留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用于油田伴生气H2S气体检测实验研究

李国林 袁子琪 季文海

李国林, 袁子琪, 季文海. 应用于油田伴生气H2S气体检测实验研究[J]. 红外与激光工程, 2019, 48(8): 813005-0813005(7). doi: 10.3788/IRLA201948.0813005
引用本文: 李国林, 袁子琪, 季文海. 应用于油田伴生气H2S气体检测实验研究[J]. 红外与激光工程, 2019, 48(8): 813005-0813005(7). doi: 10.3788/IRLA201948.0813005
Li Guolin, Yuan Ziqi, Ji Wenhai. Experimental research on the detection of H2S gas in oil field associated gas[J]. Infrared and Laser Engineering, 2019, 48(8): 813005-0813005(7). doi: 10.3788/IRLA201948.0813005
Citation: Li Guolin, Yuan Ziqi, Ji Wenhai. Experimental research on the detection of H2S gas in oil field associated gas[J]. Infrared and Laser Engineering, 2019, 48(8): 813005-0813005(7). doi: 10.3788/IRLA201948.0813005

应用于油田伴生气H2S气体检测实验研究

doi: 10.3788/IRLA201948.0813005
基金项目: 

山东省自然科学基金(ZR2017LF023);中国石油大学自主创新基金(15CX02121A);青岛市科技惠民专项(17-3-3-89-nsh)

详细信息
    作者简介:

