利用BP神经网络进行测井资料外推

针对在地震资料约束下资料外推的具体问题，修改了ＢＰ网络的能量函数，增加一项反演目标函数，使之作为一项新的能量约束，从而实现用ＢＰ网络自适应地外推测井资料，有机地将ＢＰ网络与地震反演结合起来，本文论述了其理论与算法，并给出了资料处理应用实例，对实际资料的测井速度外推结果表明，此方法处理速度快，稳定性好，可信度高，具有较好的应用前景。     

储层敏感性预测模型中BP网络隐层数的优选及应用

储层敏感性预测是多变量的非线性系统,而神经网络解决非线性问题有其独特的优势,是目前用于储层敏感性预测是较好的方法。在建立预测方法过程中,BP网络隐层结点数的确定直接影响到网络的学习效率。通过对目前四种隐层结点数确定方法进行探讨,优选出储层敏感性预测中BP神经网络合理的隐层结点数,并在实际预测中进行应用,从而使预测结果更客观和符合实际。应用情况表明,该方法可大大缩短网络学习时间,从而提高学习效率,使网络以最快的速率达到收敛。     

基于稳定成像条件的保幅叠前深度偏移

 基于炮域的保幅偏移必须应用反褶积成像条件才能达到保幅目的,但是基于阻尼型反褶积成像条件存在明显缺陷,即当分母项趋于零值的时候,会出现计算不稳定现象,严重地影响了成像质量。为此,本文基于高斯窗函数,对反褶积成像条件中的分母项进行平滑,消除了分母项中奇异值的影响,既保持了原有的反褶积型成像条件,又保持了计算的稳定性。模型试算和实际资料处理结果表明,在合适的平滑参数控制下,基于平滑函数型稳定保幅成像条件的叠前深度偏移既能提高保幅偏移的稳定性,又能较好地压制偏移噪声,获得了较好的成像结果。     

石油工程中的高阶神经网络

本文在探讨了高阶神经网络的一般应用之后，介绍了这类网络在试井模型识别方面的成功应用。在研究过程中发现这类网络在石油工业中有广阔的应用前景。因此，本文的目的就是要介绍高阶神经网络的背景及其潜在应用。常规神经网络的活化函数都是网络输入的线性相关，而高阶网络则是其输入的非线性相关，高阶神经网络因其依附的参数（权）太多而未得到广阔的实际应用。然而，对于某些问题，大量的权参数可通过约束网络结构而显著减少，诸     

Hopfield神经网络和平均场退火及其在地震反褶积和多次波衰减中的应用

本文阐述了一种基于全局优化的算法－平均场退火算法（简称MFA），及其在地震数据处理中的两个基本问题－地震道反褶积与表面有关的多次被衰减中的应用，基于平均场近拟，MFA耕用一套确定性的修正规则代替了模拟退火的随机性，且这些规则不是作用在变量自身上，而是作用在变量的均值上，当温度降低时，MFA规则根据前一温度上各个变量的值修正其变量，通过最小平均值，MFA较常规模拟退火法能更快地收敛到平衡状态，修正规则依赖于价格函的形式，在价格函数类似于Hopfield网络的能量函数时，很容易获得，将一个问题映射成Hopfield网络不是使用MFA的前提条件，但映射能使解析计算更为简单，通过将震源子波和反射系数用二值神经表示，问题就是反褶积问题可映射到一个Hopfield网络，在本文中，当网络的神经元到达平衡状态时，问题最小化MFA网络的价格样的思路来设计算子，此算子可用来衰减由平面波转化的地震记录中与表面有关的多次反射波，消除多次波问题的价格函数是基于被多次压制地震数据的最小能量标准的。     

�������ڲ⾮�����е�Ӧ��

对测井资料进行必要的预处理和合理的取舍后，与地质参数结合，建立起正确的样本集。设计ＢＰ网神经网络，修改神经元作用函数，调整神经元的权值递推式，对样本进行网络训练，在网络系统误差小于允许误差时，网络训练结束。使用得到的网络模型参数，就能得到所需结果。输入测井资料、计算储层参数，计算结果与岩心分析结果相比较，其误差很小。在测井所处理的储层参数与储层产能对应关系很差的情况下，将储层参数与储层产能挂钩，设计ＢＰ网络进行样本训练，训练过程中修整了步长调整因子和平滑因子，得到网络模型参数后进行储层产能评价，效果很好，精度较高。对汉明网络的结构、神经元的权值、域值和输出函数作了改进，使其适用于输入为连续值的模式识别，经实际资料处理证实，该网络有较强的模式识别能力，并见到良好效果。     

平滑调频技术及其在Polyseis系统中的应用(上)

平滑调频(TFM)技术是一种新型的用于数据传输的调制技术,其主要特点是带外辐射小、频带利用率高,能很好地应用于窄带数据传输。同时,其发射机和接收机结构都比较简单。本文介绍了平滑调频用于数据传输的基本原理和性能,以及它在Polyseis地震数据采集系统中的应用。     

平滑调频技术及其在Polyseis系统中的应用(下)

平滑调频(TFM)技术是一种新型的用于数据传输的调制技术,其主要特点是带外辐射小、频带利用率高,能很好地应用于窄带数据传输。同时,其发射机和接收机结构都比较简单。本文介绍了平滑调频用于数据传输的基本原理和性能,以及它在PoIyseis地震数据采集系统中的应用。     

