碎屑岩油气水层神经网络解释模型

该文针对地质录井油气水层综合解释所用传统方法存在的问题,介绍一种基于人工神经网络的模式识别新方法。采用的神经网络模型为四层BP网络。输入层有14个神经元,第一隐含层25个神经元,第二隐含层14个神经元,输出层有4个神经元。选用了辽河油区400个碎屑岩层样本对网络进行训练,训练后网络识别率达到96.5%。说明人工神经网络是一种有效的综合解释油气水层的新方法。     

碎屑岩油气水层神经网络解释模型

该文针对地质录井油气水层综合解释所用传统方法存在的问题，介绍一种基于人工神经网络的模式识别新方法。采用的神经网络模型为四层BP网络。输入层有14个神经元，第一隐含层25个神经元，第二隐含层14个神经元，输出层有4个神经元。选用了辽河油区400个碎屑岩层样本对网络进行训练，训练后网络识别率达到96．5％。说明人工神经网络是一种有效的综合解释油气水层的新方法。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

基于BP神经网络的油气管道环焊缝失效风险预测系统研究

油气管道输送是国民经济基础设施的重要组成部分,随着其腐蚀现象愈发严重,必须对腐蚀管道的失效压力进行预测。针对腐蚀管道失效压力精确预测的问题,提出一种基于神经网络的预测方法。根据不同的腐蚀管道爆破试验数据,分析、筛选出对于管道失效压力影响较大的因素;构建一种环焊缝失效预测BP模型,随机选择训练集数据分为高、中、低三组放入神经网络进行训练;在BP神经网络经过大量训练后,使其用于管道失效压力的预测。通过实例验证表明:基于BP神经网络的训练模型在隐含层为12时预测精度最高,达到了93.8%,相比其他方法有着较高的准确率,证明本预测模型更优的拟合度与预测精度,适用于腐蚀管道失效压力的预测。     

一个确定Morison方程水动力系数的BP神经网络方法

将人工神经网络技术应用于计算Morison方程中的水动力系数Cd、Cm，构造具有一层隐含层的BP神经网络，然后在BP网络中运用附加动量法和自适应学习速率进行改造，使得建立的网络模型的收敛性大为改善，减少了训练次数和训练时间。结果表明，计算结果可靠，可用于计算不同雷诺数Re、KC数以及粗糙度数k下Morison方程的水动力系数，从而使得在利用Morison方程计算小尺度结构物的受力更接近实际。     

改进神经网络在预测评判油气田设备腐蚀分析中的应用

主要针对一般BP神经网络易陷入局部最小值、收敛速度慢、引起扬荡效应的缺点,提出用一种改进遗传算法对BP网络的权值、阈值进行训练,构建优化的混合算法神经网络模型。在华北油田某管道的腐蚀情况分析中,证明了该方法的正确性和优越性。     

改进的神经网络级联相关算法及其在初至拾取中的应用

针对传统BP神经网络存在的问题,引入一种神经网络构造算法——级联相关（CC）算法。该算法具有比BP算法更快的收敛速度,能根据待解决问题自行确定网络结构,即能随时扩展网络拓扑结构以学习新样本。常规CC算法的初始网络只包含输入层和输出层。改进的CC算法起始于适当的BP网络结构（存在隐含层）;且为了防止权值病态递增,在训练候选隐含神经元的目标函数中加入了正则化项,对权值进行衰减。仿真试验表明：改进的CC算法具有更快收敛速度、更强泛化能力;瞬时强度比、振幅、频率、曲线长度比、相邻道相关性等五种地震属性特征交会图显示对初至波具有稳定的区分能力。本文构建的神经网络初至拾取方法在实际资料应用中取得了良好效果。     

BP神经网络预测最小混相压力

应用BP神经网络预测CO2最小混相压力,选择C5＋分子量、油藏温度、挥发油（CH4和氮气）的摩尔分数、中间油（C2-C10）的摩尔分数作为参数,用相关文献的实验结果作为样本进行训练,选取网络模型各层函数、隐含层节点数和算法得出适合的BP神经网络,结合实际细管实验的数据及相关参数修改网络输入参数应用于实际油藏,预测最小混相压力并分析相关的影响因素,指导生产和相应理论研究。     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，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、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