    李国林(1987-),男,讲师,博士,主要从事激光光谱技术的气体检测在化工过程分析和安全检测方面的研究。Email:liguolin@upc.edu.cn

  • 中图分类号: TP394.1

Experimental research on the detection of H2S gas in oil field associated gas

  • 摘要: 为了准确检测油田伴生气中微量H2S气体的含量,设计一种模拟油田伴生气中微量杂质气体H2S的在线实时分析系统,能够为油田伴生气回收利用工艺的改进和制定提供依据。该系统基于可调谐激光吸收光谱技术和波长调制技术,利用可调谐的分布反馈式激光器、锁相放大器,结合改进新型Herriot气室、InGaAs探测器,实现了模拟油田伴生气中微量气体H2S的实时在线监测。为消除背景气体CH4以及其他杂质气体的干扰,开展RBF和经典BP神经网络的对比实验。通过模拟混合气站配备多种不同浓度的H2S标准气体测试系统,实验结果表明,在强大背景气体的干扰下,该系统可达到的H2S检测下限为1.2 ppm;在抗干扰方面,与经典BP神经网络相比,RBF神经网络具有很强的优势,其预测误差小于10-10。另外,该系统还具有较高的检测精度和强鲁棒性,在油田伴生气中微量气体的检测领域具有很强的适用价值。
  • [1] Mironenko V R, Kuritsyn Y A, Liger V V, et al. Data processing algorithm for diagnostics of combustion using diode laser absorption spectrometry[J]. Applied Spectroscopy, 2018, 72(2):199-208.
    [2] Jiang J, Zhao M X, Ma G M, et al. TDLAS-based detection of dissolved methane in power transformer oil and field application[J]. IEEE Sensors Journal, 2018, 18(6):2318-2325.
    [3] Gao Yanwei, Zhang Yujun, Chen Dong, et al. Measurement of oxygen concentration using tunable diodeLaser absorption spectroscopy[J]. Acta Optica Sinica, 2016, 36(3):0330001. (in Chinese)
    [4] Frank K Tittel, Dirk Richter, Alan Fried. Mid-infrared laser applications in spectroscopy[J]. Applied Physics, 2003, 89:445-516.
    [5] Michelucci U, Venturini F. Novel semi-parametric algorithm for interference-immune tunable absorption spectroscopy gas sensing[J]. Sensors, 2017, 17(10):2281.
    [6] Tanaka K, Akishima K, Sekita M, et al. Measurement of ethylene in combustion exhaust using a 3.3 m distributed feedback interband cascade laser with wavelength modulation spectroscopy[J]. Applied Physics B-Laser and Optics, 2017, 123(8):1-8.
    [7] Liu Yang, Wu Jianan, Chen Meimei, et al. The trace methane sensor based on TDLAS-WMS[J]. Spectroscopy And Spectral Analysis, 2016, 36(1):279-282. (in Chinese)
    [8] Sun L F, Yu H. Online multi-component gas concentration detection system based on TDLAS technology[J]. Instrument Technique and Sensor, 2017, 17(3):73-77.
    [9] Pan Tao, Xia Hua, Wu Bian, et al. Oxygen concentration detection system based on TDLAS and online elimination of background noise[J]. Journal of OptoelectronicsLaser, 2015, 26(3):586-589. (in Chinese)
    [10] Qi R B, Du Z H, Meng, F L, et al. Multi-harmonic analysis of quasi-continuous-wave laser modulation absorption spectroscopy[J]. Spectroscopy and Spectral Analysis, 2012, 32(3):586-589.
    [11] Gao Guangzhen, Cai Tindong. CO concentration measurement using muiti-mode laser dide absorption spectroscopy near 1570 nm.[J]. Acta Optica Sinica, 2016, 36(5):0530002. (in Chinese)
    [12] Liu Qiuwu, Chen Yafeng, Wang Jie, et al. Effects of wavelength shift and energy fluctuation on inversion of NO2differential absorption liddar[J]. Optics and Precision Engineering, 2018, 26(2):253-260. (in Chinese)
  • [1] 任嘉欣, 李隆, 李昕阳, 杨恒鑫, 纪玉潇, 张春玲.  激光二极管端泵方形Tm:YAG复合晶体的热效应 . 红外与激光工程, 2024, 53(3): 20230717-1-20230717-10. doi: 10.3788/IRLA20230717
    [2] 李世杰, 张丽君, 何佳, 何长涛, 韩敬华.  声光复合的激光清洗飞机蒙皮实时监测 (特邀) . 红外与激光工程, 2023, 52(2): 20220821-1-20220821-10. doi: 10.3788/IRLA20220821
    [3] 吴凡, 翟东升, 李祝莲, 汤儒峰, 皮晓宇, 李语强.  激光测距中激光功率实时监测系统设计与实现 . 红外与激光工程, 2023, 52(10): 20230109-1-20230109-7. doi: 10.3788/IRLA20230109
    [4] 宋栓军, 邱成鸿, 徐微, 任晓飞, 张安莉.  红外热像下激光熔丝成形过程冷却速率实时监测 . 红外与激光工程, 2022, 51(11): 20220074-1-20220074-9. doi: 10.3788/IRLA20220074
    [5] 庄子波, 邱岳恒, 林家泉, 宋德龙.  基于卷积神经网络的激光雷达湍流预警 . 红外与激光工程, 2022, 51(4): 20210320-1-20210320-10. doi: 10.3788/IRLA20210320
    [6] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类(特邀) . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [7] 刘瀚霖, 辛璟焘, 庄炜, 夏嘉斌, 祝连庆.  基于卷积神经网络的混叠光谱解调方法 . 红外与激光工程, 2022, 51(5): 20210419-1-20210419-9. doi: 10.3788/IRLA20210419
    [8] 陈文艺, 许洁, 杨辉.  利用双神经网络的相机标定方法 . 红外与激光工程, 2021, 50(11): 20210071-1-20210071-9. doi: 10.3788/IRLA20210071
    [9] 岳端木, 孙会来, 杨雪, 孙建林.  飞秒激光环切加工不锈钢微孔工艺及其质量控制神经网络模型 . 红外与激光工程, 2021, 50(10): 20200446-1-20200446-10. doi: 10.3788/IRLA20200446
    [10] 高泽宇, 李新阳, 叶红卫.  流场测速中基于深度卷积神经网络的光学畸变校正技术 . 红外与激光工程, 2020, 49(10): 20200267-1-20200267-10. doi: 10.3788/IRLA20200267
    [11] 张旭, 于明鑫, 祝连庆, 何彦霖, 孙广开.  基于全光衍射深度神经网络的矿物拉曼光谱识别方法 . 红外与激光工程, 2020, 49(10): 20200221-1-20200221-8. doi: 10.3788/IRLA20200221
    [12] 辛光泽, 陈东启, 蔡毅, 白廷柱, 王岭雪.  提高半导体激光二极管功率密度的光束整形方法 . 红外与激光工程, 2019, 48(8): 805010-0805010(7). doi: 10.3788/IRLA201948.0805010
    [13] 高志红, 张文喜, 孔新新, 冯其波.  宽发射面激光二极管光束整形系统的光学设计 . 红外与激光工程, 2018, 47(12): 1218006-1218006(5). doi: 10.3788/IRLA201847.1218006
    [14] 訾慧, 薛正群, 王凌华, 林中晞, 苏辉.  1 550 nm宽光谱超辐射发光二极管的研制 . 红外与激光工程, 2018, 47(4): 420001-0420001(5). doi: 10.3788/IRLA201847.0420001
    [15] 李哲, 张志荣, 孙鹏帅, 夏滑, 罗渊敏, 庞涛, 董凤忠.  利用TDLAS技术的多点甲烷气体全量程监测 . 红外与激光工程, 2017, 46(9): 917009-0917009(7). doi: 10.3788/IRLA201746.0917009
    [16] 纪亚飞, 罗达新, 赵柏秦.  带驱动级的环氧封装脉冲激光二极管 . 红外与激光工程, 2015, 44(S1): 178-182.
    [17] 于海, 梁立辉, 王树洁, 卢新然, 万秋华.  基于径向基函数神经网络的高精度基准编码器误差补偿 . 红外与激光工程, 2014, 43(12): 4123-4127.
    [18] 许兆美, 周建忠, 黄舒, 孙全平.  人工神经网络在Al2O3陶瓷激光铣削中的应用研究 . 红外与激光工程, 2013, 42(11): 2957-2961.
    [19] 赵洪常, 肖光宗, 汪之国, 张斌.  采用BP神经网络的四频激光陀螺零偏的光强补偿方法 . 红外与激光工程, 2013, 42(2): 355-360.
    [20] 许兆美, 刘永志, 杨刚, 王庆安.  粒子群优化BP神经网络的激光铣削质量预测模型 . 红外与激光工程, 2013, 42(9): 2370-2374.
  • 加载中
计量
  • 文章访问数:  587
  • HTML全文浏览量:  104
  • PDF下载量:  56
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-05
  • 修回日期:  2019-04-15
  • 刊出日期:  2019-08-25

