基于LMD和高斯估值MLR模型的注采动态连通性评价

摘 要:缝洞型油藏具有多缝洞、多压力、多渗流单元的特征储层强非均质性影响了注水开发效果。为避免油藏注水后存在水驱均衡性差、部分井水窜严重等问题,需迫切开展井间连通性研究。目前基于注采生产数据的多元线性回归模型(MLR),多采取最小二乘法、遗传算法、拟牛顿法等参数求解方法,以获取表征注采井间动态连通系数。由于缝洞型油藏储集层复杂,在传统研究基础上,研究采用局部经验模态分解(LMD)对生产数据去噪,并应用高斯估值对考虑时滞性的多元线性回归模型进行参数求解。应用所建模型对塔河油田部分井组进行了井间连通性反演反演,结果和真实示踪剂测试结果吻合,表明所建模型能够定量表征油藏井间连通性。      

地震与爆破波形信号的EEMD多尺度分布熵提取和WOA-SOM神经网络识别研究

针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解（EEMD）技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数（IMF）分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法（WOA）对自组织特征映射（SOM）神经网络参数（竞争层维数、网络训练次数）进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。     

长基线时间序列季节项提取和重构方法分析

运用经验模态分解（EMD）、集合经验模态分解（EEMD）和完备总体经验模态分解（CEEMD）3种方法对原始基线时间序列进行分解,得到各自时间序列的本征函数模态分量（IMF）、相关系数及周期性强度,进而确定其季节项分量,同时通过比较季节项和原始基线时间序列的叠加功率谱图优选分解方法。结果表明,CEEMD方法对基线时间序列季节项提取和重构效果最佳。     

一种引入Hurst指数的MEMS陀螺仪去噪模型

针对MEMS陀螺仪随机漂移产生的误差,提出一种引入Hurst指数的自适应噪声完备集成经验模态分解(CEEMDAN)与自适应卡尔曼滤波(AKF)相结合的去噪模型。首先,通过CEEMDAN对陀螺仪原始信号进行分解,得到一系列频率由高到低的本征模态函数(IMF)和一个残差余量;然后,提出Hurst指数模态筛选机制,将IMF分量划分为噪声IMF、混合IMF和信息IMF;最后,使用自适应卡尔曼滤波器对混合模态分量进行滤波并重构信号。结果表明,CEEMDAN较EMD和EEMD具有更高的分解精度;使用AKF处理混合模态,通过Hurst指数筛选机制重构信号的信噪比相较于排列熵和相关系数法分别提升约12%、36%;使用Hurst指数筛选机制,AKF处理混合模态后重构信号的RMSE较小波阈值滤波降低约23%。     

基于多相流模型的缝洞型油藏数值模拟软件研制与应用

缝洞型碳酸盐岩油藏储集空间由溶洞、裂缝、溶蚀孔洞组成,溶洞是该类油藏的主要储集空间,也是区别 于其他类型油藏的最主要特点.现有的多重介质模拟方法无法准确描述δ充填溶洞内流体流动的特征.为此, 在多相流模型和有限体积数值解法的基础上,建立了溶洞内多相流体计算模型,实现了溶洞内多相流体流动的描 述,并针对缝洞型油藏特点研制了数值模拟软件平台.该软件实现了缝洞型油藏数值模拟的数据管理、方案管 理、模拟计算、数据显示等功能.应用实例表明该软件能够实现缝洞型油藏数值模型建立、生产历史拟合、剩余油 定量描述、潜力区域分析等工作.      

GPS高程时间序列降噪分析的改进EMD方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中不能直接确定分界本征模态函数(intrinsic mode function,IMF)的K值,以及当高频噪声IMF分量个数少于低频IMF分量个数时,利用低频信号重构实现降噪的计算量较大等问题,提出一种新的EMD降噪方法。采用平均周期与能量密度乘积指标的方法来自动确定分界IMF的K值,将高频噪声IMF分量进行重构,然后用原始信号减去重构噪声,从而达到降噪的目的。利用模拟数据和BJFS站的实测GPS高程时间序列数据进行验证。实验结果表明,该方法能够直接确定分界IMF的K值,降低计算量,在GPS高程时间序列降噪中较传统EMD方法更可靠。     

