基于支持向量机结合遗传算法的天然气水合物相平衡研究-马贵阳.pdf

《基于支持向量机结合遗传算法的天然气水合物相平衡研究-马贵阳.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机结合遗传算法的天然气水合物相平衡研究-马贵阳.pdf（7页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、46 天 然气工业 2017年5月基于支持向量机结合遗传算法的天然 气水合 物相平衡研究马贵阳 宫清君 潘振刘培胜 李存磊辽宁石油化工大学石油与天然气工程学院摘要天然气水合物(以下简称水合物)具有高储气率和高可靠性等优点，在天然气储存及运输方面具有广泛的应用前景，同时水合物的存在也会给输气管道带来堵塞等严重影响，因此对水合物的生成研究具有重要意义。为此，对I型水合物在无添加剂条件下的静态生成规律进行了研究。首先基于水合物动力学实验装置进行一系列实验，然后利用支持向量机(SVM)结合遗传算法(GA)建立了水合物生成预测模型(SVM+GA)。据此将实验中得到的温度和压力数据进行预测和优化处理，并对

2、上述数据进行非线性拟合，得出了相平衡曲线及其方程，计算得出了常温下生成水合物的相平衡压力为335 MPa，常压下生成水合物的相平衡温度为2371 K。将分别由SVM+GA模型、ChenGuo模型和vdW-P热力学模型所得到的数据与经典的实验数据进行了对比，其平均相对误差分别为2678、1447和3249。结论认为：SVM+GA模型具有较高的计算准确度，比ChenGuo模型和vdW-P热力学模型更为简便，可为水合物开发研究提供更多的数据。关键词天然气水合物可靠性支持向量机遗传算法相平衡曲线平均相对误差计算准确度DOI：103787jissn10000976201705006GA-SVM base

3、d study on natural gas hydrate phase equilibriumMa Guiyang，Gong Qingjun，Pan Zhen，Liu Peisheng&Li Cunlei(College ofPetroleum Engineering,Liaoning Shihua University,Fushun，Liaoning 113001，China)NATURGAS INDVOLUME 37，ISSUE 5，pp4652，5252017(ISSN 10000976；In Chinese)Abstract：Natural gas hydrate is endowe

4、d with such advantages as high gas storage rate and high reliability,thus it can be widely appliedin natural gas storage and transportationHowever，the presence of hydrates also incurs gas pipeline blocking and other negative impactsTherefore，it is of great importance to investigate the genesis of hy

5、dratesIn this paper，the static genesis of Type I hydrates under additivefree conditions was studiedFirst of all，a series of experiments were conducted with the hydrate kinetic experiment apparatusThen，the temperature and pressure data obtained from the experiments were predicted and optimized with t

6、he genetic algorithm and supportvector machine(GASVM)After nonlinear matching of the above data，the phase equilibrium curve and its equation were obtained，based on which，the phase equilibrium pressure when hydrate was generated at atmospheric temperature was computed to be 335 MPa，and the phase equi

7、librium temperature was estimated to be 2371 KFinally，data acquired with the SVMGA model，the ChenGuo model and the vdW-P thermodynamic model were compared with those classic experimental dataResults show that the average relative er-rors are 2678，1447and 3249，respectivelyIt is concluded that the GAS

8、VM model is rather accurate and simpler than the Chen-Guo model and the vdWP thermodynamic model，and can provide more date for the development and research of natural gas hydratesKeywolds：Natural gas hydrate；Reliability；Genetic Algorithm(GA)；Support Vector Machine(SVM)；Phase equilibrium curve；Averag

9、erelative error；Calculation accuracy基金项目：国家自然科学基金项目(编号：41502100)、辽宁省高等学校优秀人才支持计划项目(编号：LR2013016)、辽宁省自然科学基金项目(编号：201602470)。作者简介：马贵阳，1965年生，教授，硕士生导师，博士；主要从事计算流体力学、多孔介质传质传热和天然气水合物生成与预防等方面的研究工作。地址：(113001)辽宁省抚顺市望花区丹东路西段1号。ORCID：0000-00018452-4079。Email：guiyangmal163COm万方数据第37卷第5期 开发工程0引言天然气水合物(Natural