常用油藏模拟软件中局部网格加密和自适应隐式方法的向量化和并…

利用较少的计算机内存进行少量计算，局部网格加密和自适应隐式方法就能有效地达到与全加密、全隐式方法类似的精度。这些方法较少用于向量处理，因为它们不易象后者一样向量化。本文讨论建立常用油藏模拟软件中局部网络加密和自应用隐式方法向量化的并行处理算法，自适应隐式方法被认为属于混合隐式的多层局部网格加密的动态模型。这种算法在扩大的第１２届ＳＰＥ比较求解问题中得到了检验。结果表明由于向量化，速度提高５倍。与全     

神经网络技术在储运工程中的应用综述

人工神经网络是近年来得到迅速发展的一种算法，在各个领域已经得到了广泛的应用。针对储运工程，介绍了多层感知器网络、径向基网络和小波网络在管道智能检测数据分析识别中应用，前向神经网络在管道综合可靠度决策评价中应用，基于自适应反馈预测模型和自适应函数连接预测模型的天然气消费预测以及Hopfield神经网络在管线优化设计中的应用。可以看出，神经网络必将成为解决储运工程问题的有力工具，对突破现有技术的瓶颈，更深入地探索非线性等复杂现象将起到重大作用。     

神经网络方法烃类预测中的问题探讨

自神经网络应用于烃类预测以来．很多专家学者一直在神经网络和烃类预测两方面钻研，加快了神经网络与不同数学模型相结合的步伐，并分别取得了较好的应用效果。根据神经网络进行烃类预测的基本原理和应用条件，简述了神经网络应用于烃类预测时的不同模式、特点、相应要求及改进思路，许简要分析了利用神经网络进行烃类预测所存在的问题．最后展望了神经网络烃类预测的发展趋势。     

多属性概率神经网络技术在ML油田岩性油气藏预测中的应用

在ML油田,由于地震资料品质差、井数据缺乏、开发程度低等原因,采用常规阻抗反演进行油气预测效果不理想,为此应用多属性概率神经网络技术进行油气预测。在研究区首先进行多属性分析,优选出振幅包络、泊松比等7种地震属性,建立起地震属性与油气之间的非线性关系;然后对已钻遇岩性油气藏砂体进行油气预测,将预测结果和实际测井数据进行对比说明预测结果真实可靠;最后对潜在的岩性油气藏目标砂体进行油气预测,得到目标砂体的油气分布概率以及厚度图,从而指导油田岩性油气藏的勘探与开发。     

烃类体系相态特征图的ANN识别方法

本文提出了用人工神经网络技术（ＢＰ网络）来辨识烃类体系相态特征图的方法。重点介绍了ＢＰ网络及算法和相态特征图的人工神经网络辨识方法，这加深了对烃类相态特征的认识，提高了识别油气藏的准确性。文后给出了应用实例，证实了本文方法的可行性。     

BP神经网络模型设计的研究

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨,提出一种新的构建BP神经网络模型方法。实验表明,使用该方法构建的网络模型训练曲面图形时,得到的网络输出曲面与原样本曲面非常接近,训练误差满足设定要求。     

地震属性神经网络油气模式识别技术及其在东海的应用

神经网络油气模式识别技术是综合利用地震属性进行油气预测的技术之一 ,它首先通过计算获得多种地震属性 ,综合分析找出对储层油气比较敏感的地震属性组合 ;然后收集油气井与非油气井的井旁道地震属性 ,组成学习样本并进行神经网络学习 ;最后利用学习结果对储层进行油气预测。该技术在东海某工区的应用结果表明 ,振幅统计类和复数道统计类地震属性是对该地区储层油气最敏感的地震属性组合。神经网络油气模式识别技术可以作为东海地区储层油气预测的一种手段。     

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。     

BP神经网络隐式法在测井数据处理中的应用

现有神经网络方法对时间向量序列数据的处理是通过单点进行的,割裂了数据间的关联性.为此,利用隐式曲线的构造原理,通过对时间向量序列的变换,提出了一种整体预测时间向量序列的测井数据的方法.神经网络隐式整体预测方法的步骤是:①将数据变换为封闭曲线,构造约束点以简化神经网络的输入与输出;②利用神经网络的隐式方法,通过智能学习和仿真模拟,得到封闭的预测曲线;③经过变换得到最终的预测曲线.实验证明了该方法的有效性.     

应用多属性神经网络方法预测油气

地震属性包含的地球物理信息十分丰富,但地震属性种类繁多,并且与储层特征对应关系复杂,单属性分析难以确保预测的准确性。人工神经网络方法具备较强的非线性映射能力,使用该方法可以综合利用多属性进行油气预测,提高预测精度。该文采用梯度下降神经网络算法,避免陷入局部极小值,有效加快网络收敛速度,使网络达到全局最优,提高了预测效果。     

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。     

人工神经网络在生烃条件评价中的应用

根据生烃条件评价的地质模型,用人工神经网络建立权重分配,改变了以前人为给定权值的方法。通过网络的自学习,自动地建立起权重分配关系,使权重分配较为客观准确。用该方法对鄂尔多斯盆地奥陶系生烃条件进行评价,取得了与专家系统评价基本一致的结果。