利用神经网络预测油气层损害

利用人工神经网络预测油气层敏感性参数，根据大港油田的油气层岩石物性参数、岩石学分析参数以及油气层岩石敏感性参数等历史资料，训练神经网络，以此神经网络预测某些油气层的敏感性参数，该方法能迅速、准确地预测未来指定油气层的敏感性参数，为保护油气层提供依据。     

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GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。     

基于BP神经网络理论的岩石硬度识别

岩石硬度是露天矿山爆破参数设计的重要依据,为了精确判断岩石硬度,以1190E型牙轮钻机为研究对象,利用传感器采集钻机的工作参数,通过现场取样和室内试验获得对应的岩石硬度,分别运用2层和3层结构的BP神经网络建立岩石硬度的识别模型。研究发现当BP神经网络的训练样本集较大时,两层结构的BP神经网络,岩石硬度预测值与目标值的相对误差随着隐含层节点数的增加而减小;而3层结构的BP神经网络,岩石硬度预测值与目标值的相对误差在隐含层节点数为8时达到最小值,之后随着隐含层节点数的增加而增加。结果表明:3层结构的BP神经网络比两层结构的具有更好的泛化能力,对岩石硬度识别结果的精度更高,其绝对误差均小于0.04,相对误差均小于0.7%,均能满足判断岩石硬度的精度要求,可以为露天矿爆破参数设计中岩石硬度的识别提供方法和依据。     

用测井参数预测多层合试产能的方法

油气储层产能评价与预测对于油气田的勘探与开发有着重要的意义。过去人们利用测井参数对储层产能的预测都是基于单层测试资料。本方法是建立在多层合试产能的基础上 ,通过对测试产能的剖分 ,建立单层产能数据。用遗传神经网络建立预测模型 ,在实际资料的应用中取得了良好的效果     

地震属性参数神经网络油气预测应用研究

论述了油田区块开发前期和中期的油气预测的方法及实际应用问题。主要利用三维地震资料提取地震属性参数,并采用模糊神经网络技术,即将模糊概念和ＢＰ神经网络结合一体进行预测。     

基于Debye 分解的岩石电性与孔渗参数关系探讨

随着油气资源的深入开发与勘探难度的加大,常用的地震等声学方法已不能满足精准预测储层的要求,因此利用岩石的电学参数准确预测储层参数的方法越来越受到重视.通过岩石物理实验测量了碎屑岩、碳酸盐岩、变质岩的复电阻率、孔隙度与渗透率,基于Debye分解模型计算了岩样理论的相关激电参数,结合Archie公式与Kozeny-Carman方程预测了岩样的理论孔渗参数.根据理论模型与实测数据的拟合,确定了三类岩样预测模型待定系数的最佳取值范围,获得了模型拟合系数,最终得到了孔渗预测的相关经验公式.研究结果对于帮助岩石物理建模和指导油气勘探开发部署具有积极的理论意义和应用价值.     

利用神经网络技术建立岩石强度预测模型

本文利用神经网络技术建立了岩石强度参数的预测模型,该模型的非线性关来非常复杂,是一般计算岩石强度的经念公式关来式及统计关系式难以表达的。在已知网络内部表达的情况下,将不同时刻测得的测井参数值直接代入已训练网络,便能够预测出其对应的岩石强度.计算结果表明,预测效果相当好,而且不需要对中问参数进行确定。因此,神经网络模型为岩石力学参数确定提供了一种新的方法和手段     

非线性方法在储层参数平面分布预测中的应用

根据神经网络、非参数回归等非线性方法的基本原理，储层参数平面分布进行了预测。结果表明，神经网络方法能够根据井点储层参数观测数据与井旁道地震属性之间的内在联系，通过自学习功能，建立起储层参数与地震属性间较为复杂的关系，适应性很强。但该方法对井点储层参数及地震属性的质量要求较高；而非参数顺归方法不必事先知道储层参数和地震属性之间的关系，可以避免由于模型假设与实际情况的偏差而产生的错误预测。该模型包罗广，适用面宽，能够有效地反映地震局性与储层参数之间较为复杂的关系，在油气预测以及油藏描述中将会有广阔的应用前景。     

