神经网络方法在电缆地层测试数据反演中的应用

利用电缆地层测试资料正确反演地层参数是油田勘探中的一项重要任务。将神经网络方法引入到电缆地层测试数据的反演中,可以在考虑管线存储效应和井筒表皮效应对测量产生影响的情况下,同时获得地层的渗透率和井筒的表皮系数。该方法利用地层测试早期和中期的数据,不仅可以缩短地层测试器的测量时间,而且可以充分利用测试过程中的动态数据。验证结果表明,该反演方法是可行的。     

LM-BP神经网络在泥页岩地层横波波速拟合中的应用

首先依据弹性波理论对影响纵横波波速的参数进行分析,明确影响横波波速的参数主要包括密度、应力载荷及应变量。根据分析结果,分别测试不同岩性、饱和状态、围压及轴压条件下的岩石纵横波波速。最后以实验结果为最初样本,通过训练LM-BP神经网络,对横波波速实验结果进行拟合,拟合平均相对误差为2.22%。结果表明,岩性、含气性及应力状态是影响纵横波波速主要因素,利用LM-BP神经网络的多条件拟合横波波速具有更高的精度。     

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油田提出了神经网络进行体育场支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。     

神经网络技术在测井相分析及水淹层判别中的应用

以测井相分析和常规测井资料定性识别水淹层的理论为基础，运用神经网络技术，对勘探阶段的探井进行了沉积相识别，并对油田开发阶段的水淹层进行了级别划分，对长庆，大港等油田的４口探井进行了测井相分析，并对２０多口开发井的单井进行了评价。结果表明，神经网络技术可以有效地应用于油田勘探开发测井中。     

BP神经网络算法在修正SIR传染病模型参数反演中的应用

研究了一类修正SIR传染病模型的参数识别问题,给出了参数识别问题的唯一性结论,并利用BP神经网络算法对参数识别问题进行数值求解,通过数值算例说明了该反演算法的可行性.     

神经网络技术在油田地质学领域中的应用——以测井岩性识别为例

论述了神经网络技术的原理、模型及其算法，并进一步指出了应用神经网络技术中的局限性和其相应的解决途径。其中包括有数据的准备、模式的扩展、隐层数目的选择和计算过程中涉及的权值、步长、动量因子、压缩因子的处理。最后以神经网络在测井岩性识别中的应用为例进行了论证。     

测井约束反演在泌阳凹陷下切谷储层预测中的应用

以泌阳凹陷为例 ,在层序地层学研究的基础上 ,应用测井约束反演方法进行了下切谷精细解释和储层预测。首先 ,利用测井约束反演方法进一步确定该区下切谷的存在 ,并在多井约束条件下从反演三维数据体中精细解释了下切谷的分布范围、发育规模和内部充填序列 ,对该区下切谷的形成和充填过程进行了解释。在此基础上 ,提出了泌阳凹陷下切谷充填过程为“顺源堆积”的新结论。同时针对下切谷内隐蔽圈闭的形成条件 ,选取透镜砂体、上倾尖灭砂体和上倾方向被断层遮挡的砂体为该区有利砂体 ,进而对 14个有利砂体的展布、组合规律及隐蔽圈闭的类型、规模及位置进行了预测 ,为该区隐蔽圈闭预测和井位部署提供了重要的技术依据。     

模糊集合论和神经网络在油井测试中的应用方法研究

提出了一种基于模糊集合论和人工神经网络处理油井测量问题的方法，首先利用模糊集合论中的模糊聚类方法，将所使用的各种传感器灵敏度特性曲线进行分档归类，然后利用人工神经网络对各档次的传感器进行非线性估计，并在此基础上形成了一套寒带的算法，对于油井测试中测量精度的提高具有一定的实用意义。     

神经网络方法在计算沙粒起跃初速度分布中的应用

利用神经网络的自适应、自学习功能,以有限的实验数据为训练样本,建立了描述风速、粒径与沙粒起跳初速度分布函数之间映射关系的神经网络模型.利用此网络可以预测得到实验尚未给出的沙粒初速度分布函数中的拟合参数,可快捷、有效地弥补实验数据的不足.     

