基于MATLAB的BP神经网络模型在地震预报中的应用

根据人工神经网络模型,运用MATLAB的神经网络工具箱建立BP神经网络预测模型,以地震变化率作为神经网络的输入,对台湾地区和四川地区地震数据时间序列进行分析对大地震的发生时间进行预测.实验证明该模型用于地震预报的有效性和可行性,具有良好的应用价值.     

砂泥岩地层概率神经网络岩性反演技术应用研究

概率神经网络是一种基于概率密度函数理论的神经网络,能够广泛地应用于模式识别等领域.针对地震岩性反演预测问题,提出了一种具体的概率神经网络方法,包括网络模型的构造和预测识别步骤等.研究区主要目的层为沙溪庙组沙一段湖滩砂及河道砂体,储层单层厚度小,岩性横向变化较大,利用地震资料进行常规储层预测较困难.为此,根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地震属性数据做变换,从而对地层特征进行预测识别.     

用多层前馈网络进行三维储层参数反演的方法

地震反演的主要任务是依据地震资料并综合利用地质、测井等资料得到地下地层的详细信息。三维地震反演需要处理庞大的地震数据体，同时在反演过程中既要考虑模型和测井的约束，又要考虑地震在横向上的连续性。将地震反演看作是地震数据到储层参数的模糊映射，并利用神经网络建立了这种映射关系。针对网络收敛速度慢、学习时间长等缺陷，提出了一种学习率自适应调整算法。该算法使每个权都有自己的学习率，使网络的训练速度大幅度提高。利用该方法进行地震反演，抛开了褶积模型的限制，也无须已知地震子波。外推过程是在三维空间内进行的，所得的储层参数数据体保持了横向上合理自然的连续性。对该数据体进行三维可视化解释，可以直接描述储层的空间展布。     

基于时间序列相似性匹配算法的研究

把匹配抽象时间序列相似性的方法引入到地震预报的应用中,结合大量地震历史源数据,地震领域的专家经验知识和相关成果基础上,提出了一种简化的抽象时间序列匹配模型.该模型在对海量数据进行预处理筛选的基础上再进行时间相似性匹配,增加了横向和纵向多方位地区和多方位时间段的匹配,不同时间差和阈值的匹配,并通过大量实验对该模型进行了反复验证,同时对我国地震频繁地区近几十年的地震历史数据进行了相似性匹配实验分析,取得了可信度较高的实验结果,实验结果验证了所给时间序列相似性匹配控制策略的有效性、实用性以及算法的优越性.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

基于BP神经网络的区域短期地震预测模型研究

在详细分析和归纳地震数据及其特征的基础上,提出了可以对地震震级进行量化预测的方法,以江苏省区域为研究对象,采用线性回归和常规BP神经网络方法进行了震级预测,并在总结了这两种方法优缺点的基础上,提出了"线性回归+神经网络"的融合模型。回溯检验结果表明,该模型的预测效果得到显著改善。     

基于遗传神经网络的地震综合预测系统研究

提出利用遗传神经网络技术对地震预测建模,其基本思想是利用遗传算法具有全局搜索能力、不易陷入局部极小点的特点优化神经网络的权重和阈值,利用优化的神经网络挖掘地震前兆异常属性和震级之间的潜在的关系,从而实现地震预测.并选取了《中国震例》中的97个样本数据进行实验,震例验证的结果表明,遗传神经网络算法用于大地震综合预测效果较理想.     

基于时间序列相似性匹配算法的地震预测研究

把匹配抽象时间序列相似性的方法引入到地震预报的应用中,结合大量地震历史源数据,地震领域的专家经验知识和相关成果基础上,提出了一种简化的抽象时间序列匹配模型。该模型在对海量数据进行预处理筛选的基础上再进行时间相似性匹配,增加了横向和纵向多方位地区和多方位时间段的匹配,不同时间差和阈值的匹配,并通过大量实验对该模型进行了反复验证,同时对我国地震频繁地区近几十年的地震历史数据进行了相似性匹配实验分析,取得了可信度较高的实验结果,实验结果验证了所给时间序列相似性匹配控制策略的有效性、实用性以及算法的优越性。     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

基于循环神经网络的微地震数据降噪方法

针对微地震信号中存在大量噪声干扰, 导致其识别困难的问题, 提出一种深度双向门控循环单元循环神经网络的方法, 并将其应用于微地震数据降噪中. 首先, 构建多层双向门控循环单元循环神经网络模型, 并设计该模型的网络结构及训练算法; 然后, 采用Ricker子波正演模拟微地震数据验证模型的有效性, 并将该方法与其他4种方法进行对比; 最后, 将真实的含噪声微地震数据输入到训练好的模型中, 即可得到降噪后的微地震数据. 仿真实验结果表明, 利用该方法降噪后与降噪前信号的峰值信噪比相比约提高36 dB, 且信号之间的相关系数值由0.088 6上升至0.933 5. 实际应用结果也表明, 该方法可有效降低实际微地震数据中的噪声.