zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1372Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESОпределение содержания нефти в сточных водах нефтепромыслов методом частичных наименьших квадратов и сверточной нейронной сети на основе спектра пропускания УФ-излучения и мутностиForecast of Oil Content in Oilfield Wastewater by PLS and CNN Based on UV Transmittance Spectrum and TurbidityWangQ.WangQ.

Дацин

Daqing

LiHaolinLiH.

Дацин

Daqing

QiH.QiH

Дацин

Daqing

ZhaoH.ZhaoH.

Дацин

Daqing

dqzhaohaiqian@163.comLiHuaizhiLiH.

Дацин

Daqing

ZhangX.ZhangX.

Дацин

Daqing

Школа архитектуры и строительства Северо-Восточного нефтяного университета; Хэйлунцзянская лаборатория многофазной обработки нефти и нефтехимии и предотвращение загрязненияSchool of Architecture and Civil Engineering, Northeast Petroleum University, Fazhan Lu Street; Heilongjiang Key Laboratory of Petroleum and Petrochemical Multiphase Treatment and Pollution PreventionШкола архитектуры и строительства Северо-Восточного нефтяного университетаSchool of Architecture and Civil Engineering, Northeast Petroleum UniversityШкола архитектуры и строительства Северо-Восточного нефтяного университета; Хэйлунцзянская лаборатория многофазной обработки нефти и нефтехимии и предотвращение загрязненияSchool of Architecture and Civil Engineering, Northeast Petroleum University; Heilongjiang Key Laboratory of Petroleum and Petrochemical Multiphase Treatment and Pollution PreventionШкола машиностроения и инженерии Северо-Восточного нефтяного университетаSchool of Mechanical Science and Engineering, Northeast Petroleum University202328082023904661661Copyright © Wang Q., Li H., Qi H., Zhao H., Li H., Zhang X., 20232023Wang Q., Li H., Qi H., Zhao H., Li H., Zhang X.Wang Q., Li H., Qi H., Zhao H., Li H., Zhang X.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1372

Для исследования содержания нефти с помощью УФ-спектрофотометрии отобраны пробы сточных вод нефтепромысла и измерены их УФ-пропускание и мутность. Для количественного анализа использованы метод частичных наименьших квадратов (PLS) и сверточные нейронные сети (CNN), основанные на наборе данных спектров УФ-пропускания. Коэффициент корреляции между содержанием нефти и мутностью сточных вод нефтепромысла 0.924 свидетельствует о линейной зависимости между содержанием нефти и мутностью. Мутность добавляется в набор данных для исследования ее влияния на точность прогноза. Показано, что точность моделей, построенных по коэффициенту пропускания и мутности, выше, чем у моделей, построенных только по коэффициенту пропускания, что подтверждается как для PLS, так и для CNN. При одинаковом составе набора данных модели PLS и CNN почти точны, но в целом CNN работает немного лучше. Положено начало прогнозированию нефтесодержания в сточных водах нефтепромыслов на основе УФспектрофотометрии и дальнейшему внедрению оперативного детектирования.

Oil content plays an important role in oilfield wastewater treatment. To investigate the forecast of oil content by UV spectrophotometry, samples of oilfield wastewater are collected, and their UV transmittance and turbidity are measured. Partial least squares (PLS) and convolutional neural networks (CNN) based on a dataset of UV transmittance spectra are used for quantitative analysis in this work. The correlation coefficient between the oil content and turbidity of oilfield wastewater is 0.924, which shows a high positive linear correlation between the oil content and turbidity. Turbidity is added to the dataset to investigate its influence on the accuracy of prediction. The results show that the accuracy of models built by transmittance and turbidity is higher than that of models built by transmittance only, which is confirmed for both PLS and CNN. With the same dataset composition, the PLS and CNN models are nearly accurate, but the CNN performs slightly better overall. This work laid the foundation for the prediction of oil content in oilfield wastewater based on UV spectrophotometry and the further implementation of online detection.

