BP神经网络在碳酸盐岩储层参数测井解释中的应用

由于碳酸盐岩储层具有严重的非均质性特点,运用传统的测井解释方法对该类储层进行储层参数分析得到的计算结果往往存在较大误差。为提高储层参数测井解释精度,应用BP神经网络方法,在岩心分析和地质、测井等资料的基础上,对碳酸盐岩储层进行岩心深度归位、测井数据标准化、归一化等预处理工作,挑选合适的学习样本,建立储层参数预测模型,用交会图法、叠合图法和误差统计法对预测效果进行评价并与传统计算结果对比,结果显示:BP神经网络储层参数预测结果比经验模型法、方程法等传统方法精确度更高。     

可变结构神经网络在未来水质参数预测中的应用

介绍BP神经网络预测水质参数的基础上,结合变结构网络设计的思维方法,给出了可变结构BP神经网络在水质参数预测中的应用过程.并且,对两种预测算法作了比较,结果显示,变结构BP神经网络的预测精度更高.     

基于径向基函数(RBF)神经网络的储层损害诊断技术研究

在石油勘探开发过程中会因各种原因造成储层损害，降低油井产量甚至停产，必须对损害储层进行准确定量诊断的基础上采取相应的解堵措施，提高或恢复油井产量．人工神经网络法是进行储层损害诊断较好的方法，但目前仅限于BP神经网络，或改进的BP神经网络的应用．本文通过对BP神经网络和径向基函数（RBF）网络的对比表明，径向基函数（RBF）网络具有收敛速度快、预测精度高等优点，并在确定影响储层敏感性和各损害类型因素的基础上，分别收集了各数据70组以上，然后进行了径向基（RBF）网络训练和应用，分别建立了径向基（RBF）神经网络在储层损害敏感性和定量诊断领域的应用，实现了对储层水敏性、盐敏性、速敏性预测，以及储层微粒运移、固相颗粒堵塞、水化膨胀和结垢损害程度的定量诊断；同时，提出的径向基（RBF）网络储层损害定量诊断法在孤东油田17口井上得到了检验，成功率达100％，证明RBF网络法与其它方法相比具有诊断结果准确性高、结论可靠、推广应用方便、收敛速度快等优点，提高了储层保护措施和解堵措施优化决策的科学性和准确性，在油田生产中发挥了重要作用．     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度，采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上，确定了BP神经网络模型的特征参数，并根据实际情况，确定了输入层和中间隐层的维数，从而确定了模型的结构．用试验参数对模型结构进行训练，最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明，该模型的预测误差可以控制在10％以内，具有很高的精度预测能力．     

基于BP神经网络的杭州紫之隧道最大地表沉降预测

杭州紫之隧道浅埋暗挖北段处于地下水丰富的软弱地层中,施工过程中产生的地表沉降量难以控制,波动范围较大.为了准确评估施工风险,采用BP神经网络对最大地表沉降进行预测.首先对地表沉降的影响因素进行选取和量化,构成样本数据组.然后通过试错法,建立预测精度最高的一般BP神经网络和遗传算法优化的BP神经网络模型,研究发现BP神经网络在预测地表沉降方面效果较好,且使用遗传算法可以进一步提升预测精度.接着探讨了地层渗透性对BP神经网络预测精度的影响,研究发现不考虑地层渗透性会使预测精度大幅下降.最后对BP神经网络模型参数进行了敏感性分析,揭示了预测沉降的变化趋势符合客观变形机理.     

基于MATLAB的相似度-遗传神经网络在储层物性预测中的应用

由于储层的非均匀性,传统的方法很难得到真实反映储层特性的结果。采用了遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,从而提高网络的训练精度和预测精度。将相似度的概念引入到测井中,定义了相似度在测井中的计算公式,提出了相似度与遗传神经网络相结合的方法。根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB中神经网络工具箱建立神经网络模型并训练。实例研究表明,预测准确性较高,且可以有效地控制预测精度,避免了因储层差别大而造成的预测精度降低的现象。     

基于试井资料分析的煤储层渗透率定量预测模型

为了探讨煤储层渗透预测的方法,基于工区的试井资料,对煤储层渗透率的主控因素进行了分析,认为煤层埋深、储层压力、地应力和有效地应力与煤储层渗透率具有较强的相关性;以工区的试井资料为依据,选取相应的参数,利用多元线性逐步回归分析和非线性的BP神经网络两种方法,对煤储层渗透率进行了预测分析.预测结果和实测资料对比分析表明:预测的煤储层渗透率与实测的煤储层渗透率之间的误差较小,且非线性的BP神经网络方法预测结果明显优于线性回归预测的结果;基于试井资料建立煤储层渗透率预测模型具有可行性,其预测结果是可靠.     

基于灰色BP神经网络的汽车物流需求量预测模型

本文利用BP神经网络理论和灰色预测法,针对汽车物流行业特点,建立了灰色BP神经网络预测模型,并对某汽车企业某车型整车物流量进行了预测。结果表明：所设计的模型在汽车物流需求量预测应用中能达到良好的拟合精度及预测精度。     

改进遗传神经网络对露天矿边坡位移预测

为提高BP神经网络对边坡位移的预测精度,将遗传算法的交叉算子及变异算子改进,用以优化BP神经网络的初始权值和阈值.应用改进的遗传神经网络对安家岭露天矿1270平盘边坡位移进行预测,同时应用未改进的遗传神经网络及BP神经网络作对比分析.结果表明:改进遗传算法为BP神经网络提供了进一步优化的初始权值、阈值,应用改进遗传神经网络对安家岭1270平盘边坡位移进行预测,改进遗传神经网络的预测精度与遗传神经网络及未经优化的BP神经网络相比进一步提高,是一种可行的边坡位移预测方法.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

基于神经网络的桥下开挖竖向位移预测

基于BP神经网络方法，对桥下开挖的竖向变形作了预测.从不同土层的土的参数敏感性分析结果可知,竖向位移只对首层土的参数变化很敏感,由此建立了桥下开挖竖向位移预测的神经网络，其控制参数为首层土的粘聚力、内摩擦角、弹性模量、泊松比、开挖深度和开挖长度.选用B-R方法进行迭代计算，并对建立的神经网络进行验证，结果表明该模型的预测准确度较高.     

基于小波神经网络的水库来水量预测模型

水库来水量预测是水库调度和水资源优化配置的重要依据,所以其预测精度值得引起重视.通过对小波分析理论和神经网络理论的研究,将两者结合起来,运用小波神经理论方法对水库来水量进行预测.取实例进行建模分析,并建立BP模型与之比较分析,计算结果为小波神经网络预测模型的精度比BP高很多,可以用于来水量预测.     

基于LMBP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。