CN110321646A - 一种基于梯度提升回归树模型的多相流量虚拟计量方法 - Google Patents

一种基于梯度提升回归树模型的多相流量虚拟计量方法 Download PDF

Info

Publication number
CN110321646A
CN110321646A CN201910618390.1A CN201910618390A CN110321646A CN 110321646 A CN110321646 A CN 110321646A CN 201910618390 A CN201910618390 A CN 201910618390A CN 110321646 A CN110321646 A CN 110321646A
Authority
CN
China
Prior art keywords
virtual metrology
model
sample set
regression tree
virtual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910618390.1A
Other languages
English (en)
Inventor
周建峰
杨旋
王斌
朱运周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heimer Pandora Data Technology (shenzhen) Co Ltd
Original Assignee
Heimer Pandora Data Technology (shenzhen) Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heimer Pandora Data Technology (shenzhen) Co Ltd filed Critical Heimer Pandora Data Technology (shenzhen) Co Ltd
Priority to CN201910618390.1A priority Critical patent/CN110321646A/zh
Publication of CN110321646A publication Critical patent/CN110321646A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种基于梯度提升回归树模型的多相流量虚拟计量方法，首先获取包括压力、温度、差压、液量、油量、水量在内的多条多相流的样本数据，将样本数据用于训练GBDT梯度提升回归树模型，得到虚拟计量模型，并使用样本数据对虚拟计量模型进行评价，最后以实时测得的压力、实时温度、实时差压输入虚拟计量模型进行虚拟计量。本发明具有模型训练速度快，参数调节少，精度高，误差小，设备体积小，造价低，非放射型等优点，对于油田的生产动态监控，流动保障和油藏管理具有较高的数据参考价值。

