基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。     

基于机器学习算法的合成孔径雷达图像的目标识别

合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到越来越多的关注.本文针对美国空军研究实验室SAR图像中的8个目标物引入3种机器学习算法和一些数据处理方法构建了相关的识别模型,并对其识别能力进行对比分析,结果显示这3种机器学习算法通过优化算法都可以获得较高的识别准确率(> 80%),尤其是KNN算法的测试集准确率都可以高达97%.本文研究结果可为SAR目标识别的人工智能化技术提供一些方法上的参考和指导.     

基于数据融合的无人机影像碎屑岩岩性识别

不同类型岩性影像纹理相似性高,基于单一的二维影像进行岩性识别精度较低。本文针对这一问题,开展了顾及影像深度信息的岩性智能识别方法研究。利用无人机影像具有多模态的特性,采用通道叠加、IHS变换、小波变换以及多模态融合四种影像融合方式,将深度信息融入到影像数据中,运用深度卷积神经网络DeepLabv3+进行碎屑岩岩性识别。经人工解译结果对比分析,结果表明,实验区内基于多模态融合影像的岩性识别精度最高,Kappa系数可达76.17%,总体识别精度可提升到91.05%;分析认为,顾及影像深度信息的岩性智能识别方法针对岩层表面不平整,高差落差大的砾岩识别效果有明显提升,但表面平整、高差表现不明显的泥岩和砂岩地层识别效果有待提升,总体为野外碎屑岩露头岩性快速识别提供了新思路。     

应用模糊神经网络识别岩性

岩性识别在油气勘探开发中占据重要的位置.经过将高木-关野模糊逻辑系统和神经网络BP算法相互集成,提出了一种新兴的模糊神经网络模型——"加-乘"模糊神经网络模型,并通过实际应用得到了很好的效果.与单纯的神经网络或模糊逻辑系统相比,所提出的模糊神经系统既不是一个"黑盒"模型,又不是"粗糙",它同时具备了神经网络和模糊逻辑的优点,所以具有广泛的应用潜力.     

基于PCA-SVM算法在岩性识别中的应用

针对岩性识别中传统方法识别率低且信息冗余的问题,建立PCA-SVM(主成分分析与支持向量机组合)岩性识别模型,即先利用主成分分析(PCA)进行参数处理,整合冗余,降低维数,后将处理得到的主成分作为支持向量机(SVM)测量模型输入的分类方法。在此过程中,优化主成分分析和支持向量机的参数,使模型具有较高的训练精度。结果表明,与传统的基于主成分分析的判别分析方法相比,预测结果与实际结果相比具有较好的一致性,识别准确率达100%。     

基于改进随机森林的火山岩测井岩性识别

准噶尔盆地石炭系火山岩岩性复杂,在某种岩性薄片、岩心等资料数量明显少于其他岩性时,常规方法划分岩性存在困难。为了解决上述问题,提高火山岩岩性识别精度,运用SMOTE算法增加少数岩性类别样本数量,解决数据不均衡问题；通过网格搜索和K折交叉验证法确定最优参数组合,开展基于改进随机森林的火山岩岩性识别研究。通过分析火山岩岩心、薄片、测井响应特征等资料,建立了岩性交会图版,确定了研究区对岩性敏感的测井参数重要性程度。实例资料应用表明,改进的随机森林算法有效的解决了传统随机森林算法受岩性样本类型不均衡及数据量较小的影响,火山岩岩性识别准确率由87%提升到了94%,为不均衡样本情况下火山岩岩性识别提供借鉴。     

基于SSA-BP神经网络的岩性识别研究

为提高岩性识别的精度,引入SSA算法解决BP神经网络的性能受连接权值cj、ωij和连接阈值ε、θj的影响较大的问题,对网络连接权值以及阈值进行选择性优化,提出一种基于SSA-BP的岩性识别方法.将声波、补偿中子、微电极2 m梯度、井径、4 m梯度、2.5 m梯度、感应电导、浅侧向和微电极差等9项指标输入SSA-BP算法...     

遥感岩性识别研究进展与展望

综述遥感岩性识别的岩石光谱学机理与岩石光谱特征,总结目前常用的遥感岩性信息提取方法.认为深入研究岩石矿物的光谱学机理,不仅要测量单个矿物的光谱,分析其诊断性特征,建立和完善矿物的光谱库,更重要的是测量和研究多种矿物、岩石组成的岩性地层单位的成分与光谱的相关性特征、规律及其诊断性特征.建议我国南方遥感岩性识别研究应开展不同岩性地层单位的岩石地球化学特征与其上部覆盖土壤化学特征和植被生物化学特征之间的相关分析,寻找其对应的遥感光谱信息变化规律;加强遥感信息与非遥感信息的综合分析,探索对新的高空间分辨率、高光谱分辨率的其它遥感信息的岩性识别方法.     

