Цифровая нефть. База данных нефть


База данных по составу и физико-химическим свойствам нефти и газа (База данных нефти и газа)

Тип разработки: 

Регистрационный номер в ФАП: 

Дата регистрации в ФАП: 

Тематическая направленность: 

Химия нефти: состав, строение, свойства

Разработчики программы (базы данных): 

Аннотация: 

База данных  включает  более 18000 записей с параметрами образцов нефти и газа, отобранных в разные годы из различных месторождений. Источниками информации для формирования базы данных  служат материалы, опубликованные в справочниках,  научных статьях, монографиях и отчетах, а также полученные в Институте химии нефти СО РАН по результатам химического анализа образцов нефти.

База данных содержит 9 таблиц, которые условно можно разбить в зависимости от информационного содержания на  следующие группы: данные о географическом положении, информация о нефтегеологическом районировании, физико-химические свойства нефти и газа и геологические характеристики месторождений.В настоящее  время в базе данных по химическому составу нефти и газа содержится информация по  нефтегазоносным провинциям около 60 стран Европы, Азии и Африки.

Назначение: База данных предназначена для научно-исследовательской и учебной работы. Может быть использована при экономических расчетах стоимости нефти и газа, при выдаче технических паспортов и сертификатов на нефть и рекомендаций для нефтеперерабатывающих предприятий, в геохимических исследованиях, при решении различных задач рационального размещения предприятий добывающей и перерабатывающей промышленности и оптимального выбора направлений транспортировки нефти и газа.  Язык :  SQL 

Использованные при разработке материалы: 

Материалы, опубликованные в справочниках, научных статьях, монографиях

Регистрационный номер в Роспатенте: 

Свидетельство № 2001620067 от 16.05.2001

Признак доступности программы (базы данных): 

доступ по запросу

Требования к аппаратным и программным средствам: 

ОС: WindowsXP и вышеОбъем базы данных: 90 Мб

Контактная информация: 

fap.nsc.ru

Цифровая нефть — ЦИФРОВИЗАЦИЯ — №146 (ноябрь 2017) — 2017 — Все выпуски — Журнал «Сибирская нефть» — Пресс-центр — ПАО «Газпром нефть»

Для «Газпром нефти» цифровая трансформация — важнейший аспект стратегии развития бизнеса, ведь перспективы внедрения технологий Индустрии 4.0 тесно связаны с повышением эффективности производственных и бизнес-процессов в компании. «Сибирская нефть» знакомит читателей с инструментами и подходами, характерными для процесса цифровизации. Первый материал — об одном из ключевых понятий четвертой промышленной революции — больших данных, или big data

Бурный рост цифровых технологий и интернет-активности в начале 2000-х отразился на всех отраслях экономики, от продаж товаров и услуг до сложных производств. Одно из характерных последствий этих перемен — глобальное увеличение количества и качества данных и появление новых методов работы с ними. В 2010 году исследовательская компания Gartner опросила более 1000 компаний из 8 стран. Согласно итогам опроса, из-за роста масштабов Всемирной паутины, а также благодаря усиливающейся цифровизации бизнеса ежегодный прирост количества данных в этих компаниях составил от 40 до 60%. При этом эксперты отмечали, что наравне с увеличением скорости поступления новых данных сократилось время на принятие решений на основе их анализа.

Были предприняты попытки дать определение феномену взрывного роста объемов и разнообразия данных, который получил название big data, или «большие данные». Например, Мерв Адриан из Gartner дал следующее определение: «Большие данные — это такие данные, захват, управление и обработку которых невозможно выполнить при помощи традиционно используемых аппаратных платформ и программных инструментов в течение промежутка времени, приемлемого для пользователей».

Похожее определение дала компания McKinsey: «Большие данные — это такие наборы данных, размеры которых превосходят возможности типичных систем управления базами данных по их сбору, хранению, управлению и анализу».

Исследовательская компания IDC считала, что «технологии big data описывают новое поколение технологий и архитектур, предназначенных для экономически целесообразного извлечения ценности из больших объемов самых разнообразных данных при помощи высокоскоростного захвата, исследования и/или анализа».