Description

一种基于梯度提升回归树模型的多相流量虚拟计量方法
技术领域
本发明涉及一种多相流量的计量方法，具体涉及一种多相流量的虚拟计量方法。
背景技术
多相流是指含有液相和气相的混合流体，其中液相又包括油相和水相，“含气率”是指多相流中气相的体积相分率，用GVF表示；“含液率”是指液相的体积相分率，用LVF表示；且GVF+LVF＝1；含水率，用WLR表示，指的是水量占液量的比重。
当前的在线多相流量计(MPFM)测量是基于总体积流量测量与使用放射性、电子的、超声和声学技术的相分率测量的组合进行的。然而，这些相分率测量技术都具有一些局限性，包括但不限于流动模式，气体分数，环境，经济性，可靠性等。尽管迄今为止放射性技术仍然是最准确和最可靠的多相流测量方法，但世界上许多地区和国家对放射源具有恐惧态度，限制了其在多相流测量中的应用。虚拟计量是一种基于数学模型的计量方法，可根据生产设备的状态数据，依据优选的数学模型和预测算法，计算得到虚拟计量结果。目前对于油井的多相流虚拟计量研究较少。
发明内容
本发明提供一种基于梯度提升回归树模型的多相流量虚拟计量方法，其具有训练速度快、造价低等优点。
技术方案如下：
一种基于梯度提升回归树模型的多相流量虚拟计量方法，其关键在于按以下步骤进行：
步骤一、获取多相流的样本数据，同一条样本数据包括同时刻采集得到的多相流的压力P、温度H、差压DP、液量L、油量O、水量W，将海量样本数据组合成样本集；
步骤二、在样本集中选取部分数据作为训练样本集，以所述训练样本集内的同一条样本数据对应的压力P、温度H、差压DP作为输入，液量L、油量O、水量W作为输出，用于训练GBDT梯度提升回归树模型，拟合得到虚拟计量模型：
L,O,W＝F(P,H,DP)；
步骤三、将剩余的样本集作为评价样本集，将所述评价样本集内的同一条样本数据对应的压力P、温度H、差压DP输入所述虚拟计量模型，并由所述虚拟计量模型输出预测液量预测油量预测水量将预测得到的 与所述评价样本集内的同一条所述样本数据对应的实际的L、O、W进行比较，以对所述虚拟计量模型进行评价；
如评价结果不满意，则返回步骤二继续训练，得到满意的虚拟计量模型,若步骤二继续训练未能得到满意的模型，则返回步骤一，收集更多的样本加入到训练集，再重复步骤二,直至得到满意的虚拟计量模型；
步骤四、在多相流管道上设置压力传感器、温度传感器和差压传感器，分别检测多相流的实时压力p、实时温度h、实时差压dp、将其输入所述虚拟计量模型，并最终输出实时虚拟液量实时虚拟油量实时虚拟水量
优选的，在所述步骤三中，采用所述虚拟计量模型输出的预测的与同一条所述样本数据对应的实际的L、O、W之间的平均绝对误差MAE进行评价；
上式中：
n为进行评价的样本数据的条数；
ys为评价样本集内第s个样本数据的液量L或油量O或水量W的值；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测液量或预测油量或预测水量的值；
设定MAE≤λ时为满意，否则为不满意；λ采用赋值法设定。
作为优选技术方案，在所述步骤二中，得到所述训练样本集为：A＝{(x1,y1),(x2,y2),…(xi,yi),…(xm,ym)}其中xi为所述训练样本集内第i个样本的输入特征-压力P、温度H和差压DP，yi为训练样本集内第i个样本对应的输出结果-液量L、油量O和水量W，使用所述GBDT梯度提升回归树模型通过T次迭代后，得到强学习器f(x)，具体包括以下步骤：
步骤2.1、初始化弱学习器
其中m为所述训练样本集的数量；
步骤2.2、对迭代轮数t＝1，2，…，T有：
对样本i＝1，2，…，m计算负梯度rti：
利用(xi，rti)(i＝1，2，…，m)，拟合一颗CART回归树，得到第t颗回归树其对应的叶子节点区域为Rtj(j＝1，2，…，J)，其中J为第t颗回归树的叶子节点的个数；
再计算第t颗回归树的叶子区域j＝1,2,..J的最佳拟合值ctj：
最后更新第t代的强学习器ft(x)：
上式中，(x∈Rtj)为示性函数；
步骤2.3、得到强学习器f(x)的最终表达式：
附图说明
图1(a)为A井训练样本集的液量、油量、水量随时间的变化曲线；
图1(b)为A井评价样本集的液量、油量、水量，以及预测液量、预测油量、预测水量随时间的变化曲线；
图2(c)为B井训练样本集的液量、油量、水量随时间的变化曲线；