10、Gas Hydrate，以下简称水合物)是由天然气与水在高压低温条件下形成的类冰状结晶物质，是一种极具开发潜力的烃类资源，储量巨大，且主要埋藏在海底大陆架边缘和冻土层中Ill。1 m3的水合物大约可分解出160 m3天然气(标准状态下)，其碳含量约为现有化石燃料总和的2倍，一旦取得技术突破，其必将形成对常规油气的“第二次革命”【2】。水合物的形成有时也会引起一系列的生产安全问题，其若在天然气集输中形成会增加管道的输送阻力、减少输送天然气量甚至会加大管件的毁坏程度；若在天然气开采中生成很可能会造成井筒的堵塞，更严重的会使气井停产，所以有必要对水合物的生成预测进行研究4-5。目前，国内外学者对水合

11、物的形成条件做了大量的研究，拥有比较完善的预测模型。BP神经网络模型预测天然气水合物生成，是采用以经验风险最小化(Empirical Risk Minimize，ERM)的传统统计学理论为基础，这样容易降低BP神经网络的稳定性，甚至出现局部过优情况，对于那些小样本数据还易导致学习机器泛化能力下降6一”。支持向量机(SupportVector Machine，缩写成SVM)是一种建立在VC维(VapnikChervonenkis Dimension)理论和SRM准则基础之上的预测方法，更具体地说，SVM是结构风险最小化的近似实现，适合研究有限样本、非线性、高维度等方面的问题，比较适合于水合物的生

12、成研究8-10。与传统油气藏不同，温度和压力的变化很容易对水合物产生影响【111。所以，笔者利用遗传算法优化SVM模型对水合物生成的相平衡曲线进行预测，通过将实验数据和前人的研究成果进行结合，利用ORIGIN软件辅助MATLAB编程计算出了水合物生成的温压数据，分别得出了常温、常压下水合物生成的相平衡压力、温度，并且计算出了水合物的相平衡曲线方程，为水合物的进一步研究提供了新的思路。水合物的相平衡机理分析相平衡即一个多相系统在一定的条件下，各相的性质和数量均不随时间变化而变化的状态。水合物的相平衡研究主要是对水合物起始平衡数据的研究以及直接计算起始平衡数据的方法，大多数水合物的相平衡均在三相(

13、水合物、液态水、气体)条件下进行的。由Gibbs相定律和热力学第二定律可知：在给定压强和温度下，物系处于相平衡状态时，其G值最小。因此相平衡问题可转化为最优化问题，优化模型如下12-131：NC尸 一 ，minG=J q+RTIn(厂F片)J (1)i=1 j=l 。坐 、st以F=咒；【njo；江1，2，NC；j=l，2，NPJ(2)j=l式中五、分别表示组分i在，相中的偏摩尔逸度和相对于参考态的偏摩尔逸度，Pa；Gff0表示组分i在，相中相对于参考态的偏摩尔Gibbs自由能，Jmol；NC、NP分别表示组分数、相数；，2小nj分别表示组分i在，相中的量和组分i的总量，mol；R表示气体常数

14、，J(molK)；r表示热力学温度，K。本文研究的是纯气体的单组分系统，其自由度数最多为2，所以此系统的相平衡关系可用压力一温度图表示，即为相平衡曲线图。水合物的相平衡曲线及开采原理如图1所示。图1 天然气水合物开采原理示意图2计算方法的构建21支持向量机(SVM)支持向量机是一种基于统计学习理论(StatisticalLearning Theory，SLT)的建立在VC维理论和SRM准则基础之上的预测方法，具有良好的鲁棒性和较强的泛化能力，避免了过拟合维数灾难(the Curse ofthe Dimensionality)等现象的出现”41。支持向量机的回归函数如下：厂(x)=sgnf西乃K

15、(五，x)+bI (3)约束条件为：万方数据48 天然气 工业 2017年5月aiY，：0i=1表示种群的大小1 81。(4) 222交叉验证算法st Oc，i2l，以式中表示每个样本对应的Lagrange乘子；b表示分类阈值，c表示一个常数，叫惩罚因子，控制错分样本惩罚的程度，式(3)就是支持向量机；K陇，表示核函数，需要满足Mercer条件，本文选取高斯RBF核函数，EpK(Xi，X)=exp(一g忱一Xj，其中g0。由上式可见，在支持向量机计算过程中涉及到两个参数(惩罚因子c和核函数参数g)。本文采用遗传算法进行对其优化。22算法优化方法221遗传算法(GA)遗传算法(Genetic A

