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     

试井分析专家系统

人工智能在试井分析领域中的应用,是近几年才兴起来的课题。但试井解释这一问题的本质决定了引入人工智能的必然性。本文论述了专家系统在试井解释领域中的应用和研究方向,详细介绍了所开发的试井分析专家系统的组成和结构,及各部组成的建立方法和工作机理。并用所建专家系统进行了实例分析解释。     

不稳定试井分析中参数识别的神经网络方法

在不稳定试井分析中,调整试井解释参数往往花费解释人员大量的时间。特别,当试井解释参数较多时,进行参数调整就更为困难,有时得不到一个合理的参数识别结果。因此,研究新的试井解释参数识别方法势在必行。目前,典型曲线的自动拟合方法是其研究成果之一,但由于数值计算方法的局限,使得该方法难于推广。文中研究了基于神经网络的系统辨识方法在不稳定试井分析参数识别中的应用。通过神经网络对一实际的油气藏系统进行建模和辨识,从而由新的神经网络模型可以获得参数识别结果。着重讨论了均质地层和双重介质地层的压力不稳定测试的参数识别问题,一个实例的分析显示了该识别算法的特性。     

基于专家系统与人工神经网络集成的航姿系统故障诊断

应用专家系统与人工神经网络的相关理论对某型飞机航姿系统的故障诊断问题进行了深入的研究，建立了基于专家系统与人工神经网络的集成式专家故障诊断系统，并利用该专家系统实现了某型航姿系统的故障诊断。应用结果表明：整个网络数据误差在训练10次时达到0．1，在训练829次时达到0．01，可以准确识别故障。     

低渗透率油藏时空试井解释方法研究

低渗透油藏试井测试过程中,压力降落或恢复速度非常慢,试井数据一般只测试到早期段,导致试井解释困难和结果多解性。研究在试井解释方法理论基础上,提出了时空试井解释方法,确定了试井解释结果可靠性判别标准,并以国内典型超低渗透油藏为例,利用井在不同时期、不同空间的试井测试数据,结合油藏的地质认识和开发现状,对试井解释结果进行分析,确定了合理试井解释模型和解释结果,该方法可为低渗透油藏试井解释提供技术参考。     

智能化辅助试井解释

综合集成的试井解释模型和解释模型的自动识别一直是试井解释研究的热点,文中提出了一种基于句法模式识别的试井模型识别新技术,它克服了现有技术在曲线形态识别与模型诊断推理方面的困难,将模型识别的复杂过程分为特征抽取、形态跟踪、模型推断等简单过程;利用试井分析和非线性最优化技术形成了一套集成多种解释模型的高效率解释软件。     

一种人工智能试验管理系统

介绍了鞍山供电公司的试验管理系统，包括其设计思想、功能框架．建立了两个模型：数据统计模型、诊断预测模型(专家系统与人工神经网络)．实践结果证明了这些方法的有效性．在试验管理系统中应用人工智能技术(专家系统、人工神经网络)对于提高设备故障诊断预测分析水平、培训专业技术人员、探讨辅助决策支持的模式具有重要意义。     

最小二乘法在试井解释中的应用

将最小二乘法用于试井解释，便于计算机处理数据，可利用全部压力数据，用于阶梯形产量的试井资料解释，计算快速准确．文中给出了解释实例．     

抽油井示功图神经网络识别模型

以专家经验及大量的现场实例为基础，应用模糊数学与人工神经网络技术理论，建立了有限个精选井下示功图和反向传播的神经网络示功图识别模型．该识别系统可初步用于对现场实测示功图进行识别诊断，性能基本稳定，能有效地诊断抽油机的故障类型．     

基于BP神经网络的螺杆泵井故障诊断技术研究

提出了基于BP神经网络和专家系统的螺杆泵井故障诊断方法:将螺杆泵井工况类型细分为10类,选取表征油井生产状态的7个特征参数作为输入量,采用Active X技术,借助VB调用Mat-lab人工神经网络工具箱函数,构建和训练网络模型.用该方法对新疆油田吉7井区吉101井和吉002井进行实例分析,验证了模型的正确性.     

