CN111753399A - 一种利用机器学习预测充填料浆环管压降的方法 - Google Patents
一种利用机器学习预测充填料浆环管压降的方法 Download PDFInfo
- Publication number
- CN111753399A CN111753399A CN202010455595.5A CN202010455595A CN111753399A CN 111753399 A CN111753399 A CN 111753399A CN 202010455595 A CN202010455595 A CN 202010455595A CN 111753399 A CN111753399 A CN 111753399A
- Authority
- CN
- China
- Prior art keywords
- pressure drop
- machine learning
- predicting
- algorithm
- data
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002002 slurry Substances 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000002474 experimental method Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005086 pumping Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 241000254158 Lampyridae Species 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003991 Rietveld refinement Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种利用机器学习预测充填料浆环管压降的方法,基于已知矿山尾砂环管实验的压降数据及其影响因素构建数据集,进行归一化处理,并确定训练集和测试集,利用机器学习算法在训练集上进行训练,建立环管压降预测模型,并在测试集上测试预测精度,该方法只需要对适量已知类型的尾砂进行试验,试验结果用于训练环管压降预测模型,即可应用于未知尾砂或不同充填工艺的环管压降预测,获得较好的预测精度,且工作量小、成本低、可靠性高。
Description
技术领域
本申请涉及矿山充填技术领域,具体涉及一种利用机器学习预测充填料浆环管压降的方法。
背景技术
充填采矿法作为矿山可持续绿色发展的重要技术手段,正逐渐应用于矿山开采。在整个充填工艺中,管道输送系统可为矿山提供管道输送过程中的水力参数,是矿山设计的一项必要工作。作为管道输送中的一个重要水力参数,管道压降可在一定程度上反映管道堵塞、爆裂和磨损的概率,直接影响充填系统的设计与工程应用。
现阶段研究管道压降的方式主要分为环管管道输送实验和计算流体动力学模拟(CFD)。其中环管管道输送实验所需时间过长,且需要消耗大量的人力物力。同时,因不同矿山尾砂的组分和粒径组成千差万别,理论上对于每一种尾砂都需要进行系统的环管管道输送实验,对大多数矿山极难实现。CFD虽然在一定程度上解决环管实验设备和成本等方面的限制,但是因在模拟过程中很难考虑管道输送的实际情况(比如水泥水化),其研究结果一般用于环管实验的辅助和参考。
为此,迫切需要提出切实可行的新方法,深入、系统地挖掘不同的影响因素与环管压降的对应关系,建立基于真实环管实验数据的压降预测模型。
发明内容
本申请具体实施例提供一种利用机器学习预测充填料浆环管压降的方法,根据已知矿山尾砂环管实验的压降数据及其影响因素,建立预测模型,对未知尾砂及充填管道输送系统进行环管压降预测,保证预测精准度,并减少实验工作量。所采用的技术方案如下:
一种利用机器学习预测充填料浆环管压降的方法,包括步骤:
布置环管实验管道系统,在其中设置若干压力测点;
选取若干类型的已知矿山尾砂,分别配制成不同配比的多组充填料浆,所有的充填料浆分别以不同的泵送速度泵送至所述环管实验管道系统中,并测试不同泵送速度下各个测点的压力值,得到相应的压降数据;
确定压降的影响因素,构建数据集;
对所述数据集进行归一化处理,将处理后的数据集划分训练集和测试集;
确定机器学习算法,使用交叉验证和超参数调整,确定机器学习算法的超参数,然后在训练集上进行训练,建立环管压降预测模型,在测试集上进行测试。
优选的,压降的影响因素包括尾砂性质、灰砂比、质量浓度和泵送速度中的至少一种,其中,所述尾砂性质包括比重、粒径和化学组成中的至少一种。
优选的,对所述数据集进行归一化处理前,还包括步骤:用独热编码对数据集中的数据进行处理。
优选的,所述机器学习算法为梯度提升回归树或神经网络算法。
优选的,所述机器学习算法为梯度提升回归树算法,用5折交叉验证、萤火虫算法和相关系数确定梯度提升回归树的超参数。
优选的,所述机器学习算法为神经网络算法,用10折交叉验证、粒子群算法和均方根误差确定神经网络的超参数。
本申请实施例提供的技术方案至少能带来以下有益效果:
基于已知矿山尾砂环管实验的压降数据及其影响因素构建数据集,进行归一化处理,并确定训练集和测试集,利用机器学习算法在训练集上进行训练,建立环管压降预测模型,并在测试集上测试预测精度,该方法只需要对适量已知类型的尾砂进行试验,试验结果用于训练环管压降预测模型,即可应用于未知尾砂或不同充填工艺的环管压降预测,获得较好的预测精度,且工作量小、成本低、可靠性高。
附图说明
图1是本申请具体实施例的方法流程图;