Консенсус заключался в том, что реляционные системы (см. глоссарий), до последнего времени применявшиеся для хранения и управления данными, оказались не предназначены для работы с большими данными как с точки зрения их типов и разнообразия, так и скорости роста их объемов. Новые типы данных (текст, изображения, видео/аудио, логи посещений сайтов, гео-пространственные данные, данные с датчиков промышленных систем) требовали других, легко масштабируемых и более дешевых технологий сбора, хранения и обработки. И такие технологии появились.

Экосистема

Большая заслуга в появлении технологий работы с big data принадлежит компании Google. Благодаря характеру своего бизнеса Google постоянно сталкивалась с необходимостью обработки не просто больших, а гигантских объемов данных, причем растущих на постоянной основе. С начала 2000-х годов Google для своих внутренних нужд разработала ряд технологий, многие из которых послужили отправной точкой для появления продуктов с открытым кодом, лежащих в основе экосистемы Hadoop (см. глоссарий).

Hadoop и другие технологии, получившие коллективное название NoSQL (Not only SQL — не только SQL, то есть не только реляционные базы данных, основным языком общения с которыми был язык программирования SQL), сыграли главную роль в обеспечении возможности хранения и обработки больших данных. Основная идея новой экосистемы состоит в распределении задач по хранению и обработке данных между сотнями и тысячами различных узлов, что позволяет наиболее эффективно задействовать машинные ресурсы, минимизируя при этом риски потери данных в случае выхода из строя отдельных узлов.

Следующим толчком к гигантскому росту объемов данных станет интернет вещей. По данным компании Gartner, к 2020 году в мире будет насчитываться 20,4 миллиарда устройств, подключенных к Сети

Для пользователей идея распределенной обработки данных вылилась в появление облачных интернет-сервисов. Размещение вычислительных систем в облаке позволило компаниям заниматься аналитикой больших данных без необходимости развертывать у себя всю нужную инфраструктуру и содержать штат сотрудников для ее эксплуатации и поддержки. Также появились более приемлемые с точки зрения безопасности гибридные аналитические системы, отдельные подсистемы которых расположены в облаке, а какие-то — на самом предприятии.

Почему большие данные оказывают такое влияние на настоящее и будущее как самого бизнеса, так и всего общества в целом? Дело в том, что в ходе их анализа можно получить новую, ранее недоступную информацию и знание, причем с небывалым уровнем детализации.

В промышленности использование аналитики данных помогает многим компаниям добиться ощутимых результатов, решая задачи повышения эффективности производства и оптимизации оборудования, управления качеством продукции, обслуживания оборудования по состоянию. Например, такие крупнейшие производители электронных устройств и компьютерных компонентов, как Intel и Micron, используют аналитические технологии для контроля за выходом продукции и управления качеством. Получаемый эффект может исчисляться значительными суммами, если учесть, что для таких компаний увеличение выхода продукции даже на 1% означает порядка 100 миллионов долларов дополнительной выручки.

Возможности аналитики больших данных могут стать и дополнительным сервисом. «Финский производитель оборудования для выпуска бумаги и бумажной продукции, компания Valmet, предоставляет своим заказчикам сервис, который благодаря анализу больших данных предотвращает внеплановые остановки линий. Потери от таких остановок могут составлять порядка 30 миллионов евро для производителя бумаги, — рассказывает старший индустриальный консультант „Teradata Россия“ Олег Кузьменко. — За год одной линией генерируется около 760 миллионов событий. При помощи анализа этих данных удалось выделить набор событий, который помогает предсказать наступление незапланированной остановки оборудования. По словам Valmet, им удается выдать предупреждение заказчику о грядущем ЧП за 2 часа до остановки линии».

В России с большими данными успешно работают такие компании, как Сбербанк, ВТБ24, МТС, Мегафон. Например, МТС и Мегафон при помощи больших данных решают задачи геоаналитики, цифрового маркетинга, клиентской аналитики, гарантирования доходности. Сбербанк использует большие данные для борьбы с мошенниками, проведения маркетинговых кампаний, финансовой аналитики.