图2(d)为B井评价样本集的液量、油量、水量，以及预测液量、预测油量、预测水量随时间的变化曲线；
图3(e)为C井训练样本集的液量、油量、水量随时间的变化曲线；
图3(f)为C井评价样本集的液量、油量、水量，以及预测液量、预测油量、预测水量随时间的变化曲线。
具体实施方式
下面结合实施例和附图对本发明作进一步说明。
一种基于梯度提升回归树模型的多相流量虚拟计量方法，按以下步骤进行：
步骤一、在多相流管道上设置在线多相流量计(MPFM)，该在线多相流量计用于采集多相流同时刻的压力P、温度H、差压DP、液量L、油量O、水量W，气量G，含水率WLR，含气率GVF等各类生产参数，在线多相流量计每间隔1min采集一次样本数据，得到200000条样本数据的样本集，将其中的80％(160000条)样本数据作为训练样本集A：
A＝{(x1,y1),(x2,y2),…(xi,yi),…(xm,ym)}，m＝160000；
其中xi为训练样本集A内第i个样本的输入特征-压力P、温度H和差压DP，yi为训练样本集A内第i个样本对应的输出结果-液量L、油量O和水量W；
将剩余的20％(40000条)样本数据作为评价样本集B；
B＝{(x1,y1),(x2,y2),…(xs,ys),…(xn,yn)}，n＝40000；
其中xs为第s个样本的输入特征-压力P、温度H和差压DP，ys为第s个样本对应的输出结果-液量L、油量O和水量W。
步骤二、以所述训练样本集内的同一条样本数据对应的压力P、温度H、差压DP作为输入，液量L、油量O、水量W作为输出，用于训练GBDT梯度提升回归树模型，拟合得到虚拟计量模型：L,O,W＝F(P,T,DP)；
使用所述GBDT梯度提升回归树模型通过T次(20次)迭代后，得到强学习器f(x)，具体包括以下步骤：
步骤2.1、初始化弱学习器
其中m为所述训练样本集内样本数据的条数，160000；
步骤2.2、对迭代轮数t＝1，2，…，20有：
对样本i＝1，2，…，160000，计算负梯度rti：
利用(xi，rti)(i＝1，2，…，160000)，拟合一颗CART回归树，得到第t颗回归树其对应的叶子节点区域为Rtj(j＝1，2，…，J)，其中J为第t颗回归树的叶子节点的个数；
再计算第t颗回归树的叶子区域j＝1,2,..J的最佳拟合值ctj：
最后更新第t代的强学习器ft(x)：
上式中，(x∈Rtj)为示性函数；
步骤2.3、得到强学习器f(x)的最终表达式：
步骤三、将所述评价样本集内的同一条样本数据对应的压力P、温度H、差压DP输入所述虚拟计量模型，并由所述虚拟计量模型输出预测液量预测油量预测水量将预测得到的与所述评价样本集内的同一条的所述样本数据对应的实际的L、O、W进行比较，以对所述虚拟计量模型进行评价；
如评价结果不满意，则返回步骤二继续训练，得到满意的虚拟计量模型,若步骤二继续训练未能得到满意的模型，则返回步骤一，收集更多的样本加入到训练集，再重复步骤二,直至得到满意的虚拟计量模型；
具体的，采用所述虚拟计量模型输出的预测的与所述评价样本集内的同一条所述样本数据对应的实际的L、O、W之间的平均绝对误差MAE进行评价；
上式中：
n为评价样本集内样本数据的条数，40000；
ys为评价样本集内第s个样本数据的液量L或油量O或水量W的值；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测液量或预测油量或预测水量的值；
设定MAE≤λ时为满意，否则为不满意；λ根据可以忍受的误差进行设定，如另λ＝0.1或、0.5或1或3或5。
更进一步的：
步骤3.1、计算所述虚拟计量模型输出的预测的与所述评价样本集内的同一条所述样本数据对应的实际的L之间的液量平均绝对误差MAEL；
其中：
n为评价样本集内样本数据的条数，40000；
yLs为评价样本集内第s个样本数据的液量L；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测液量
设定MAEL≤λ1时，为满意；
步骤3.2、计算所述虚拟计量模型输出的预测的与所述评价样本集内的同一条所述样本数据对应的实际的O之间的油量平均绝对误差MAEO；
其中：
n为评价样本集内样本数据的条数，40000；
yOs为评价样本集内第s个样本数据的油量O；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测油量
设定MAEO≤λ2时，为满意；
