CN116861324A - 一种基于支持向量机计算稠油乳状液黏度的方法 - Google Patents
一种基于支持向量机计算稠油乳状液黏度的方法 Download PDFInfo
- Publication number
- CN116861324A CN116861324A CN202310932272.4A CN202310932272A CN116861324A CN 116861324 A CN116861324 A CN 116861324A CN 202310932272 A CN202310932272 A CN 202310932272A CN 116861324 A CN116861324 A CN 116861324A
- Authority
- CN
- China
- Prior art keywords
- viscosity
- thick oil
- oil
- oil emulsion
- vector machine
- 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
- 239000000839 emulsion Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000003756 stirring Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 239000003513 alkali Substances 0.000 claims abstract description 6
- 239000004094 surface-active agent Substances 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000004945 emulsification Methods 0.000 claims description 8
- 230000000704 physical effect Effects 0.000 claims description 7
- 230000033558 biomineral tissue development Effects 0.000 claims description 5
- 239000002569 water oil cream Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 53
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 239000000295 fuel oil Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000015655 Crocus sativus Nutrition 0.000 description 1
- 244000124209 Crocus sativus Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000007764 o/w emulsion Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000013974 saffron Nutrition 0.000 description 1
- 239000004248 saffron Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000007762 w/o emulsion Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于支持向量机计算稠油乳状液黏度的方法，包括以下步骤：S1：获取目标油田的油样、地层水；S2：测试所述稠油在不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的黏度，构建稠油乳状液黏度归一化数据库；S3：通过支持向量机算法获取阈值b、惩罚系数C和核函数参数g构建乳状液黏度预测模型；S4：计算获得所述目标油田稠油乳状液黏度。本发明能够提高油水乳状液黏度的预测精度，降低预测实验和计算成本，利于经济高效开发利用稠油，为井筒与平台稠油流动保障提供支持。
Description
技术领域
本发明涉及稠油流动保障技术领域，特别涉及一种基于支持向量机计算稠油乳状液黏度的方法。
背景技术
随着勘探开发的不断深入，我国已陆续发现多个海上区块和层位存在较大规模稠油油藏，深层油气资源比重不断增加。受氮气抽提效应影响、浅层低温带影响以及常规保温管的抗拉和保温技术限制，此类油藏稠油往往早期地面流动性差，常规测试效果不理想，为经济高效开发利用稠油，首先必须切实解决井筒与平台测试稠油流动保障的技术瓶颈。化学降黏技术中的诸多方法如改质、水热催化裂解及微生物降黏等方法存在不同程度的成本高、环境要求严格、缺乏规模化应用等缺陷，而乳化降黏技术因其成本低、技术实施简单、应用实例多一直受到业内研究者的广泛关注，极具广阔的应用市场和研究价值。
目前，国内外关于稠油乳化降黏效果的评价和研究主要集中在降黏率方面，乳状液表观黏度受多种因素影响，现有的乳状液黏度预测模型考虑的因素有限、普适性差，乳状液制备及流变测试过程繁琐，实验耗费时间较长，因此亟需一种方法明确多因素作用对乳状液黏度的影响，根据采出液黏度变化调整输送及地面测试方案，保障井筒、平台与外输工艺安全高效运行。
发明内容
针对上述问题，本发明旨在提供一种基于支持向量机计算稠油乳状液黏度的方法。
本发明的技术方案如下：
一种基于支持向量机计算稠油乳状液黏度的方法，包括以下步骤：
