用Hopfield神经网络反演横向各向同性介质参数

本文用Ｈｏｐｆｉｅｌｄ神经网络对横向各向同性介质的各向异性参数反演作了初步研究,首先简述Ｈｏｐｆｉｅｌｄ神经网络,说明该网络具有能量单调下降但并不保证收敛到能量最小的特性,然后详细推导出了运行网络的权系数和输入项公式。     

基于神经网络的调节器参数自整定

由于神经网络具有并行处理，分布式储存，自适应和自学习特性，是实现智能控制的重要途径，其最常用的网络类型是多有馈网络和回归网络，该文简要介绍了神经网络在过程中的应用情况，ＰＩＤ调节器参数自速下是工业过程控制领域研究的一个重要课题，该文分析了实际应用中调节器参数整定的现状，提出了可以在线运行的基于神经网络的调节器参数自整方法，进一步研制智能调节器打下基础，文中研究了自衡对象基于神经网络的调节器参数自整     

地震信息的属性参数提取和砂体预测方法

在利用地震信息属性参数进行砂体预测时，仅用单一参数预测的结果往往精度很差，而盲目使用多参数作为神经网络的输入，又会使网络的学习过程不收敛。为克服上述问题，本文通过理论模型研究，并结合实际地震资料，从时间域和频率域中提取了目的层的１９个地震信息属性参数。然后，选取与薄砂层厚度最密切的８种参数进行砂体预测。文中对几种常用的预测方法进行了分析和对比。应用结果表明，多参数的神经网络预测方法的精度最高；主频     

基于神经网络的调节器参数自整定

由于神经网络具有并行处理、分布式储存、自适应和自学习特性，是实现智能控制的重要途径，其最常用的网络类型是多层前馈网络和回归网络。该文简要介绍了神经网络在过程中的应用情况。PID调节器参数自整定是工业过程控制领域研究的一个重要课题，该文分析了实际应用中调节器参数整定的现状，提出了可以在线运行的基于神经网络的调节器参数自签定方法，为进一步研制智能调节器打下基础．文中研究了自衡对象基于神经网络的调节器参数自整定．结果表明该整定方法效果良好。     

神经网络与地震数据反演

神经网络可被看成是映射理论的具体应用，即输入空间到输出空间的映射。为了模拟出期望的映射，网络必须具有在对施工输入模式及与它们对应的输出模式的感知基础上进行学习的过程。这一过程指内部参数的迭代变化。对于所有用来训练的样本集而言，当计算出的输出结果与期望输出模式间的误差达到最小时，则完成了网络的训练过程。这样一来，网络在限定的训练样本域中能模拟出期望的映射。本文所介绍的实验是用合成的共炮点道集作为网络     

神经网络在地震层析成像中的应用

Ｈｏｐｆｉｅｌｄ神经网络是一种单层的反馈型神经网络，它的主要优点是集成并行处理和收敛速度快。本文将该神经网络的原理和于地震层析成像，并导出了联接权系数和外部输入项在层析成应用中的具体表式达。文中用该方法计算了两具模型实例。计算结果表明，Ｈｏｐｆｉｅｌｄ神经网络地震层肿是行之有效的，可获取井间地层速度场或慢度场的最优估计。     

BP神经网络技术在神木气田水平井产能预测中的应用

传统水平井产能预测计算由解析解法与半解析解法确定,有极大的局限性,所以在应用中常常预测不够准确。本文选择BP神经网络算法,通过输入信息神经网络权值和阀值作用,计算各层误差,依次对权值和阀值进行修改,达到高精度、快速逼近样本的目的。最后用训练好的网络来进行神木水平井产能预测。仿真结果表明,神经网络算法应用效果显著,预测值与实际值相对误差在±10%之内,能够满足工程精度要求。     

基于差分进化算法的BP神经网络脱硫效率预测控制

针对当前BP神经网络技术应用在大型燃煤热电厂以及燃煤脱硫机组效率数值预测分析计算模型中易陷入局部最优，预测效果可靠性差，收敛算法响应速度过慢，给出了一套结合自适应差分进化算法模型和BP神经网络理论的新一代高效率数值预测优化算法。该算法能自动优化BP神经网络的初始权值和阈值，将优化后的结果直接应用于BP神经网络模型训练中，进而获得脱硫效率的最佳预测网络模型。实验分析结果表明：该模型算法与目前传统的BP网络方法相比，算法收敛速度快，对网络参数的预测及精度估计更高，从而为脱硫系统的改进提出了必要的理论基础。     