图2是本申请具体实施例环管实验管道系统的布置图;
图3是本申请具体实施例的梯度提升回归树算法在测试集上的预测情况;
图4是本申请具体实施例的神经网络算法在测试集上的预测情况。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,此处所描述的实施例仅是本申请一部分实施例,不能理解为对本申请保护范围的限制。在本申请的描述中,若干的含义是一个或者多个,多个的含义是两个以上。
本申请实施例提供一种利用机器学习预测充填料浆环管压降的方法,如图1所示,包括步骤:
S 1、布置环管实验管道系统,在其中设置10个压力测点,如图2所示,P1~P10后的括号内的三个数据依次为x、y、z坐标值,其中P1~P10分别代表不同的压力测点,各压力测点将管道划分为6种不同的管道形式:P1-P2段代表竖直向上管道,P3-P4段代表竖直向下管道,P5-P6段代表斜向上管道,P6-P7段代表斜向下管道,P8-P9段代表水平弯管,P9-P10段代表水平直管。
本实施例中,管道的管径为100mm,管道总长度约230m,采用ZPM317型平面压力变送器测定三种不同泵送参数下各测点的压力值。环管实验泵送机选用HBT90-18-200S型活塞式充填工业泵,搅拌机选取2.5m3的搅拌机。
S2、选取若干类型的已知矿山尾砂,分别配制成不同配比的多组充填料浆,所有的充填料浆分别以不同的泵送速度泵送至前述的环管实验管道系统中,泵送正常后,测定不同泵送参数下各个测点的压力值,得到相应的压降数据。
选取尾砂的种类根据研究问题确定,选取一种尾砂建立的模型对相应矿山有用,选取多种尾砂建立的模型,可达到很强的泛化能力,使得其对其他矿山也可以用。本实施例以某矿山尾砂为例进行说明。
购买国标325型号水泥,根据坍落度实验及矿山实际,选定灰砂比为1:5、1:10和1:15,质量浓度为72.0%,74.0%和76.0%,每种灰砂比均配制3种质量浓度的料浆,由此将尾砂分别配制成9种充填料浆。
选取常用的3种泵送速度构建数据集,当然,泵送速度根据实际情况选择,也可根据预测效果进行调整。
在环管实验过程中,充填料浆首先经过搅拌机搅拌均匀,随后分别以上述确定的泵送速度泵送至环管实验管道中。泵送正常后,测定各测点的压力值,记录泵送出口压力、泵送速度及泵送频次。试验结束后,清洗管道及试验设备,进行下一组实验。待所有实验全部完成,用电脑导出压力测试记录,分析处理试验采集的原始压力数据,进而得到对应于不同管道形式的压降数据。
步骤S3、根据试验结果确定环管压降的影响因素,本实施例选取的影响因素为灰砂比、质量浓度、泵送速度以及管道形式。
当选取多种尾砂时,还可以评估尾砂性质对压降的影响。尾砂性质主要包括比重、粒径和化学组成等,可采用Malvern Mastersizer 2000粒径分析仪测量尾砂粒径;使用Bruker AXS D8 Advance Diffractometer测量尾砂的X光衍射图,再利用Rietveld方法从中获取尾砂的化学组分。
包括管道形式在内的所有影响因素与对应的压降数据一起,形成具有多维特征的数据,用独热编码对数据集中的数据进行处理,形成数据集。本实施例共配制9种充填料浆,每种以3种泵送速度进行测试,每种泵送速度下又有6种管道形式,因此数据集中共有9*3*6=162组数据。
步骤S4、将数据根据其最大值与最小值进行归一化处理,使得所有数据处于(0,1)范围中,使用随机划分方法将归一化处理后的数据集划分训练集和测试集,本实施例的训练集约占数据集的80%,其余为测试集。
步骤S5、确定机器学习算法,使用交叉验证和超参数调整,确定机器学习算法的超参数,然后在训练集上进行训练,建立环管压降预测模型。本实施例使用梯度提升回归树作为充填料浆环管压降的预测方法,用5折交叉验证、萤火虫算法和相关系数R确定梯度提升回归树的超参数。
采用相关系数R作为判断预测精度的标准,其计算公式如下:
设定萤火虫算法的参数为:每代萤火虫个数=100,光吸收系数=0.001,迭代步长=0.15,最大迭代次数=30。将预测值与实验值之间的R作为目标函数,迭代过程中实现R的最大化。使用整个训练集训练最优的梯度提升回归树模型。测试模型在测试集上的表现,如图3所示,经计算,使用梯度提升回归树预测的环管压降与实验值之间的相关系数高达0.998,预测值与实验值十分接近,说明本方法是可行的。
本申请的另一个实施例,以前述实施例为基础,区别在于:
步骤S4中,训练集为数据集的70%左右,其余为测试集;
步骤S5中,使用神经网络作为充填料浆环管压降的预测方法,用10折交叉验证,粒子群算法和均方根误差RMSE确定神经网络的超参数;
采用RMSE作为判断预测精度的标准,其计算公式如下:
其中,N为样本数目,yi与yi *为第i个样本的实验值与预测值。
将预测值与实验值之间的RMSE作为目标函数,迭代过程中实现RMSE的最小化,使用整个训练集训练最优的神经网络模型。测试模型在测试集上的表现,如图4所示,经计算,使用神经网络预测的环管压降与实验值之间的RMSE为0.27,预测值与实验值十分接近,说明本方法是可行的。
上述方法基于某已知矿山尾砂环管实验的压降数据及其影响因素构建数据集,利用机器学习算法在训练集上进行训练,建立环管压降预测模型,并在测试集上测试预测精度。实验结果表明,所构建的模型能获得较好的预测精度,解决了现有环管管道输送实验工作量大以及CFD难以模拟实际情况的缺陷,具有工作量小、成本低、精度高、可靠性高等优点,可用于不同充填工艺的环管压降预测,具有显著的应用价值。
值得注意的是,上述实施例中,尾砂种类、压力测点数、环管规格、充填料浆的配比及种类、泵送参数、交叉验证的折数、超参数优化的方法以及预测精度判别标准等均可以根据数据集的改变进行调整。