基于舌图像多特征融合与机器学习的裂纹舌识别算法

舌裂纹是中医舌诊辨证施治的重要信息源,能够客观、准确地反映某些典型疾病和中医证候的变化。针对传统的裂纹舌诊断易受医生经验、环境变化等因素的影响,提出了基于舌图像多特征融合与机器学习的裂纹舌识别算法。首先,采用Grabcut方法对原始舌图像进行舌体分割;然后,提取图像基于灰度共生矩阵的纹理特征,基于低阶颜色矩的颜色特征,以及基于方向梯度直方图的形状特征;最后,将三类特征及其不同的组合形式分别输入四个经典的机器学习模型,完成裂纹舌识别。实验结果表明：多特征融合往往有助于提高机器学习模型的识别能力,尤其是融合三类特征的自适应提升树(AdaBoost)取得了几乎能与深度学习模型相媲美的识别效果：AUC为0.97,准确率为0.91,精确率为0.91。可见,提出的裂纹舌识别算法有助于传统中医舌诊的客观化、定量化和标准化。     

基于 LVQ 过程神经元网络的储层岩性识别

针对基于取心井岩心分析数据和测井过程数据的储层岩性判别问题, 建立了一类学习向量量化过程神经 元网络模型(LVQ-PNN: Learning Vector Quantization Process Neural Network)。 该模型通过增加输出层, 扩展了 自组织过程神经元网络的深度结构; 采用无监督竞争与有教师示教相结合的算法策略, 提高了多维信号特征的 自适应提取和自组织综合能力。 实验证明, 该方法具有较好的岩性特征综合和辨识能力, 岩性识别率达到了 84. 7%。     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机（SVM）进行井眼轨迹预测的新方法，它基于小样本统计学习理论，通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机，建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明，该方法估计精度高且易于现场推广使用。     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机(SVM)进行井眼轨迹预测的新方法,它基于小样本统计学习理论,通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机,建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明,该方法估计精度高且易于现场推广使用。     

随钻扩眼工具井底钻压分配的实验研究

为了考察随钻扩眼工具钻进过程中产生的特殊结构井眼对井底钻压分配的影响，按照相似原理建立了随钻扩眼工具底部钻柱动力学特性模拟实验装置，对领眼井底与阶梯井底的钻压分配规律进行了研究。模拟实验结果表明，随钻扩眼形成的阶梯式井底岩石要比领眼井底岩石更容易破碎，实际钻压分配比小于按照几何结构定义的钻压分配比。该结果与理论模型的研究得到的结论一致。     

旋转导向钻井工具随钻测量系统存储功能研究

井下随钻测量系统的存储单元是调制式旋转导向钻井系统的关键技术之一.设计实现了基于串行EEPROM存储近钻头随钻测量井下工况数据的单片机系统,该系统采用大容量存储方式将采样的数据定时存储起来,起钻后读出数据,实现即时数据的回放.给出了硬件设计电路及软件设计思想,并采用C51语言实现井下大容量、长时间的数据采集存储.地面试验及井下试验证明该存储功能的有效性和可靠性,能够解决目前随钻测量参数的存储问题.     

基于社会计算和机器学习的垃圾邮件识别方法的研究

在对目前各种垃圾邮件识别方法进行研究分析的基础上,结合社会计算的理论和机器学习的方法,提出了一种新的垃圾邮件识别方法。通过利用邮件头部中能反映联系人社会关系的特征来构造一张联系人来往关系图对垃圾邮件进行初次识别,对于无法确定存在社会关系的联系人的邮件再利用机器学习的方法进行识别。实验结果表明,采用该方法进行垃圾邮件识别较之单纯采用贝叶斯方法,识别准确率有了较大的提高,同时,识别时间得到降低。     

随钻扩眼钻井钻进趋势影响因素

以钻进趋势角作为评价指标,对使用随钻扩眼工具进行钻进时的钻进趋势进行了分析.结果表明:对于偏心扩眼钻头,钻压分配比在一定条件下能够改变钻具的钻进趋势,因此在钻具组合设计中不能按照常规钻头来对待;对于钻具组合设计,将扩眼体位于井眼高边时是否满足防斜要求作为设计依据;对于独立结构扩眼器,钻压分配比的变化通常对钻具钻进趋势的影响较小,独立结构扩眼器的防斜主要依赖于领眼钻头与扩眼器之间稳定器位置的调节.     

基于归一化核极限学习机的复杂岩性储层的岩性识别方法

<正>确识别岩性对储层参数的精确计算及流体识别工作具有重要意义。针对复杂岩性储层岩性难以准确判别,考虑到核极限学习机可收敛到全局最优解,将核极限学习机进行改进,提出基于归一化核极限学习机的岩性识别方法。通过对中东伊拉克M油田复杂岩性储层579块岩样进行建模,然后对未参与建模的井进行岩性识别,核极限学习机模型预测准确率达到80.03%,归一化核极限学习机模型不仅在预测准确率达到81.85%,且预测速度仅有0.001 1s,在预测准确率与速度上均优于传统主流模型。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。     

钻井液连续波随钻测量系统设计及风洞模拟试验

针对目前随钻测量系统数据传输速率低及设计过程中试验难度大等问题,设计基于调频传输模式的钻井液连续波随钻测量系统,并对其进行风洞模拟试验.设计基于钻井液连续波的数字通信系统,采用多进制数字频率调制方式实现井下数据上传.随钻测量系统结构包括地面信号收发装置、井底信号收发装置以及数据传输通道3个部分,给出扇形和圆形两种转阀结构的设计方案.根据相似性原理设计风洞试验的模型结构,并对数据传输进行一系列风洞模拟试验.试验结果表明,基于调频传输模式的钻井液连续波随钻测量系统可以实现更高的数据传输速率,提高工作可靠性,同时增强对环境的适应能力.