人工神经网络及其在石油机械工程中的应用

在简要介绍人工神经网络概念和特点的基础上，综述了石油机械工程中常用的多层前向网络、Hopfield网络和自组织竞争网络等人工神经网络模型。举例分析证明了人工神经网络在石油机械设备故障诊断，石油机械优化设计，设备运行过程智能检测、预报和控制，结构动态设计与分析，以及石油机械加工制造行业具有广阔的应用前景。最后就入工神经网络在石油机械工程中的推广应用问题提出了几点建议。     

变频器在风机和泵类系统上的应用

本文以锅炉炉膛负压控制系统为例，介绍了变频器在风机和泵类系统上的应用，并介绍了这类应用中变频器选型和比较重要的几个参数的设定问题。     

BP�������������������㼰��̬�����е�Ӧ��

将油（气）藏看作一个系统，而将产量认为是对系统的激励信号（输入信号），那么压力则为系统的输出信号。输入信号和输出信号之间的关系，隐含着油（气）藏系统内在的信息，如储层和油（气）藏结构、单井控制面积以及井的状况等综合信息。将气井生产记录资料进行适当的统计作为模式特征，输入ＢＰ神经网络，通过向模式学习，ＢＰ网络便可将生产资料所隐含的信息以权矩阵的形式记录下来。应用ＢＰ网络做动态分析和储量计算，以气井日常生产记录资料为基础，计算单井动态储量，并预测气井未来的生产动态。实例证明该方法可行。该方法的应用为利用大量的井口生产记录做了有益的探索。     

神经网络及模式识别技术在测井解释中的应用

针对四川碳酸盐岩储层实际情况，用测井资料与岩心分析结果组成孔隙度、含水饱和度样本，经BP网络训练后得到模型参数。使用模型参数进行孔隙度、含水饱和度计算、计算结果精度高。BP网络在产能评价方面也有明显优势，能较好地表达储层参数与产能之间的关系，提高预测结果精度。对汉明网络结构作了适当的调整，使其适用于输入为连续值的模式识别问题。在储层流体性质判别方面，气层、水层的判别符合率达93%；该网络在多个地区的测井相分析中应用表明，能提高沉积微相识别率和预测符合率。实际应用证实，神经网络技术能提高测井解释中的数值计算精度和模式识别符合率，已在测井精细解释及储量计算中应用。     

深度域神经网络数据驱动岩性参数反演

本文针对深度域地震资料反演问题提出了神经网络数据驱动岩性参数反演方法。该反演方法是非线性的，且由数据驱动，不需基于任何确定性算子，其中数据驱动方法由结构风险最小化神经网络实现。在反演运算过程中，通常将测井资料和地震记录作为训练样本，其中井旁道地震记录作为输入，测井资料作为输出，网络学习完成后，得到由地震记录转换为测井资料的反演映射关系，进而进行岩性解释。文中通过理论模型及叠前深度偏移地震资料的岩性参数反演实例，说明了方法的有效性。     

神经网络与地震数据反演

神经网络可被看成是映射理论的具体应用,即输入空间到输出空间的映射。为了模拟出期望的映射,网络必须具有在对许多输入模式及与它们对应的输出模式的感知基础上进行学习的过程,这一过程指内部参数的迭代变化。对于所有用来训练的样本集而言,当计算出的输出结果与期望输出模式间的误差达到最小时,则完成了网络的训练过程。这样一来,网络在限定的训练样本域中能模拟出期望的映射。本文所介绍的实验是用合成的共炮点道集(即由一个炮点所获得的地震记录)作为网络的输入模式,并将计算出与其对应的一维大尺度速度模型作为输出。所有的地质模型均由8个位于均匀的半空间上的等厚地层组成。用了450个样本来训练网络。经训练的网络虽然不可能计算出与期望输出完全吻合的地质模型,但得到的近似结果完全可用来作为下步地震成像算法中的初始模型。经训练的网络对新的地震道集(即不包括在训练集以内)而言,计算出的速度剖面的精度达80％。虽然输入剖面中有白噪干扰,但对输出结果并无影响,不过在有强的相干噪声情况下,影响很大。本文的应用说明,我们可以使用神经网络对较重要的反问题进行求解。     