人工智能在试井解释中的应用研究

人工智能在试井中的应用是一个新的课题,国内外都刚起步。本文描述了试井油藏模型识别专家系统(RMIESWT)原型的研制成果。以压力导数为基拙,用计算机模拟人类专家的视觉判断过程,用符号表达曲线,实现推理,是一种很好的智能模拟技术。除了压力恢复数据以外,还利用辅助资料来识别油藏模型,这对于那些实测数据不完整的情况,特别有效。选用基于规则的通用型开发工具CM.1作为专家系统环境。采用分层式结构构造知识序,逻样关系清晰易懂,非常有利于规则的增添、删除和修改。终端用户同RMIESWT的对话全部是菜单式中文显示,易于被现场使用单位所接受。     

一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.      

基于神经网络的人工肌非线性控制

运用非线性控制的逆系统方法,提出了一种基于神经网络的人工肌非线性控制方案,由原系统导出n-m阶逆系统模型,并与原系统一起构成具有反馈结构的伪线性系统,从而可方便地运用线性控制理论完成对控制系统的设计,用BP神经网络逼近逆系统模型,并借助于递推预报误差算法来训练神经网络,该算法与传统的BP算法相比具有更好的收敛特性,设计了一个具有单关节的人工肌试验系统,给出了人工肌关节跟踪正弦波和矩形波参考信号的试验结果,与传统的线性控制方案比较,基于神经网络的人工肌非线性控制方案能够得到更快的控制速度和更高的控制精度。     

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。     

人工神经网络在医疗智能诊断系统中的应用

提出了将人工神经网络与专家系统相结合，建立医疗智能诊断的方法，并用于心肌梗塞，心绞痛疾病的临床诊断，临床已确诊的140份病历检验结果表明，神经网络技术在医疗诊断领域应用效果显著，具有广阔的发展前景。     

基于规则的复合人工神经网络故障诊断专家系统

提出了一种基于规则的新智能故障诊断专家系统,该系统使传统故障诊断专家系统和神经网络有机结合,并融合了模糊理论。系统增加了自学习机制,使知识获取容易,解释机制更灵活,因而使故障诊断系统更具灵活性和透明性。     

故障诊断专家系统神经网络学习机研究

根据故障诊断专家系统的特点，设计了一种面向故障诊断问题的机器学习系统。在参数修正自学习模型中，引入了变结构的参数修正人工神经网络模型，采用B-P学习算法及后验学习方式，实现了故障诊断专家系统参数修正学习机设计。在汽车故障诊断问题中的应用结果表明。学习效果良好。     

损伤位置分步识别法中参数选择、样本简化等问题的探究

对于多层多跨的框架结构,构件数量众多,直接确定损伤位置十分困难。基于神经网络的损伤位置分步识别法是先构建一个网络来确定结构损伤层的位置,然后针对每层再分别构建一个网络,确定损伤层中损伤柱的编号,于是一个复杂的神经网络被分解简化为几个简单的子网络,这样可以根据模态参数的性质合理选择损伤识别指标,并降低训练样本的数量,从而提高了网络的识别精度。结合分步识别法,建立了详细的多层多跨框架结构数值模型,对模态参数的性质和选择,如何减少训练样本．样本的构造方法等影响识别的因素做了初步探究。     

基于 BP 神经网络的叠前流体识别方法

探讨塔里木盆地桑塔木地区三叠系辫状河三角洲沉积储层流体识别方法。该地区储层横向变化大,流体类型复杂。本文提出利用 BP 神经网络的信息整合模式识别功能来进行储层流体识别的方法,通过叠前反演得到对流体敏感的弹性参数数据体和电测解释结果标定建模样本,采取随机抽样形成建模样本集与测试样本集,选取26口井的700个样本作为学习样本,62个作为测试样本,建立 BP 神经网络模型。预测结果和实钻结果吻合程度高,正确率达90％以上。该方法可以很好地对桑塔木地区储层中所含流体进行识别。