硼在油田卤水蒸发过程中的特殊结晶行为研究

青海南翼山油田卤水是高钙含硼盐卤体系,蒸发过程中硼的行为与已往报道的高镁含硼盐卤体系有较大不同,蒸发过程中不外加试剂就可自然结晶析出硼酸。研究分析证明,油田卤水体系硼的特殊结晶行为与体系pH值变化密切相关。     

石油工程专业“油田化学”课程教学改革及实践效果分析

分析了石油工程专业“油田化学”课程的教学现状,认为非化学专业学生的化学基础、学习主动性和课程教学考试方式是影响学生能力培养的主要原因。通过创新基础理论的教学方法,将能力培养贯穿于教学的全过程,并将课堂讨论和分析能力纳入考试的总评成绩。量化数据和问卷调查分析结果表明,教学改革措施能有效提高学生的学习积极性和分析问题能力,并能较为准确地评估学生的学习效果,若要进一步提高学生的学习效果,仍需对课程进行系统规划并加强教学与实验环节的结合。     

火焰原子吸收光谱法测定氯化物型油田水中的铷和铯

采用火焰原子吸收光谱法,进行了氯化物型油田水中微量Rb和Cs分析方法的改进,考虑了复杂油田水体系中共存的K,Na,Ca,Mg等离子的干扰,在模拟的油田水体系中对Rb和Cs的分析进行了标准加入法和标准曲线法的对比实验,同时对柴达木盆地南翼山地区的油田水样品进行了分析。模拟油田水分析结果表明,采用标准加入法测定时,Rb的分析结果较差,Cs的分析结果较好;采用改进后的标准曲线法测定时,在测定的线性范围内,Rb和Cs均能准确测定。实际油田水样品的分析结果进一步表明,在所使用仪器的工作条件下,测定Rb时宜采用标准曲线法,加标回收率在90%～110%之间;测定Cs时两种方法均适用,加标回收率也在90%～110%之间。     

油田开发规划多目标产量分配优化模型及其应用

利用功能模拟原理(微分模拟方法及神经网络方法)建立的油田开发指标关联关系，研究并建立了油田开发规划中的产量最大，成本最低。效益最好的多目标产量分配优化模型。这些优化模型成功地解决了油田的总产量及对应的工作量成本等其它开发指标最优地分配到各二级开采单位的产量最优分配问题，将模型应用于国内某中后期开发油田的开发规划中产生了较好的经济效益。     

铈掺杂Ti／TiO2电极的制备及催化降解油田废水性能

用溶胶-凝胶法制备了稀土(Ce)掺杂TiO2电极,优化了制备改性TiO2电极的稀土掺杂量、热处理温度及热处理时间. 借助于油田废水化学需氧量(COD)去除情况分析了电极的电催化氧化能力,并分析了电极结构与电催化特性之间的关系. 采用SEM, EDX和XRD分析了制备电极的表面形貌、元素组成和晶体结构. 结果表明,掺杂Ce后电极的表面凹凸感变小,表面更为平滑、致密,几乎没有裂缝,这种均匀一致的高密度小碎片结构可能具有较大的表面粗糙度和比表面积,有利于催化反应. TiO2电极的晶体结构主要为锐钛矿型. 稀土的掺入使得晶相所对应的衍射峰强度变弱且峰形宽化,说明适量Ce的掺杂使涂层表面TiO2晶粒细化了. 在掺杂比为Ti∶Ce=100∶1.5, 热处理温度为450 ℃, 热处理时间为 90 min 时制备的掺杂Ce元素的电极性能最好,此电极对目标有机物COD去除率达到80%, 而不掺杂稀土元素的Ti/TiO2电极为阳极时COD去除率在同样时间内仅为62%, 说明稀土的掺杂提高了电极催化性能.     

电感耦合等离子体原子发射光谱法测定油田水中金属元素

油田水是指在储集层中与油气伴生的地下水,是烃类运移、聚集、形成油气藏的动力和载体。它和油气之间存在着经常性的物质成分交换,油田水化学成分往往会反映出油气藏与原油、天然气的某些特征,因此研究油田水的性质及其地球化学特征,对于区分油田水和非油田水,分析油气运移、聚集和油     

应用模糊综合评判方法优选卫星油田潜力低产低效井

油田进入特高含水开发期后,低产低效井数成逐年上升的趋势,如何识别低产低效井已经成为油田特高含水期高效开发的一个重要问题.借助模糊数学和系统工程层次分析原理,考虑到影响油井产能因素的复杂性和不均衡性,将各因素按其在不同层次上对事物的影响程度分类,然后确定各因素最终的权重,形成了一套优选低产低效井的模糊综合评判方法.现场实际应用表明,方法可以提高现场的工作效率和选井的客观性、准确性.     

基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例

油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利用遗传算法同时优化BP神经网络连接权值和阈值的算法应用到大庆油田BED试验区高含水阶段的油田产量预测,结果表明在面对高含水阶段更加复杂的地质条件和数据波动更强的情况下优化后的神经网络收敛速度更快而且预测精度更高.