步骤3.3、计算所述虚拟计量模型输出的预测的与所述评价样本集内的同一条所述样本数据对应的实际的W之间的水量平均绝对误差MAEW；
其中：
n为评价样本集内样本数据的条数，40000；
yWs为评价样本集内第s个样本数据的水量W；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测水量
设定MAEW≤λ3时，为满意；
当MAEL≤λ1，且MAEO≤λ2，且MAEW≤λ3时，对所述虚拟计量模型的评价为满意；
步骤四、在多相流管道上设置压力传感器、温度传感器和差压传感器，分别检测多相流的实时压力p、实时温度h、实时差压dp、将其输入所述虚拟计量模型，并最终输出实时虚拟液量实时虚拟油量实时虚拟水量
在此基础上，如需建立P、T、DP与气量G的关系，则可以在训练GBDT梯度提升回归树模型时增加气量G作为输出，拟合得到虚拟计量模型：L,O,W,G＝F(P,T,DP)；如此可以同时虚拟计量得到实时虚拟液量实时虚拟油量实时虚拟水量和实时虚拟气量继续按下式可以计算得到虚拟的含水率和含气率
虚拟含水率
虚拟含气率
在所述多相流管道上还设有旁通管，该旁通管的两端分别与所述多相流管道连通，在所述旁通管上还设有在线多相流量计，以阶段性的对实时液量l、实时油量o、实时水量w和实时气量g进行检测，从而对虚拟结果进行横向比较，检测所述虚拟计量模型的计量准确性。在所述在线多相流量计上、下游的所述旁通管上分别安装有截止阀，在所述旁通管上、下端口之间的所述多相流管道上也设有截止阀。
将本发明的方法应用于不同地区的A、B、C三口油井，根据更别统计得到的样本数据分别进行训练和评价，得到的结果如图1、2、3所示，其中：
A井的训练样本集采集时间为2016年8月26日9点06分-2016年11月24日13点05分，此期间采集得到的样本数据用于训练虚拟计量模型，并将评价样本集用于评价以上模型，评价样本集的采集时间为2016年11月24日13点06分-2017年04月24日17点08分；得到A井的MAEL＝0.48、MAEO＝0.08、MAEW＝0.52；
B井的训练样本集采集时间为2011年12月05日13点31分-2016年11月12日03点56分，此期间采集得到的样本数据用于训练虚拟计量模型，并将评价样本集用于评价以上模型，评价样本集的采集时间为2016年11月12日03点57分-2016年11月14日06点15分；得到B井的MAEL＝0.42、MAEO＝0.32、MAEW＝0.55；
C井的训练样本集采集时间为2011年11月04日08点41分-2016年11月11日02点48分，此期间采集得到的样本数据用于训练虚拟计量模型，并将评价样本集用于评价以上模型，评价样本集的采集时间为2016年11月11日02点49分-2017年01月08日14点04分；得到C井的MAEL＝0.1、MAEO＝0.68、MAEW＝0.63。
从图1a、图1b、图2c、图2d、图3e、图3f可以看出，在井A、B和C上仅采用温度、压力和差压数据做虚拟计量时，液量、油量和水量的虚拟计量值和真实值较为接近，虚拟计量结果较为准确，并且MAE误差也会非常小，在井A、B和C上仅仅是零点几的水平。此外，一般液量的虚拟计量结果相比水量和油量表现更加，水量和油量相对较次。
采用本发明的基于梯度提升回归树模型的多相流量虚拟计量方法的效果有：模型训练速度快，无需调节太多参数，仅需确定迭代的树的深度，将多相流记录的样本数据输入到GBDT模型中，可以分别对油量、水量和气量训练，得到油量、水量和气量的三个模型，独立的三个模型可以组合成一个整体的油水气虚拟计量模型(VM)。
本发明所提出的采用温度、压力和差压数据的GBDT虚拟计量液量、油量和水量模型，在历史数据样本相对丰富的情况下，对油井做虚拟计量在实验中已被验证是有效的，且满足实际工业应用的精度要求。
本发明通过已有一定数目的基础上，学习数据之间的规律，通过规律来实现多相流的虚拟测量，避免了传统多相流计量体积大，造价成本昂贵，设备笨重，计量逻辑复杂，人力投入大，不智能等缺陷。
本发明方案提出的是一种非放射型的测量方案，对于一些对放射源有限制的国家和地区，该方案可实现多相流的连续实时计量，对于油田的生产动态监控，流动保障和油藏管理具有较高的数据参考价值。
最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (3)