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。     

基于ANN响应面法和Monte Carlo法的海洋平台可靠度分析

利用人工神经网络(ANN)响应面法和Monte Carlo法对波流联合作用下固定式海洋平台进行了可靠度分析。综合考虑各种随机变量对海洋平台失效的影响,通过有限元方法获得一组随机变量和结构响应数据,利用BP神经网络模型构建平台结构的隐式功能函数。基于Monte Carlo方法由MATLAB软件产生大量的随机变量组合,通过统计网络映射结果确定结构的可靠性。     

基于小波神经网络的地面集输管道结垢预测研究

小波神经网络是将小波分析和神经网络理论结合起来的一种神经网络,它克服了传统BP神经网络收敛速度慢、学习效率低的缺陷,可以更快、更准确的对一些非线性问题进行研究。文章介绍了小波神经网络的结构、计算与预测的过程。将小波神经网络技术应用于某油田地面集输系统结垢程度的预测研究,其预测结果与实测值相当接近,取得了良好的效果。     

油田开发规划方案综合评价神经网络方法

提出了一种基于BP神经网络的油田开发规划方案综合评价方法，介绍了油田开发规划方案综合评价的神经网络方法原理。对神经网络结构、评价指标数据的规范化和该方法的计算机实现步骤做了介绍，通过实例说明了该方法在油田开发规划方案综合评价中的作用。     

基于人工神经网络原油中气油体积比预测模型研究

针对国外原油气油体积比预测模型在国内一些油田并不适用,在分析BP神经网络基本原理的基础上,提出了原油气油体积比新的预测模型。该模型结构为4-10-1的三层BP网络模型,它考虑了压力、温度、地面原油重度和气体的相对密度对气油体积比的影响。利用该模型对大庆油田实测值进行了训练与测试。测试结果表明:利用人工神经网络方法建立的气油体积比预测模型比国外模型精度高,基本合理可靠。     

双重神经网络预测储层及油气

由自组织神经网络和ＢＰ网络组成的双重神经网络，能够克服各自单独使用的局限性，可在复杂地区进行储层及油气预测。在ＢＰ网训练时，采用同伦学习算法，可得到全局最优解，且收敛速度很快。实际应用表明，在用自组织神经网络或ＢＰ网络不能进行储层及油气预测的地区，采用双重神经网络能取得很好的效果。     

BP�������ڴ��������е�Ӧ��

BP神经网络不同于传统的CRA（碳酸盐岩复杂岩性处理程序）测井解释方法，具有强的抗干扰能力和非线性映射能力。通过在四川盆地东北部地区铁山坡含气构造飞仙关组气藏储量计算中的应用证实，用BP神经网络计算的孔隙度与岩心分析结果有很好的一致性，能满足储量计算要求。在气水判别方面，BP神经网络计算气层段的含水饱和度与岩心分析结果相比，误差在10％以内，能指示气层特征；在水层段，BP神经网络计算的含水饱和度大于50％，能指示水层特征。表明BP神经网络可以应用于确定储量参数和判别储层流体性质。     

模糊神经网络预测储层及油气

利用模糊理论和 BP网络相结合组成的模糊神经网络系统 ,能够克服单独使用 BP网络的局限性 ,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明 ,在单独应用 BP网络进行储层及油气预测效果较差的地区 ,采用模糊神经网络能取得较好的效果。     

基于人工神经网络混合油品粘度预测模型研究

在分析前向BP神经网络基本原理的基础上,对3种混油建立了人工神经网络混油粘度预测模型,该模型结构为1-7-1的三层BP网络模型。运用实测数据对BP网络进行训练和仿真。结果表明,三种模型预测误差全在2.5%以内,比前苏联学者提出的混油粘度计算公式——克恩达尔-莫恩罗埃公式和兹达诺夫斯基公式更具有计算精度高、适用性强的特点,可完全满足工程实际需要。     

BP神经网络在油脂亚临界水解反应中的应用

亚临界水解反应制备脂肪酸的研究方法大多以试验为主,得到一些规律性的结论。采用BP神经网络预测橡胶籽油水解反应的水解率。结合均匀试验方法得到神经网络所需的训练样本,确定最佳的网络结构为3-8-1。并检验了所得网络结构的泛化能力,通过线性回归分析得到网络的输出与试验数据的相关系数达到了0.994,证明所确定的网络结构在油脂亚临界水解反应中的预测效果较好。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。