BP神经网络在储层物性参数预测中的应用——以梁家楼油田沙三中为例

在储层四性特征及其四性关系研究的基础上，应用BP神经网络方法，对梁家楼油田沙三中储层的物性参数（孔隙度、渗透率）进行了预测，并对其预测精度进行了检验。将神经网络解释结果与常规数理统计方法精度对比可见，神经网络法的参数预测精度有较大的提高，显示出BP神经网络法在储层参数预测中的优势与应用潜能。     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。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层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

一种神经网络分类器样本数据选择方法

为了提高神经网络分类器的性能,提出一种基于阴影集的训练样本数据选择方法．在阴影集的基础上提出核数据和边界数据的概念．首先通过模糊c均值聚类（FCM）获取样本数据的最优模糊矩阵;然后诱导出相应的阴影集;样本数据结合阴影集构造核数据和边界数据;最后在核数据和边界数据中进行数据选择．利用该方法,结合Iris数据集分别对BP网络、LVQ网络和可拓神经网络（ENN）等分类器进行实验研究．结果表明：该方法能够保留典型的样本,减少训练样本数据的数量;利用该方法所选择的数据对神经网络分类器进行训练,保证了分类器的泛化能力,节约了训练时间,有效提高分类器的性能．     

考虑各向异性的电缆地层测试产能预测方法

为提高电缆地层测试对各向异性储层产能评价的精度,避免应用DST测试产生的高测试成本,利用自行设计的多探头电缆地层测试仪器和解释模型,求取既定方位的储层平面上正交方向的两个渗透率,利用基于地质统计学的变差函数分析方法分析储层实际主渗透率方向,结合矢量化渗透率计算模型,计算实际储层的主渗透率和垂直主渗透率方向的最小渗透率,给出通过电缆地层测试获得储层实际平面渗透率各向异性的方法.结合椭圆形边界油藏产量计算模型,给出渗透率各向异性地层电缆地层测试产能预测方法.电缆测试方法计算的产能结果与DST测试结果基本吻合.     

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.     

神经网络数据挖掘工具用于剩余油分布研究

从地质学方法着手，根据油井和水井的动、静地质数据，运用神经网络数据挖掘工具来预测油井中不同油层的含油饱和度。结果表明，采用该方法可为剩余油分布研究找到突破口，从而为三次加密调整井网提供了事实依据。     

神经网络数据挖掘工具用于剩余油分布研究

从地质学方法着手 ,根据油井和水井的动、静态地质数据 ,运用神经网络数据挖掘工具来预测油井中不同油层的含油饱和度。结果表明 ,采用该方法可为剩余油分布研究找到突破口 ,从而为三次加密调整井网提供了事实依据。     

神经网络和专家系统在变速器检测中的应用

针对变速器在线检测的复杂性,研制了一个基于自动换档机械手的变速器检测系统.最佳换档规律对于提高变速器的工作效率,延长使用寿命具有重要意义.系统使用神经网络来进行机械于换档的最佳档位判断,使决策更加智能化.针对换档是一个复杂的非线性时变过程,涉及到众多变量,使用专家系统进行机械手的换档控制,可以快速准确地执行正确操作,使换档过程更加拟人化.系统实际运行情况良好,证明了神经网络和专家系统在产品检测中应用的成功,系统对于机械手智能化及拟人化控制的应用有着很好的指导意义.     

Application of frequency-domain waveform inversion method in Marmousi shots data

Frequency-domain waveform seismic tomography includes modeling of wave propagation and full waveform inversion of correcting the initial velocity model. In the forward modeling, we use direct solution based on sparse matrix factorization, combined with nine-point finite-difference for the linear system of equations. In the waveform inversion, we use preconditioned gradient method where the preconditioner is provided by the diagonal of the approximate Hessian matrix. We successfully applied waveform inversion method from low to high frequency in two sets of Marmousi data. One is the data set generated by frequencydomain finite-difference modeling, and the other is the original Marmousi shots data set. The former result is very close to the true velocity model. In the original shots data set inversion, we replace the prior source with estimated source; the result is also acceptable, and consistent with the true model.     

重力梯度张量的拟BP神经网络反演

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果.该算法是一种基于RPROP算法的拟BP神经网络反演算法,采用三层神经网络结构,用隐层神经元表示物性单元的密度值,根据RPROP算法自动修改各单元密度值,从而得出场源空间的密度分布.研究结果表明:采用这种算法对重力梯度张量进行反演计算,收敛速度快,对初始模型依赖性小,可准确反映出异常体形态特征和密度特征.