基于遗传算法优化BP神经网络的地层破裂压力预测方法

针对地层破裂压力现有预测方法适用性差、误差较大等问题,提出了遗传算法优化BP神经网络(GABP)预测地层破裂压力的方法。分析了地层破裂压力的影响因素;以地层深度、地层孔隙压力当量密度和岩石密度为输入变量,以地层破裂压力当量密度为输出变量,建立了GABP预测地层破裂压力模型,并利用塔里木盆地YB1井的数据进行神经网络学习和结果验证。GABP模型的预测结果误差约3.5%,精度远高于Eaton法。该方法不受地质构造条件影响,且具有精度高、计算速度快等特点。     

基于BP神经网络的深部地层压力预测技术

地层压力的准确预测是优质高效安全钻井、减少井下复杂情况、合理开发油气层的基础.由于地层压力的实测方法费用较高、周期长,且影响钻井安全,因此提出一种基于神经网络技术的地层孔隙压力预测新方法,并详细论述了神经网络预测模型的建立过程.该方法以声波时差、自然电位、自然伽马数等测井数据及钻杆压力测试数据为学习样本,具有十分高的准确度.对大庆油田萨尔图和杏树岗两个区块的地层压力进行实例预测,预测结果表明,其预测结果与实测结果的相对误差<±8.9%.     

基于神经网络模型的水平井破裂压力预测方法

破裂压力是井身结构设计的基础依据,也是水力压裂设备选型和方案设计的基础参数,通常采用测井解释获取破裂压力剖面,但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题,机器学习提供了一种解决这些问题的新方法。为此,以测井数据作为输入参数,采用4种不同的神经网络模型,建立水平井测井数据与破裂压力间的非线性关系,通过测试集预测结果的对比分析,优选出最佳的神经网络模型,并优化模型网络结构和超参数,实现水平井破裂压力的直接预测。研究结果表明：1)破裂压力与井斜角、横波时差和纵波时差表现为极强相关性,与井深、岩性密度和补偿中子表现为强相关性,与井径和自然伽马表现为弱相关性;2)不同组合的测井参数对模型预测结果具有显著影响,最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子;3)对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型,发现LSTM模型的预测效果最佳;4)优化了LSTM模型的网络结构及超参数,优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。LSTM模型能够有效构建水平井测井参数与破裂压力之间的非线性关系,可...     

基于随钻测井数据预测破裂压力

破裂压力是判断岩石是否起裂的重要依据,而现有的随钻测井资料仅能解释地应力、弹性模量等参数,缺乏对破裂压力的解释。为了准确预测破裂压力并降低施工压力和风险,基于MH地区的FSI(Flow Scanner Image)仪器测试的产出剖面测井资料,区分泡酸与不泡酸两种方式分别建立广义回归神经网络(GRNN)模型,对该地区油井开发进行破裂压力预测,并运用交叉验证方法得出光滑因子（σ）,通过与真实破裂压力值对比验证模型的准确性,并与BP神经网络和H-W模型的预测结果进行对比分析,再基于此预测给出泡酸建议。结果表明： GRNN模型预测结果与实际破裂压力更接近,且均方根误差为4. 54%,平均百分比误差为0. 03%,均优于BP神经网络和H-W模型。GRNN模型不受地质条件影响且预测精度高,操作简便,可用于该地区破裂压力预测,也可作为后续井FSI仪器流动扫描的替代,不但可以为同类地区的施工提供借鉴,而且可以为同地区开发资源节约成本。     

碳酸盐岩地层破裂压力预测新模型及其应用

海相碳酸盐岩地层原生孔隙较少而裂缝较发育,利用测井资料计算其破裂压力难度较大.依据弹性力学原理和岩层破裂机制,综合考虑三向地应力及地层特征对地层破裂压力的影响,建立一种新的适合海相碳酸盐岩地层的破裂压力计算模型.川东北通南巴构造上5口井的应用结果表明,利用该模型计算得到的破裂压力值与实测值误差较小,能够满足工程计算要求.     