Список тех, кто уже смог по достоинству оценить возможности big data, постоянно пополняется. Появляются и новые триггеры для этой тенденции: следующим толчком к гигантскому росту объемов данных эксперты называют интернет вещей. По данным исследовательской организации Gartner, в 2017 году в мире будет насчитываться 8,4 миллиарда устройств, подключенных к Сети, а к 2020 году таких устройств уже будет 20,4 миллиарда.

Большой бизнес

В нефтегазовой индустрии аналитика больших данных используется как в разведке и добыче, так и в переработке и сбыте. Последнее десятилетие лидеры отрасли активно инвестировали в автоматизацию производства, и эти вложения уже приносят немалую отдачу. Однако компании стремятся получать еще большую выгоду от этих инвестиций за счет анализа накопленных данных.

В конце марта этого года на форуме Houston Energy Breakfast компания ConocoPhillips сделала доклад по разработке нетрадиционных запасов нефти. В нем говорилось, что использование анализа больших данных уже позволило в два раза сократить время на бурение одной скважины и, как результат, сократить расходы на бурение.

Американская нефтеперерабатывающая компания Andeavor использовала данные, поступающие с установки атмосферной перегонки нефти, для построения аналитической модели энергопотребления, что в итоге помогло уменьшить затраты на газовое топливо, относящееся на НПЗ к одной из основных статей расходов.

Компания Repsol использует аналитику данных для получения полной, детальной картины о своих клиентах, а также о продажах на каждой АЗС (топливо, магазин, кафе, сопутствующие услуги), которых у компании более 4700. В частности, решение задач о продажах на АЗС помогло добиться получения наилучшей цены от поставщиков, снизить потери от упущенных продаж за счет своевременного формирования заказов и выбора подходящего ассортимента, запустить процесс распространения лучших практик на каждую АЗС, получить достоверную картину о бизнесе франшиз, проводить более эффективные промоакции, уменьшить воровство персонала, устанавливать гибкое ценообразование.

«Опыт показывает, что ключевым подходом для извлечения ценности из данных становится интеграция, — отмечает Олег Кузьменко. — Например, если вы объединяете данные от датчика вибрации с данными о техническом обслуживании и ремонте (ТОиР), то вы можете связать конкретный характер значений показаний датчика с выполненными или невыполненными действиями по обслуживанию или замене частей оборудования. В свою очередь, это позволит определить первопричины или конкретные последствия того или иного инцидента, а также предсказать, что случится в будущем. Когда вы объединяете эти данные с данными о стоимости ТОиР, то сможете предсказать стоимость будущих затрат на ТОиР в зависимости от характера показаний датчика вибрации».

Накопленные данные становятся активом предприятия, таким же, как основные средства или финансовые вложения. Уже прижился и никого не удивляет лозунг, что «данные — это новая нефть». В «Газпром нефти» понимание новой реальности привело к процессу цифровой трансформации, реализующейся в том числе и через работу с большими данными.

Глоссарий

Реляционная система — предполагает математический способ структуризации, хранения и использования данных. Отношения (англ. relations) дают возможность группировки данных как связанных наборов, представленных в виде таблиц, содержащих упорядоченную информацию (например, имя и адрес человека) и соотносящих значения и атрибуты (его номер паспорта).

В свою очередь, в нереляционных системах (NoSQL) способ структуризации данных заключается в избавлении от ограничений при хранении и использовании информации. Базы данных NoSQL, используя неструктуризированный подход, предлагают много эффективных способов обработки данных в отдельных случаях (например, при работе с хранилищем текстовых документов).

Hadoop — проект фонда Apache Software Foundation, свободно распространяемый набор утилит, библиотек и фреймворк для разработки и выполнения распределенных программ, работающих на кластерах из сотен и тысяч узлов. Используется для реализации поисковых и контекстных механизмов многих высоконагруженных веб-сайтов. Разработан в рамках вычислительной парадигмы, согласно которой приложение разделяется на большое количество одинаковых элементарных заданий, выполнимых на узлах кластера и естественным образом сводимых в конечный результат.