S1：获取目标油田的油样和地层水，并测得所述油水样品的基础物性；
S2：测试所述稠油在不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的黏度，构建稠油乳状液黏度归一化数据库；
S3：根据所述稠油乳状液黏度归一化数据库通过支持向量机算法获取阈值b、惩罚系数C和核函数参数g；
S4：根据惩罚系数和核函数参数建立稠油乳状液黏度预测模型，根据预测模型计算所述目标油田的稠油乳状液黏度及预测精度。
作为优选，步骤S1中，所述油水样品的基础物性包括黏度、密度、水型和矿化度。
作为优选，步骤S2中，测量不同参数对乳状液的黏度影响时，设定乳化实验温度为目标油田井口温度。
作为优选，步骤S3中，所述阈值b、惩罚系数C通过下式拟合获得：
式中：f(x)为目标函数；x为样本数据，无量纲；ω为权重向量，无量纲；b为阈值，无量纲；ξi,为松弛变量，无量纲；C为惩罚系数，无量纲。
作为优选，步骤S3中，所述核函数参数g通过下式拟合获得：
κ(x,xi)＝exp(-g||x-xi||2) (3)
式中：κ(x,xi)为核函数；xi为第i个样本数据，无量纲。
作为优选，步骤S4中，所述稠油乳状液黏度计算模型为：
式中：μ为乳状液黏度，mPa·s；αi为拉格朗日乘子，无量纲。
本发明的有益效果是：
本发明能够计算由于稠油降黏工艺或油井生产后期出水导致的油水乳状液黏度变化情况；实验时以真实井口采出液温度为乳化条件，不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的黏度为数据库并进行归一化处理，结合支持向量机及高斯核函数计算得到稠油乳状液黏度预测公式，其结果更加合理可靠，能够很好地满足海上平台地面流程对油水测试及外输参数评价的需要。另外，本文的基于支持向量机计算稠油乳状液黏度的方法可推广用于井下注剂操作导致的乳状液黏度变化预测，也可用于除油气勘探领域之外的领域，具有广泛的应用价值，本文对基于支持向量机计算稠油乳状液黏度的方法的应用领域不做限定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于支持向量机计算稠油乳状液黏度的方法流程示意图；
图2为一个具体实施例的训练集黏度实测值与预测值对比图；
图3为一个具体实施例的测试集黏度实测值与预测值对比图；
图4为一个具体实施例的训练集预测回归图；
图5为一个具体实施例的测试集预测回归图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如图1所示，本发明提供一种基于支持向量机计算稠油乳状液黏度的方法，包括以下步骤：
S1：获取目标油田的油样和地层水，并测得所述油水样品的基础物性；
在一个具体的实施例中，所述油样为普通热采稠油，所述油水基础物性包括黏度、密度、水型和矿化度。
S2：测试所述稠油在不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的黏度，构建稠油乳状液黏度归一化数据库；
在一个具体的实施例中，测量不同参数对乳状液的黏度影响时，设定乳化实验温度为目标油田井口温度，实验用水按采出水的水型和矿化度配制。具体包括以下子步骤：准备实验装置，所述实验装置包括烘箱、搅拌装置、水浴装置及流变仪。实验前准备待测样品，首先制备不同含水率下的加剂待测油水样及无剂油水样对照组，放置于50℃烘箱内静置加热30分钟，控制搅拌装置转速1000转/分钟，控制水浴装置恒温50℃搅拌10分钟至油水乳化完成。油包水乳状液制备的加注方式为油水混合均匀后搅拌，若制备水包油乳状液则在搅拌水的同时匀速加注油至搅拌完成。将乳状液样品转移至流变仪，控制流变仪剪切速率从0～1000s-1范围变化，获得不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的乳状液黏度值并归一化处理，按照7:3的比例建立训练集和测试集数据库。
S3：根据所述稠油乳状液黏度归一化数据库通过支持向量机算法获取阈值b、惩罚系数C和核函数参数g；
在一个具体的实施例中，所述阈值b、惩罚系数C及核函数参数g通过下式拟合获得：
κ(x,xi)＝exp(-g||x-xi||2) (3)
式中：f(x)为目标函数；x为样本数据，无量纲；ω为权重向量，无量纲；b为阈值，无量纲；ξi,为松弛变量，无量纲；C为惩罚系数，无量纲；κ(x,xi)为核函数；xi为第i个需要归一化的样本数据，无量纲。
S4：根据惩罚系数和核函数参数建立稠油乳状液黏度预测模型，根据预测模型计算所述目标油田的稠油乳状液黏度及预测精度。
在一个具体的实施例中，所述稠油乳状液黏度计算模型为：
式中：μ为乳状液黏度，mPa·s；αi为拉格朗日乘子，无量纲。
在一个具体的实施例中，以南海油田番禺X油井稠油为例，采用本发明所述基于支持向量机计算稠油乳状液黏度的方法计算其乳状液黏度值。该井井口温度为50℃，地面测试流程温度为50℃～90℃，50℃下的油相黏度为447mPa·s(100s-1)、密度为0.942g/cm3，采出水矿化度为59580mg/L，所述方法具体包括以下步骤：
(1)获取南海油田番禺X油井稠油和采出水样，测量所述油水样的基础物性，并按照如表1和表2所示的实验条件将所述稠油样品脱水备用，将所述地层水过滤及调配后备用。
表1研究因素及水平
(2)测量所述油水乳状液在不同乳化条件下的黏度值，实验条件与对应结果如表2所示。
(3)通过多因素水平的正交实验(32组)得出不同条件下的乳状液黏度值，根据训练集与测试集为7:3选择其中22组作为训练组，10组做为测试组，黏度值为输出，观察模型准确度。通过对训练样本进行学习，其最佳平方误差为0.0258，g值为0.047，b值为0.015。基于此可得到乳状液黏度的支持向量机预测模型。所述阈值b、惩罚系数C、核函数参数g及黏度预测模型拟合结果如下所示：