16、lgorithm，GA)是一种通过模拟自然进化过程搜索最优解的计算模型，原理是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程n 51。遗传算法从问题解的串集开始搜索，避免了容易误入局部最优解的传统优化算法，同时算法本身易于实现并行化，也大大扩展了应用范围。目前已被广泛应用于不同预测控制的组合优化，机器学习，信号处理等方面。遗传算法一般可定义为：GA=(Po，f，M，只，只，己，T) (5)式中尸0表示初始种群；厂表示适应度函数；M表示群体规模；Pe表示选择算子；Pc表示交叉算子；Pm表示变异算子；丁表示遗传算法终止条件。关于水合物的生成体系，常常涉及气、液态(固态)水、水合物等相，笔

17、者从水合物热力学生成条件进行研究，则其决策变量的初始种群包括水合物的配位数(Zf)、水的化学位(。)、空穴的直径僻I)、水合物的活度m：)、势能为零时两分子核之间的距离(力、最大引力势(s)、客体分子的空穴占有率(Oi)以及温度(D、压强)。其中f取1或者2，1表示水合物小孔，2表示水合物大孔1 6。笔者对精度要求较高，所以用浮点数进行编码，即将个体的每个基因值用某一区间内的浮点数来表示n 71。编程中利用方程(6)构建初始种群，从而有效避免了空间中出现分布不均匀的现象，以提高全局的搜索能力，使其更容易搜索到最佳个体。即x。=x。+(x。一x。)(f1)l(j一，) (6)式中k表示所生成的第

18、i个个体中的，数目(，是可变的)；确、分别表示指明个体中，的上、下界个数；通过交叉验证(Cross Validation，cv)方法中的一种(Kfold Cross Validation，K-CV)对SVM进行优化，得到最佳的参数g和c，之所以用KCV优化，是因为其可以有效地避免过学习和欠学习现象的发生。3实例应用与讨论31实验数据的获得与处理311数据获取笔者利用KDSDII型水合物动力学实验装置，在单一天然气、无添加剂的体系下制取I型水合物，在经过一系列(13组)实验后得到水合物生成时的温度和压强部分数据如表1所示。表1水合物达到相平衡时的温度和压强表温度瓜 压强MPa 温度依 压强MPa

19、27415 281 28115 60127515 311 28215 67927615 341 28315 69327715 382 28415 811278。15 429 28515 90127915 538 28615 107828015 570将以上源数据样本通过一个非线性函数映射到高维空间，通过这个映射转换可以进行数据序列的预测，整个算法在MATLAB环境下编程实现。312数据预处理笔者在数据处理方面，首先对其经行归一化191预处理，采用的归一化映射如下：工一Z厂：xjY2了=+1 (7)XX 式中x，yR。；Xmi=min(x)；Xm。x=max(x)，即是使用mapminmax函数

20、来实现。归一化的效果是原始数据被规整到1，2范围内，即Yi0，1(f_1，2，1，n)，这种归一化方式称为1，2区间归一化。313参数优化笔者通过交叉验证(cross validation，cv)方万方数据第37卷第5期 开发工程法得到最佳的参数g和c。经过计算，惩罚因子(C)和核参数分别为7833和0276 38，且利用式(8)得到的验证平均平方误差(Mean Squared Error，MSE)为15310_4。脚=吉厂(t)一YJ (8)”。J U最终，利用SVM算法结合GA的优化方法对水合物的相平衡曲线进行了预测以得到更多的数据，并运用马尔可夫算法对预测出的数据进行检测2 01，结果如

21、下：陋045 0090船渊守0 11 26 30 1(9)321算法理论基础关于水合物生成的相平衡研究进一步验证了SVM结合GA方法在搜索精度和速度上的有效性，GA中对初始种群的处理如表2所示。表2影响水合物生成的原始种群数值表原始种群中的客体分子的空穴占有率(目，)及在SVM中水合物的相平衡算法为： rv P6I 2而ia (10)其中 xp【告咖一只)州赴其中 肚e I萧J孛(1。9)式(10)是从水合物热力学生成条件下完成的，可见目标函数应选用类指数函数。322构造目标函数则目标函数可构造为：p(T)=Po+Aexp(Ror) (11)式中p(T)表示相平衡压强；P。、A、R。分别表示待