Проекты будущего

Данные и информация, получаемая на их основе, — строительный материал для многих инициатив, связанных с цифровизацией. Поэтому данными необходимо управлять, как и любым другим активом. В «Газпром нефти» успешно исследуются возможности монетизации накапливаемых «цифровых» богатств. В настоящее время в «недрах» центров обработки данных компании накоплено уже порядка 6000 терабайт (для сравнения: около 200 терабайт — это объем информации, содержащийся на всех информационных носителях, как то: книги, электронные носители, журналы, рукописи и т.д., Российской государственной библиотеки), и поток поступающих данных растет год от года.

Компания поддерживает начинания своих подразделений по «разработке» этих недр, и многие из реализуемых проектов уже признаны рынком как прорывные в своей области. В частности, в upstream отдельные компоненты технологий big data опробованы или применяются для решения бизнес-задач по прогнозу эффективности сложных геолого-технических мероприятий, кластеризации скважин по фациальным признакам, автоматизации интерпретации результатов сейсмических исследований. В свою очередь, в блоке логистики, переработки и сбыта создан Центр управления эффективностью, задача которого — управлять всей цепочкой добавленной стоимости блока, от поставок нефти на НПЗ до продаж нефтепродуктов, и работа с большими данными — один из инструментов в арсенале специалистов Центра.

Реализуя проекты, в основе которых лежат технологии big data, «Газпром нефть» сотрудничает с ведущими российскими научными институтами и с компаниями — мировыми лидерами в сфере информационных технологий. Так, совместно с компанией IBM в «Газпром нефти» разрабатываются алгоритмы для автоматизации процесса выбора оптимальной системы разработки вновь вводимых месторождений и оптимизации режимов работы скважин на длительно разрабатываемых месторождениях для максимизации добычи. Эффект от внедрения этой технологии оценивается в 1 млн т потенциальной дополнительной добычи.

Совместно со «Сколтехом» «Газпром нефть» занимается исследованиями, связанными с прогностическим анализом больших объемов информации и развитием технологий сбора, хранения, моделирования и визуализации данных геолого-технологических процессов, а также процессов транспортировки и переработки нефти.

Алгоритмы обработки больших данных и принятия решений на основе их анализа будут заложены и в первой в России интегрированной платформе для обработки и интерпретации данных сейсморазведки, созданием которой занимаются специалисты Научно-технического центра «Газпром нефти» в партнерстве с компаниями Яндекс Терра (ООО «Сейсмотек»), АО «Пангея» и МФТИ. Платформа будет решать задачи от выбора перспективных участков и интерпретации данных до предложения идей по созданию сейсмогеологических моделей.

В целом же в «Газпром нефти» задан вектор развития, нацеленный на полномасштабную цифровую трансформацию. И без всеобъемлющего применения технологий big data в этом процессе, несомненно, не обойтись.

www.gazprom-neft.ru

Ресурсная база — ПАО «Газпром нефть»

Ресурсная база

«Газпром нефть» располагает значительной ресурсной базой, объемы которой ежегодно увеличиваются за счет активных геологоразведочных работ, эффективной разработки собственных месторождений и приобретения новых активов.

На основании отчета независимых инженеров — оценщиков запасов DeGolyer and MacNaughton по состоянию на 31 декабря 2017 г. суммарные запасы углеводородов «Газпром нефти» (с учетом доли в совместных предприятиях*) категорий «доказанные» и «вероятные» (proved + probable — 2P) по международным стандартам SPE-PRMS** составили 2,78 млрд тонн нефтяного эквивалента. Рост по сравнению с показателем 2016 года составил 2,3%.

Состояние сырьевой базы

Показатель обеспеченности добычи «Газпром нефти» доказанными запасами углеводородов (по стандартам SPE-PRMS) составляет 17 лет.

Объем углеводородов, добытых в 2017 году (89,8 млн тонн н.э.), возмещен новыми запасами на 170%.

