利用遗传算法拟合实验变差函数

理论变差函数模型的获取是地质统计学中的基础性工作,它是描述储层非均质性、进行储层随机模拟必不可缺的关键环节。针对现有的拟合实验变差函数方法:人工拟合法、非线性回归最小二乘法、加权多项式拟合法等的不足之处,充分利用遗传算法在求解非线性优化问题时具有的全局寻优的特点,提出实验变差函数的遗传算法拟合方法;在常规遗传算法中引入了模拟退火算法,加速了遗传算法的收敛速度。以川中某气藏的孔隙度变差函数为例进行了计算,结果表明:利用遗传算法可以简单、快速地实现实验变差函数的参数估计。     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

基于柯西变异动态粒子群优化的克里金插值算法

针对克里金插值算法中变差函数拟合曲线误差过大、插值精度低等问题.通过基于线性动态变化因子结合柯西变异粒子群算法对变差函数的拟合模型参数进行最优化估计,同时在适应度函数中引入克里金地理权重来增强变量的空间相关性,最后与基于约束粒子群算法的克里金插值进行比较实验.仿真实验结果表明:改进算法使基台值误差减少近75%,获得的变差函数值拟合曲线更接近实际情况,插值精度更高.     

压力铸造成型工艺参数优化数学模型研究

针对压铸成型的工艺参数系统难以建立精确的数学模型,参数优化凭经验试凑,难以得到最优成型工艺参数的问题。本文提出了一种基于量子粒子群算法改进的Kriging算法来建立压铸成型工艺参数系统精确的数学模型,通过Kriging代理模型技术建立工艺参数与控制量之间的精确数学模型,采用量子粒子群算法对Kriging代理模型的变差函数的参数进行优化,提高KRIGING建立的工艺参数与控制量之间的数学模型精度。仿真结果表明:基于量子粒子群算法改进后的Kriging模型精度评价指标的R²提高了9. 4741%,RMSE降低了82. 3207%,RMAE降低了84. 9139%,预测误差更小,由原来的[-2,10]优化为[-2,1]之间,提高了Kriging模型的拟合精度。     

储层非均质性描述的地质统计学方法

储层非均质性对油气的聚集、产出、分布和油气藏的形成等起着至关重要的作用。因此,储层非均质性描述在石油勘探和开发中具有重要的意义。储层非均质性既具有结构性,又具有随机性,是区域化变量。根据地质统计学的理论,通过半变异函数,在前人工作的基础上,利用k阶球状模型拟合实验半变异曲线,利用线性规划法实现了阶球状模型的最优拟合。提出了评价储层非均质性的综合评价指标,对储层非均质性的变化幅度、变化速度以及变化的随机性进行定量描述。具体实例表明,该方法具有一定的优越性和实用性。     

一种基于随机粒子群的变差函数优化方法

变差函数是克里格法中反映区域化变量空间变化特征的有效数学模型,其在克里格插值算法中是重要的环节,由其确定的拟合模型参数直接影响插值精度。由于变差函数采用非线性模型,导致拟合误差曲面存在很多局部极值点。因此传统的最小二乘法不易达到满意的结果。基于这一问题,提出了基于随机粒子群优化(RPSO)算法的变差函数设计方法。实验结果验证了该方法的有效性。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

横山地区三叠系延长组长6_1沉积微相特征及其对储层非均质性的影响

通过岩心观察、薄片鉴定、测井分析等对研究区沉积相类型和特征进行分析,采用裘奕楠的储层非均质性划分方案,从层内、层间以及平面3个角度对区内储层非均质性特征进行研究,并探讨沉积相对储层非均质性的影响。结果表明,横山地区长6_1油层亚组沉积相类型以三角洲平原沉积亚相为主,包括分流河道和河道间沉积微相。储层非均质性总体较强,层内非均质性和平面非均质性长6_1~2小层最强,层间非均质性长6_1~3小层最强。研究认为,研究区储层层内非均质性随单期河道宽度的变化范围的增大而增强,层间非均质性随河道的改道频次增加而增强,而平面非均质性主要随分流河道的叠加宽度的增加和相对厚砂体的连通性变差而增强。该研究结果对区内长6油层组后期的有效开发及石油的稳产增长提供了一定的理论依据。     