(4)将式(1)～式(3)确定的相关系数代入式(4)中，以此计算获得所述目标油田的乳状液预测黏度，结果如表2所示。
表2流变实验及预测结果
(5)基于上式模型对训练样本数据进行预测，所得结果如图2和图4所示。训练集所得的回归相关系数为0.9988，最佳平方误差为0.048，样本的预测值和数值模拟结果吻合度很高，即建立的模型回归效果较好。测试集样本预测结果如图3和图5所示，测试集所得的最佳平方误差为0.085，回归的相关系数为0.9984。由此可见，对于训练样本和预测样本，支持向量机预测的最佳平方误差较小、相关系数高，预测效果好，因此采用支持向量机方法可用来预测乳状液黏度。
综上所述，本发明能够获得基于支持向量机计算稠油乳状液黏度的方法。与现有技术相比，本发明具有显著的进步。
以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于支持向量机计算稠油乳状液黏度的方法，其特征在于，包括以下步骤：
S1：获取目标油田的油样和地层水，并测得所述油水样品的基础物性；
S2：测试所述稠油在不同表面活性剂含量、碱含量、含油率、搅拌强度及温度下的黏度，构建稠油乳状液黏度归一化数据库；
S3：根据所述稠油乳状液黏度归一化数据库通过支持向量机算法获取阈值b、惩罚系数C和核函数参数g；
S4：根据阈值b、惩罚系数C和核函数参数g建立稠油乳状液黏度预测模型，根据预测模型计算所述目标油田的稠油乳状液黏度及预测精度。
2.根据权利要求1的基于支持向量机计算稠油乳状液黏度的方法，其特征在于，步骤S1中，所述油水样品的基础物性包括黏度、密度、水型和矿化度。
3.根据权利要求1的基于支持向量机计算稠油乳状液黏度的方法，其特征在于，步骤S2中，测量不同参数对下乳状液的黏度时，设定乳化实验温度为目标油田井口温度。
4.根据权利要求1的基于支持向量机计算稠油乳状液黏度的方法，其特征在于，步骤S3中，所述阈值b、惩罚系数C通过下式拟合获得：
式中：f(x)为目标函数；x为样本数据，无量纲；ω为权重向量，无量纲；b为阈值，无量纲；为松弛变量，无量纲；C为惩罚系数，无量纲；。
5.根据权利要求1的基于支持向量机计算稠油乳状液黏度的方法，其特征在于，步骤S3中，所述核函数参数g通过下式拟合获得：
κ(x,xi)＝exp(-g||x-xi||2) (3)
式中：κ(x,xi)为核函数；xi为第i个样本数据，无量纲。
6.根据权利要求1-5的基于支持向量机计算稠油乳状液黏度的方法，其特征在于，步骤S4中，所述稠油乳状液黏度计算模型为：
式中：μ为乳状液黏度，mPa·s；为拉格朗日乘子，无量纲。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932272.4A CN116861324A (zh) | 2023-07-27 | 2023-07-27 | 一种基于支持向量机计算稠油乳状液黏度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310932272.4A CN116861324A (zh) | 2023-07-27 | 2023-07-27 | 一种基于支持向量机计算稠油乳状液黏度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861324A true CN116861324A (zh) | 2023-10-10 |
Family
ID=88226798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310932272.4A Pending CN116861324A (zh) | 2023-07-27 | 2023-07-27 | 一种基于支持向量机计算稠油乳状液黏度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861324A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117334262A (zh) * | 2023-12-01 | 2024-01-02 | 西南石油大学 | 一种油水搅拌乳化流场及黏度的模拟预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
| CN112668604A (zh) * | 2020-11-30 | 2021-04-16 | 广西大学 | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 |
| CN115577628A (zh) * | 2022-10-11 | 2023-01-06 | 西南石油大学 | 一种基于神经网络的油水乳状液黏度预测方法及装置 |
| CN115753503A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院合肥物质科学研究院 | 基于多维力信息感知的容器内液体黏度分类方法及设备 |
-
2023
- 2023-07-27 CN CN202310932272.4A patent/CN116861324A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
| CN112668604A (zh) * | 2020-11-30 | 2021-04-16 | 广西大学 | 基于频域介电响应和支持向量机的套管绝缘水分预测方法 |
