雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.     

神经网络法在变质岩岩性识别中的应用

将神经网络方法引入到测井资料的处理和解释中,以辽河油田某取心井为实例,建立神经网络测井岩性识别模型,对混合花岗岩、混合片麻岩、角闪岩进行岩性识别预测。岩性识别正确率高达90%以上,说明了神经网络方法的有效性。     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法(Back-Propagation, B-P)也应用于岩性识别,取得了一定的效果。用Kohonen提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与B-P算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

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。     

应用模糊神经网络识别岩性

岩性识别在油气勘探开发中占据重要的位置.经过将高木-关野模糊逻辑系统和神经网络BP算法相互集成,提出了一种新兴的模糊神经网络模型——"加-乘"模糊神经网络模型,并通过实际应用得到了很好的效果.与单纯的神经网络或模糊逻辑系统相比,所提出的模糊神经系统既不是一个"黑盒"模型,又不是"粗糙",它同时具备了神经网络和模糊逻辑的优点,所以具有广泛的应用潜力.     

一种遗传神经网络及其在岩性识别中的应用

针对ＢＰ网络存在易陷入局部极小和收敛速度慢的问题,本文根据遗传算法的特长,在网络学习算法中使用遗传算法,克服了上述弊端,在岩性识别的样本学习中,取得了较好的结果。     

基于SSA-BP神经网络的岩性识别研究

为提高岩性识别的精度,引入SSA算法解决BP神经网络的性能受连接权值cj、ωij和连接阈值ε、θj的影响较大的问题,对网络连接权值以及阈值进行选择性优化,提出一种基于SSA-BP的岩性识别方法.将声波、补偿中子、微电极2 m梯度、井径、4 m梯度、2.5 m梯度、感应电导、浅侧向和微电极差等9项指标输入SSA-BP算法...     

量子神经网络动力学及其在信息安全中的应用

提出了二阶Hopfield神经元及其量子动力学模型，讨论了它的粒子数图像，计算了真空量子涨落幅度值。这个幅度值是设计量子神经电子器件，井基于量子神经网络器件进行量子神经计算、量子神经信息存储与提取的物理限制。文章还进一步讨论了量子神经网络器件在信息安全中的应用。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

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.     

量子细胞神经网络中的分岔与混沌

以量子细胞的极化率和量子相位作为状态变量,以细胞内量子点间的能量比例系数为分岔参数,对由三个量子细胞自动机耦合而成的量子细胞神经网络所呈现的丰富的混沌动力学行为进行了理论分析和计算机仿真研究。通过数值计算得到了最大Lyapunov指数谱,分岔图和功率谱,结果表明该系统通过拟周期分岔进入混沌且系统只有一个混沌区域,在混沌区中没有周期窗口。     

基于量子逻辑线路神经网络的说话人识别方法

 由于说话人的语音信号具有时变性、随机性,其特征参数也呈现出高维及相邻帧变化较大等特点。从量子信息处理理论出发,将一帧语音信号视为一个量子态,在传统神经网络的基础上,利用量子逻辑线路构造神经网络,实现说话人语音信号的有效聚类,探索一种基于量子逻辑线路神经网络的说话人识别模型与方法。利用模型固有的大量全局吸引子,可有效降低语音信号处理的时间及复杂度。通过在经典计算机上模拟仿真,并与BP神经网络说话人识别模型进行对比,表明该方法能够加快说话人识别模型的收敛速率,对参数变化具有更好的鲁棒性,且其系统识别率比BP神经网络方法平均提高了3.34%。     

一种基于神经网络的结构参数识别方法

提出了一种基于神经网络的结构参数识别方法,该方法以残余力向量作为结构参数识别的网络输入。针对训练样本在数据空间分布不均匀的问题,采用ＧＳＬ变换对训练样本数据进行预处理。从而提高了网络收敛速度及参数识别精度。本文算例说明了方法的有效性。     

致密砂砾岩岩性测井识别方法及应用

 以王府断陷小城子地区登娄库组和营城组为例,研究了致密砂砾岩岩性测井识别方法及其应用。利用录井岩性资料总结登娄库组、营城组各种岩性的组分,并提取2 个层组的主要岩性,登娄库组主要岩性为砂砾岩、砂岩和泥岩,营城组主要岩性为砾岩、砂砾岩和泥岩;分析不同岩性的测井响应特征,并提取2 个层组的岩性敏感参数,登娄库组为自然伽马、中子、声波时差和电阻率,营城组为自然伽马、中子和密度。利用SPSS 软件建立登娄库组和营城组的岩性Fisher 判别模型,将该模型应用于未参与建模的5 口井储层岩性的识别,识别准确率达86%,证明了该方法的可靠性。     

一种量子神经计算网络模型

量子计算以其独特的计算性能引起广泛瞩目,人们越来越多地探讨它与传统计算模式的结合．研究以通用量子逻辑门组(即相移门和受控非门)作为计算基函数,构造新的量子神经计算网络模型．仿真结果显示,就算例而言,该量子神经计算网络的性能优于传统的神经网络．     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

量子通信网络中的身份认证方案

提出了一种基于Greenberger-Horne-Zeilinger(GHZ)三重态量子相干性的身份认证方案,该方案可以应用在量子通信网络当中.     

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