酸处理降低地层破裂压力的计算分析

针对超深储层的破裂压力很高,对压裂施工设备的功率和承载能力要求更高,在施工安全上存在一定隐患的实际,研究了超深储层的破裂压力模型以及利用岩石力学性质的酸敏性,采取酸化预处理降低地层破裂压力,建立了射孔井筒破裂压力预测模型,分析了酸化预处理降低地层破裂压力机理。利用西部某深层气藏岩样室内酸处理前后岩石弹性模量、泊松比和岩石抗压强度变化结果,计算了该气藏酸处理前后的破裂压力,结果表明酸预处理后破裂压力大幅下降,对降低压裂施工压力有重要作用。为在现有工程条件和技术条件下,准确预测破裂压力和施工压力、合理选用施工设备、降低储层改造的工程风险提供了方法。     

调整井地层孔隙压力预测研究与应用

大港油田老区块进入开发中后期,容易在开发层系外出现异常高压层,为油田的后期开发、生产带来隐患,同时对后期治理工作的顺利实施造成严重影响。为满足调整井钻井需求,借鉴油藏数值模拟方法、并利用Morita求盖层压力方法,本文介绍了求取现今地层孔隙压力剖面的基本思路。     

地层压力分析的有效途径

地层压力的有效预测，对于研究油气运聚与成藏，以及储集层评价等方面至关重要在地层压力分析的诸多方法中，以测井资料为主的分析方法得到了广泛应用。     

基于叠前同时反演的地层压力预测及应用

四川盆地及周边页岩气产量与压力系数存在明显的正相关关系。针对南川地区五峰组-龙马溪组地层压力预测过程中的难点,开展了井-震联合预测工作。以单井测井资料为基础,用实测数据作为约束,对比Eaton法和改进的Fillippone法压力预测结果,选择改进的Fillippone法为工区的压力预测模型并确定公式经验值。通过叠前同时反演获得高分辨率层速度数据,提高了压力预测精度。预测结果与实测对比,误差基本满足工程要求。预测目的层地层压力系数为0. 8～1. 6,工区西部、北部异常压力较大,连片特征较好,南部、东部趋于正常压力,可依据压力异常区来寻找有利钻探目标。     

应用反向传播神经网络算法的发动机动态总压畸变预测

为提高动态总压畸变预测的准确性,通过引入反向传播神经网络算法,研究其在紊流相关中的可行性和准确性.结果 表明:反向传播神经网络可应用于紊流相关以预测动态总压畸变;采用单个工况进行自我预测时,神经网络显示了良好的预测能力,预测结果与试验值吻合很好;采用反向传播神经网络法,5个工况作为样本预测各工况紊流度时,样本工况的平均...     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

基于人工神经网络的棉花黄萎病预测系统

介绍了一种使用非单调函数作为隐层节点的激励函数的前馈多层神经网络模型构造棉花黄萎病预测系统。该系统能够较好地解决局部极小问题 ,并且运算速度快 ,性能良好 ,预测准确。     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于BP神经网络的压力传感器数据融合

多传感器数据融合问题已经引起许多学者的广泛关注.通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响还受多个非目标参量的影响.由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低.针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献...     

用神经网络预测蒸气压和汽化热

用前向神经网络,对纯物质的蒸气压和汽化热与温度的函数关系进行预测,通过适当变量变换,在相同网络单元数情况下,大大提高预测精度,对387种物质的预测结果表明,熔点到临界点的温度范围内,蒸气压的平均预测误差为0．084％,汽化热的平均预测误差为018％。     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

基于神经网络的专家系统

人工神经网络与专家系统，作为人工智能应用的两大分支，在实际应用中都有许多成功的范例，但作为单个系统来讲，二者都存在很大的局限性。主要是专家系统知识获取的“瓶颈问题”和神经网络知识表达的“黑箱结构”。为解决这个问题，本文提出将专家系统与神经网络技术集成，达到优势互补的目的。利用神经网络优良的自组织、自学习和自适应能力来解决令家系统知识获取的困难，同时用专家系统良好的解释机能来弥补神经网络中知识表达的缺陷。论文提出了基于神经网络专家系统的结构模型，知识表示方式以及推理机制等。