以上实施例是对本申请的解释,但是,本申请并不局限于上述实施方式中的具体细节,本领域的技术人员在本申请的技术构思范围内进行的多种等同替代或简单变型方式,均应属于本申请的保护范围。
Claims (6)
1.一种利用机器学习预测充填料浆环管压降的方法,其特征在于,包括步骤:
布置环管实验管道系统,在其中设置若干压力测点;
选取若干类型的已知矿山尾砂,分别配制成不同配比的多组充填料浆,所有的充填料浆分别以不同的泵送速度泵送至所述环管实验管道系统中,并测试不同泵送速度下各个所述压力测点的压力值,得到相应的压降数据;
确定压降的影响因素,构建数据集;
对所述数据集进行归一化处理,将处理后的数据集划分训练集和测试集;
确定机器学习算法,使用交叉验证和超参数调整,确定机器学习算法的超参数,然后在训练集上进行训练,建立环管压降预测模型,在测试集上进行测试。
2.根据权利要求1所述的利用机器学习预测充填料浆环管压降的方法,其特征在于,压降的影响因素包括尾砂性质、灰砂比、质量浓度和泵送速度中的至少一种,其中,所述尾砂性质包括比重、粒径和化学组成中的至少一种。
3.根据权利要求1所述的利用机器学习预测充填料浆环管压降的方法,其特征在于,对所述数据集进行归一化处理前,还包括步骤:用独热编码对数据集中的数据进行处理。
4.根据权利要求1所述的利用机器学习预测充填料浆环管压降的方法,其特征在于,所述机器学习算法为梯度提升回归树或神经网络算法。
5.根据权利要求4所述的利用机器学习预测充填料浆环管压降的方法,其特征在于,所述机器学习算法为梯度提升回归树算法,用5折交叉验证、萤火虫算法和相关系数确定梯度提升回归树的超参数。
6.根据权利要求4所述的利用机器学习预测充填料浆环管压降的方法,其特征在于,所述机器学习算法为神经网络算法,用10折交叉验证、粒子群算法和均方根误差确定神经网络的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455595.5A CN111753399A (zh) | 2020-05-26 | 2020-05-26 | 一种利用机器学习预测充填料浆环管压降的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455595.5A CN111753399A (zh) | 2020-05-26 | 2020-05-26 | 一种利用机器学习预测充填料浆环管压降的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753399A true CN111753399A (zh) | 2020-10-09 |
Family
ID=72673924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010455595.5A Pending CN111753399A (zh) | 2020-05-26 | 2020-05-26 | 一种利用机器学习预测充填料浆环管压降的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753399A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378335A (zh) * | 2021-05-07 | 2021-09-10 | 广州观必达数据技术有限责任公司 | 一种基于机器学习的供水管网压力预测方法及系统 |
CN113743030A (zh) * | 2021-08-27 | 2021-12-03 | 浙江工业大学 | 一种果树根区附近加热管道埋设方法 |
CN113887026A (zh) * | 2021-09-17 | 2022-01-04 | 中国石油大学(华东) | 一种基于集成学习的输油管道水力预测方法 |
CN114492203A (zh) * | 2022-02-16 | 2022-05-13 | 重庆大学 | 一种co2矿化矿山固废材料的参数优化方法 |
CN114492203B (zh) * | 2022-02-16 | 2024-09-24 | 重庆大学 | 一种co2矿化矿山固废材料的参数优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN109523069A (zh) * | 2018-11-01 | 2019-03-26 | 中南大学 | 一种利用机器学习预测充填材料强度参数的方法 |
CN109784561A (zh) * | 2019-01-15 | 2019-05-21 | 北京科技大学 | 一种基于集成学习的浓密机底流浓度预测方法 |
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
-
2020
- 2020-05-26 CN CN202010455595.5A patent/CN111753399A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN109523069A (zh) * | 2018-11-01 | 2019-03-26 | 中南大学 | 一种利用机器学习预测充填材料强度参数的方法 |
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN109784561A (zh) * | 2019-01-15 | 2019-05-21 | 北京科技大学 | 一种基于集成学习的浓密机底流浓度预测方法 |
Non-Patent Citations (5)
Title |
---|
