概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。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层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

基于神经网络的多属性火成岩岩性反演技术

在岩心分析的基础上应用地质测井地震等多学科资料对枣园火成岩的岩性电性波阻杭特征进行了研究并对岩性、电性与波阻杭、地震属性间的相关性进行了系统分析。在此基础上,针对常规波阻杭反演方法的不足,形成了一套基于神经网络的多属性岩性反演技术,采用该技术对枣园火成岩不同岩性进行了反演,给出了火成岩厚度及孔隙度分布。     

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。     

运用地震反演方法勘探岩性油藏

地震反演是地震油藏描述中常用的也是较重要的一种方法。近年来,采用地震反演技术在孤东采油厂勘探岩性油藏368×104t。完成一个反演工作,一般要完成三维地震资料的选取、速度分析及子波提取、制作合成地震记录、建立地质模型及地震反演。为解决反演的多解性和低分辨率的问题,要求反演地震资料达到高信噪比、高分辨率、保振幅处理、零相位。对地震剖面进行层位对比解释是反演处理的基础工作。     

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。     

神经网络方法在电缆地层测试数据反演中的应用

利用电缆地层测试资料正确反演地层参数是油田勘探中的一项重要任务。将神经网络方法引入到电缆地层测试数据的反演中,可以在考虑管线存储效应和井筒表皮效应对测量产生影响的情况下,同时获得地层的渗透率和井筒的表皮系数。该方法利用地层测试早期和中期的数据,不仅可以缩短地层测试器的测量时间,而且可以充分利用测试过程中的动态数据。验证结果表明,该反演方法是可行的。     

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.     

量子神经网络在雷家地区岩性识别中的应用

雷家地区砂砾岩储层岩性复杂多变,因此准确的识别岩性对于储层参数的计算有着非常重要的意义。本文以量子神经网络为根据,建立了一种基于量子神经网络的岩性识别模型。并且将所建立的模型用于模拟雷家地区砂砾岩储层测井响应与不同岩性之间的映射关系,来实现复杂岩性条件下不同岩性的自动识别。     

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...     

基于概率神经网络的交通方式划分模型

神经网络具有良好的模式识别能力,而交通方式划分从本质上来看,是一个分类的问题。鉴于此,本文尝试运用概率神经网络进行交通方式划分的建模,并给出了算例,分析表明,该模型对方式划分问题不仅具有很强的解释性,同时具有很好的可操作性。     

用多层前馈网络进行三维储层参数反演的方法

地震反演的主要任务是依据地震资料并综合利用地质、测井等资料得到地下地层的详细信息。三维地震反演需要处理庞大的地震数据体 ,同时在反演过程中既要考虑模型和测井的约束 ,又要考虑地震在横向上的连续性。将地震反演看作是地震数据到储层参数的模糊映射 ,并利用神经网络建立了这种映射关系。针对网络收敛速度慢、学习时间长等缺陷 ,提出了一种学习率自适应调整算法。该算法使每个权都有自己的学习率 ,使网络的训练速度大幅度提高。利用该方法进行地震反演 ,抛开了褶积模型的限制 ,也无须已知地震子波。外推过程是在三维空间内进行的 ,所得的储层参数数据体保持了横向上合理自然的连续性。对该数据体进行三维可视化解释 ,可以直接描述储层的空间展布。     

用概率神经网络对多环芳烃的致癌性分类

通过对多环芳烃的分子表面积、代谢活性区域中心碳原子的离域能、亲电活性区域中心碳原子的离域能以及分子脱毒区的总数的研究发现它们与致癌性有很大关系 .因此利用这四个参数作为网络的输入 ,用已知致癌性的 6 4个样本做训练集建立概率神经网络 ,对 13个样本的致癌性进行了预测 ,其结果优于以前工作的自组织网络的分类结果 .致癌性按高 (h)、低 (l)、非 (n)分类时预言准确率达 10 0 % .     

基于概率神经网络的矿井运输胶带图像监测

针对煤矿井下输煤胶带图像形状和边缘特征难以提取的特点,为实现煤矿井下输煤系统胶带状态的监控,提出了胶带红外图像识别方法提出了用灰度共生矩阵提取胶带图像纹理特征,将提取的纹理统计量经正规化处理后表现出较好的可分性,采用概率神经网络对空载(或少煤)的胶带图像和有煤的胶带图像进行了识别。实验结果表明,提出的算法可以较好地识别胶带的两种状态,为煤矿井下胶带运输系统监控提供了新的途径。     

重力梯度张量的拟BP神经网络反演

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果.该算法是一种基于RPROP算法的拟BP神经网络反演算法,采用三层神经网络结构,用隐层神经元表示物性单元的密度值,根据RPROP算法自动修改各单元密度值,从而得出场源空间的密度分布.研究结果表明:采用这种算法对重力梯度张量进行反演计算,收敛速度快,对初始模型依赖性小,可准确反映出异常体形态特征和密度特征.     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．     

断层推断的改进BP神经网络方法

断层可破坏煤层的完整性和连续性 ,对采煤工作面的生产具有重要的影响 ,在矿井投产前 ,必须准确地查明采区内的断层情况。文章运用动量法和自适应调整学习率的改进 BP神经网络 ,选取 5个地震特征参数进行了断层推断。结果表明 ,改进 BP神经网络是一种有效的断层推断方法     

工程项目风险分析中概率逆换迭代算法的研究

概率逆换出现在通过专家判断进行模型参数的不确定风险分析中.由于缺乏基于相应判断的实验,专家往往不能直接评估参数的不确定性.本文对风险分析中的概率逆换算问题进行研究,并通过IPF算法和PARFUM算法得以实现.两种算法的可行性及迭代效果在实例中得到了验证和比较.不仅以数学的形式解决了概率逆换问题,而且使模型中的参数的不确定性得以量化.避免了专家主观估计法可能出现的偏见效应和权威效应.     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。