基于神经网络的水平管三相分层流相分率测量

将采用伽马射线测量的高能计数和低能计数作为输入参数,截面含水率和含气率作为输出参数,构建了预测水平管油气水三相分层流相分率的径向基函数神经网络.通过设计的相分率标定装置获得了神经网络的学习样本.在一内径为80mm的大型油气水三相流实验环道上进行了预测效果检验实验,结果表明,神经网络预测值与实测值非常吻合,含气率预测最大误差为3 6%,含水率最大误差为2 5%,有效地克服了传统双能伽马密度仪对流型敏感,不适于分离流动测量的问题.     

基于小波神经网络的油页岩含油率预测方法

在油页岩含油率实验分析的基础上,优选含油率敏感性测井参数,采用小波神经网络法构建含油率多测井参数预测模型.利用该模型对鄂尔多斯盆地东南部三叠系长7段储层含油率进行预测,将预测结果与多元线性回归预测结果进行对比.结果表明,利用小波神经网络法预测油页岩含油率精度更高,为研究区油页岩勘查工作部署提供科学依据.     

基于神经网络冷再生层最大剪应力预测

目的针对乳化沥青冷再生路面内部剪应力过大易导致路面产生车辙等路面破坏问题,对其内部剪应力进行预测,减少此类病害,更好地选择路面结构参数,提高冷再生层内部抗剪强度.方法以乳化沥青冷再生层的厚度、模量,水泥稳定碎石的厚度、模量以及土基模量为输入参数,以冷再生层最大剪应力为输出参数,运用遗传算法对初始参数进行优化,运用灰色神经网络理论构建冷再生层最大剪应力预估模型;构建多元线性回归模型预测最大剪应力,对二者的预测能力进行分析.结果笔者建立的神经网络模型预测值与实测值拟合效果良好,最大误差仅为4.119 2%,能够进行准确预测.多元线性回归和灰色神经网络预测模型,都可用于冷再生层最大剪应力的预测,但灰色神经网络模型对冷再生层最大剪应力数据的预测结果较优.结论把灰色神经网络预测模型与沥青路面结构的设计联系起来,可以更好地控制乳化沥青冷再生路面的剪切破坏.     

叠前AVO同步反演预测页岩地层脆性矿物

最近几年里,页岩气已经进入商业勘探开发阶段,但是页岩气作为非常规油气,需要利用水平井及大规模压裂,获得较高产量.为了对页岩气藏的可改造性进行评价,从单井岩石物理分析入手,优选拉梅常数*密度参数指示页岩层脆性矿物含量,开展叠前AVO同步反演,预测页岩层脆性矿物含量,进而优选页岩气藏工程"甜点区".     

基于RBF神经网络的软基沉降预测研究

将神经网络理论引入软基沉降预测领域．借助自控领域信号处理的思想，应用改进后的径向基函数神经网络的映射模式进行软基沉降的短期预测；软基沉降的长期预测实质上为基于神经网络的多维欧氏空间的曲面拟合问题，将地基压缩层从上到下分成若干段，每段的土性指标按段内各层土在段中的长度取加权平均作为系统的输入，将某个沉降模型的沉降曲线参数作为系统的输出，可以预测后期沉降曲线走势．实践表明，建立的基于RBF神经网络的软基沉降短期预测和长期预测模型是可行的，只要有足够多的训练样本，长期预测可以达到比较精确的预测效果．表5，参9．     

改进GA-BP算法的油气管道腐蚀剩余强度预测*

利用人工神经网络能够逼近任意复杂函数的特性，可对在役油气管道的腐蚀剩余强度进行预测，但其缺点在于人工神经网络的权值和阈值的初始化分配具有随机性且只是一种局部优化算法，收敛过程中容易出现局部极小解。引入遗传算法的全局搜索特性和不依赖于梯度信息特性，对采用Levenberg-Marquardt（L-M）算法的BP神经网络的权值和阈值进行优化，并结合由敏感性分析确定的油气管道失效压力的影响因素，建立GA-BP（L-M）网络预测模型。采用Modified ASME B31G计算出的样本数据训练网络并进行预测。预测结果表明，GA-BP（L-M）网络预测模型可以相对更好地预测油气管道的失效压力，在满足工程需要的前提下，是一种更加科学、准确的预测模型。     

