生物专业毕业论文开题

生物开题报告范文

开题报告是指开题者对科研课题的一种文字说明材料。下面为大家的整理的是生物开题报告范文，仅供参考~

课题名称：微生物驱油数值模拟研究与应用

1、选题意义和背景

根据预测，21世纪原油需求总量为2500-2600亿吨，按照现有油藏开发技术和措施年均仅能提供380亿吨。因此，要满足需求总量，必须将采收率提高到65%-70%,即现有水平的2倍。提高原油和天然气产量的途径主要是增加地质储量和应用高效生产技术，而后者的作用越来越重要。目前，石油天然气工业面对的最重要的挑战之一就是提高采收率。在过去的20年里，采收率提高了10%,但这主要归功于油藏工程，提高采收率方法的贡献很小。由于较低的波及系数和洗油效率，油藏中有2/3的地质储量不能采出。波及系数可以通过油藏工程和化学工程的方法得到提高，洗油效率则只能依靠化学工程。按采收率达到64%-66%的目标，现有技术可将采收率提高20%达到48%,剩余16%要依赖于化学提高采收率方法的应用。近些年来，随着新开发区块的减少以及大量高产油田的减产，提高原油采收率技术（IOR）正在世界范围内不断得到推广和应用。微生物提高采收率技术就是一种主要利用化学原理提高波及系数和洗油效率的提高采收率技术，室内实验和矿场试验表明，这是一种具有潜在经济效益的方法，特别对枯竭的生产井更是如此。在美国，枯竭井（指产油速度少于10 bbl / d的井）的产量占总采油量的将近50% ;我国的一些大油田近些年来相继进入高含水后期，所以需要一种低成本的提高采收率方法（I CFA.微生物提高采收率方法尤其适合应用于今天这种经济环境。有足够的资料证明了利用微生物技术增加原油生产的可行性和灵活性。在世界各地，己经有大量的生产井和油田己经用微生物配方进行了处理。

2、论文综述/研究基础

我国的石油微生物学始于1955年，开始研究细菌勘探；20世纪60年代研究了油田微生物的生态学和生理学，参加的单位有中国科学院、石油部、地质部及一些大专院校，并取得了丰硕的成果。近几年来，国外（主要是美国）在这方面己有成熟的技术，并开始向我国市场渗透，这在一定程度上促进了我国这方面研究的发展。我国吉林油田和中国科学院微生物研究所协作研究了一项微生物吞吐技术，有较好的增油效果，但在注入微生物的`同时需要注入大量的营养液，这相对提高了原油开采的成本。大庆油田在“七五”国家科技攻关成果简介中，介绍了利用微生物地下发酵的研究成果。利用微生物地下发酵提高原油采收率是当前引起石油界广泛重视的一种生物技术。大庆石油管理局和中科院微生物所在国内首先开创了将细菌直接注入地下提高采收率的室内评价方法，大庆石油管理局利用混合菌种进行了创造性的放大发酵工艺、注入工艺及矿场试验研究。据中国石油报1995年5月19日报道，油田专用微生物工厂在徐州建成（投放1吨微生物可增产原油400吨）。它由华东输油管理局和美国迈克尔？白克微生物公司合资兴建，采用美国的技术设备，按美国标准生产油田专用微生物，年产微生物7万加仑。大大促进了国内微生物提高采收率研究的进展。

3、参考文献

[1]Rebecca S. Bryant, Rhonda P. Lindsey. WORLD-WIDE APPLICATIONS OF MICROBIAL

TECHNOLOGY FOR IMPROVING OIL, RECOVERY SPE/DOE35356, 1996: 127-134

[2]汪卫东。我国微生物采油技术现状及发展前景。石油勘探与开发。2002, 29（6）：87-91

[3]张训化微生物采油数值模拟研究。硕士学位论文。中国科学院渗流流体力学研究所， 2003. 9一10

[4]王岚。微生物采油及其作用机理。世界地质。2002,  21（ 2） : 138-140

[5]裴雪林，刘丽，赵金献。微生物采油技术在国内外的研究现状及实例。断块油气田1997  5（4）：61一66

[6]  Corapcioglu, and A. Haridas: “Transport and Fate of Microorganisms in Porous Media:A Theoretical Investigation,” J. of Hydrol., Vol. 72, （1984）：149-169.

[7] Bear, J: Dynamics of Fluids in Porous Media, New York, Elsevier, （1972）：605一616.

[8] Bu' Lock, J. and B. Kristiansen: Basic Biotechnology, Academic Press, New York, （1987）75一131.

[9] Bajpai, . and M. Reuss: “Coupling of Mixing and Microbial Kinetics for Evaluating the Performance of Bioreactor,” Can. J. Chem. Eng., 60, （Jun. 1982）：384-392.

[10] Cernansky,  A.  and R.  Siroky:  “Deep-Bed Filtration on Filament Layers  of Particles Polydispersed in Liquids,” International Chemical Engineering, Vol. 25, No. 2, （1985） 364-375.

[11」Adamson, A. W:Physical Chemistry of Surfaces, 3rd Edition, Joh Wiley&Sons, Inc., New York, （1976）。

[12]Knapp,  .,  F.  Civan,  and .  McInerney:  “Modeling  Growth  and  Transport  ofMicroorganisms in Porous Formations,” Presented at IMACS, Paris, France, Jul. 18-22,1988, Proceedings of  12th World Congress on Scientific Computation, Edited by , P. Borne, and J. Vignes, Vol. 3, （1988） 676-679.

