【摘 要】
：
将低场核磁共振成像技术用于岩石物理研究中,结合拉普拉斯核磁共振(纵向弛豫时间T1和横向弛豫时间T2)与核磁共振成像两种方法,获取岩心样品的局部区域孔隙结构、流体分布等信息。同时,对岩心样品的非均质性进行定性及定量分析,将岩心整体及局部区域的T1和T2分布进行对比,定性表征岩心样品的非均质性;利用地质统计学相关理论,得到岩心不同层面的非均质性大小,定量表征岩心非均质性。结果表明:定性与定量表征结果相符,岩心P的非均质性最
【基金项目】
：
国家自然科学基金青年基金项目(41804109),中国石油大学(北京)科研基金项目(2462020YXZZ007)。
论文部分内容阅读
将低场核磁共振成像技术用于岩石物理研究中,结合拉普拉斯核磁共振(纵向弛豫时间T1和横向弛豫时间T2)与核磁共振成像两种方法,获取岩心样品的局部区域孔隙结构、流体分布等信息。同时,对岩心样品的非均质性进行定性及定量分析,将岩心整体及局部区域的T1和T2分布进行对比,定性表征岩心样品的非均质性;利用地质统计学相关理论,得到岩心不同层面的非均质性大小,定量表征岩心非均质性。结果表明:定性与定量表征结果相符,岩心P的非均质性最
其他文献
一、深入践行“补短板、强监管”总基调,2020年工作全面完成rn(一)强化工程措施,持续补齐短板rn1.聚焦水生态保护与修复rn围绕黄河流域(运城段)生态保护和高质量发展谋划并实
异步电动机的启动电流通常是额定电流的3倍以上,发电机组直接启动较大功率异步电动机时,将加大对发电机组的功率要求,如采用变频器等软启动方式启动异步电动机,势必增加较大成本。针对上述问题,采用基于单片机技术的PID控制算法对发电机组的调压器控制系统进行优化,并根据调压器的工作原理,对控制电路及控制流程进行优化设计,实现了发电机组对异步电动机的软启动功能,且有效地提高了发电机组启动异步电动机的能力。
针对能源电力系统中的圆柱体零部件测量设备不能满足工件快速测量和测量效率不足等问题,提出了一种基于激光三角法测量技术的复杂曲面测量系统。通过测量系统采集零部件表面数据,利用Matlab软件建立数学模型并设计算法,对采集的数据进行分析处理,得到圆柱度评定误差,并与三坐标测量机所测数据的评定结果进行比较。结果表明:该系统保证了检测的效率和准确性,可为现场加工以及修复工作提供数据支持。
由于我国西北和东北地区冬季寒冷,机组停运期间极易由于管道结冻导致无法正常启动。因此,某电厂进行了防寒改造,对汽轮机、锅炉和化学水处理设备进行优化,解决了机组冬季冷态启动问题,提高了机组的安全性,达到了节能减排的目的。
提出固井强度层理论与梯度强化固井液的概念,通过研发一种固井液,采用固井施工工艺将固井液注入环空的同时注入地层,使井筒附近由环空到地层形成强度渐变的过渡带,改善固井质
2020年8月21日,省委书记楼阳生在《光明日报》发表题为“游山西就是在读历史”的署名文章。文章在“游山西,就是在读黄河文化变迁史”一大段文字中,有这样一句话:“从大禹治水到台骀治汾,从春秋时期智伯渠到清代汾河‘八大堰’,形成了绵延不断的黄河治水文化”。
为证明简谐振动冲击钻井技术的提速效果,对该技术的破岩机制和钻进特性展开研究。基于岩石介质的微振动模型,考虑岩石阻尼,进一步完善岩石介质的位移响应方程,推导岩石介质的能量响应方程,在此基础上分析简谐振动冲击和共振冲击条件下岩石介质的破碎机制。此外,应用有限元软件分别分析简谐振冲击下岩石的应力状态以及钻头轴向和扭转运动特性。最后通过S井现场应用实例进一步验证简谐振动冲击钻井技术的提速效果。结果表明:简谐振动冲击下,由于交变应力作用,岩石更容易达到抗拉强度和积累疲劳损伤而产生破碎;共振冲击条件下,冲击系统效率最
微电网电源的随机性和不确定性对微电网的可靠运行产生很大影响。综合考虑风光储微电网的运行特性,提出了基于态势预测的微电网运行框架,对微电网中的风力机进行基于BP神经网络的态势预测,确定风力机未来时刻的运行状态,然后建立风光储微电网模型,最后对基于态势预测的微电网进行仿真模拟。结果表明,基于态势感知理论的微电网运行控制比正常运行的微电网更稳定。
为了提高人脸图像局部细节信息识别能力,提出基于人工智能技术的人脸图像局部细节信息识别方法。提取不同表情下的人脸图像,结合多区域融合聚类分析方法进行不同表情下的人脸动态特征提取,建立人脸图像的边缘轮廓特征检测模型;采用相似度特征分析方法进行不同表情下人脸图像的鲁棒性重构;提取不同表情下人脸图像的模糊度辨识特征信息,通过多标签语义分割方法进行人脸图像的人工智能分析和特征融合聚类处理;采用人工智能的自适
目前岩心渗透率的获取为室内试验方法,针对该方法工作效率低、试验操作繁琐、耗时较长的问题,提出一种基于机器学习的均质数字岩心渗透率预测方法。首先随机生成大量均质数字岩心,通过孔隙网络模型的方法对其进行孔隙度和渗透率的计算,将所得结果作为机器学习的样本库,然后基于BP人工神经网络方法,对岩心的孔隙度和渗透率数据进行提取和处理,通过训练得到相应的机器学习模型,最后通过对比机器学习结果和室内试验结果,验证机器学习模型的准确性。结果表明,通过机器学习技术预测渗透率的方法准确高效,与岩心的实测渗透率误差仅为3.1%,