 

2 7000–850123 %коэффициент восполнения запасов1051 5182 6991 1811 5142 7191 205ДоказанныезапасыВероятныезапасы2015ДобычауглеводородовПересмотрпредыдущихоценокПриобретениелицензий(увеличениедоли владения)2016Пересмотр предыдущих оценок в 2016 годуНовый порт16Арктикгаз11Приразломное8Прочее47СП и совместная деятельность123Итого105

 

1 СП и совместная деятельность включает «Томскнефть», Славнефть, Salym Petroleum Development, «Нортгаз», «Мессояханефтегаз»

* Все предприятия, включая совместные, без учета запасов сербской NIS

** SPE-PRMS (Petroleum Resources Management System) — наиболее распространенная в мире система оценки запасов углеводородов. Учитывает экономическую эффективность извлечения углеводородов. Запасы оцениваются по трем категориям: «доказанные», «вероятные» и «возможные» (3P — proved, probable, possible).

***Данные не включают запасы и объемы добычи NIS.

www.gazprom-neft.ru

ENRIT-База данных "Химия нефти и газа"

Таблица 3 - Структура набора данных Образец (Sample) 

Название поля

Число значений

Назначение

ID

13227

Уникальный идентификатор образца.

Образец чаще всего взят из одной скважины и обязательно из одного пласта. Иногда приводятся средние данные из нескольких скважин, но из одного пласта.

DepositID

13227

Уникальный идентификатор месторождения.

DrillID

13227

Уникальный идентификатор скважины

PerforateID

13227

Уникальный идентификатор интервала перфорации.

FluidID

13209

Флюид образца.

МolМass

896

Молекулярная масса, (г/моль)

Viscosi20

4312

Вязкость нефти при 20 С, (мм2/с)

Viscosi50

3053

Вязкость при 50 С, (мм2/с)

Gelation

2201

Температура застывания нефти, (С)

DensityOil

9061

Плотность нефти, (г/см3)

TempFlash

975

Температура вспышки в открытом тигле, (С)

AcidNumber

935

Кислотное число, (мг KOH/г нефти)

Boil_Begin

3605

Начало кипения, (С)

F_200M

1980

Фракция н.к.-200 С, (m %). Содержание фракции в массовых процентах. Н.к. начало кипения.

F_250M

16

Фракция н.к.-250 С, (m %)

F_200V

4701

Фракция н.к.-200 С, (V %). Содержание фракции в объемных процентах.

F_300M

1637

Фракция н.к.-300 С, (m %)

F_300V

4043

Фракция н.к.-300С, (V %).

F_350M

1257

Фракция н.к.-350 С, (m %)

F_350V

93

Фракция н.к.-350 С, (V %)

F_BB-EB_M

824

Фракция н.к.-к.к, (m %). К.к. конец кипения.

F_BB-EB_V

24

Фракция н.к.-к.к, (V %)

Boil_End

842

Конец кипения, (С)

G_BB-200_P

2631

Парафины: Фракция н.к.-200 С, (%). Групповой состав.

G_BB-200_nP

194

n-Парафины: Фракция н.к.-200 С (%). Групповой состав.

G_BB-200_iP

189

i-Парафины: Фракция н.к.-200 С (%). Групповой состав.

G_BB-200_N

2624

Нафтены: Фракции н.к.-200 С (%). Групповой состав.

G_BB-200_A

2728

Арены: Фракция н.к.-200 С (%).Групповой состав.

G_BB-200_P-N

14

Парафины+Нафтены: Фракция н.к.-200 С (%). Групповой состав.

G_200-300_N

630

Нафтены: Фракции 200-300 С (%).Групповой состав.

G_200-300_iP

3

i-Парафины: Фракция 200-300 С (%).Групповой состав.

G_200-300_nP

3

n-Парафины: Фракция 200-300 С (%).Групповой состав.

G_200-300_P-N

62

Парафины+Нафтены: Фракция 200-300 С (%). Групповой состав.

G_200-300_A

775

Арены: Фракция 200-300 С (%). Групповой состав.

