基于改进BP神经网络的油井流入动态研究

针对传统流入动态研究方法误差较大等问题,提出利用改进的BP神经网络进行油井流入动态研究。通过采用LM算法和贝叶斯正则化算法,改进了常规BP神经网络收敛速度慢、泛化能力差等缺点,并探讨了通过优化网络结构来提高网络泛化能力的方法。实例计算结果表明,采用LM算法和贝叶斯正则化算法的改进BP神经网络用于油井流入动态研究是可行的...     

基于数值优化的改进 BP 算法用于长输油气管道失效压力预测

利用人工神经网络自组织、自学习和非线性映射的特性,对在役长输油气管道失效压力进行了预测。通过敏感性分析确定了长输油气管道失效压力的影响因素并且采用数值优化的方法对传统BP算法进行改进,得到了基于数值优化的改进BP算法,进而对网络进行训练。实际预测结果表明,基于数值优化算法的BP网络在满足工程需要的前提下,能够很好地预测长输油气管道的失效压力。     

改进神经网络测井解释技术在宝北油田的应用

利用遗传算法与人工神经网络 (BP网络 )的原理结合 ,对BP网络进行了改进 ,应用改进后的BP算法 ,建立了针对测井解释的网络模型 ,并应用此模型定量计算了宝北区块的多口井的渗透率值 ,其解释结果及精度均令人满意 ,取得了良好的实际应用效果。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

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。     

应用改进的BP人工神经网络快速预测储层敏感性

标准的神经网络算法存在训练时间长，在一些特定的给定初值情况下会陷入局部最小等缺点，应用受到一定限制。该文介绍了改进的BP人工神经网络训练算法，该算法在一个权值修改过程中对权值修改两次，以达到加速收敛避免陷入局部最小等目的，利用该算法进行了储层敏感性快速预测软件研制。分析表明，该算法受人为因素干扰小，所需参数少，结果比较可靠，总体符合率达到91％，改进后的算法训练所需时间与标准BP网络相比缩短了许多，是一种适用于现场的良好方法。     

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。     

基于优化BP神经网络的连续管疲劳寿命预测

针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点，利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP神经网络进行优化。拟牛顿算法优化后的BP神经网络性能最佳。利用拟牛顿算法优化后的BP神经网络预测连续管疲劳寿命，并与标准试验结果进行对比研究。研究结果表明：拟牛顿算法优化后的BP神经网络预测结果与标准试验结果最小相对误差率为1.7%,最大相对误差率为3.6%,满足工程精度要求。同时利用优化改进的标准BP神经网络预测方法，提出连续管疲劳寿命区间预测。预测结果表明，所有的预测样本都处于合理的预测范围之内，证明了优化后BP神经网络预测连续管疲劳寿命区间的可行性。所得结果可为连续管的疲劳寿命预测提供参考。     

基于BP网络和遗传算法的波阻抗混合反演

针对BP网络和遗传算法（GA）波阻抗反演精度较低且效率不高等问题，提出一种基于BP网络和遗传算法的混合波阻抗反演方法。该方法利用BP算法计算出一定精度的波阻抗初始模型后，再利用改进的遗传算法对该初始模型进行迭代反演，可得到精度更高的反演结果。BP-GA混合波阻抗反演算法简化了二进制的编码解码过程，对BP和GA进行了优化，在保证一定精度的条件下提高了收敛速度，分别用不同子波、不同初始模型和不同噪声试验了该方法的效果，并用实际资料验证了该算法的有效性。     

基于Levenberg-Marquardt算法的油田产量预测模型

针对标准的BP神经网络存在的缺陷,采用基于Levenberg-Marquardt算法改进的神经网络,建立了油田产量预测的模型,并分析了各种参数对油田产量的影响。