基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

NMAR机制下线性回归模型参数的Bayesian估计

当数据缺失机制为非随机缺失（NMAR）时,线性回归模型中的参数估计是一个复杂的问题．本文采用贝叶斯（Bayesian）方法,并利用MCMC方法、选择模型和Gibbs抽样方法,求得了参数的Bayesian估计,用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。     

NMAR机制下线性回归模型参数的Bayesian估计

当数据缺失机制为非随机缺失(NMAR)时,线性回归模型中的参数估计是一个复杂的问题.本文采用贝叶斯(Bayesian)方法,并利用MCMC方法、选择模型和Gibbs抽样方法,求得了参数的Bayesian估计,用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。     

一种利用岩石强度刻划试验确定岩石PDC钻头可钻性级值的方法

基于微钻岩石可钻性试验与岩石强度刻划试验破岩机制一致性,通过开展试验获得两种试验岩石破碎比功的转化关系,结合岩石PDC钻头可钻性级值求取方法,建立利用刻划岩石破碎比功求取岩石PDC钻头可钻性级值模型,形成一种通过刻划岩心表面得到岩石PDC钻头可钻性级值剖面的方法。结果表明,该方法不但与微钻可钻性试验结果具有很好的一致性,还充分表征了矿物组分、胶结强度、微观结构等复杂因素变化对岩石PDC钻头可钻性级值的影响,且不破坏岩心的整体结构,提高了岩心的利用率,推广应用价值高。     

岩石可钻性研究

为满足优质高速钻井的要求,需要对岩石可钻性做出更加精确的观测。本文对岩石力学参数和可钻性级值通过多元回归的方法得出了围压下岩石可钻性级值的相关模型,通过该模型,可以更准确的预测地层岩石可钻性。     

基于空间球对称模型的井底岩石可钻性研究

针对井底复杂应力环境下的岩石可钻性问题,开展了岩石可钻性和岩石单轴抗压强度实验和理论研究,研究 中采用弹性力学理论和Drucker-Prager 强度准则,建立了球坐标系下的井底岩石可钻性模型,并以川西地区某井须家 河组致密砂岩实验数据和测井资料为基础,进行了算例分析。结果表明,井底岩石可钻性随着液柱压力的增大而增 加;井深一定时,沿井底表面径向方向,随着距离的增加,岩石可钻性增大。该模型计算结果,能够较好地反映井底岩 石可钻性级值的变化规律,有助于钻具优化设计。     

徐深气田火成岩储层岩石可钻性分布规律研究

大庆油田火成岩地层是世界级难钻地层,钻进过程中该地层岩石表现为可钻性值极高,地层与钻头适应性差。预先评价未打开地层的岩石可钻性分布规律,对钻井施工提供指导是有实际意义的。本文以随机分形理论为基础,先应用分形维数解释模型计算岩屑取样点的岩石可钻性,再应用分形插值理论建立井间地层岩石可钻性预测模型,两模型的结合使用实现了井间岩石可钻性分布规律的评价,经过现场的应用验证,该方法能够有效的再现岩石可钻性的分形分布规律,预测准确,满足工程精度要求。     

竖炉焙烧磁选管回收率智能预报模型

针对竖炉焙烧过程衡量焙烧矿质量好坏的磁选管回收率化验滞后和难以建立其机理模型的问题,基于智能技术提出了由数据采集与处理模块、决策支持模块、预报模块、在线校正模块以及效果评价模块组成的磁选管回收率智能预报模型.介绍了模型的结构及各个模块的主要功能,并将建立的智能预报模型用于竖炉焙烧过程的优化控制与决策之中,为选矿厂综合自动化系统的优化控制与优化运行奠定了良好的基础,并且其维护费用低,实时性好,可靠性及精度高,取得了明显的成效.     

基于连分式的广义高斯模型UDCT贝叶斯图像去噪

文章通过研究均匀离散曲波变换(uniform discrete curvelet transform,UDCT)系数统计特性,发现该变换域的系数具有良好的相关性,且能有效解决广义高斯模型的参数拟合问题。在利用广义高斯模型的参数估计进行图像去噪过程中,从矩估计和最大似然估计出发,采用比牛顿迭代法更稳定的连分式迭代法来求解最大似然估计的超越方程;采用蒙特卡洛方法代替鲁棒中值法来精确地估计每个子带的噪声方差;在Bayesian最大后验概率估计的框架下完成图像去噪。实验结果表明,文中提到的算法与传统的VisuShrink、BayesShrink和SureShrink相比,具有较好的去噪效果和峰值信噪比。     