G_200-300_P

629

Парафины: Фракция 200-300 С (%). Групповой состав.

G_200-350_N

64

Нафтены: Фракции 200-350С (%).Групповой состав.

G_200-350_A

76

Арены: Фракция 200-350 С (%). Групповой состав.

G_200-350_P

64

Парафины: Фракция 200-350 С (%). Групповой состав.

G_200-EB_nP

233

n-Парафины: 200 С - к.к. (%). Групповой состав.

G_200-EB_iP

21

i-Парафины: 200 С - к.к. (%). Групповой состав.

G_200-EB_N

35

Нафтены: 200 С - к.к. (%). Групповой состав.

G_200-EB_iP-N

230

i-Парафины+Нафтены: 200 С -к.к. (%). Групповой состав.

G_200-EB_P-N

551

Парафины+Нафтены: 200 С - к.к. (%). Групповой состав.

G_200-EB_N-A

536

Нафтены+Арены: 200 С - к.к. (%). Групповой состав.

G_BB-250_P

22

Парафины: н.к-250 С (%).Групповой состав.

G_BB-250_N

22

Нафтены: н.к-250 С (%). Групповой состав.

G_BB-250_A

23

Арены: н.к-250 С (%). Групповой состав.

G_BB-300_P

55

Парафины: н.к-300 С (%). Групповой состав.

G_BB-300_N

55

Нафтены: н.к-300 С (%). Групповой состав.

G_BB-300_A

56

Арены: н.к-300 С (%). Групповой состав.

G_BB-350_P

52

Парафины: н.к-350 С (%). Групповой состав.

G_BB-350_N

53

Нафтены: н.к-350 С (%). Групповой состав.

G_BB-350_A

53

Арены: н.к-350 С (%). Групповой состав.

G-Fluid_nP

0

Флюид:n- Парафины, (%). Групповой состав.

G-Fluid_P

28

Флюид: Парафины, (%). Групповой состав.

G-Fluid_N

28

Флюид: Нафтены, (%). Групповой состав.

G-Fluid_A

31

Флюид: Арены, (%). Групповой состав.

G-Fluid_P-N

218

Флюид: Парафины+Нафтены, (%). Групповой состав.

G-Fluid_N-A

214

Флюид: Нафтены+Арены, (%). Групповой состав.

G-Сrude_nP

1

Дистиллят: n-Парафины, (%). Групповой состав. Дистиллят представляет собой фракцию н.к.- к.к.

G-Сrude_P

151

Дистиллят: Парафины, (%). Групповой состав.

G-Сrude_N

153

Дистиллят: Нафтены, (%). Групповой состав.

G-Сrude_A

151

Дистиллят: Арены, (%). Групповой состав.

G-Сrude_P-N

1

Дистиллят: Парафины+Нафтены, (%). Групповой состав.

G-Сrude_N-A

2

Дистиллят: Нафтены+Арены, (%). Групповой состав.

N_ALCANES

333

Нормальные алканы, (%)

Paraffin

5854

Содержание твердого парафина в нефти, (%)

GelResin

5189

Содержание силикагелеловых смол в нефти, (%)

Asphalt

5269

Содержание асфальтенов, (%)

Resin

4961

Содержание асфальто-смолистых веществ, (%)

Coke

3088

Коксуемость нефти, (%)

PHENOLS

133

Содержание фенолов, (%)

Isoprenoid

215

Содержание изопреноидов, (%)

NAFT_ACID

246

Содержание нафтеновых кислот, (%)

Porphyrin

99

Содержание суммы порфиринов (никелевые и ванадиевые), (%)

Porphyrin_VO

212

Содержание порфиринов (ванадиловые), (нмоль/г)

Porphyrin_VO_m

363

Содержание порфиринов (ванадиловые), (m %)

Porphyrin_Ni

212

Содержание порфиринов (никелевые), (нмоль/г)

Porphyrin_Ni_m

322

Содержание порфиринов (никелевые), (m %)

X_GAS_FAK

2386

Содержание газа в нефти, (м3/т)

GasSolute

228

Содержание растворенных газов, (%)

N

2265

Содержание общего азота, (%)

N-alkaline

28

Содержание азота основного, (m %)

N-neutral

4

Содержание азота нейтрального, (m %)

S

6870

Содержание общей серы, (%)

S-sulfide

32

Содержание серы сульфидной, (m %)

S-mercaptan

26

Содержание серы меркаптановой, (m %)

S-thiophenic

4

Содержание серы тиофеновой, (m %)

C

700

Содержание углерода (m %). Элементный состав нефти.

