数值试井与不稳定试井结合计算物性参数

通过对数值试井的地层压力与不稳定试井结合的数学模型使用径向网格求解,介绍了一种新的应用方法。利用数值试井和不稳定试井各自的优点进行优化,该方法可以利用数值试井获得地层压力随时间的变化,同时利用压力变化获得单井控制储量,利用不稳定试井的优点是可以获得单井的物性参数,并且应用该方法对塔里木克拉2气田进行了分析。     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际试井数据识别试井解释模型．本文用模拟的数据、不完整的数据、有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试．结果表明人工神经网络能够正确地识别试井解释模型，也能识别不完整的、有噪声的数据．人工神经网络技术有效地改进了目前在试井解释模型中广泛采用的模式识别方法，是一个非常值得推广和使用的技术     

神经网络专家系统在试井解释中的应用

论述了应用专家系统和人工神经网络自动识别试井解释模型的新方法．首先应用人工智能对试井解释模型的压力导数图进行识别，建立了用专家系统构成模块式识别系统；然后应用人工神经网络实现试井解释模型识别；该系统能根据新的试井资料识别试井解释模型；最后，神经网络和专家系统相结合用于试井解释．油田实际试井数据的识别结果说明该方法是一种非常有效的识别方法，对不完全的，有噪声的试井数据也能有效地识别，识别准确率较其它方法都有较大提高     

基于遗传算法的干扰试井解释方法

提出了一种基于遗传算法的简便，高速，应用范围广的干扰试井解释新方法，并用中原油田，大庆油田的现场测试数据进行了验证。和传统方法比较，它不需要目标函数连续不需预估初值运算速度快，精度高，这种方法还可以推广到裂缝井，水平井等复杂情况下油藏参数辨识中。     

基于遗传算法的干扰试井解释方法

提出了一种基于遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ）的简便、高速、应用范围广的干扰试井解释新方法，并用中原油田、大庆油田的现场测试数据进行了验证．和传统方法比较，它不需要目标函数连续，不需预估初值，运算速度快、精度高．这种方法还可以推广到裂缝井、水平井等复杂情况下油藏参数辨识中．     

压裂井特征值试井解释方法研究

在Tiab直接计算参数基抽上,将其技术扩展到有限导流压裂井,利用压力和压力导数双对数曲线的特征进行分析,而不需要进行典型曲线拟合与回归分析,特别是压裂井应用典型曲线拟合需要作很多典型曲线族。通过实例分析,说明该方法简单、适用可靠。     

试井测试曲线异常原因分析

针对测试压力曲线异常的5种类型,通过分析地层、测试工艺、测试设备、操作失误等原因造成测试曲线异常的机理与规律,探讨了应对措施,得到了应对试井测试压力曲线异常的有效方法。试井测试压力曲线异常,意味着可能录取不到真实的地层压力资料,不能获得真实的地层参数,给资料解释和油气井的认识带来困难。     

基于输出响应的识别结构参数的神经网络方法

讨论了在输入未知时结构模态参数基于频率响应函数的神经网络识别方法 ,并研究了不同的噪声水平和网络输入层结点数目的变化对网络输出误差的影响 .讨论了网络对不同阶数模态参数的识别精度 .数值结果表明该方法是可行的     

试井早期流态恢复及参数解释

根据压力数据中噪音对压力导数的影响随时间快速减弱的特点,针对地面流量恒定、流动期内定井储的压力数据,根据井筒物质平衡方程,采用指数流量模型按反向分段光滑拟合算法及约束条件,恢复出在开关井后井筒的续流流量,在此基础上,利用Ilk反褶积算法消除指定比例的井储效应,恢复出受井储效应影响的早期压力响应,并利用恢复的径向流直线段进行参数解释。含0.03MPa随机噪音的压力数据测试表明,方法稳定、结果准确。     

变井筒储存的三重介质油藏试井解释方法研究

建立了由基岩系统、裂缝系统和溶洞系统组成的三重介质油藏的试井解释模型,采用Laplace变换进行求解,并给出了考虑变井筒储存和表皮效应的压力计算方法。讨论了介质间窜流、弹性储容比及变井储参数对压力响应的影响。在半对数曲线上出现3条直线和2个台阶,双对数导数曲线表现为2个下凹部分,分别表示裂缝系统和基质孔隙系统向溶洞系统的窜流。提出了利用遗传算法进行自动拟合的试井解释方法,并编制了实用软件。实例分析结果表明了该方法的可靠性和实用性。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

基于多传感器的神经网络模式识别方法

提出基于样本信息量不减少和减小误差的原则下，提取样本数据的综合指标的处理方法，从而克服传统识别方法中样本数据过大，而且存在误差和干扰，严重影响识别速度和效果的困难。改善了神经网络模式识别的效果。     

基于人工神经网络的非线性系统辨识

人工神经网络是-个非线性动力学系统,具有自适应、自组织、自学习等功能。本文利用人工神经网络具有表达任意非线性映射的能力,对非线性系统进行系统辨识。仿真结果表明,该方法是可行的,计算精度高。     

用自适应神经网络辨识异步电机转速

根据观测异步电机磁链的电压模型和电流模型 ,利用电机易于检测到的定子电压和电流 ,通过Simulink模块和S函数建立了自适应神经网络模型对异步电机转速进行辨识。该方法简单直观 ,仿真结果表明 ,观测模型可达到 1%的精度 ,可为无速度传感器矢量控制系统提供一种速度观测方法。     

基于神经网络的字母识别方法研究

利用Hopfield神经网络联想记忆的功能,对有噪声干扰的字母进行识别。     

基于神经网络的发电机参数辨识

介绍了人工神经网络(ANN)在发电机传递函数参数辨识中的应用,提出了一种隐层有七个神经元的BP神经网络,使用该网络对发电机参数进行辨识,并利用MATLAB/SIMULINK软件对所设计的BP神经网络进行了仿真,结果表明,所设计的神经网络能够有效地辨识发电机参数,并且具有训练时间少,没有局部极小化现象等优点.     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。