22、定系数。水合物相平衡的约束条件为：。H2。L (12)或 w，H2w，i。 (13)式中wH表示水在水合物中的化学位；w。表示水在富水相中的化学位；咄。表示水在冰中的化学位。323构造适应度函数遗传算法中适应度函数的选取很重要，因为其在基本不利用外部信息的情况下，仅以种群中每个个体的适应度函数值为依据进行进化搜索，往往GA常常将目标函数直接作为适应度函数211，即，(X)=p(r) (14)324运算参数的构造遗传算法中的一些运行参数设定对GA的运行有很大影响(表3)。需要指出的是：一般交叉概率(Pc)不宜太大，表3运行参数表如果太大，它会破坏群体中的优良模式，对进化运算不利，取值范围建议是0

23、4099；变异概率(R)也要适当，它产生新个体和抑制早熟的能力会较差，太大则使GA的搜索趋于随机性，进而使群体中的优良模式受到破坏，一般建议范围是0000 101；此处的编码串长度)指的是浮点数编码方法中的个体编码长度一般取值决策变量的个数1221。33结果分析与讨论331不适应度与拟合函数SVM+GA模型模拟的适应度较高，所以在编程中采用不适应度曲线进行描述(图2)，基于本算法预测出的温度和压强数据而得到的相平衡曲线如0020，爿蒿。川5O 01010 20 30 40 50 60 70 80 90 lOO进化代数图2适应度曲线图万方数据天 然气 工业 2017年5月图3所示，公式(15)是

24、依据0RIGIN90对所有温压数据进行非线性拟合的结果。由图2可知遗传算法的进化代数为100，最佳不适应度与平均不适应度也具有较高的吻合度。4030船山芝20鼍_1005245 250 260 270 280 290 300 310温度K图3水合物相平衡曲线图P=16710-”exp(0142 57T)+1449 62(15)Pn=1449 26、Ro=0142 57、A=I6710 1 7，其与之前构造的目标函数式(11)一致，说明适应度函数的构造比较合理。332分析讨论利用(15)式计算得到的数据与参考实验数据和ChenGuo模型以及vdW-P热力学模型得到数据进行对比，绘制成如图4所示的

25、水合物生成温度和压力关系曲线图。可以看出，各个模型中水合物的相平衡压力都是随着温度的升高而增大，在262271K这段范围内vdW-P热力学模型与实验参考数据偏离较多，所以通过采用平均相对误差(AADP)来描述各个模型预测值与参考实验数据的差值【231，即AADP()：!争n鲁温度K图4水合物生成温度和压力关系曲线图式中,表示水合物相平衡点数目；P甜分别表示为参考实验数据和各模型预测的水合物生成相平衡压力。为了更形象直观的了解模型的预测精度，表4给出了纯水、无任何促进剂体系下，各种模型计算的平均误差，其中相平衡点数t为17。表4纯水、无促进剂体系下不同模型的平均相对误差表由表4可知，本文SVM+

26、GA模型的预测精度虽然跟ChenGuo模型还有一定的差距，但要明显优于传统的vdW-P热力学模型。式(15)研究范围在260286 K之间具有较高的精度，但是经过计算发现，当研究温度超出这个范围时，其计算精度逐渐降低以致无法计算常温29815 K(25)下的相平衡压力和常压(0101 325MPa)下的相平衡压力，或者说计算结果并不可靠。所以在式(15)的基础上进行修正，得到：P=43x10“exp(0091 84丁10021 76(17)修正后的S+GA模型式(15)，其适用范围有所增加，跟式(13)相比，其主要是在250262K和286300 K之间的精度更高，其相平衡曲线如图5所示。26

27、0 二70 280 290温度K图5修改后的水合物相平衡曲线图如图6所示，在262286 K温度范围内，式(17)的精度明显没有式(15)高，所以在SVM+GA的基础上式(15)和式(17)要结合着灵活使用预测结果才能更加准确。根据修改过的SVM+GA模型计算出：常温下的相平衡压强为为335 MPa，常压下的相平衡温度为2371 K(一3605)。万方数据第37卷第5期 开发工程0260温度K图6水合物生成温度和压力关系对比曲线图4结论1)基于前人对水合物热力学模型基础，建立由遗传算法优化支持向量机(SVM+GA)的水合物生成预测模型，通过数值计算拟合出水合物生成相平衡曲线方程，并且由拟合出的

