大学本科毕业设计文献翻译模板..docVIP

模型预测油田水中溶解的碳酸钙含量：压力和温度的影响 XXX 译 摘要：油田中水垢沉积会对储层造成伤害、堵塞地层孔道、表面以及注入设备。碳酸钙是水中最常见的结垢化合物之一，储层产生的盐水会使压力和温度降低，储层压力降低会使CaCO3的溶解度降低，进而提高体系中碳酸钙的饱和速率，而温度下降会产生相反的结果。因此温度和压力一起作用的结果可能增加或减小CaCO3溶解度，用体系温度的变化来指定其压力的变化。因此，在石油生产系统中精确的预测方法的应用备受关注。目前的研究重点是运用基于最小二乘支持向量机(LSSVM)预测模型来估计油田水中溶解碳酸钙浓度的大小。用超优化参数（r和C2）的遗传算法（GA）嵌入到LSSVM模型，这种方法可简单准确的预测油田卤水中溶解碳酸钙浓度的最小量。 1.引言 随着油田卤水压力和温度变化，气体可能会从储层到地表的运动，导致某些固体沉淀。为了保持注水井压力平衡并将油运移到生产井，有时需要将卤水注入到储层中，因此，过量的盐垢可以沉积在储层或井眼内。对于大部分油田结垢多会发生在此过程中。 碳酸钙沉积通常是一个自发的过程，沉积形成的主要原因是二氧化碳从水相逸出，导致油气层的压力下降，该过程会除去了水中的碳酸，直到方解石溶解完全。在恒定二氧化碳分压下，方解石的溶解性随温度的降低而降低[1-4]。根据公式（1）Ca2+ + CO32-→ CaCO3↓ 下面的公式为碳酸的电离式[5–7]： CO2 + H2O → H2CO3 H2CO3 → H+ + HCO3- HCO3- → H+ + CO32- 若要形成碳酸氢根离子和氢离子，碳酸要电离，因为碳酸的第一电离常数远大于它的第二电离常数，从碳酸第一电离离子化的氢离子与水中自由的碳酸根离子结合。此外，碳酸钙沉淀的方程式可以说明[8–10]： Ca(HCO3)2 →CaCO3↓+ CO2↑+ H2O 碳酸钙的溶解度很大程度上取决于二氧化碳在水中的含量（即二氧化碳气体逸出时所需最小的分压）[10–12] 。 二氧化碳气体注入到储层卤水可产生酸性溶液，能溶解地层中的方解石，压力的下降导致二氧化碳气体从酸性溶液中逸出，并且在近井地带的地层空隙和射孔眼处沉积碳酸盐垢。而且，在井筒附近产生的垢会进一步导致气井产能的下降和更多结垢的产生[13,14] 。 Bahadori借助范德蒙德行列式的相关性来研究估算油田卤水溶解的碳酸钙浓度[15]。 本论文中涉及到的最小二乘支持向量机（LSSVM），是作为一种传统简化的支持向量机（SVM）来预测油田卤水中溶解碳酸钙浓度量的大小。遗传算法（GA）偶合来优化主题，用于确定超参数。据我们所了解的，目前还没有文献记录采用支持向量方法进行天然气产能建模。 2.原理理论 2.1 最小二乘支持向量机（LSSVM） 支持向量机（SVM）最初形成的是一种智能化的系统方法[16]。支持向量机已被广泛应用于分类，回归分析和模式识别，是一种非常有效的而方法[17]。支持向量机的原理是对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能基于结构风险最小化理论之上在特征空间中建构最优分割超平面[18]（SRM）（SLT）[19]。支持向量机通过求解二次规划（QP）发现目标函数的全局最小值[20]。然而，这种做法可能会耗时并且困难，因为它需要各种非线性公式（QP）Suyken和Vandewalle [21] 建议最小二乘支持向量机（LSSVM）（SVM）SVM也具有LSSVM类似的优点。此外，需要一个二次规划（QP）可代替多个非线性公式（线性规划），这使得计算问题简单且容易处理。 LSSVM公式中的非线性函数可表示如下，给出训练集｛Xk，Yk…N，其中Xk∈Rn，是第i个输入到输入集合空间，Yk∈R输出值为特定输入变量的对应值（即Xk），N是指训练样本的数目，通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中 其中w表示权重向量，而b是一个偏置术语，上表“n”是数据区域的范围，“nh”表示未知区域（高维和无穷维）的范围[20]。当应用LSSVM时会产生一个新的优化问题，该方法涉及的优化问题如下： 根据下列等式进行约束： 其中r表示正则化参数的平衡训练误差和模型阐述[19]，ek是回归误差。拉格朗日乘子理论构造如下，以找到优化问题的约束条件： 其中，ak拉格朗日乘子或支集值，为了获得上述方程的解，对上述方程中的变量w，b，ek，ak 在除去变量w和e后，获得Karush-Kuhn-Trucker系统如下： 其中y=[y1，…yN]1N=[1，…1] Ta=[