径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

径向基函数神经网络在启动压力梯度预测中的应用

启动压力梯度直接影响着低渗透油田的开采量以及油藏压力的预测精度。它与流体粘度、密度、渗透率、孔隙度等影响因素呈非线性关系。而人工神经网络具有表示任意非线性关系和学习的能力，是解决复杂非线性、不确定性和时变性问题的新思想和新方法。利用径向基函数(RBF)人工神经网络对启动压力梯度进行预测，并结合岩心的启动压力梯度的实际测定结果进行研究，结果表明：RBF人工神经网络是一种较为有效的预测方法，具有较高的精度．该方法可以为低渗油田的开发提供可靠的基础数据，节省了人力、物力。     

基于径向基函数神经网络的平台许用重心高度预测

为保障平台的安全生产,得到更精确的许用重心高度曲线,提出采用人工智能预测平台许用重心高度的方法以代替粗略估算的线性插值法。以某自升式风电安装平台的不同吃水作为神经网络输入层、相对应的完整稳性许用重心高度作为输出层进行训练,使用经过训练的神经网络预测许用重心高度曲线。对预测结果与实际值、线性插值法计算值进行比较,神经网络预测结果的最大相对误差为1.43%,神经网络法比线性插值法精度更高,证明其能够精确预测完整稳性许用重心高度曲线,可为平台的安全运营提供支持。     

基于径向基函数温度控制系统的模型辨识

针对一些带复杂参数辨识性能指标的模糊建模无法采用经典辨识方法解决的情况,提出了采用径向基函数（RBF）神经网络模型对被控对象进行参数辨识,该方法具有无需具体数学模型的特点,解决了模糊模型辨识中辨识指标表达式过于复杂甚至非解析所带来的难题,从而实现了系统的参数辨识。仿真研究表明,利用该辨识方法得到的模糊模型能够很好地逼近真实系统,并且对初始条件和输入信号不敏感,具有鲁棒性。     

利用高斯径向基函数的拟神经网络重力反演方法

为了提高重力反演分辨率,提出一种利用高斯径向基函数的拟神经网络反演方法。该方法利用高斯径向基函数压缩模型空间,在保证复杂模型表征能力的前提下,实现了反演参数的降维;以高斯径向基函数为激活函数,构建一种拟神经网络结构,不需要训练,可以克服建立训练数据集的困难。该方法较好地解决了重力反演不适定性所导致的趋肤、垂向分辨率低、多解性强和严重依赖先验约束等问题,并从重力数据中最大程度地提取有效信息以提高反演结果的分辨率,增强可靠性。模型实验证明了该方法具有较高的精度和分辨率,能较准确地反演模型的位置、边界和密度。应用该方法反演车镇凹陷重力数据,得到了垂向分辨率较高的剩余密度模型,从中提取密度界面和剖面开展构造解释,揭示了下古生界构造格局和潜山发育规律,证明了该方法的实用价值和应用潜力。     

径向基础函数神经网络在地震属性预测测井特性中的应用

在本文中用径向基础函数神经网络（或RBFN）根据地震属性预测通过测井得到的储层性质。对于由Hampson等人（2001年）提出的相同问题，还把用这一方法得到的结果与用广义回归神经网络（GRNN）得到的结果进行了比较。     

径向基神经网络油气层损害诊断方法

在诊断油气层损害方面,人工神经网络具有许多优越性,尤其是BP神经网络,但BP神经网络存在的一些缺点限制了它的推广应用.通过对BP神经网络和径向基神经网络的对比表明,径向基神经网络具有收敛速度快和预测精度高等优点,其网络模型的预测绝对误差平均为13.89%,而L-M优化算法网络的为32.63%.建立了径向基神经网络在油气层损害诊断领域的应用方法,对油气层敏感性和损害程度进行了预测,网络预测值和实际值的相关系数达0.991以上,准确率大于80%.该方法在孤东油田得到了很好的应用,成功率达100%,实现了对油气层损害类型和程度的定量诊断,与其他方法相比具有诊断结果准确性高、推广应用方便、收敛速度快等优点.     

径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算

致密砂岩储层具有物性差、孔隙结构复杂、非均质性强等特点,导致利用传统方法难以精确预测或计算其相对渗透率和含水率。为此,文中提出基于径向基函数（RBF）的神经网络预测相对渗透率方法：在介绍RBF神经网络原理的基础上,选择高斯函数和最近邻聚类算法构建网络模型;以含水饱和度、核磁束缚水饱和度、孔隙度、渗透率等四参数为输入,油、水相对渗透率为输出,根据误差分析确定最佳相对渗透率预测网络模型及参数;最后采用分流量方程计算得到储层含水率。将该方法应用于鄂尔多斯盆地陇东地区延长组长8储层,预测的油、水相对渗透率与相渗实验结果一致,计算的含水率与测试结果吻合。     

基于径向基网络的管道轴向应力强度因子计算

利用有限元方法进行分析计算得到了一批新的管道轴向应力强度因子数据,补充了管道轴向应力强度因子数据库。以径向基函数神经网络对计算所得数据进行处理,建立了一种2因素径向基函数网络模型。仿真结果表明,径向基函数网络模型能有效地对未知管道轴向应力强度因子进行预测。     