[13]Zhang, X., . Knapp, and . McInerney: “A Mathematical Model for Microbially Enhanced Oil Recovery Processes,” Proceedings of the 1992 International Conference onMicrobial Enhanced Oil Recovery, Developments in Petroleum Science, Edited by and A. Woodhead, Vol. 39, （1993）：171一186.

[14] Chang, , and F. Civan: “Modeling of Formation Damage Due to Physical and ChemicalInteractions between Fluids and Reservoir Rocks,” SPE 22656, Presented at the 66th ., Dallas, TX, Oct. 6-9, 1991.

[15]Popplewell, .,  .  Campanella, and M.  Peleg:  “Quantitative Characterization of Particle Size Distributions of Instant Coffee Mechanical Attrition,” J. of Food Science, Vol.

首先，可以去问下学长学姐或者导师，其次也是可以看下（生物医学）这本刊物上的文献

随着计算技术和生物技术的进步,当前生物医学文献正在以前所 未有的速度增长。这些文献中蕴含着最新的研究进展和丰富的生物医学知识,对于生物医学研究者具有重要意义。然而数以千万计的文献使得研究者追踪和整理自己 需要的知识和信息变得越来越困难。文本挖掘技术可以解决这一问题,帮助生物医学研究者提高从文献中获取知识和信息的效率。因此针对生物医学文献的文本挖掘 研究具有重要的应用价值。判别式模型是一类直接利用特征来预测目标变量的发生概率的机器学习模型,本文中主要用到的判别式模型有最大熵模型和条件随机域模 型。相对于产生式模型,判别式模型降低了特征之间的独立性假设的要求,并且与很多文本挖掘任务的需求相一致,因而更有可能取得好的效果。本文主要研究如何 利用判别式模型来解决生物医学文献挖掘中的问题。具体地,我们研究了生物医学文本挖掘中的三个任务:生物医学名实体识别、生物医学实体规范化以及生物医学 语义关系抽取。在这3任务中,第二个任务是第一个任务在语义处理上的延伸,前两个任务是第三个任务的基础。本文的主要内容包含以下4个方面。生物医学名实 体识别的目标是确定一个给定的文本集合内的某一类型的实体的名字的所有实例,它是进行深层次文本挖掘的必要步骤之一。本文在考察了生物医学领域实体识别的 特点和难点,分析了目前已有的生物医学实体识别方法的优缺点的基础上,提出了利用条件随机域模型结合丰富特征集来进行生物医学实体识别的方法。这些特征包 括:构词法特征、上下文特征和句法特征。其中,浅层句法特征是首次被引入到条件随机域模型中,同时用来进行实体的边界检测和类别判断。实验表明,这一特征 可以有效地提高名实体识别的效果。有监督的机器学习方法需要大规模的标注语料。大量的电子文献使得在生物医学领域获取未标记的语料已相当容易,但是对语料 进行标注仍然是一件昂贵的工作。针对在生物医学名实体识别中有监督学习所需的大规模训练语料比较难以获取的问题,本文提出了基于最大熵模型的协同训练的半 监督学习方法。该方法可以利用大量的未标注语料来提高在较少的标注语料的基础上学习到的分类器的名实体识别性能。为了进一步提高半监督学习的效果,本文将 主动学习引入到半监督学习的过程中。实验表明,基于最大熵模型的协同训练方法可以有效地提高初始分类器的识别性能。灵活的生物医学实体命名方式使得生物医 学实体具有严重的歧义。这已成为对生物医学文献进行深层自动文本挖掘的主要障碍之一。生物医学实体规范化的提出就是为了解决这一问题。生物医学实体规范化 就是把生物医学文献中表达同一概念的不同变体映射到统一的概念标识符。本文提出了一种用于生物医学实体规范化的多层歧义消解框架。实体规范化过程中不同阶 段有不同的歧义情形,在本文提出的框架中,针对这些情形采用了有针对性的解决策略,包括:基于词典的实体名字检测,基于机器学习方法的候选选择以及基于知 识的歧义消解。在BioCreAtIvE2006基因名字规范化任务的测试集上的实验表明本文提出的框架可以有效地解决规范化过程中的各种歧义。生物医学 语义关系抽取是生物医学文本挖掘的主要研究内容之一,是从无结构的生物医学文献中抽取出生物医学知识的重要手段。在实际应用中,生物医学语义关系的定义有 宽泛和具体之分。本文将宽泛定义和具体定义的生物医学语义关系抽取分别看作二分类和多分类问题,提出基于最大熵模型的生物医学语义关系抽取的方法。针对不 区分类别的蛋白质相互作用这种宽泛定义的关系抽取,提出了一种基于最大熵的二阶段蛋白质相互作用关系抽取方法。针对多类别的蛋白质相互作用这种具体定义的 关系抽取,提出使用最大熵模型结合词特征的抽取方法,该方法在一个具有10种蛋白质相互作用类别的数据集上取得了的总体精确率。同样的方法应用 到疾病与治疗方式关系抽取任务中,也取得了很好的实验结果。此外,本文还通过理论分析和实验对比,从理论和实践两个方面说明了判别式模型比产生式模型更适 合生物医学语义关系抽取问题。参考文献 [1] 王浩畅,赵铁军. 生物医学文本挖掘技术的研究与进展[J]. 中文信息学报. 2008(03) [2] 于中华,陈蓉,胡俊锋,陈源. 基于加权投票K—近邻法的生物医学缩略语消歧[J]. 中文信息学报. 2008(02) [3] 龙军,殷建平,祝恩,赵文涛. 主动学习研究综述[J]. 计算机研究与发展. 2008(S1)