基于地震资料高阶统计量的含油气储层非均质性研究——鄂尔多斯盆地大牛地气田储层预测实例

 本文介绍一种基于地震资料高阶统计量的含油气储层非均质性研究方法。其基本思路是采用信号识别与检测中的高阶统计量参数(偏度和峰度)，对地震记录进行处理与重构，而地震数据的高阶统计量参数能提供详细的储层横向变化信息。模型试算表明不同的储层结构具有不同的高阶统计量特征，高阶统计量的横向敏感性强于纵向敏感性。实际资料的应用结果证明高阶统计量对储层横向非均质性变化的敏感性远远高于波阻抗反演结果，预测出的储层非均质规律与已知产气井、非产气井的储层位置相吻合。     

地震多参数在塔河油田储层含油气性预测中的应用

新疆塔河地区地震属性参数与测井数据并非存在着明显的一一对应关系，很难用精确的算法来描述，使用多参数共同解释又往往产生相互矛盾的结果。针对这种情况，介绍一种三维地震资料多参数神经网络技术将丰富的地震资料与较稀少的钻井、测井数据结合起来进行沿层含油气性预测与评价的方法。首先分析塔河地区的地质规律及目的层段井资料的含油气性，研究井位处地震属性参数与目的层含油气性之间的关系，然后筛选出较稳定的、灵敏度较高的瞬时频率、反射强度、瞬时相位等优势地震参数进行归一化作为网络的输入数据，目的层段的测井或岩心油气显示为神经网络的期望值进行网络训练，最后用经过训练的网络对整个工区内各道相应目的层段进行沿层预测，形成油气预测图，实际应用表明该方法是可行的。     

基于神经模糊系统的储层参数反演

神经模糊系统,即把神经网络与模糊逻辑结合起来,用神经网络来构造模糊系统,使建立的储层参数反演模型既能处理输入信息,又能嵌入专家的模糊性知识,提高了模型的抗干扰能力和预测精度,同时,也克服了人工神经网络技术的储层参数反演与预测在实际应用中暴露出的一些难点。通过基于神经模糊系统的网络结构、建模步骤及应用的研究,与常规多元线性回归分析、模糊系统建模相比较,获得了较高的储层参数反演预测精度。     

采用神经网络方法据测井预测低渗气藏的孔隙度和渗透率

人工神经网络作为据有限、常见的数据组估算储层参数的方法得到广泛普及。利用人工神经网络方法需要输入的数据包括，与期望输出值有关的测井记录和用于训练的“真实”数据。我们将利用两个实例研究来说明利用神经网络据测井数据预测孔隙度和渗透率。在两个实例中，气田研究所需的预测是改善气藏管理和优化开采。在堪萨斯州的雨果顿（Hugoton)大型气田中，孔隙度是根据自然伽马能谱、光电分析和体积密度数据，利用类属神经网络软件预测的。这种类属神经网络软件可将神经网络建立的关系式转化成一个方程式，此方程式很容易用于所有具所需测井曲线的井。渗透率是利用更具测井方向性的软件预测出来的，此软件在网络的产生和应用中，并入了输入数据的深度窗口。除了利用输入曲线预测孔隙度之外，中子测井还用于预测渗透率。在雨果顿实例中，矿物学是确定孔隙度和渗透率的关键因素，因此大部分输入数据提供了关于储层矿物组分的资料。在训练孔隙度和渗透率的神经网络中，岩心分析作为“真实”情况。在俄克拉荷马州的雷德奥克（Red Oak)气田中，通常没有密度测井或是测井质量差，可建立多重神经网络用来据伽马射线和深感应数据预测密度。然后综合测量的和预测的密度曲线，用于计算孔隙度。建立一个辅助的网张,以便据伽马射线、感应和密度数据估算出5种级别的渗透率，岩心柱渗透率测量值可作为训练中的真实数据。这些网络的关键特征不是统计训练而是具选择性，反向预测输入数据进行验证且采用输入数据折高等距间隔。     

基于模糊神经网络的非线性系统建模方法

针对工业中难以建立精确数学模型的复杂过程，提出了一种基于模糊神经网络建模的方法。模糊神经网络隐层节点数随输入改变而改变，采用三角形隶属函数，同时给出了模糊规则中参数的给定方法，利用误差反传法修正参数。仿真实验验证了该建模方法的有效性。     

神经模糊系统的储层参数反演

神经模糊系统,即把神经网络与模糊逻辑结合起来,用神经网络来构造模糊系统,使建立的储层参数反演模型既能处理输入信息,又能嵌入专家的模糊性知识,提高了模型的抗干扰能力和预测精度,同时,也克服了人工神经网络技术的储层参数反演与预测在实际应用中暴露出的一些难点.通过基于神经模糊系统的网络结构、建模步骤及应用的研究,与常规多元线性回归分析、模糊系统建模相比较,获得了较高的储层参数反演预测精度.