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于 Bayesian 方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于 Gibbs 抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题，提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法，利用XGBoost算法训练滤波处理后的数据，基于平均绝对误差百分比MAPE确定最优特征子集，以改善模型精度和泛化能力；采用贝叶斯正则化算法训练前馈神经网络，以便能够在训练优化过程中降低网络结构复杂性，从而避免网络过拟合，进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明，特征筛选后较筛选前模型MSE降低43.29%，有效提高了模型预测精度；分别以贝叶斯正则化和L-M算法对神经网络进行训练，前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%，预测模型泛化能力得到有效提升。     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

岩石可钻性能量法现场实验研究

本文介绍了岩石可钻性能全法在油田现场实脸研究的成果:确定其可钻性指标凡对地层的适用范围,证明K指标比其他可钻性指标能更容易、史好地反映出井下实际地层可钻性变化情无,用K指标预浏钻速与实际钻速接近.     

磁化处理的全尾砂料浆沉降参数优化模型

为了提高全尾砂料浆的脱水浓缩效果,将磁化处理技术引入到全尾砂料浆脱水浓缩中,并建立GA-SVM模型优选全尾砂料浆的沉降参数。建立支持向量机(SVM)沉降参数优化模型,以磁感应强度、磁化处理时间、料浆流速、料浆浓度、絮凝剂单耗为输入因子,沉降速度为综合输出因子,通过正交试验建立样本数据对SVM模型进行训练与检验,采用遗传算法(GA)对SVM模型参数进行优化,进而得到磁化全尾砂料浆沉降参数的GA-SVM优化模型。将GA-SVM模型运用到某铁矿磁化全尾砂料浆沉降参数优化中,得到的最佳沉降参数为磁感应强度0.192T、磁化处理时间1.85min、料浆速度1.92m/s、PAC单耗28g/t,沉降速度可达约155cm/h。研究表明:适宜的磁化处理条件可提高全尾砂料浆的脱水浓缩效果,节约30.0%~42.5%PAC用量,GA-SVM模型对全尾砂料浆沉降参数预测结果相对误差在5%以内、预测精度高,为全尾砂料浆脱水浓缩及其参数优选提供了一种新思路。     

地质力学特征评价新方法在导向钻井优化中的应用

针对常规导向钻井技术在适用范围、预测能力与运行成本等方面的局限性,在考察岩石物理及力学参数和地球物理信息之间定量关系的基础上,将地震反演、地质统计、地震属性分析、岩石力学方法与钻井工程实际需求密切结合,提出地质力学特征评价新方法,基于其对导向钻井系统进行优化。新技术以常规地震和测井资料为基础,充分结合钻井、录井等实钻信息,钻前建立地质力学初始模型用于钻井设计,钻进过程中参考实钻资料随钻修正并更新钻前模型用于钻井工艺实时优化,其关键环节是准确预测钻头前方待钻地层的强度、地应力、孔隙压力、坍塌压力、破裂压力等力学参数。以井壁稳定预测及其工程运用为重点,论述导向钻井优化中岩石力学理论和地球物理算法结合运用的思路与技术流程,将该方法在西南、西北复杂探区进行应用。现场应用表明,优化的导向钻井系统可以达到理想的参数预测精度与工艺优化效果,指导安全、优质、快速、低成本钻井的能力得到了提高。     

基于多智能体的城市环道交通信号控制算法

针对城市环道交通信号控制问题,利用多智能体系统自主性、分布性、协调性、主动学习等特性,提出基于多智能体的环道交叉口绿波协调方法,将每个环道交叉口都看作一个智能体,相邻智能体间能够进行信息的互通交流,利用智能体系统记忆存储以及推理学习能力,对环道上的多个交叉口进行绿波协调优化,从算法模型与参数描述、协调方式的相位选择策略等角度对所提算法进行描述和推导,并通过实验仿真验证了所提的算法的有效性.     

基于决策树和改进SVM混合模型的语音情感识别

为有效提高语音情感识别的准确性,达到人机和谐交互的目的,本文提出了一种基于决策树和改进SVM混合模型的语音情感识别方法,有效地避免了无界泛化误差、分类器数目多、受限优化等问题,提高了悲伤、喜悦、愤怒、厌恶、惊讶、恐惧6种基本情感识别效率。实验结果表明,该方法识别准确率为87.58%,与传统的支持向量机和人工神经网络方法相比,有更高的抗噪声能力和稳定性,能得到更高的识别准确率,而且有较强的实用性和推广能力。