28、目标函数可知水合物相平衡压强为正值，这与现实情况比较吻合。2)SVM+GA预测模型的相平衡方程有尸和P。P在262286 K的常用温度范围内预测的准度较高；而尸作为P的补充使SVM+GA模型得到进一步的扩展，其预测出水合物常温下的相平衡压强为335 MPa及常压下的相平衡温度为2371K(-3605)。由此可知，相平衡方程P的精度更高，应用条件更加符合日常实际，方程P是在试验或者实际条件难以实现的情况下使用。3)水合物的SvlvI+GA预测模型是对ChenGuo模型、vdw-P模型等经典模型的一种简化，避免了涉及化学位、Langmuir吸附速率等一些复杂的理论计算，更加直观的表达了其生成的相平

29、衡条件，并使其公式化。在预测精度方面与ChenGuo模型相似，但明显优于vdW-P模型，也为今后在水合物领域方面的研究提供了更多的数据，在实验条件达不到的情况下提供参考。参考文献n 1 Khlebnikov VN，Antonov SV,Mishin AS，Bakulin DA，KhamidullinaIV梁萌，等一种新型CO：置换CH。水合物的开采方法【J天然气工业，2016，36(7)：4047Khlebnikov VN，Antonov SV,Mishin AS，Bakulin DA，Khamidullina IV,Liang Meng，et a1A new method for the r

30、eplacementof CH4 with C02 in natural gas hydrate productionJNatural GasIndustry,2016，36(7)：40。472Naeiji P，Arjomandi A&Varaminian FOptimization of inhibitionconditions of tetrahydrofuran hydrate formation via the fractionalfactorial design methodologyJJournal of Natural Gas Scienceand Engineering，201

31、4，21(2I)：915-9203邹才能，赵群，张国生，熊波能源革命：从化石能源到新能源J天然气工业，2016，36(1)：1-10Zou Caineng，Zhao Qun，Zhang Guosheng&Xiong BoEnergyrevolution：From a fossil energy era to a new energy eraJNatural Gas Industry,2016，36(1)：1-104】张刘樯，师凌冰，周迎天然气水合物生成预测及防治技术J天然气技术，2007，1(6)：6768Zhang LiuqiangShi Lingbing&Zhou YingPredicti

32、on and pre-vention of natural gas hydrate formationJNatural Gas TechnologY,2007，l(6)：67-685】Dejean JP,Averbuch D，Gainville M&Doux FIntegrating flowassurance into risk management of deep offshore field developmentsCOffshore Technology Conference，2-5 May 2005，Houston，Texas，USADOI：http：lldxdoiorg104043

33、17237-MS6】Min JH&Lee YCBankruptcy prediction using support vectormachine with optimal choice ofkernel function parametersJExpert Systems with Applications，2005，28(4)：603-6 1 47】蒋华琴，刘兴高免疫PSOWLSSVM最优聚丙烯熔融指数预报【J】化工学报，2012，63(3)：866-872Jiang Huaqin&Liu XinggaoOptimal melt index prediction basedon ICPSOW

34、LSSVM algorithm for industrial propylene polymeri-zationJCIESC Journal，2012，63(3)：866-8728Vapnik V NStatistical learning theoryMBeijing：Electronic In-dustry Press，2004：293-323【9Wu CH，Tzeng GH&Lin RHA novel hybrid genetic algorithmfor kemel function and parameter optimization in support vectorregress

35、ionJExpert Systems with Applications，2009，36(3)：4725473510】张华，曾杰基于支持向量机的风速预测模型研究J太阳能学报，2010，3 l(7)：928932Zhang Hua&Zeng JieWind speed forecasting model studybased on support vector machineJActa Energiae Solafis Sinica，2010，3 1(7)：92893211粟科华，孙长宇，李楠，钟小禹，陈光进，辛显治天然气水合物人工矿体高温分解模拟实验J】天然气工业，2015，35(1)：137

36、143Su Kehua，Sun Changyu，Li Nan，Zhong Xiaoyu，Chen Guangjin&Xin XianzhiSimulation experiments on pyrogenic decomposition of a mature artificial hydrate ore bodyJNatural GasIndustry,2015，35(1)：137-14312林金清，李浩然，韩世钧含化学反应体系多相平衡计算方法的研究进展J计算机与应用化学，2003，20(6)：724730Lin JinqingLi Haoran&Han ShijunProgress of

