学习矢量量化网络在油藏描述中的应用

由于在油藏描述领域中储层特性关系比较复杂，用传统方法进行油藏描述存在极大的局限性，为此提出运用学习矢量量化网络方法进行储层岩性识别。在学习矢量量化网络模型和学习算法分析基础上，运用该方法对某油井测井数据进行仿真试验。现场仿真试验结果与实际资料吻合较好，证明该方法在模式识别中具有较强的分类能力。与BP网络相比，学习矢量量化网络具有更明显的优越性。     

混沌优化神经网络方法及其在地震多属性研究中的应用

针对传统的基于梯度下降法BP神经网络中存在非线性多极值目标函数易陷于局部最优解的问题,提出了一种权值学习混沌优化的神经网络方法。非线性动力系统具有初值敏感性、遍历性的特性,采用基于混沌和梯度反传训练相结合来训练网络,可以使网络的连接权在不断迭代过程中自适应演化。实际过井地震剖面地震多属性研究实践表明,所提出的混沌优化学习方法可以克服传统方法的不足,提高预测能力。     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

支持向量网络在MT资料模式识别中的应用

研究了有监督学习支持向量网络的模式识别；在统计学习理论的基础上，研究了小样本、非线性高维模式识别；研究了有监督学习支持向量网络的非线性分类设计；设计了非线性优化问题的混合解法。针对油气识别预测的具体问题，对特征参数的提取和内积函数的选择进行了深入的研究。该方法能够较好地克服神经网络欠学习或过学习的弊端，应用于实际的MT资料，取得了较好的效果。     

自主学习教学模式的设计

网络课程本身就是一个教学系统,对该教学系统运用建构主义理论进行系统地设计,其优劣程度将直接影响着网络课程教学功能的实现。本文分析了建构主义及其在网络课程设计中的作用,并对基于网络的自主学习教学系统的各个要素———学习者、教学目标、教学内容、学习环境、教学策略、评价等作了系统地设计。     

演化神经网络学习方法及其应用

在基于梯度下降原理的BP网络学习过程中,权值的获取方法是采用某个确定的权值变化规则,然后在训练中逐步调整,最终得到一个较好的权值分布,但它往往会因非线性多极值目标函数而陶于局部最优解,本文采用全局寻优的遗传算法（GA）和基于梯度下降的局部寻优反传算法（BP）相结合来训练网络,使网络的连接权在不断迭代过程中自适应演化,通过在NH地区利用井旁道地震特征参数外推重建井底以下声波曲线的实践,表明这种演化学习方法可以克服传统方法的不足,而且还能避免训练中的“伪学习”现象,提高网络的推广预测能力。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。     

塔河一号联合站天然气处理装置参数优化研究

对换热网络的传统夹点设计法进行了改进。将换热网络组合曲线分成若干段单独处理,以温差均匀性因子作为评价指标设计各段网络结构,将各段设计的结构及远离夹点处的匹配组成完整的换热网络初始结构,采用牛顿法优化初始结构的换热器单元,以达到调优的目的,最终获得具有最优年综合费用的换热网络结构。通过具体算例表明,依据温差均匀性原则设计的换热网络具有较好的换热性能,且最终的年综合费用优于其他文献报导的数据,验证了该方法的有效性。     

基于先验约束的深度学习地震波阻抗反演方法

不同于传统的深度学习反演方法,文中提出一种基于先验约束的深度学习地震波阻抗反演方法:参照地震相类型分割待反演区域,且将区域分割结果作为一种明确的空间约束条件监控网络模型的反演过程;将蕴含丰富低频信息的初始模型作为一种标签以丰富反演结果的低频信息;并使用一种强抗噪性激活函数提高网络模型对噪声数据的适应能力.为降低标签数据...     

炼化企业网络培训管理平台的开发与应用

本文介绍了在对炼化企业培训现状的研究基础上,开发的企业网络培训管理平台。在企业内部,通过计算机网络建立起一套学习与管理系统,营造自发学习的氛围,提高培训管理的效率,体现了传统培训与现代信息技术的有机结合。通过平台的使用,总结和分析了网上学习、在线考试、网络仿真三方面的开展情况,以及存在的问题和发展方向。     

Boosting算法在近红外光谱分析中的应用

Boosting是一种新型的机器学习算法，其主要用于提高回归算法的性能。介绍了一种以RBF神经网络为基础学习机的Boosting回归算法，并将此算法应用于油品辛烷值分析中，与常用的油品分析技术偏最小二乘法(PLS)、多元线性回归(MLR)方法和单个RBF神经网络的拟和预测效果对比分析。结果显示，该算法具有学习速度快、跟踪性能好、范化能力强等优点。     

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...     