基于储层构型研究的储层平面非均质性表征

密闭取芯以及大量加密调整井实钻显示,渤海SZ油田平面上水淹差异大,平面剩余油动用不均,而现行平面非均质性定量表征手段难以满足下一步挖潜需求,基于减缓平面矛盾、释放平面剩余油潜力需求,开展了渤海SZ油田开发后期储层平面非均质性表征研究。研究显示,现行平面非均质性定量表征以地质统计学方法为主,其基础参数多为井眼处储层指标信息、以小层为测量单元,存在表征层次不足、无法有效描述井间储层内部结构差异等问题,通过开展储层构型研究,深化储层平面非均质性程度表征层次,结合油田不同相带单元平面油水接触关系,统计了储层平面非均质性定量表征新指标非连通厚度,该指标以连井剖面为基本单元,克服了无法描述井间储层内部结构差异的局限,并通过绘制非连通厚度平面分布图,实现了储层内部结构差异程度半定量表征。将非连通厚度指标应用于渤海SZ油田小井距先导试验,指标预测结果与生产实际一致,应用效果良好。     

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法.在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置.实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法.     

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

带交叉算子的量子粒子群优化算法

为了改善量子粒子群优化(QPSO)算法、提高其求解多峰优化问题的能力,采用新的粒子吸引点和势阱特征长度计算方法,引入遗传算法中的交叉算子并融入交叉概率自适应的参数控制技术,设计了一种带交叉算子的量子粒子群优化(CQPSO)算法.CQPSO算法既可确保QPSO粒子群体的多样性、维护粒子整体的活力性,又能克服特殊情况下QPSO算法收敛的不稳定性和陷入局部最优的偶发性.实验结果表明,在21个标准测试函数中,无论对应单峰函数、多峰函数或是偏移、旋转函数,在相同的物理仿真平台上,CQPSO算法的性能在绝大多数情况下都优于其他改进的量子粒子群算法,从而验证了CQPSO算法的有效性和鲁棒性.     

利用动态生产数据判断储层非均质性

目前我国大部分油田经历了数十年的生产现已进入高含水开发阶段,部分地区储层非均质性明显,导致油田的开发投资、成本增加,经济、社会效益大大降低。本文通过对储层非均质性与油田生产动态数据之间的相关性进行研究,利用数据相关性原理提出一套全新的判别砂岩油藏储层非均质性的思路方法,运用丼间相关性模型通过动态生产数据快速、准确的判别储层非均质特性。将该方法应用于油田现场,预测结果与实际结果相同,证明了本方法的准确有效。该方法与传统识别储层非均质性的方法相比,无需测试额外数据,方便快捷,简单有效,可以节约大量的研究费用与时间,具有较好的现场应用价值。     

量子粒子群算法求解整数规划的方法

粒子群算法主要用于优化连续性问题。如果用于求解整数规划问题,算法的粒子位置必须解决取整问题;而量子粒子群算法求解整数规划问题具有更高的效率。利用三种取整方法与量子粒子群算法结合,求解非线性整数规划问题,并且与标准粒子群算法求解整数规划问题进行比较。通过对基准函数仿真实验,比较了六种方法求解整数规划问题。实验结果表明,基于随机取整的量子粒子群算法搜索成功率优于其他五种方法,其综合搜索效率更佳。寻找了一种更优的求解整数规划方法。     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

量子粒子群算法在电网规划中的应用

量子粒子群是在粒子群算法的基础上,引入了量子机制,它具有较好的全局收敛性。将量子粒子群算法应用于电网规划问题,克服了传统优化方法易陷入局部最优等缺点。通过18节点实例验证了该算法的可行性和有效性。     

熵权非均质综合指数算法及其应用

利用熵权方法可以计算非均质综合指数 ,其方法包括确定对象的集合、指标因素的集合、指标矩阵、归一化指标值、指标权重以及计算综合指数等。熵权非均质综合指数算法可将数值有差异的属性参数对非均质指数的贡献进行弱化和强化 ,即去同存异 ;熵权非均质指数的大小能定量表征储层的非均质性。利用该方法在胜坨油田坨2 1断块进行了应用 ,定量地刻划了储层的层间、层内和平面非均质性 ,取得了满意的效果     

利用生产动态数据识别储层非均质性

目前我国大部分油田经历了数十年的生产,现已进入高含水开发阶段,部分地区储层非均质性明显,导致油田的开发投资、成本增加,经济、社会效益大大降低。通过对储层非均质性与油田生产动态数据之间的相关性进行研究,利用数据相关性原理提出一套全新的判别砂岩油藏储层非均质性的思路方法;运用丼间相关性模型通过动态生产数据快速、准确的判别储层非均质特性。将该方法应用于油田现场,预测结果与实际结果相同,证明了方法的准确有效。与传统识别储层非均质性的方法相比,无需测试额外数据、方便快捷、简单有效,可以节约大量的研究费用与时间,具有较好的现场应用价值。     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.