| CN115577628A (zh) * | 2022-10-11 | 2023-01-06 | 西南石油大学 | 一种基于神经网络的油水乳状液黏度预测方法及装置 |
| CN115753503A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院合肥物质科学研究院 | 基于多维力信息感知的容器内液体黏度分类方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| SAEID NASERY ET AL.: "Prediction of the viscosity of water-in-oil emulsions", PETROLEUM SCIENCE AND TECHNOLOGY, 9 December 2016 (2016-12-09), pages 4 - 6 * |
| 孙娜娜 等: "稠油水包油型乳状液表观黏度的影响因素及预测模型", 石油学报（石油加工）, vol. 32, no. 5, 31 October 2016 (2016-10-31), pages 989 - 995 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117334262A (zh) * | 2023-12-01 | 2024-01-02 | 西南石油大学 | 一种油水搅拌乳化流场及黏度的模拟预测方法 |
| CN117334262B (zh) * | 2023-12-01 | 2024-02-20 | 西南石油大学 | 一种油水搅拌乳化流场及黏度的模拟预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | EIS measurement for corrosion monitoring under multiphase flow conditions | |
| CN116861324A (zh) | 一种基于支持向量机计算稠油乳状液黏度的方法 | |
| Manfredini et al. | Mixing and oxygen transfer in conventional stirred fermentors | |
| Abdurahman et al. | The potential of microwave heating in separating water-in-oil (w/o) emulsions | |
| MX2015002268A (es) | Determinacion de humedecimiento superficial de metal con cambio de fuidos del pozo. | |
| Raupov et al. | The results of the complex rheological studies of the cross-linked polymer composition and the grounding of its injection volume | |
| CN105092460B (zh) | 油水交替润湿腐蚀模拟装置及方法 | |
| CN105277467B (zh) | 检测原料油流动性能的装置及其检测方法 | |
| CN105822264B (zh) | 天然气水合物层钻井井筒水合物动态分解位置检测方法 | |
| Tabatabaee Moradi et al. | Optimization of cement spacer rheology model using genetic algorithm (research note) | |
| CN107939340B (zh) | 一种油井清蜡制度优化方法和装置 | |
| CN112324427B (zh) | 一种定量获取稠油油藏拐点温度的方法 | |
| CN111079260B (zh) | 一种非线性渗流数值模拟方法 | |
| CN106971082B (zh) | 稠油井降粘参数优化方法 | |
| CN106675541A (zh) | 一种水基冲洗液 | |
| Chen | Enhanced oil recovery in fractured vuggy carbonates | |
| Li et al. | Experiment and evaluation on the in-situ rapid preparation of marine non-diagenetic natural gas hydrate | |
| CN204807432U (zh) | 油水交替润湿腐蚀模拟装置 | |
| CN106645305A (zh) | 一种定量评价冻胶型堵水剂成胶性能的方法 | |
| CN116658122A (zh) | 一种地热井筒结垢智能除垢系统 | |
| CN110929447A (zh) | 一种稠化酸酸化过程中井筒温度场数值计算方法 | |
| Gdanski et al. | Using the Hollow-Core Test to Determine Acid Reaction Rates | |
| CN206531850U (zh) | 一种用于评价含蜡原油结蜡特性的冷指实验装置 | |
| Dehuang et al. | Thermal stability of foam during steam drive | |
| Mackay et al. | A small-scale laboratory dispersant effectiveness test |
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 |