大學(xué)本科畢業(yè)設(shè)計(jì)文獻(xiàn)翻譯模板

1、東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文）文獻(xiàn)翻譯模型預(yù)測油田水中溶解的碳酸鈣含量：壓力和溫度的影響 XXX 譯摘要：油田中水垢沉積會對儲層造成傷害、堵塞地層孔道、表面以及注入設(shè)備。碳酸鈣是水中最常見的結(jié)垢化合物之一，儲層產(chǎn)生的鹽水會使壓力和溫度降低，儲層壓力降低會使CaCO3的溶解度降低，進(jìn)而提高體系中碳酸鈣的飽和速率，而溫度下降會產(chǎn)生相反的結(jié)果。因此溫度和壓力一起作用的結(jié)果可能增加或減小CaCO3溶解度，用體系溫度的變化來指定其壓力的變化。因此，在石油生產(chǎn)系統(tǒng)中精確的預(yù)測方法的應(yīng)用備受關(guān)注。目前的研究重點(diǎn)是運(yùn)用基于最小二乘支持向量機(jī)(LSSVM)預(yù)測模型來估計(jì)油田水中溶解碳酸鈣濃度的大小。用超優(yōu)化

2、參數(shù)（r和C2）的遺傳算法（GA）嵌入到LSSVM模型，這種方法可簡單準(zhǔn)確的預(yù)測油田鹵水中溶解碳酸鈣濃度的最小量。1.引言隨著油田鹵水壓力和溫度變化，氣體可能會從儲層到地表的運(yùn)動，導(dǎo)致某些固體沉淀。為了保持注水井壓力平衡并將油運(yùn)移到生產(chǎn)井，有時需要將鹵水注入到儲層中，因此，過量的鹽垢可以沉積在儲層或井眼內(nèi)。對于大部分油田結(jié)垢多會發(fā)生在此過程中。碳酸鈣沉積通常是一個自發(fā)的過程，沉積形成的主要原因是二氧化碳從水相逸出，導(dǎo)致油氣層的壓力下降，該過程會除去了水中的碳酸，直到方解石溶解完全。在恒定二氧化碳分壓下，方解石的溶解性隨溫度的降低而降低1-4。根據(jù)公式（1），碳酸鈣沉積垢來自碳酸鈣沉淀：Ca2+

3、 + CO32- CaCO3 下面的公式為碳酸的電離式57：CO2 + H2O H2CO3 H2CO3 H+ + HCO3-HCO3- H+ + CO32-若要形成碳酸氫根離子和氫離子，碳酸要電離，因?yàn)樘妓岬牡谝浑婋x常數(shù)遠(yuǎn)大于它的第二電離常數(shù)，從碳酸第一電離離子化的氫離子與水中自由的碳酸根離子結(jié)合。此外，碳酸鈣沉淀的方程式可以說明810：Ca(HCO3)2 CaCO3+ CO2+ H2O碳酸鈣的溶解度很大程度上取決于二氧化碳在水中的含量（即二氧化碳?xì)怏w逸出時所需最小的分壓）1012 。二氧化碳?xì)怏w注入到儲層鹵水可產(chǎn)生酸性溶液，能溶解地層中的方解石，壓力的下降導(dǎo)致二氧化碳?xì)怏w從酸性溶液中逸出，并

4、且在近井地帶的地層空隙和射孔眼處沉積碳酸鹽垢。而且，在井筒附近產(chǎn)生的垢會進(jìn)一步導(dǎo)致氣井產(chǎn)能的下降和更多結(jié)垢的產(chǎn)生13,14 。Bahadori借助范德蒙德行列式的相關(guān)性來研究估算油田鹵水溶解的碳酸鈣濃度15。本論文中涉及到的最小二乘支持向量機(jī)（LSSVM），是作為一種傳統(tǒng)簡化的支持向量機(jī)（SVM）來預(yù)測油田鹵水中溶解碳酸鈣濃度量的大小。遺傳算法（GA）偶合來優(yōu)化主題，用于確定超參數(shù)。據(jù)我們所了解的，目前還沒有文獻(xiàn)記錄采用支持向量方法進(jìn)行天然氣產(chǎn)能建模。2.原理理論2.1 最小二乘支持向量機(jī)（LSSVM）支持向量機(jī)（SVM）最初形成的是一種智能化的系統(tǒng)方法16。支持向量機(jī)已被廣泛應(yīng)用于分類，回歸

5、分析和模式識別，是一種非常有效的而方法17。支持向量機(jī)的原理是對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能，并且基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面18。這種新方法基于結(jié)垢風(fēng)險(xiǎn)最小化理論（SRM）和統(tǒng)計(jì)學(xué)理論（SLT）概念19。支持向量機(jī)通過求解二次規(guī)劃（QP）問題來發(fā)現(xiàn)目標(biāo)函數(shù)的全局最小值，而不是獲得局部最優(yōu)解。與其他回歸技術(shù)不同，二次規(guī)劃問題是一個凸函數(shù)20。然而，這種做法可能會耗時并且困難，因?yàn)樗枰鞣N非線性公式（QP），Suyken和

6、Vandewalle 21 建議最小二乘支持向量機(jī)（LSSVM）作為支持向量機(jī)（SVM）的一個備用方法。SVM也具有LSSVM類似的優(yōu)點(diǎn)。此外，需要一個二次規(guī)劃（QP）可代替多個非線性公式（線性規(guī)劃），這使得計(jì)算問題簡單且容易處理。LSSVM公式中的非線性函數(shù)可表示如下，給出訓(xùn)練集Xk，Yk，K=1，2，N，其中XkRn，是第i個輸入到輸入集合空間，YkR輸出值為特定輸入變量的對應(yīng)值（即Xk），N是指訓(xùn)練樣本的數(shù)目，通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特征空間中，構(gòu)造的回歸模型如下：其中w表示權(quán)重向量，而b是一個偏置術(shù)語，上表“n”是數(shù)據(jù)區(qū)域的范圍，“nh”表示未知區(qū)域（高

7、維和無窮維）的范圍20。當(dāng)應(yīng)用LSSVM時會產(chǎn)生一個新的優(yōu)化問題，該方法涉及的優(yōu)化問題如下：根據(jù)下列等式進(jìn)行約束：其中r表示正則化參數(shù)的平衡訓(xùn)練誤差和模型闡述19，ek是回歸誤差。拉格朗日乘子理論構(gòu)造如下，以找到優(yōu)化問題的約束條件：其中，ak拉格朗日乘子或支集值，為了獲得上述方程的解，對上述方程中的變量w，b，ek，ak微分：在除去變量w和e后，獲得Karush-Kuhn-Trucker系統(tǒng)如下：其中y=y1，yN T，1N=1，1 T，a=a1，aN T，I是一個單位矩陣，是內(nèi)核函數(shù)，必須滿足Mercerd的條件內(nèi)核函數(shù)三種典型的選擇方法如下所示：（1）線性核函數(shù)K(x,y)=xy；（2）多

8、項(xiàng)式核函數(shù)K(x,y)=(xy)+1d；（3）徑向基函數(shù)K(x,y)=exp(-|x-y|2/d2）由此LSSVM模型函數(shù)估計(jì)如下：其中（b，a）是式（14）線性系統(tǒng)的解。文獻(xiàn)中，一些綜合性描述支持向量機(jī)內(nèi)容是可用的16,21,23，并且對最小二乘支持向量機(jī)理論的解釋很詳細(xì)21,24，此外，劉等人2527，提供了LSSVM理論價值的解釋，以及SVM和LSSVM在有關(guān)情況下的區(qū)別，所以，感興趣的讀者可以參考上述文獻(xiàn)以了解更多的細(xì)節(jié)。2.2 遺傳算法遺傳算法（Genetic Algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)

9、解的方法。遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經(jīng)過基因（gene）編碼的一定數(shù)目的個體(individual)組成。每個個體實(shí)際上是染色體(chromosome)帶有特征的實(shí)體。染色體作為遺傳物質(zhì)的主要載體，即多個基因的集合，其內(nèi)部表現(xiàn)（即基因型）是某種基因組合，它決定了個體的形狀的外部表現(xiàn)。因此，在一開始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。由于仿照基因編碼的工作很復(fù)雜，我們往往進(jìn)行簡化，如二進(jìn)制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個體的適

10、應(yīng)度（fitness）大小選擇（selection）個體，并借助于自然遺傳學(xué)的遺傳算子（genetic operators）進(jìn)行組合交叉（crossover）和變異（mutation），產(chǎn)生出代表新的解集的種群。這個過程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過解碼（decoding），可以作為問題近似最優(yōu)解。1. 初始化：此階段由r和C2超參數(shù)來創(chuàng)造染色體，C2表示正規(guī)化因素，r代表RBF核函數(shù)的寬度，染色體A的定義為A=a1,a2，其中a1和a2與r和C2相對應(yīng)的，此外，選定種群數(shù)量大小為20的，最大的代分配給100，初始化代分配給0。2. 評價適應(yīng)

11、度: 此階段，對每一個解(染色體)指定一個適應(yīng)度的值，根據(jù)問題求解的實(shí)際接近程度來指定(以便逼近求解問題的答案)。測試數(shù)據(jù)的平均相對偏差為適應(yīng)度函數(shù)。其中Caiactual表示實(shí)際碳酸鈣濃度的大小，Caipredicted表示用LSSVM模型預(yù)測碳酸鈣濃度的級數(shù)。3. 選擇：選擇的目的是把優(yōu)化的個體(或解)直接遺傳到下一代或通過配對交叉產(chǎn)生新的個體再遺傳到下一代。輪盤賭選擇法 （roulette wheel selection）是最簡單也是最常用的選擇方法。圖1 遺傳算法的超參數(shù)選擇流程圖4. 交叉：所謂交叉是指把兩個父代個體的部分結(jié)構(gòu)加以替換重組而生成新個體的操作。生成每一對新的染色體的可能

12、性為0.8，且執(zhí)行單點(diǎn)交叉，新染色體結(jié)合為新的個體后代。5. 變異：變異操作遵循交叉操作，并確認(rèn)是否有染色體變異來進(jìn)行進(jìn)一步創(chuàng)造，在目前的進(jìn)展中，均勻變異概率為0.05，此進(jìn)化方法設(shè)計(jì)并執(zhí)行。6. 下一代：一代一代演化下去，直到達(dá)到期望的解為止。7. 終止條件：當(dāng)最優(yōu)個體的適應(yīng)度達(dá)到給定的閾值，或者最優(yōu)個體的適應(yīng)度和群體適應(yīng)度不再上升時，或者迭代次數(shù)達(dá)到預(yù)設(shè)的代數(shù)時，算法終止，預(yù)設(shè)代數(shù)為100。3.方法論GA-LSSVM是由實(shí)驗(yàn)室1.8免費(fèi)工具箱和遺傳算法工具箱MATLABR2009a對LSSVM變量進(jìn)行優(yōu)化。在識別和收集數(shù)據(jù)之后，再定義LSSVM模型的輸入和輸出參數(shù)，在文獻(xiàn)數(shù)據(jù)庫的基礎(chǔ)上，油

13、田鹵水中溶解碳酸鈣濃度量作為LSSVM預(yù)測模型的輸出參數(shù)，該模型有兩個輸入?yún)?shù)：壓力和溫度。識別收集的實(shí)際數(shù)據(jù)庫分為兩個子集。首先在預(yù)測培訓(xùn)的過程中，利用整個數(shù)據(jù)的80%（63個數(shù)據(jù)點(diǎn)），50個等于數(shù)據(jù)線，剩余的13個組成樣本設(shè)置，來檢驗(yàn)上述建議方法的評估能力和完整性。與其他內(nèi)核函數(shù)比較，RBF核的參數(shù)少并且有最佳的整體性能，因此RBF核函數(shù)在文獻(xiàn)中被視為一種合適有效的內(nèi)核函數(shù)30,31。在利用LSSVM模型和RBF核函數(shù)開發(fā)模型，在上述方程中超參數(shù)r2和C2規(guī)范很重要，因?yàn)檫@兩個參數(shù)在獲得高估計(jì)完整性和概括性的LSSVM模型中有很重要的作用，其中r2為正則化因子，C為樣本方差20。根據(jù)Ahm

14、adi等，其中包括Levenberg-Marquardt（LM）和Simplex SlmelatedAnnealingAlgvrithm(M-SIMPSON)不倡導(dǎo)不是基于逐代優(yōu)化技術(shù)的方法，因?yàn)橹С窒蛄繖C(jī)無法處理高非線性問題?；谥鸫鷥?yōu)化技術(shù)即遺傳算法，已經(jīng)用于對超參數(shù)（r2和C2）的評估，AARD的測試數(shù)據(jù)為遺傳算法的適應(yīng)度，重復(fù)優(yōu)化過程才肯能確定，相應(yīng)的ARRD變量如圖2所示.在圖2中，36代后ARRD穩(wěn)定，并達(dá)到最佳態(tài)，通過這種方式，從油田鹵水溶解碳酸鈣濃度量獲得r2和C2級數(shù)值，分別為20.961370794和1072577.9326。圖2-ARRD變異隨代數(shù)的變化4.結(jié)果和討論在本

15、研究中，確定參數(shù)r2和均方誤差（MSE）評價預(yù)測模型有效性和準(zhǔn)確性的指標(biāo)，計(jì)算MSE和r2的表達(dá)式如下：其中，N表示數(shù)據(jù)點(diǎn)的數(shù)量，yiactual表示第i個數(shù)值，yipredicted表示第i個輸出模型值，yiactual平均表示實(shí)驗(yàn)觀察數(shù)據(jù)的平均值。表1中有MSE和r2值，用于預(yù)測訓(xùn)練，測試和數(shù)據(jù)分析。最后，如果得到r2和MSE值分別接近于1和0，GA-LSSVM預(yù)測估計(jì)結(jié)果令人滿意。表1-用于預(yù)測油田鹵水中溶解碳酸鈣的GA-LSSVM方法性能和優(yōu)化超參數(shù)模型中得到的結(jié)果，油田鹵水中溶解碳酸鈣濃度量大小隨溫度的實(shí)際變化，如圖3所示，此外，油田鹵水中溶解碳酸鈣濃度量大小隨壓力的實(shí)際變化，如圖4

16、所示，此外，油田鹵水中溶解碳酸鈣濃度量大小隨壓力和溫度變化的三維圖見附錄A，GA-LSSVM模型預(yù)測和實(shí)際油田鹵水中溶解碳酸鈣濃度量大小的比較，如圖5所示，此圖所表示的GA-LSSVM模型預(yù)測和實(shí)際油田鹵水中溶解碳酸鈣濃度量大小值相互覆蓋的現(xiàn)象。圖3-油田鹵水中溶解碳酸鈣濃度量大小隨溫度的實(shí)際變化1,15.圖4-油田鹵水中溶解碳酸鈣濃度量大小隨壓力的實(shí)際變化1,15圖5- GA-LSSVM模型預(yù)測和實(shí)際油田鹵水中溶解碳酸鈣濃度量大小的比較油田鹵水中溶解碳酸鈣濃度量大小的實(shí)際值與GA-LSSVM預(yù)測估計(jì)值關(guān)系，如圖6所示，油田鹵水中溶解碳酸鈣濃度量大小預(yù)測值分散在1:1線出，表明GA-optim

17、ized模型可以很好的預(yù)測油田鹵水中溶解碳酸鈣濃度量，描述比較LSSVM模型預(yù)測值和油田鹵水中溶解碳酸鈣濃度量實(shí)際值與溫度關(guān)系圖，如圖7所示，從向量模型所得輸出值和實(shí)際數(shù)據(jù)值有很高的相似度，為了證明，油田鹵水中溶解碳酸鈣濃度量預(yù)測值和實(shí)際值的相對偏差，如圖8所示，相對偏差在4.264%到4.576%，最低相對偏差為0%，平均相對偏差為1.7121%，這也證明了油田鹵水中溶解碳酸鈣濃度量預(yù)測值和實(shí)際值很接近。圖6-油田鹵水中溶解碳酸鈣濃度量大小的實(shí)際值與GA-LSSVM預(yù)測估計(jì)值關(guān)系圖7-LSSVM模型預(yù)測值和油田鹵水中溶解碳酸鈣濃度量實(shí)際值與溫度關(guān)系圖1,15圖8-油田鹵水中溶解碳酸鈣濃度量預(yù)

18、測值和實(shí)際值的相對偏差確定異常值的數(shù)學(xué)方法在解決實(shí)用性問題問題中起著至關(guān)重要的作用，離群值表明單個的數(shù)據(jù)有別于數(shù)據(jù)庫中部分主要數(shù)據(jù)36,37。結(jié)果表明，需要一個可行的實(shí)際數(shù)據(jù)用于生產(chǎn)分析，因?yàn)閮?yōu)化方法估計(jì)能力具有不確定性。為了得到這個結(jié)果，可應(yīng)用杠桿統(tǒng)計(jì)的方法37,38.異?；蚩梢蓴?shù)據(jù)圖形通過Williams plot 獲得，決定H值，在之前的文獻(xiàn)中可以找到詳細(xì)的數(shù)學(xué)背景和計(jì)算過程3638. 如圖9所示的為Williams plot 與向量機(jī)方法結(jié)果的比對，在所有的數(shù)據(jù)樣本中，-3R3和0H0.18，對進(jìn)化方法認(rèn)證確認(rèn)，此外，說明了整個數(shù)據(jù)集的數(shù)據(jù)分布在合理范圍內(nèi)。圖9-選擇出在測量油田鹵水中

19、溶解碳酸鈣濃度量并且應(yīng)用主要的建議方法分析生產(chǎn)油井的水，pH值為0.185.結(jié)論根據(jù)研究，可得到以下結(jié)論：1. 據(jù)已經(jīng)獲得的實(shí)際數(shù)據(jù)庫，使用LSSVM技術(shù)和RBF核函數(shù)來預(yù)測油田鹵水中溶解碳酸鈣濃度。2. 適合的超參數(shù)r2和C2對LSSVM預(yù)測和泛化能力很重要，使用遺傳算法（GA），從油田鹵水溶解碳酸鈣濃度獲得r2和C2級數(shù)值，分別為20.961370794和1072577.9326。3. LSSVM技術(shù)與遺傳算法（GA）的交叉在預(yù)測油田鹵水溶解碳酸鈣濃度取得了很好的結(jié)果，LSSVM模型預(yù)測值和油田鹵水中溶解碳酸鈣濃度實(shí)際值具有很好的一致性，r2和MSE值分別為0.944和0.0000208。

20、4. LSSVM技術(shù)具有很多優(yōu)良的特性，比如效率，易于計(jì)算，這可以帶來一個很有吸引力的高度非線性模型，如油田海水淡化系統(tǒng)。附錄A本部分闡述油田鹵水中溶解碳酸鈣濃度量隨溫度和壓力的變化三維圖，如圖A。圖A-油田鹵水中溶解碳酸鈣濃度量隨溫度和壓力的變化三維圖參考文獻(xiàn)1 Davies M, Scott PJB. Oilfield water technology. Houston, TX: NACE International, 2006.2 Honsy R, Desouky SEM, Ramzi M, Abdel-Moghny T, El-Dars FMS, Farag AB.J Dispers

21、Sci Technol, 2009, 30: 20412.3 Vralstad T, Fossen M, Sjolom J, Randhol P. J Dispers Sci Technol 2008, 29: 4406.4 Adenidi OD, Nwalor JU, Ako CT. J Dispers Sci Technol 2008, 29: 3625.5 Bang J-H, Jang YN, Kim W, Song KS, Jeon CW, Chae SC, et al. Chem Eng J 2011, 174: 41320.6 Bahadori A. SPE Prod Facil

22、Construct, 2011, 6: 15865.7 Zhang G, Taberner C, Cartwright L, Xu T. SPE J, 2011,16: 95967.8 Soong Y, Dilmore R, Hedges S, Griffith C. CO2 Capture=sequestration via brine and caustic material. In: Conference Proceedings, AIChE Annual Meeting, 2009.9 Berger C, Dandeu A, Carteret C, Humbert B, Muhr H,

23、 Plasari E, et al. Chem EngTrans, 2009, 17: 6816.10 Duguid A, Scherer GW. Int J Greenhouse Gas Control, 2010, 4: 54660.11 Ramstad K, Tydal T, Askvik KM, Fotland P. SPE J, 2005, 10: 36373.12 Dyer SJ, Graham GM. J Petrol Sci Eng 2002, 35: 95107.13 Xiaoyan L, Jungang L, Qianya Z, Jinlai F, Yingli L, Ji

24、ngxin S. J Petrol Sci Eng, 2009, 66: 1614.14 Al-Anezi K, Hilal N. Desalination 2007, 204: 385402.15 Bahadori A, Zendehboudi S. J Dispers Sci Technol 2013, 34(6): 7939.16 Vapnik V. Statistical learning theory. New York. Wiley, 1998.17 Cortes C, Vapnik V. Machine Learn 1995, 20: 27397.18 Baylar A, Han

25、bay D, Batan M. Expert Syst Appl, 2009, 36: 836874.19 Mehdizadeh B, Movagharnejad K. Chem Eng Res Des. 2011, 89: 24207.20 Vong CM, Wong PK, Li YP. Eng Appl Artif Intell 2006, 19:27787.21 Suykens J, Vandewalle J. Neural Process Lett, 1999, 9: 293300.22 Li C, Zhu X, Cao G, Sui Sh, Hu M. J Power Source

26、s. 2008, 175: 30316.23 Burges C. Data Mining Knowl Discuss. 1998, 2:12167.24 Suykens J, Gestel TV, Brabanter JD, Moor BD, Vandewalle J. Least squares support vector machines. Singapore: World Scientific, 2002.25 Liu H, Yao X, Zhang R, Liu M, Hu Z, Fan B. J Phys Chem B 2005, 109: 6571.26 Liu HX, Yao XJ, Zhang RS, Liu MC, Hu ZD, Fan BT. J Comput Aided Mol Des. 2005, 19: 499508.27 Li J, Liu H, Yao X, Liu M, Hu Z, Fan B. Chemomet Intell Lab Syst, 2007, 87: 13946.28 Ahmadi