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。     

同步优化失效概率与建设成本的天然气管网布局流程

目前,天然气长输管网布局优化基本上都是首先以最短路径或最低建设成本为优化目标,然后在已确定的优化布局基础上进行失效概率分析,而在管网运行期间由各种失效导致的风险损失却变得越来越不容忽视,因而在管网布局规划阶段就应该考虑失效造成的风险损失。为了在布局规划阶段实现失效概率和建设成本的同步优化,提出了一种新的布局优化流程:①基于已建管网或相似管网的失效概率和土壤成分数据进行Back-Propagation Network(BP)神经网络预测模型的训练和验证;②基于待优化管网初始敷设路径对应的土壤成分数据预测其失效概率,并与待优化管网的建设成本同时归一化处理;③将归一化后的失效概率与建设成本的乘积定义为得分;④利用最小生成树算法得出所需的最优布局。案例分析结果表明:①路径最短的优化布局通常仅能保证建设成本为最低,难以同时实现失效概率和建设成本同步最小;②得分最小的优化布局能实现失效概率最小,同时其建设成本最接近最小建设成本,以此实现失效概率和建设成本的同步优化;③管网的优化布局方案不应简单只考虑单一因素,应根据失效概率和建设成本的权重关系确定最优的布局方案,以实现经济效益最大化。结论认为,该研究成果可同步优化失效概率和建设成本,具有较大的推广应用价值。     

A two‑stage optimization method for unmanned aerial vehicle inspection of an oil and gas pipeline network

To improve the reliability and safety of the oil and gas pipeline network, inspections are implemented to minimize the risk of leakage, spill and theft, as well as documenting actual incidents. In recent years, unmanned aerial vehicles have been recognized as a promising option for inspection due to their high efficiency. However, the integrated optimization of unmanned aerial vehicle inspection for oil and gas pipeline networks, including physical feasibility, the performance of mission, cooperation, real-time implementation and three-dimensional (3-D) space, is a strategic problem due to its large-scale, complexity as well as the need for efficiency. In this work, a novel mixed-integer nonlinear programming model is proposed that takes into account the constraints of the mission scenario and the safety performance of unmanned aerial vehicles. To minimize the total length of the inspection path, the model is solved by a two-stage solution method. Finally, a virtual pipeline network and a practical pipeline network are set as two examples to demonstrate the performance of the optimization schemes. Moreover, compared with the traditional genetic algorithm and simulated annealing algorithm, the self-adaptive genetic simulated annealing algorithm proposed in this paper provides strong stability.     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

环状管网优化设计的双重编码混合遗传算法

以投资最小为目标函数,建立了注水系统环状管网优化数学模型。针对环状管网优化的特点,遗传算法采用二进制编码和整数编码相结合的双重编码,同时对管网连接方式和管径进行优化,并结合了模拟退火算法,形成了混合遗传算法。操作过程中采用随机多父辈适应函数值加权交叉,提出了与优化问题相适应的多种变异方法,给出了约束条件的处理方法,减少了不可行解的产生,使该算法的优化性能得到了提高。大庆油田某采油厂一新建注水区块的优化算例表明,管网投资由1160万下降到850万元,说明该优化方法有效且实用。     

基于粒子群优化和长短期记忆神经网络的气井生产动态预测

气井生产动态预测是气藏产量规划、开发方案编制及生产制度动态调整的重要依据,对天然气藏开发有着极其重要的指导意义。建立了基于长短期记忆深度神经网络的生产动态预测模型,并采用了粒子群优化算法对神经网络模型超参数进行优化,提高长短期记忆深度神经网络的预测效果。研究结果表明,基于粒子群优化和长短期记忆神经网络的气井生产动态预测模型能够实现对气井生产动态的准确预测和神经网络超参数的自动优化,使预测结果的平均绝对误差均小于10%,大幅度简化了神经网络模型的优化过程。     

基于组合模型的油气管道腐蚀速率预测

对预测管道腐蚀速率的2种主要方法——灰色预测方法和神经网络方法的优缺点进行分析,在此基础上,提出一种基于双改进的复合灰色神经网络预测方法。该算法总体思路为:首先计算灰色预测样本和真实值之间的残差,其次将残差作为神经网络的输入样本进行训练,然后利用马尔柯夫过程对预测残差进行修正,得到1组最终修正残差,最后根据灰色预测值和最终修正残差确定下一时刻数据的预测值。通过实例应用,并与相关文献结果进行比较,结果表明,基于双改进的灰色神经网络组合预测模型预测精度更高。     

综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。