应用于油田伴生气H2S气体检测实验研究

doi: 10.3788/IRLA201948.0813005
    作者简介:

    李国林(1987-),男,讲师,博士,主要从事激光光谱技术的气体检测在化工过程分析和安全检测方面的研究。Email:liguolin@upc.edu.cn

基金项目:

山东省自然科学基金(ZR2017LF023);中国石油大学自主创新基金(15CX02121A);青岛市科技惠民专项(17-3-3-89-nsh)

  • 中图分类号: TP394.1

摘要: 为了准确检测油田伴生气中微量H2S气体的含量,设计一种模拟油田伴生气中微量杂质气体H2S的在线实时分析系统,能够为油田伴生气回收利用工艺的改进和制定提供依据。该系统基于可调谐激光吸收光谱技术和波长调制技术,利用可调谐的分布反馈式激光器、锁相放大器,结合改进新型Herriot气室、InGaAs探测器,实现了模拟油田伴生气中微量气体H2S的实时在线监测。为消除背景气体CH4以及其他杂质气体的干扰,开展RBF和经典BP神经网络的对比实验。通过模拟混合气站配备多种不同浓度的H2S标准气体测试系统,实验结果表明,在强大背景气体的干扰下,该系统可达到的H2S检测下限为1.2 ppm;在抗干扰方面,与经典BP神经网络相比,RBF神经网络具有很强的优势,其预测误差小于10-10。另外,该系统还具有较高的检测精度和强鲁棒性,在油田伴生气中微量气体的检测领域具有很强的适用价值。

English Abstract

参考文献 (12)

目录

    /

    返回文章
    返回