改进的自组织特征映射网络及应用

在自组织特征映射网络研究的基础上,对其网络结构进行了改进,利用改进后的自组织特征映射网络算法进行油气检测.根据已知井位的油气属性,验证了该方法的有效性,并将其运用于未知井位的油气属性的预测.     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.     

反传网络(CPN)的改进及其在储层预测中的应用

反传网络（ＣＰＮ）是由Ｋｏｈｏｎｅｎ自组织特征映射和Ｇｒｏｓｓｂｅｒｇ外星网络组合形成的一种无指导混合分类器网络。本文尝试用反传网络对地震信息进行油气预测和分类。首先实现该网络的常规算法,然后对其进行了改进,最后利用这一算法对某油田的地震资料进行了ＣＰＮ网络的学习建模及油气预测计算,取得了较为满意的效果。     

多变量自校正控制的任意维数输入输出

本文对具有任意维数输入输出的多变量系统,提出了在线修正加权多项式矩阵和输出最优预测两种最小方差自校正控制算法.这两种自校正算法中,参数辨识均采用隐式步骤,参数估计数目较少.控制器闭环稳定性分析表明所述算法能适用于非最小相位系统.仿真结果验证了此算法的有效性.     

多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

基于模糊多项式拟合的乙肝发病率预测

本文主要探讨了模糊多项式拟合技术在乙肝发病率预测的应用.利用模糊多项式拟合技术对我国内地法定报告乙肝发病率进行拟合并预测,乙肝发病率模糊多项式拟合的平均相对误差为1.83%,小于中长期预测精度要求的20%,模型可用于后推预测.最后发现模糊多项式拟合模型用于乙肝发病率预测效果较好.     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

液体火箭发动机的分层贝叶斯变分推理故障诊断方法

针对稀疏数据场景下，传统的多项式-狄利克雷模型存在一定的分类精度问题，提出一种基于变分推理的分层贝叶斯网络的参数估计方法. 通过在传统的多项式-狄利克雷模型中引入超先验，构建出的分层多项式-狄利克雷模型可用于贝叶斯网络中的条件分布估计. 对分层多项式-狄利克雷模型的先验依赖结构进行分析研究，提出一种快速准确的自组织变分推理算法. 与传统的分类模型相比，本文提出的分层多项式-狄利克雷模型在处理小数据集液体火箭发动机的故障分类中有显著的性能提高.      

滚动轴承油气润滑性能的试验研究

为了研究不同工况下油气润滑所需的最佳供油量,研制了一台能够对油气润滑滚动轴承温度场进行测量的试验台。通过对比试验研究发现:与传统的连续供油润滑方式相比,油气润滑具有较低的温升;试验研究了油气润滑过程中供油量对润滑效果的影响,发现不同的工况条件对应不同的最佳供油量,以该供油量进行润滑可使滚动轴承的温升最低;通过理论分析,提出了用于描述滚动轴承工况的参数s,并通过大量的试验研究,得到了工况参数s与最佳供油量之间的四次多项式插值曲线,建立了能够对油气润滑最佳供油量进行预测的数学模型,为工程实际应用中最佳供油量的确定提供了重要的理论依据。     

自相似网络流量的处理和分析

为了解决自相似模型难以进行自相似网络流量趋势预测的问题,提出时间序列分析中短时相关模型(自适应自回归模型)的方法用于流量数据的估计;同时为了提高预测精度,提出改进的最小平方格型(modified least square lattice, MLSL)算法,使模型参数不断递推修正,收敛到最佳值.仿真试验结果验证了短时相关模型在网络流量预测应用中的可行性,实现了自相似网络流量的短期预测,该算法比最小平方(least square, LS)算法均方误差减少20%, 具有收敛快、预测精度高的优点,而该算法的计算量减少一半.     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田的特点提出了利用神经网络进行储层预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。利用神经网络的非线性映射特点实现了地震特征与地层厚度之间的映射，从而可以准确地求取地层厚度。用该方法设计了２口探井，实际钻井结果表明，这种方法的预测结果准确、可靠。     

低渗透气藏储量早期预测

气藏早期地质储量的确定对开发方案的制定、开发设施的设计以及气藏价值的评估十分重要,低渗透气藏早期地质储量的确定一直是一项比较难的工作。针对此问题,提出了利用流动物质平衡法、油藏影响函数法以及采气曲线法来早期预测低渗透气藏或单井控制地质储量。经过实例分析说明以上三种方法切实可行,还对三种方法自身的适用条件以及各自的优缺点进行了简要分析。     