利用RBF神经网络自适应调整算法预测储层产能

传统径向基(RBF)神经网络的基函数宽度值都由经验公式确定或人为选取,没有考虑误差分布情况,所以在应用中常常效果不够理想。为此本文以最近邻距离算法为基础提出一种改进的RBF神经网络算法,能够自适应地调整基函数中心点宽度值以达到高精度、快速逼近样本的目的。在石油储层产能的预测中,首先对样本信息进行属性约简、预处理;然后在网络学习训练中通过计算输入样本的RBF神经网络的中心点值,再确定RBF神经网络基函数的宽度值,直到满足系统精度为止;最后用训练好的网络来进行储层产能预测。仿真结果表明,改进的RBF神经网络算法应用效果显著,不仅比传统RBF神经网络算法拟合精度高,而且收敛速度快。     

面向轻汽油醚化的BP神经网络的模型预测控制

针对催化裂化轻汽油(Fcc轻汽油)醚化的过程提出了BP神经网络的模型预测控制,通过控制Fcc轻汽油的流速,来实现重油量浓度指标的控制。应用BP神经网络建立该过程的预测模型,并采用迭代优化的控制算法,根据相应的性能指标,不断地修正神经网络的权值,从而整定下一批次的控制信号。通过Matlab里的神经网络工具箱,建立一个有参考模型的神经网络预测控制器,观测最终的实际输出。     

Application of Radial Basis Function Neural Network for Prediction of Titration-Based Asphaltene Precipitation

The precipitation of asphaltene, a polar fraction of crude oil, during oil production has unfavorable impacts on many parts of the petroleum industry. Within the upstream processes, asphaltene precipitation occurs in crude oil, forming solid deposits in the reservoir during enhanced oil recovery operations and natural depletion. This significantly influences the porosity and permeability of the reservoir, reducing the effectiveness of the recovery process. Precipitation and deposition in downstream processes causes noticeable increases in production costs. Therefore, it is essential to predict the amount of asphaltene precipitation based on pressure, temperature and liquid phase composition using a dependable, precise, and robust strategy. However, the experimental measurement techniques used to estimate amounts are expensive and time consuming, while the thermodynamic models available are also somewhat complex. The authors propose an innovative approach for the simple and prompt prediction of asphaltene precipitation, employing an artificial neural network. The results show that the predicted values were in agreement with the experimental data, with the maximum absolute error deviation for the proposed model no more than 2.46%. A comparison of the proposed model with previously presented models highlight the superiority of the model developed in this study.     

非线性系统预测控制的和声退火算法

针对非线性模型预测控制(NMPC)中滚动优化环节所需解决的非线性优化问题，研究了用和声退火算法(HAA)解决此类问题所需的算法参数设置及其具体应用措施。算例利用了神经网络作为预测模型，采用了控制增量约束。仿真结果表明，对所涉系统．用HAA在每个采样周期内于小范围内搜索最优控制序列可获得较好的实时性和较为准确的设定值跟踪性。     

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。     

小型电加热反应器温度的RBF神经网络自整定PID控制

电加热过程具有强非线性和时变特性,参数固定的常规PID很难对其进行精确的控制。将常规PID控制和径向基函数(RBF)神经网络结合,提出了基于RBF神经网络的PID控制。该方法是通过神经网络的自学习能力在线调整PID控制的参数。通过Matlab与组态软件"组态王"的动态数据交换,在Matlab上编程实现了基于RBF神经网络的PID控制算法。将该控制算法应用于小型电加热反应温度控制装置,结果显示这种算法取得了比常规PID更好的控制效果。     

裂解深度神经网络控制系统的研究

提出了运用Elman型回归神经网络来建立裂解深度软测量模型,解决控制参数测量中在线分析仪表的滞后等问题。基于裂解深度软测量模型,在DCS(DistributedControlSystem)中开发并实施了裂解深度智能控制系统,通过它与已有的裂解炉出口温度先进控制系统的集成,实现裂解炉裂解深度的平稳控制。现场运行结果表明,该系统的投用有效提高了裂解炉裂解产物中乙烯和丙烯的收率,进一步提高了乙烯裂解装置的经济效益。     

基于Matlab和VBA的预测控制仿真发布系统设计

以单输入单输出线性系统SISO（Single In Single Out）为例,利用VBA控件工具箱进行界面设计,然后在Matlab中编写封装模型算法控制MAC（Model Algorithmic Control）、动态矩阵控制DMC（Dynamic Matrix Control）和状态空间模型预测控制（SFPC）的控制器。以二阶系统被控对象为例,在PowerPoint软件中调用Matlab控制模块,对被控对象进行仿真发布,并且对比PID控制算法和典型预测控制算法的控制效果。通过该仿真发布系统仿真分析,结果表明了典型预测控制算法在快速响应、稳定性、鲁棒性方面均优于PID算法;SFPC的效果要优于MAC和DMC。     

基于RBF神经网络的往复泵泵阀故障诊断研究

根据小波包分析,获得了各频带能量的分布规律,构造了泵阀状态特征向量,训练了RBF神经网络。大量的现场试验证明,构造的故障特征向量与RBF神经网络配合使用的方法可以明显提高泵阀故障诊断的准确率。