两种特殊的变维分形及其在海洋石油领域的应用

讨论2种特殊的变维分形:分形中的分形与分形中的高阶函数。原有的分形(一阶分形)模型为:N=C/rD;如果D=C′/rD′,则出现分形中的分形或二阶分形。用同样方法可以定义更高阶的分形。类似地可以定义高阶函数(函数中的函数),例如原有的正弦函数(一阶正弦)为:N=sin(kr+b);如果k=sin(k′r+b′),则出现正弦函数中的正弦函数或二阶正弦函数。用同样方法可以定义更高阶的正弦函数。当分形模型中的D值等于高阶函数时,则出现分形中的高阶函数。文中用实例讨论了分形中的分形与分形中的高阶函数的应用。     

复数域分形及其在海洋水文中的应用

将分形模型N=C/rD推广到多维空间.以复数域分形为例,其中复分维数D=a+ib,r=x+iy,C＝C+iCy,N=Nx+iNy.文中实例讨论了复数域分形在海洋水文中的应用.     

用分形模型统一各种油气田产量预测模型

讨论应用变维分形模型N=C/rD(其中分维数D可以是关于r的幂级数,三角级数等,而不是常量)统一各种油气田产量预测模型(因为各种预测模型都可以变换为变维分形模型).为了使预测的效果更好,有时需要将数据点预先加以处理(如平移,求累计和等).文中用实例讨论如何应用变维分形模型预测油气田产量.     

系统的构建及其功率谱和高阶谱的比较

根据功率谱等价性或模型多样性原理，具体构建了2个系统：最小相位系统和非最小相位系统。用相同的激励信号作用，结果显示，功率谱密度无法分辨非最小相位信号，丢失了信号中的相位信息，而双谱包含了信号的相位信息。通过对大地电磁(MT)信号分析，表明MT信号一般具有非最小相位性，同样也可确定其他地球物理信号的非最小相位性。这种情况下，如果仍然用功率谱方法处理这种具有非最小相位特征的信号，则会使解释结果出现偏差。为了提高解释结果的精度和可靠性，可以利用高阶统计量(高阶累积量和高阶谱)方法处理地球物理资料。     

图像边缘块及平滑块的自相似性

为了提高分形图像编码速度，研究了边缘块及平滑块的自相似性。分析推导结果表明：（1）若值域块为边缘块且其中心地边缘上，则中心与其中相重合的定义域块与其最相似；（2）若值域块为边缘块但其中心不在边缘线上，且边缘线的直线方程为y=kx b，则中心（xd,yd)位于直线yd=kxd-b上的定义域块该域块最相似；（3）若值域块R和中心与其中心重合的定义域块D都是平滑块，且D上的灰度值可用f(x,y)=ax by c逼近，则该值域块R是自相似的，且与D最相似。以上结论为用仿射变换来编码边缘块和平滑块时快速找到与共最相似的定义域块提供了理论指导，避免了在寻找定义域块过程中的盲目性。     

用解析法设计定向井剖面的计算机程序

本文介绍用解析法设计定向井剖面。根据已知条件,先用公式计算出最大井斜角,然后进行井身计算。为了设计和绘图方便,编制了定向井剖面设计和绘图的计算机程序。该程序适用于各种类型的定向井剖面,可直接用于PC-1500计算机,也可通过CE-158接口加接X-Y绘图机绘出多种尺寸的设计井身剖面图。该程序若作个别句法修改,也可应用在其它型号的微机上。基本公式直-增-稳-降-稳最大井斜角α_m的计算公式: (?) 式中:R_0=R_1+R_2 A_0=A-Axz+R_2(1-cosα_n) H_0=H-Hxz+R_2sinα_n_Hz 如果增斜段的造斜率有m(m>1)种;降斜段的降斜率有n(n>1)种,则式中的R_0、A_0、     

沥青质芳香族核磁共振波谱与有机质的演化和原油成熟度

在对花海盆地研究中,我们应用核磁共振波谱检测了花深一井生油岩抽提物中的沥青质、芳香烃馏份氢原子的变化特征,依据实验给出的芳香度(f_aH)与芳环碳重量(C)的关系,结合碳、氢元素分析值计算所得的沥青质、芳香族化合物部分平均分子结构参数,求得经验公式(线性函数式)y=ax+b,同时对斜率a和自变量x进行了讨论;另外用芳烃质子百分数(PAP)对花海盆地花深1井沉积物的演化规律和柴达木、准噶尔等盆地原油的成熟度进行了初步讨论.      

多目标基因算法用于脉冲中子测井数据处理，增强神经网络体的选择

由几个独立的神经网络组成的神经网络(NN)体在测井应用中已经表现出能够改进数据解释和预测。但是，由于一个神经网络体的常规选择包括用人工的方法确定网络体中神经网络的数目、各神经网络的结构以及各神经网络的权重系数，因此神经网络体的选择过程往往是一个繁重的逐步逼近的过程，对于没有经验的用户可能会出现一些问题。即使对于一些自动化的处理方法，在选择用目标函数确定最佳的神经网络体时，也还存在一个问题。按一般方法，确定神经网络体的目标函数，要求使用单一控制参数进行一些测试的数据，其有效误差和加权有效误差最小化。如果有效数据组由于可用性或分散性，并不很好地反映未知的新数据，或者如果仅使用一个控制参数不能提供一个以多重属性为基础的过程的有意义的量，问题就出现了。仅从一口井来选择有效数据，且希望用得到的神经网络体用不同井的数据进行预测时，情况往往如此。为了使神经网络体真正成为一个解决问题的可靠方法，需要借助其他的选择标准，与专门数据组的有效误差共同使用。本文介绍了一种使用多目标基因算法(MOGA)来选择神经网络体的新方法。通过该方法，可以用常规训练算法产生数个独立的神经网络，然后将MOGA算法在这些独立的神经网络中连续使用，使预先定义的多目标函数(MOF)最小化。多目标函数(MOF)是有效误差、神经网络体的复杂性和网络成员的负相关性之间折中后形成的一个公式。影响MOF加权系数的因素也在此进行讨论，以期对缺少经验的用户有所用。作为人工选择的一种替代方法，我们提供一种基因反演方法，用来确定MOF加权系数。本文描述的方法用一口裸眼井的三组合测井数据进行了测试，测试中借助了这口井的套管井脉冲中子测井数据。在此实例中，将一口训练井产生的神经网络体用到了其它测试井。结果表明，用MOCA选择的神经网络体所预测的结果优于或接近于最好的单一神经网络的预测，用单一的神经网络方法通常难于靠人工方法进行独立的神经网络预测。此外，用MOGA选择的神经网络体减少了粗心应用单一神经网络时所产生的风险，从统计上看，单一网络不如叠代提前终止、代数不够和其它因素产生的结果。