的极限学习机算法模型(DE-ELM).采用差分演化算法(DE)对极限学习机(ELM)随机给定的输入权值矩阵和隐含层阈值进行寻优,降低了随机性给ELM造成的影响,减少ELM网络震荡,提高了ELM预测精度.并且将DE-ELM应用在电池SOC的预测上,同时与ELM和BP神经网络的预测进行了对比,结果表明:DE-ELM在电池SOC预测上的表现优于ELM和BP神经网络,能满足电池SOC的预测精度要求.