CHONGCHONG, CHEN, QIUSONG, ET AL.: "Pressure drop in pipe flow of cemented paste backfill: Experimental and modeling study", 《POWDER TECHNOLOGY》 * |
QI C , FOURIE A , CHEN Q , ET AL.: "A strength prediction model using artificial intelligence for recycling waste tailings as cemented paste backfill", 《JOURNAL OF CLEANER PRODUCTION》 * |
张钦礼; 李谢平; 杨伟: "基于BP 网络的某矿山充填料浆配比优化", 《中南大学学报(自然科学版)》 * |
袁庆丹; 梁燕飞; 肖燕平: "粒子群算法在气力输送管道压降预测中的应用", 《测试技术学报》 * |
马修元; 段钰锋; 刘猛; 李华锋: "基于PSO-BP 神经网络的水焦浆管道压降预测", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378335A (zh) * | 2021-05-07 | 2021-09-10 | 广州观必达数据技术有限责任公司 | 一种基于机器学习的供水管网压力预测方法及系统 |
CN113743030A (zh) * | 2021-08-27 | 2021-12-03 | 浙江工业大学 | 一种果树根区附近加热管道埋设方法 |
CN113887026A (zh) * | 2021-09-17 | 2022-01-04 | 中国石油大学(华东) | 一种基于集成学习的输油管道水力预测方法 |
CN114492203A (zh) * | 2022-02-16 | 2022-05-13 | 重庆大学 | 一种co2矿化矿山固废材料的参数优化方法 |
CN114492203B (zh) * | 2022-02-16 | 2024-09-24 | 重庆大学 | 一种co2矿化矿山固废材料的参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753399A (zh) | 一种利用机器学习预测充填料浆环管压降的方法 | |
CN111305796B (zh) | 一种水合物试采过程中管柱稳定性的实验装置及方法 | |
CN105117511B (zh) | 一种缝洞油藏井间连通通道及流动参数的表征方法 | |
Nasirian et al. | Leakage detection in water distribution network based on a new heuristic genetic algorithm model | |
CN105628596A (zh) | 一种溶蚀试验装置及其实现方法 | |
Mousavi et al. | Uncertainty-based automatic calibration of HEC-HMS model using sequential uncertainty fitting approach | |
US11047785B2 (en) | System for testing rheological behavior of slurry | |
CN117307111A (zh) | 页岩气水平井返排阶段的油嘴制度的确定方法及装置 | |
CN104657596A (zh) | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 | |
CN115221675A (zh) | 一种氦气资源规模序列的确定方法、装置和设备 | |
CN113886989A (zh) | 一种基于机器学习的石油钻井的参数优化方法及系统 | |
CN2537960Y (zh) | 高精度油气水三相流量自动计量仪 | |
CN111222229B (zh) | 气液两相流动态流动过程的瞬时流量测量模型构建方法 | |
CN111241652B (zh) | 一种确定地层原油粘度的方法及装置 | |
CN105577432A (zh) | 一种基于关联分析的网络丢包概率预测方法 | |
CN113392372B (zh) | 气井全生命周期无阻流量确定方法及系统 | |
CN115034477A (zh) | 一种浆体管道经济运行分析系统及优化方法 | |
Chowdhury et al. | Mass flow measurement of slurry using coriolis flowmeters | |
CN118335266B (zh) | 一种超细尾砂膏体触变流变参数预测模型的构建方法 | |
CN107965308B (zh) | 单井产水量的确定方法和装置 | |
CN106022943A (zh) | 采气工艺的确定方法及装置 | |
CN110500082B (zh) | 一种固井水泥浆气侵危险时间的确定方法 | |
CN110965989B (zh) | 一种数据信息化示踪地质参数的方法 | |
CN204371298U (zh) | 一种卧式页岩气计量系统 | |
CN114021297B (zh) | 基于回声状态网络的复杂管网泄漏定位方法 |
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: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |