-
题名细管模拟确定混相压力影响因素评价
被引量：22
- 1
-
-
作者
杨学锋
郭平
杜志敏
陈军林
-
机构
西南石油学院研究生院
"油气藏地质及开发工程"国家重点实验室(西南石油学院)
辽河油田测井公司二分公司
-
出处
《西南石油学院学报》
CSCD
2004年第3期41-44,共4页
-
基金
"油气藏地质及开发工程"国家重点实验室 (西南石油学院 )开放基金项目 (PLN992 4)
-
文摘
细管实验是确定混相压力最准确并能实现具有重复性结果的实验方法。以国内某实际油藏注CO2 混相驱替为例 ,利用数值模拟技术 ,模拟不同细管长度、细管直径、细管孔隙及驱替速度等对混相压力的影响 ,揭示了在细管实验中不同细管参数选取给实验结果带来的影响 ,从而有助于很好地指导细管实验 。
-
关键词
细管实验
最小混相压力
影响因素
细管参数
-
Keywords
slim-tube test
minimum miscibility pressure
influence factors
slim parameters
-
分类号
TE311
[石油与天然气工程—油气田开发工程]
-
-
题名公路水泥稳定碎石基层的施工技术分析
被引量：3
- 2
-
-
作者
陈军林
-
机构
东海县路桥工程有限公司
-
出处
《黑龙江交通科技》
2020年第6期80-81,共2页
-
文摘
水泥稳定碎石基层因其稳定性良好且不会受到车辆行驶、外界空气及温度等因素的影响成为道路建设中常见的基层材料,加上该材料有较大的承受力和良好的化学性质,强度及硬度良好,整体性价比较高,因此在国内外的道路施工建设中得到了广泛应用。水泥稳定碎石施工管理及工艺有较高的要求,为了使稳定碎石的诸多优点得到全面发挥,离不开切实可行的施工措施。本文针对水泥稳定碎石基层施工技术在公路建设中的应用进行探讨。
-
关键词
公路
水泥稳定碎石基层
施工技术
分析
-
分类号
U416.214
[交通运输工程—道路与铁道工程]
-
-
题名基于分位数回归的煤炭发热量预测
被引量：5
- 3
-
-
作者
赵先枝
陈军林
-
机构
内蒙古煤炭地质勘查(集团)一五三有限公司
中国地质大学(北京)地球科学与资源学院
-
出处
《工矿自动化》
北大核心
2022年第7期130-134,共5页
-
基金
四川省自然科学基金资助项目(2022NSFSC1734)。
-
文摘
目前应用较多的煤炭发热量预测模型以传统的线性回归模型为主,但存在难以表达较复杂的自变量和因变量关系、需要数据服从特定的分布假设、对异常值敏感等问题。针对上述问题,提出了基于分位数回归的煤炭发热量预测方法。选取全水分、灰分、挥发分等容易测量的煤炭工业分析指标,分别应用线性分位数回归和分位数回归森林2种分位数回归方法对煤炭发热量进行预测,并与传统的线性回归方法进行对比。结果表明:线性回归给出的煤炭发热量预测值仅是1个条件均值,而通过分位数回归能够给出煤炭发热量预测值的范围;分位数回归森林的预测效果优于线性回归和线性分位数回归方法;全水分对于煤炭发热量预测的重要程度远大于灰分和挥发分;全水分对低发热量煤炭的发热量预测影响大,对高发热量煤炭的发热量预测影响小;挥发分和灰分对低发热量煤炭的发热量预测影响小,对高发热量煤炭的发热量预测影响大。
-
关键词
煤炭发热量
发热量预测
线性分位数回归
分位数回归森林
线性回归
-
Keywords
calorific value of coal
calorific value prediction
linear quantile regression
quantile regression forest
linear regression
-
分类号
TD94
[矿业工程—选矿]
-
-
题名机器学习方法在矿产勘查中的应用
- 4
-
-
作者
赵伟光
陈磊
陈军林
-
机构
矿冶科技集团有限公司
中国石油川庆钻探工程有限公司工程技术研究院
中国地质大学(北京)地球科学与资源学院
-
出处
《世界有色金属》
2021年第1期1-5,共5页
-
文摘
机器学习是目前热门的研究课题,机器学习算法在地学研究中的应用越来越多。其中以神经网络、支持向量机、随机森林等为代表的算法已大量使用在矿产勘查中,这些方法的使用大大提高了矿产勘查数据的处理效率,为矿产勘查数据的处理提供了新的途径和思路。但这些方法的使用中也经常容易出现一些问题,必须熟悉每种方法的原理和特点,才能更好的应用。本文简要介绍了机器学习在矿产勘查中的应用,就几种常用的算法进行了深入介绍;提出了应用机器学习方法处理矿产勘查数据时应该注意避免的几个主要问题。
-
关键词
机器学习
神经网络
支持向量机
随机森林
矿产勘查
-
Keywords
Machine Learning
Neural Network
Support Sector Machine
Random Forest
mineral exploration
-
分类号
P624
[天文地球—地质矿产勘探]
-