基于BP神经网络的页岩静弹性模量预测研究

页岩的静弹性模量是页岩油气资源勘探开发整个过程的重要参数,现阶段页岩静弹性模量的预测往往是先使用岩芯纵波时差及密度计算出动态弹性模量,再寻找动、静态弹性模量之间的关系。岩石矿物组成的差异常常导致常规思路得到的动、静态弹性模量的相关性较差,预测结果难以满足工程需求。为完成对研究区块岩芯的静弹性模量预测研究,首先对岩芯进行密度及纵波时差的测量;而后运用全岩矿物分析、黏土矿物分析及三轴压缩试验的方法对岩芯静弹性模量进行对比分析;并由三轴压缩试获取岩芯静弹性模量。按输入变量的不同建立并训练了三个BP神经网络预测系统;并对三个预测系统的应用效果加以对比分析。分析结果表明:只以岩芯密度和纵波时差为输入变量的BP神经网络的预测效果较差;以岩芯密度、纵波时差、石英含量及伊利石含量为输入变量时的BP神经网络预测效果较好,以岩芯密度、纵波时差、石英含量、方解石含量、伊利石含量及伊/蒙混层含量为输入变量时的BP网络预测效果最好。     

免振捣粉煤灰混凝土抗压强度的神经网络预测

为了解决免振捣粉煤灰混凝土抗压强度预测问题,采用BP神经网络方法通过免振捣粉煤灰混凝土不同配合比训练网络预测其抗压强度,对于BP网络的隐层节点属于不确定层,采用三层结构的BP网络.但隐含单员个数仍未知。在实验过程中将隐含层的神经单元个数作为一个参数试验,结果表明BP神经网络的隐层节点数目对预测精度有较大影响。通过分析得出采用BP神经网络对免振捣粉煤灰混凝土抗压强度预测是可行的。     

基于遗传算法改进的卷积神经网络短时交通流预测

交通流预测对于减少拥堵、节能减排具有重要意义.基于卷积神经网络的预测方法普遍采用梯度下降法训练神经网络,缺点在于预测对网络初始参数敏感.本文采用遗传算法对卷积神经网络的网络参数进行确定从而对短时交通流进行预测.首先,根据交通流数据的特点,设计了适用于交通流预测的卷积神经网络结构;然后,确定卷积神经网络的卷积核与全连接层参数的解空间;随后,采用遗传算法对卷积神经网络参数在可行域中通过选择、交叉、变异三种遗传操作不断迭代搜索得到最优参数解.仿真结果表明,与梯度下降法训练的卷积神经网络相比,该方法拥有更高的预测精度.     

油藏描述中多层次地震预测技术的应用

根据ＣＢ油田的实际情况，提出了以地震资料应用为基础，结合测井，钻井等资料对油藏进行多层次综合研究的一套方法。主要包括：（１）利用综合参数法由地震信息预测砂岩发育区，指出勘探目标；（２）利用地震资料神经网络储层预测方法在砂岩发育区内确定油气富集带和部署探井（３）在油气富集带内，利用地震和测井资料完成油井单个砂体的边界确定和厚度定量计算。利用这３个层次的地震预测技术逐次解决了宏观的砂体分布、油气富集区     

浆体流变参数建模及仿真预测

采用传统的数学函数关系难以表达和揭示浆体流变参数影响规律．章以主要影响因素正交试验结果为基础。利用神经网络理论，建立了4个输人单元和2个输出单元的3层BP神经网络模型．采用该模型仿真和预测新试验样品的流变参数，并与实测参数对比．结果表明；预测准确率达90％以上，可以用于指导工程应用中浆体配比与制各．