1.一种基于梯度提升回归树模型的多相流量虚拟计量方法，其特征在于按以下步骤进行：
步骤一、获取多相流的样本数据，同一条样本数据包括同时刻采集得到的多相流的压力P、温度H、差压DP、液量L、油量O、水量W，将海量样本数据组合成样本集；
步骤二、在样本集中选取部分数据作为训练样本集，以所述训练样本集内的同一条样本数据对应的压力P、温度H、差压DP作为输入，液量L、油量O、水量W作为输出，用于训练GBDT梯度提升回归树模型，拟合得到虚拟计量模型：
L,O,W＝F(P,H,DP)；
步骤三、将剩余的样本集作为评价样本集，将所述评价样本集内的同一条样本数据对应的压力P、温度H、差压DP输入所述虚拟计量模型，并由所述虚拟计量模型输出预测液量预测油量预测水量将预测得到的 与所述评价样本集内的同一条所述样本数据对应的实际的L、O、W进行比较，以对所述虚拟计量模型进行评价；
如评价结果不满意，则返回步骤二继续训练，以得到满意的虚拟计量模型,若步骤二继续训练未能得到满意的模型，则返回步骤一，收集更多的样本加入到训练集，再重复步骤二,直至得到满意的虚拟计量模型；
步骤四、在多相流管道上设置压力传感器、温度传感器和差压传感器，分别检测多相流的实时压力p、实时温度h、实时差压dp、将其输入所述虚拟计量模型，并最终输出实时虚拟液量实时虚拟油量实时虚拟水量
2.根据权利要求1所述的基于梯度提升回归树模型的多相流量虚拟计量方法，其特征在于：所述步骤三中，采用所述虚拟计量模型输出的预测的 与同一条所述样本数据对应的实际的L、O、W之间的平均绝对误差MAE进行评价；
上式中：
n为进行评价的样本数据的条数；
ys为评价样本集内第s个样本数据的液量L或油量O或水量W的值；
为所述虚拟计量模型输出的所述评价样本集内的第s个预测液量或预测油量或预测水量的值；
设定MAE≤λ时为满意，否则为不满意；λ采用赋值法设定。
3.根据权利要求1或2所述的基于梯度提升回归树模型的多相流量虚拟计量方法，其特征在于所述步骤二中，得到的所述训练样本集为：
A＝{(x1,y1),(x2,y2),…(xi,yi),…(xm,ym)}其中xi为所述训练样本集内的第i个样本的输入特征-压力P、温度H和差压DP，yi为所述训练样本集内的第i个样本对应的输出结果-液量L、油量O和水量W，使用所述GBDT梯度提升回归树模型通过T次迭代后，得到强学习器f(x)，具体包括以下步骤：
步骤2.1、初始化弱学习器
其中m为所述训练样本集的数量；
步骤2.2、对迭代轮数t＝1，2，…，K有：
对样本i＝1，2，…，m计算负梯度rti：
利用(xi，rti)(i＝1，2，…，m)，拟合一颗CART回归树，得到第t颗回归树其对应的叶子节点区域为Rtj(j＝1，2，…，J)，其中J为第t颗回归树的叶子节点的个数；
再计算第t颗回归树的叶子区域j＝1,2,..J的最佳拟合值ctj：
最后更新第t代的强学习器ft(x)：
上式中，I(x∈Rtj)为示性函数；
步骤2.3、得到强学习器f(x)的最终表达式：
CN201910618390.1A 2019-07-10 2019-07-10 一种基于梯度提升回归树模型的多相流量虚拟计量方法 Pending CN110321646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910618390.1A CN110321646A (zh) 2019-07-10 2019-07-10 一种基于梯度提升回归树模型的多相流量虚拟计量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910618390.1A CN110321646A (zh) 2019-07-10 2019-07-10 一种基于梯度提升回归树模型的多相流量虚拟计量方法