基于K均值聚类EEMD的CORS高程时间序列信号分析方法

针对传统EEMD进行信号分解时信噪比低和部分模态混叠的问题,提出基于K均值聚类的CORS高程时间序列改进分析方法。通过添加正负白噪声的EEMD提高信号分解信噪比,基于K均值聚类方法对EEMD迭代过程中分解的各个IMF分量进行聚类分析。实验结果表明,该方法提高信噪比3%以上,基于正交指数的分解精度提高26%以上,聚类结果能够解决IMF中近似的0.5 a、1 a、2 a周期信号的模态混叠问题。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。     

基于LSTM的缝洞型油藏水淹异常模式识别及预警

大缝大洞的存在和频繁的工作制度导致缝洞型油藏含水率变化特征多样,暴性水淹预警难度大。针对传统预警方法存在的时滞性问题,采用K线理论刻画含水率生产指标变化趋势,总结出充沛型、突破型、反转型等水淹前异常模式;由于循环神经网络能够刻画生产数据间的长程相关性,采用基于循环神经网络的长短期记忆网络（LSTM）自动识别水淹异常模式特征实现暴性水淹预警。仿真实验表明基于LSTM的水淹异常模式识别模型通过变换数据尺度,较好地捕获暴性水淹前数据的整体变化趋势,识别精度明显优于支持向量机、朴素贝叶斯等模型。K线理论刻画的各类异常模式有效解决了传统预测的时滞难题,提前1~3周实现水淹预警,可以为缝洞型油藏水淹预警研究提供新的研究思路。      

基于CEEMDAN和小波变换的地震信号随机噪声压制新方法

提出一种结合自适应噪声完备集合经验模态分解（CEEMDAN）和小波变换（WT）的地震信号去噪新方法CEEMDAN-WT。首先利用CEEMDAN将地震信号自适应地分解为若干个固有模态函数（IMF）和余量;然后计算各分量与原始信号的皮尔森相关系数,对处在不同相关系数阈值区间内的分量分别作小波滤波、维持原状及直接剔除等处理,并进行线性重构;最后构建样本熵变化量、互信息、信噪比等指标体系,定量评估去噪效果。模拟实验与实测数据（青海玛多地震）计算结果表明,与EMD、EEMD等方法相比,CEEMDAN-WT方法能有效抑制随机噪声的影响,提高信噪比,并且地震信号的精细化重构效果较好,信号有效成分得到较大保留。     

基于CEEMD和改进小波阈值法的钢架结构沉降数据去噪方法

在钢架结构安全监测过程中,针对沉降数据易受外界环境噪声干扰的问题,在互补集合经验模态分解(CEEMD)的基础上提出改进小波阈值函数的去噪方法。首先对含噪信号作CEEMD分解,得到各种本征模函数(IMF);之后选取IMF分量使用改进小波阈值去噪;最后重构IMF信息,取得降噪后的信号。仿真结果表明,基于CEEMD和改进小波阈值法的混合方法能够有效滤除信号中的噪声分量,提高沉降数据监测精度。     

HHT-EEMD用于IGS站高程时间序列分析

利用经验模态分解（EMD）和整体经验模态分解（EEMD）方法,将BJFS站2000~2015年高程时间序列进行分解,发现其不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期项,还存在以往方法很难探测出来的近似2 a周期信号。与EMD分解结果对比,整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert 变换（HHT）,得到时间-频率-能量的Hilbert 频谱图。结果表明,年周期和2 a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明,与小波分析相比,EEMD重构信号与高程序列差异的RMS更小,证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出,环境负载确实会造成IGS站高程时间序列的1 a、0.5 a以及季节性运动,GRACE负载还验证了2 a信号的存在。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

变分模态分解结合样本熵的变形监测数据降噪

针对变形监测数据中包含的噪声成分难以有效滤除,导致预测结果精度不理想的问题,提出一种应用于变形监测领域的新降噪方法。首先利用变分模态分解（VMD）将原始监测序列分解为k个不同中心频率的带限固有模态函数（BIMF）,再将样本熵（SE）大于设定阈值的高频BIMF作为噪声成分剔除,最后重构余下的BIMF获得降噪序列。仿真算例和工程实例检验的结果表明,新方法与EEMD及CEEMD方法相比各评价指标均为最优,降噪结果可为形变分析和预测提供可靠依据。