疏松砂岩油藏大孔道定性识别新方法研究

疏松砂岩油藏在长期注水开发过程中,往往伴随着大孔道的出现,这严重影响了油藏水驱开发效果,制约了采出程度的进一步提高,因此,大孔道识别及有效封堵成为该类油藏急需解决的关键问题.通过研究分析,确定了影响大孔道从形成到发展的7种主要静态因素,以及标志大孔道形成的6种主要动态因素.将层次分析法及灰色关联法相结合,分别计算静态及动态因素的权重,建立了全新的大孔道定性识别模型.示踪剂监测结果验证了该方法的实用性和有效性.     

上海黄浦江两支流河流甲烷含量研究

甲烷是一种重要的温室气体,虽然目前大气中含量远小于二氧化碳,但排放增长率却大于后者.研究区域为上海市黄浦江支流苏州河和淀浦河,通过实验数据对比城郊春夏的甲烷排放的差异,探讨甲烷产生的机制及其与环境因子的关系,这将有助于研究河流甲烷排放对于环境变化的影响.研究结果认为河流甲烷主要来源于水中沉积物,其产生与水质、温度等因素相关;同时甲烷摩尔浓度与硝酸根离子质量体积比存在负相关性,与铵根离子质量体积比和有机碳质量分数存在正相关性.     

高静态动作压力下粉尘爆炸泄放标准的可靠性

粉尘爆炸泄放设计标准的可靠性对能否实现爆炸防护尤为关键.以中径70μm石松子粉尘为介质,采用20 L球形粉尘爆炸装置进行了4种泄放口径、静态动作压力在0.12~0.6 MPa的爆炸泄放实验,对比了实验值与NFPA 68和EN 14491计算值.结果表明,NFPA 68在预测高静态动作压力下的泄放面积时,随着泄放口径的增大,预测结果由保守变为危险,但预测结果精度较好且数值稳定;EN 14491在预测高静态动作压力下的泄放面积时非常保守,预测精度较差,数据不可靠.依据两种标准推荐的经验函数关系,分析了NFPA 68和EN 14491在预测高静态动作压力时产生这种差异的原因.     

论科学解释的实用特征和生物学解释的语境相关性

科学解释具有实用特征(pragmatic aspect).这一特征与"科学解释的标准形式"相比,具有解释主体的相关性,即因解释主体的差异寻求多样化的解释形式.本文通过生物学解释的特征的分析,指出生物学解释具有因解释主体不同而形成的语境相关性,而这一特性决定了生物学解释与物理学解释的本质差异.     

小波分析在证券分析中的应用

传统股市投资分析中的证券分析方法之一———MACD法 ,利用DIF的移动平均值以确定证券的买卖时机 ,存在着时滞性 ,对非平稳的股市信息分析不能及时、较好地刻画股市的基本变化趋势 .作者根据证券投资理论 ,建立了相应的证券投资分析数学模型 ,根据小波分析多尺度分析能力强的特点 ,利用小波分解提取反映股市基本变化趋势的低频信息 ,改进了传统分析方法 ,建立了改进后的数学模型Ⅲ .该模型求解方便 ,同时与实际模型较好地逼近 ,具有时效性 .此外 ,以路桥建设股票 14 0个交易日的DIF和MACD值作为原始数据 ,用Matlab作为工具进行计算 ,求解模型Ⅲ .结果表明 :与传统分析方法相比 ,从模型Ⅲ中能得到更多的买卖点信息 ,而且价差更大 ,效果显著 ,充分显示了小波分析在股市技术分析中的强大生命力     

图像相关方法中采用多种子区进行位移测量

在图像相关位移测量方法中一般采用正方型子区搜索中心点的位移.当测量靠近裂纹或缺陷部位的位移时中心型子区失去效果,为了解决这一问题提出了非中心型子区的方法.证明了方法的有效性.认为在相关搜索时测量点既可选定在子区的中心位置,也可选定在非中心位置.进而提出了将测量点确定在子区角点的多种子区的方法.除通常的中心型子区外,至少还有4种子区可以采用,分别是右下角型、左下角型、右上角型和左上角型,这4种子区不但适用于表面裂纹或缺陷部位的位移测量,而且增加了图像有效信息的提取面积.     

堆焊切粒刀技术初探

介绍堆焊切粒刀的优点 ,着重探讨了采用靠模法加工堆焊切粒刀螺旋槽的原理 ,论证了所介绍加工工艺的合理性 .事实证明 ,采用介绍的加工工艺生产的堆焊切粒刀 ,可满足设计的技术性能 ,质量可达到国外同类产品的水平     

小波分析在1-10TeV宇宙线气象效应研究中的应用

利用小波变换,结合折叠周期分析方法,对羊八井宇宙线观测站TibetASγ阵列1997年11月到1998年6月的实验记录数据进行周期分析,发现了气象参量,包括观测面处大气压和室外温度的日变化和半日变化.接下来的关联分析表明:宇宙线流强的周期变化与气压和温度的周期变化显著相关.     

辅助变量与扰动项相关情况下的回归估计

讨论了辅助变量与扰动项相关条件下的回归估计,给出了在这种条件下回归估计量的偏差和均方误差以及均方误差的估计.     

Forecast accuracy after pretesting with an application to the stock market

In econometrics, as a rule, the same data set is used to select the model and, conditional on the selected model, to forecast. However, one typically reports the properties of the (conditional) forecast, ignoring the fact that its properties are affected by the model selection (pretesting). This is wrong, and in this paper we show that the error can be substantial. We obtain explicit expressions for this error. To illustrate the theory we consider a regression approach to stock market forecasting, and show that the standard predictions ignoring pretesting are much less robust than naive econometrics might suggest. We also propose a forecast procedure based on the ‘neutral Laplace estimator’, which leads to an improvement over standard model selection procedures. Copyright © 2004 John Wiley & Sons, Ltd.