SOM神经网络在储层流体识别中的应用

自组织特征映射（ＳＯＭ）神经网络能通过自组织有效地提取出各特征参数间的内在特征并映射到分类模板上，它可以用于各种模式识别问题。本文首次将ＳＯＭ网络引入到储层流体识别中，经研究表明其精度高于传统方法，说明该方法在解决复杂分类问题上的有效性和先进性，它在储层流体识别中的应用是成功的，值得推广。     

地震参数综合处理方法在储层横向预测中的应用

建立了一套计算机上可实现的地震参数综合研究的算法和程序,将地震参数综合处理方法变为计算机处理过程,再将地球物理数据转换为地质解释语言.从现有的模式识别或统计分析方法中,选用了输出能量最大准则滤波的综合参数法和标准样本学习的判别分析法进行储层岩性预测.尽管综合参数或判别函数本身已失去了各个参数原有的明确的物理意义,但它却代表了多参数共同性的变化,较可靠地反映出产生这些变化的地质因素.     

灰色遗传识别在 XX 气田储层预测中的应用

本文介绍一种新的油气预测方法——灰色遗传识别法在储层预测中的应用。该方法是一集灰色识别、神经网络、遗传算法三者为一体的、思路新颖的新型油气预测系统。文中首先简要介绍系统的方法原理、特点及计算步骤,然后再描述其在ＸＸ气田产能、有效厚度、孔隙度及ＫＨ值（渗透率×有效厚度）等多目标储层预测中的模式建立的思路、特征优选、识别计算的过程及结果,最后展示该区产能、有效厚度、孔隙度、ＫＨ值的单测线多目标预测图及工区平面预测分布图,结果与气田地质专家的认识相当一致,显示了本方法在油气预测中的良好应用前景。     

利用支持向量机方法预测储层产能

支持向量机方法(SVM)是基于结构风险最小化原理,采用核函数处理技术,较好的适应小样本、非线性和局部极小点等实际问题,克服了常规统计方法的局限性,避免了维数灾难。能够在有限的样本集基础上,兼顾模型的通用性和推广性,有效解决了学习性和延拓性的问题,预测精度更高。实际生产中影响储层产能因素众多,各因素间相互影响,在综合考虑地层因素的基础上,提取了测井产能预测参数,利用支持向量机方法对产能进行了预测,预测结果与实际一致,并将处理结果与多元回归及BP神经网络处理结果进行了对比分析。实践表明支持向量机方法优于后两种方法,是一种值得推广使用的方法。     

罗151井区火成岩储层的地震信息研究

根据沾化凹陷南部罗 15 1井区的火成岩储层特点 ,提出了适合该区的信息评价方法。利用测井和垂直地震剖面 (VSP)资料对地震剖面进行联合标定 ,可以准确地标定出火成岩的顶、底地震反射层。根据测井和地质资料 ,选择了对火成岩储层反映敏感的有效地震属性 ,并利用神经网络储层预测技术预测了本区火成岩储层空间的分布形态。资料对比表明 ,本区火成岩储层的有利分布范围在构造高点附近 ,并受构造运动的张应力的影响 ,在断裂带附近还可以形成裂隙储层     

地质统计学在油藏描述中的应用

地质统计学理论在油藏描述中的应用有了很大进展．本文主要对地质统计学在油藏参数分析、预测和储层非均质性研究三个方面的应用进行综合论述，展示了地质统计学在油藏描述技术中的应用现状和前景，供油藏描述工作者参考．     

基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法, 解决油田测井解释中的水淹层识别问题. 首先, 构造储层特征指标集, 包括测井曲线的序列指标和单个数值指标. 对序列指标先采用离散Walsh滤波方法去除噪声, 然后取均值, 再与其他单个数值指标一起构造储层特征向量. 其次, 将储层特征向量转化为量子态描述, 提交量子自组织网络实施聚类. 最后将聚类收敛后的网络作为水淹层识别的数学模型, 应用于油田相似区块的水淹层识别中. 仿真实验结果表明, 该方法正确识别率比传统自组织聚类方法高6%.