37、computationmethod for simultaneous chemical and phase equilibriumJComputers and Applied Chemistry,2003，20(6)：72473013林可鸿，陈德钊混合免疫算法及在相平衡计算中的应用J化工学报，2007，58(6)：13481352Lin Kehong&Chen DezhaoHybrid artificial immune system万方数据天然气工业 2017年5月and its application to calculation of chemical reaction and phas

38、eequilibriumJCIESC Journal，2007，58(6)：1348135214赵春晓基于支持向量机的混沌时间序列预测方法的研究D沈阳：东北大学，2008Zhao ChunxiaoResearch on chaotic time series prediction method based on support vector machinesDShenyang：NortheasternUniversity,200815周晓君强噪声环境机械早期故障微弱信号特征分离算法研究D】重庆：重庆大学，2012Zhou XiaojunFeature extraction algorithms

39、 for weak signalsshowing mechanical incipient faults in a noisy environmentDChongqing：Chongqing University,201216陈光进，孙长宇，马庆兰气体水合物科学与技术M】北京：化学工程出版社，2008Chen GuangjinSun Changyu&Ma QinglanGas hydrate sci-ence and technologyMBering：Chemical Engineering Press，200817】张磊AUV模糊神经网络控制器优化设计研究D】哈尔滨：哈尔滨工程大学，200

40、7Zhang LeiThe research of optimal design of autonomous unde卜water vehicle fuzzy neural network controllerDHarbin：HarbinEngineering University,200718】刘虎，罗斌，吴晟，侯明改进的遗传算法在SVM参数优化中的应用J云南师范大学学报(自然科学版)，2012，32(4)：47-51Liu Hu，Luo Bin，Wu Sheng&Hou MingApplication of SVMparameters optimization based on impro

41、ved genetic algorithmJJournal ofYunnan Normal University(Natural Sciences Edition)，2012，32(4)：475 119梁家政，薛质网络数据归一化处理研究【J信息安全与通信保密，20lO(7)：4751Liang Jiazheng&Xue ZhiStandardized processing based onnetwork dataJInformation Security and Communications Privacy,2010(7)：475120刘克，曹平马尔可夫决策过程理论与应用M北京：科学出版社，2

42、015Liu Ke&Cao PingMarkov decision process theory and applicationMBeijing：Science Press，2015【21李明遗传算法的改进及其在优化问题中的应用研究D长春：吉林大学，2004Li MingThe study on improved genetic algorithm and its appli-cation in optimization questionsDChangchun：Jilin University,200422Davis LAdapting operator probabilities in ge

43、netic algo-rithmsMProceedings of the Third International Conferenceon Genetic AlgorithmsSan Francisco，CA：Morgan KaufmannPublishers Inc，1989：61-69【23李小森，吴慧杰，冯自平，唐良广，樊栓狮利用统计缔合流体理论状态方程预测混合气体水合物的平衡形成条件J化学学报，2007，65(1)：5966Li Xiaosen，Wu Huijie，Feng Ziping，Tang Liangguang&FanShuanshiPrediction of equilibr

44、ium hydrate formation conditionsfor gas mixtures using the statistical associating fluid theoryequation of stateJActa Chimica Sinica，2007，65(1)：5966(修改回稿日期20170224编辑韩晓渝)“十三五全国油气资源评价启动2017年5月15日，中华人民共和国国土资源部(以下简称国土资源部)正式启动“十三五”全国油气资源评价。这项重要的国情国力调查计划3年完成，将对陆上和海域130余个主要含油气盆地开展地质评价，并开展经济可采性评价和生态环境允许程度评价。除常规石油、天然气资源外，本次调查还将对页岩气、煤层气、油砂、油页岩、天然气水合物等非常规油气资源开展评价，突出深层和深水油气资源评价，扩展油气开发领域，形成战略接替资源。“十三五”全国油气资源评价由国土资源部油气资源战略研究中心具体实施。中石油、中石化、中海油、延长石油等油气企业以及中国地质调查局等地质调查机构共20余家单位将参加评价工作。(天工摘编自中国石油新闻中心)万方数据