Publications (1)

Publication Number Publication Date
CN110321646A true CN110321646A (zh) 2019-10-11

Family

ID=68121690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910618390.1A Pending CN110321646A (zh) 2019-07-10 2019-07-10 一种基于梯度提升回归树模型的多相流量虚拟计量方法

Country Status (1)

Country Link
CN (1) CN110321646A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724355A (zh) * 2020-06-01 2020-09-29 厦门大学 一种鲍鱼体型参数的图像测量方法
CN113670384A (zh) * 2021-08-19 2021-11-19 海默潘多拉数据科技(深圳)有限公司 一种多变量时序图卷积多相流虚拟计量方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543916A (zh) * 2018-11-30 2019-03-29 广东工业大学 一种多晶硅还原炉内硅棒生长速率预估模型

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543916A (zh) * 2018-11-30 2019-03-29 广东工业大学 一种多晶硅还原炉内硅棒生长速率预估模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张潇 等: "《GBDT组合模型在股票预测中的应用》", 《海南师范大学学报（自然科学版）》 *
王珏 等: "《水下油气田虚拟计量技术应用》", 《舰船科学技术》 *
韦宏 等: "《虚拟计量及其研究进展》", 《计量技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724355A (zh) * 2020-06-01 2020-09-29 厦门大学 一种鲍鱼体型参数的图像测量方法
CN111724355B (zh) * 2020-06-01 2022-06-14 厦门大学 一种鲍鱼体型参数的图像测量方法
CN113670384A (zh) * 2021-08-19 2021-11-19 海默潘多拉数据科技(深圳)有限公司 一种多变量时序图卷积多相流虚拟计量方法及系统
CN113670384B (zh) * 2021-08-19 2023-09-08 海默潘多拉数据科技(深圳)有限公司 一种多变量时序图卷积多相流虚拟计量方法及系统

Similar Documents

Publication Publication Date Title
Runkel Toward a transport‐based analysis of nutrient spiraling and uptake in streams
Ormsbee et al. Calibrating hydraulic network models
CN103380424B (zh) 用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法
CN107818395A (zh) 一种基于测量不确定度的电能表误差迭代计算方法
CN110168339A (zh) 子网络水力建模的系统和方法
CN105486358A (zh) 基于文丘里管双差压的气液两相流参数测量方法
CN110321646A (zh) 一种基于梯度提升回归树模型的多相流量虚拟计量方法
CN109711107A (zh) 水资源突发水污染物扩散仿真系统
Kanshio A review of hydrocarbon allocation methods in the upstream oil and gas industry
CN113553737B (zh) 一种基于阀门压差的阀门流量预测方法
CN107657083A (zh) 一种智能水表在线综合误差校准方法
CN115344019A (zh) 一种基于复合智能算法的天然气计量流量调节工艺
CN114912364A (zh) 天然气井流量预测方法、装置、设备及计算机可读介质
RU2319003C1 (ru) Способ определения массового расхода газожидкостной смеси
CN106320257A (zh) 基于水文观测的湖库槽蓄曲线确定方法
Ni et al. Modeling of hyperconcentrated sediment-laden floods in lower Yellow River
CN109992868B (zh) 一种基于异参离散广义Nash汇流模型的河道洪水预报方法
Kumar et al. GIUH based Clark and Nash models for runoff estimation for an ungauged basin and their uncertainty analysis
JP3821437B2 (ja) 河川状態シミュレーション方法
CN112985503B (zh) 一种油水两相流持率和流速在线测量装置及测量方法
CN113901393A (zh) 一种流域径流溯源解析的方法及系统
CN113221366A (zh) 一种河道动态输沙水量计算方法与系统
CN110428149A (zh) 一种基于模糊方法的司法风险评估模型构建方法
Temeepattanapongsa et al. Generic unified rating for Cutthroat flumes
CN109632054A (zh) 一种大数据水量称重法评价水表实际计量误差的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191011

RJ01 Rejection of invention patent application after publication