спектр пропускания УФ-излучениясверточные нейронные сетисточные воды нефтепромысловнефтесодержаниемутностьUV transmittance spectrumconvolutional neural networksoilfield wastewateroil contentturbidityThis work was supported by the Youth Innovative Talents Training Plan of General Undergraduate University in Heilongjiang Province (UNPYSCT-2020148), the Open project of MOE Key Laboratory for Enhanced Oil and Gas Recovery (No. NEPU-EOR-2022-06), and the Postdoctoral support project of Heilongjiang Province (LBH-Q21084).ReferencesF. Al Jabri, L. Muruganandam, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).F. Al Jabri, L. Muruganandam, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).Xu Shirong, Duan Ming, Zhang Jian, Chem. Eng. Oil and Gas, 38, No. 3, 258–261 (2009).Xu Shirong, Duan Ming, Zhang Jian, Chem. Eng. Oil and Gas, 38, No. 3, 258–261 (2009).C. Y. Wang, H. H. Jiang, J. W. Gao, J. L. Zhang, R. E. Zheng, Spectrosc. Spectr. Anal., 26, No. 6, 1080–1083 (2006).C. Y. Wang, H. H. Jiang, J. W. Gao, J. L. Zhang, R. E. Zheng, Spectrosc. Spectr. Anal., 26, No. 6, 1080–1083 (2006).Yang Haiya, Wu Liangzhuan, Yu Yuan, Zhi Jinfang, Chin. J. Spectrosc. Lab., 28, No. 6, 2770–2773 (2011).Yang Haiya, Wu Liangzhuan, Yu Yuan, Zhi Jinfang, Chin. J. Spectrosc. Lab., 28, No. 6, 2770–2773 (2011).P. D. Wentzell, D. T. Andrews, J. M. Walsh, J. M. Cooley, et al., Can. J. Chem., 77, No. 3, 391–400 (1999).P. D. Wentzell, D. T. Andrews, J. M. Walsh, J. M. Cooley, et al., Can. J. Chem., 77, No. 3, 391–400 (1999).X. Bian, S. Li, L. Lin, X. Tan, Q. Fan, M. Li, Anal. Chim. Acta, 925, 16–22 (2016), doi: 10.1016/j.aca.2016.04.029.X. Bian, S. Li, L. Lin, X. Tan, Q. Fan, M. Li, Anal. Chim. Acta, 925, 16–22 (2016), doi: 10.1016/j.aca.2016.04.029.Xiaojun Tang, Angxin Tong, Feng Zhang, Bin Wang, Sains Malaysiana, 49, No. 8, 1773–1785 (2020).Xiaojun Tang, Angxin Tong, Feng Zhang, Bin Wang, Sains Malaysiana, 49, No. 8, 1773–1785 (2020).P. Li, J. Qu, Y.He, Z. Bo, M. Pei, RSC Adv., 10, No. 35, 20691–20700 (2020), doi: 10.1039/c9ra10732k.P. Li, J. Qu, Y.He, Z. Bo, M. Pei, RSC Adv., 10, No. 35, 20691–20700 (2020), doi: 10.1039/c9ra10732k.W. S. Jia, H. Z. Zhang, J. Ma, G. Liang, J. H. Wang, X. Liu, Spectrosc. Spectr. Anal., 40, No. 9, 2981–2988 (2020).W. S. Jia, H. Z. Zhang, J. Ma, G. Liang, J. H. Wang, X. Liu, Spectrosc. Spectr. Anal., 40, No. 9, 2981–2988 (2020).X. W. Chen, G. F. Yin, N. J. Zhao, T. T. Gan, R. F. Yang, W. Zhu, J. G. Liu, W. Q. Liu, Spectrosc. Spectr. Anal., 39, No. 9, 2912–2916 (2019).X. W. Chen, G. F. Yin, N. J. Zhao, T. T. Gan, R. F. Yang, W. Zhu, J. G. Liu, W. Q. Liu, Spectrosc. Spectr. Anal., 39, No. 9, 2912–2916 (2019).Wu Decao, Wei Biao, Tang Ge, Feng Peng, Tang Yuan, Liu Juan, Xiong Shuangfei, Acta Opt. Sin., 37, No. 2, 0230007 (2017).Wu Decao, Wei Biao, Tang Ge, Feng Peng, Tang Yuan, Liu Juan, Xiong Shuangfei, Acta Opt. Sin., 37, No. 2, 0230007 (2017).Y. Hu, X. Wang, Sensors and Actuators B: Chem., 239, 718–726 (2017), doi: 10.1016/j.snb.2016.08.072.Y. Hu, X. Wang, Sensors and Actuators B: Chem., 239, 718–726 (2017), doi: 10.1016/j.snb.2016.08.072.E. Carré, J. Pérot, V. Jauzein, L. Lin, M. Lopez-Ferber, Water Sci. Technol., 76, No. 3, 633–641 (2017), doi: 10.2166/wst.2017.096.E. Carré, J. Pérot, V. Jauzein, L. Lin, M. Lopez-Ferber, Water Sci. Technol., 76, No. 3, 633–641 (2017), doi: 10.2166/wst.2017.096.B. Chen, H. Wu, S. F. Y. Li, Talanta, 120, 325–330 (2014), doi: 10.1016/j.talanta.2013.12.0.B. Chen, H. Wu, S. F. Y. Li, Talanta, 120, 325–330 (2014), doi: 10.1016/j.talanta.2013.12.0.X. Liu, L. Wang, Water Sci. Technol., 71, No. 10, 1444–1450 (2015), doi: 10.2166/wst.2015.110.X. Liu, L. Wang, Water Sci. Technol., 71, No. 10, 1444–1450 (2015), doi: 10.2166/wst.2015.110.J. C. Cancilla, R. Aroca-Santos, K. Wierzchoś, J. S. Torrecilla, Chemom. Intell. Lab. Systems, 156, 102–107 (2016), doi: 10.1016/j.chemolab.2016.05.J. C. Cancilla, R. Aroca-Santos, K. Wierzchoś, J. S. Torrecilla, Chemom. Intell. Lab. Systems, 156, 102–107 (2016), doi: 10.1016/j.chemolab.2016.05.Y. Chen, L. Song, Y. Liu, L. Yang, D. Li, Appl. Sci., 10, No. 17, 5776 (2020), doi: 10.3390/app10175776.Y. Chen, L. Song, Y. Liu, L. Yang, D. Li, Appl. Sci., 10, No. 17, 5776 (2020), doi: 10.3390/app10175776.G. Puertas, M. Vázquez, J. Food Comp. Anal., 86, 103350 (2020), doi: 10.1016/j.jfca.2019.10335.G. Puertas, M. Vázquez, J. Food Comp. Anal., 86, 103350 (2020), doi: 10.1016/j.jfca.2019.10335.B. Wei, K. Hao, X. Tang, Y. Ding, Textile Res. J., 004051751881365 (2018), doi: 10.1177/0040517518813656.B. Wei, K. Hao, X. Tang, Y. Ding, Textile Res. J., 004051751881365 (2018), doi: 10.1177/0040517518813656.L. Norgaard, A. Saudland, J. Wagner, et al., Appl. Spectrosc., 54, No. 3, 413–419 (2000).L. Norgaard, A. Saudland, J. Wagner, et al., Appl. Spectrosc., 54, No. 3, 413–419 (2000).F. Al Jabri, L. Muruganandamand, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).F. Al Jabri, L. Muruganandamand, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).

The authors declare that there are no conflicts of interest present.