C13_C12

79

Углерод-13/Углерод-12, (%)

H

697

Содержание водорода, (m %). Элементный состав нефти.

O

457

Содержание кислорода, (m %). Элементный состав нефти.

N-O

92

Содержание суммы азота и кислорода. Элементный состав нефти.

S-N-O

8

Содержание суммы серы, азота и кислорода. Элементный состав нефти.

V

433

Содержание ванадия, (m %). Элементный состав нефти.

Ni

329

Содержание никеля, (m %). Элементный состав нефти.

Fe

37

Содержание железа, (m %). Элементный состав нефти.

Mo

20

Содержание молибдена, (m %). Элементный состав нефти.

PF_RATIO

547

Отношение пристана к фитану

Title1Id

13040

Источник информации 1

Pages1

12576

Номера страниц и таблиц источника информации 1

Title2Id

10801

Источник информации 2

Pages2

10734

Номера страниц и таблиц источника информации 2

Title3Id

1587

Источник информации 3

Pages3

1575

Номера страниц и таблиц источника информации 3

Title4Id

485

Источник информации 4

Pages4

481

Номера страниц и таблиц источника информации 4

Title5Id

142

Источник информации 5

Pages5

142

Номера страниц и таблиц источника информации 5

Title6Id

46

Источник информации 6

Pages6

46

Номера страниц и таблиц источника информации 6

Remains

713

Остальное

Odd_Even

155

Отношение четных и нечетных парафинов в нефти

nAlkanes_iAlkanes

28

Отношение нормальных алканов к изоалканам.

Isoprenoides_n-Alkanes

185

Отношение изопреноидов к нормальным алканам

iC20-nC18

53

iC20/nC18

iC19_nC17

93

iC19/nC17

iC19-iC20_nC17-nC18

196

(iC19-iC20)/(nC17-nC18)

iC19-iC20_iC15-nC18

65

(iC19..iC20)/(iC15..nC18)

iC19-iC20_iC14-iC18

46

(iC19-iC20)/(iC14-iC18)

iC13-iC16_iC18-iC20

175

(iC13..iC16)/(iC18..iC20)

nC16-nC18_iC18-iC20

177

(nC16..nC18)/(iC18..iC20)

nC6-nC6_nC6-nC30

26

(nC6-nC10)/(nC6-nC30)

nC9-nC19_nC20-nC31

39

(nC9-nC19)/(nC20-nC31)

nC14-nC18_iC19-iC20

30

(nC14-nC18)/(iC19-iC20)

GeoChemTyp_SDK

175

Геохимический тип нефти по Солодкову-Драгунской- Камьянову

GeoChemTyp

219

Геохимический тип нефти

Maximums

135

Максимумы концентрации нормальных углеводородов (№C)

GasDensity

2540

Плотность газа относительно воздуха, (г/л)

Gas_Ch5

5647

Содержание метана, (%)

Gas_C2H6

5453

Содержание этана,  (%)

Gas_C3H8

5232

Содержание пропана, (%)

Gas_C4h20

4909

Содержание бутанов, (%)

Gas_C4h20_n

11

Содержание n-бутана, (%)

Gas_C4h20_i

2237

Содержание изобутана, (%)

Gas_C5h22

3571

Содержание пентанов, (%)

Gas_C5h22_n

8

Содержание n-пентана, (%)

Gas_C5h22_i

1689

Содержание изопентана, (%)

Gas_C2-C5

21

Суммарное содержание угле

enrit.ipc.tsc.ru