地层可钻性级值预测新方法

对测井资料与地层可钻性级值的关系进行了分析,提出了一种基于粒子群优化支持向量机算法预测地层可钻性级值的新方法,利用测井声波时差、地层密度、泥质质量分数和地层深度进行学习训练支持向量机,并利用粒子群优化算法对支持向量机(PSO-SVM)参数进行优化,建立了预测地层可钻性级值的支持向量机模型。应用该方法对准噶尔盆地庄2井的地层可钻性级值进行了预测,并将该方法的预测结果与BP神经网络方法的预测结果进行了比较。结果表明,该方法优于BP神经网络方法,具有预测精度高、收敛速度快、推广能力强等优点。     

东海深部地层岩石可钻性预测方法研究北大核心CSCD

东海深部地层中部分井PDC钻头与地层性质匹配性不足,导致机械钻速低、钻头磨损严重等问题发生。以室内岩心微钻实验数据为依据,首先建立了测井参数预测岩石可钻性的非线性多元回归模型,同时利用多种人工神经网络方法对岩石可钻性进行了预测,结果表明非线性多元回归模型预测岩石可钻性与常规BP神经网络、级联BP神经网络、径向基RBF神经网络、BP-RBF双级联神经网络模型预测结果均具有较高可信度,但BP-RBF双级联神经网络模型预测效果最好,更适合于东海深部地层岩石可钻性预测。本文研究结果可为东海深部地层岩石可钻性预测及钻头选型提供借鉴。     

东海深部地层岩石可钻性预测方法研究

东海深部地层中部分井PDC钻头与地层性质匹配性不足,导致机械钻速低、钻头磨损严重等问题发生。以室内岩心微钻实验数据为依据,首先建立了测井参数预测岩石可钻性的非线性多元回归模型,同时利用多种人工神经网络方法对岩石可钻性进行了预测,结果表明非线性多元回归模型预测岩石可钻性与常规BP神经网络、级联BP神经网络、径向基RBF神经网络、BP-RBF双级联神经网络模型预测结果均具有较高可信度,但BP-RBF双级联神经网络模型预测效果最好,更适合于东海深部地层岩石可钻性预测。本文研究结果可为东海深部地层岩石可钻性预测及钻头选型提供借鉴。     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

利用支持向量机法预测地震储层厚度的尝试

支持向量机方法基于结构风险最小化原理,克服了常规统计方法的局限性,能够在有限的样本集基础上兼顾模型的通用性和推广性,预测精度更高.因此,利用支持向量机方法对地震储层厚度进行了预测,预测结果与实际情况吻合.与BP神经网络预测结果进行对比分析的结果表明,采用支持向量机方法预测的效果较好,是一种值得推广的方法.     

基于支持向量机的地震储层参数预测方法初探

支持向量机方法基于结构风险最小化原理,克服了常规统计方法的局限性,能够在有限的样本集基础上兼顾模型的通用性和推广性,具有较高的预测精度。本文利用支持向量机方法对地震储层参数进行了预测,并与BP神经网络预测结果进行了对比分析。结果表明,支持向量机方法预测效果好,值得推广使用。     

随钻测井曲线预测及更新方法研究

在地质导向钻井中,为了实时获取井眼轨迹和井下地质特征信息,一般都配有MWD和LWD随钻测量和测井传感器。但是由于MWD和LWD传感器距钻头还有一定的距离,因此无法实时得到钻头处的地层特性和井眼位置,不能及时判断钻遇地层的实际情况,地质导向效果差。为此,提出了一种基于支持向量机的测井曲线预测方法,通过邻井建立支持向量机预测模型对当前井测井曲线进行预测,同时引入随钻测量数据对当前井钻头处的测井曲线进行随钻更新。实例应用表明,该方法相对BP神经网络法,预测结果精度更高、稳定性更强、与实测值的相似程度更高,能够有效预测测点与钻头间的地质特征参数,有利于进行实时地质导向。      

用于FCC汽油辛烷值预测的非线性数学模型

依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃(PIONA)的烃组成数据,将催化裂化(FCC)汽油单体烃组成分为37组,利用BP神经网络算法和支持向量机回归(SVR)分别建立了FCC汽油研究法辛烷值对37个变量的非线性数学模型。由MATLAB软件编写程序,利用Levenberg-Marquardt优化算法训练BP神经网络。支持向量机回归模型采用粒子群算法优化支持向量机参数及核函数参数,并采取交叉验证方法防止机器学习的欠学习和过拟合问题。计算结果表明:两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系;BP神经网络模型对辛烷值的预测性能好于支持向量机回归模型;增加样本数量,两种方法的预测准确性皆变好;针对40个样本的学习结果,两种模型预测的相对误差绝对值的平均值分别为0.148 7和0.167 4。     

GM（1，1）与支持向量机组合模型在特高含水期油田产量预测中的应用

在灰色预测理论的基础上引入支持向量机理论。建立了GM（1,1）与支持向量机组合模型。该组合模型先利用灰色理论模型弱化了原始序列中随机扰动因素的影响。再用支持向量机建模预测产量。该组合模型预测精度优干单个模型及BP神经网络模型。该组合模型兼有灰色预测和支持向量机预测的优点,克服了原始数据少．数据波动性大对预测精度的影响。同时也增强了预测的自适应性。最后通过实例对比分析,说明了组合模型的有效性及可应用性。     

利用支持向量机方法求取缝洞型油气藏地层系数

将支持向量机方法应用于缝洞型油气藏地层系数的预测.以国内某典型缝洞型油气藏为例,选取已进行试井分析的12口典型单井资料(包括对应的开发数据)作为学习样本,构建预测地层系数的支持向量机模型,并对模型进行了检验,结果表明,利用支持向量机方法所预测的地层系数与试井解释所得的实际值较为吻合,证实了利用该方法预测、评价缝洞型油气藏地层系数的可行性.     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

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。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

用BP神经网络预测延迟焦化产品收率

针对传统的焦化产品收率预测方法准确性较差的实际情况,用Matlab编程构造了3层前馈BP神经网络,采用带动量的批处理梯度下降法来训练网络,并用所得模型对已知样本数据进行预测.结果表明,运用BP神经网络对焦化产品收率能够进行准确预测,最大相对误差为3.33%.与传统的预测模型相比,该网络模型的预测精准度更高.     

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

应用PCA和BP神经网络预测采出水对C20钢的腐蚀速率

分析了气田采出水水质及挂片试验水样对管线钢的腐蚀速率。利用BP神经网络建立了C20钢材的腐蚀速率预测模型。通过改变网络输入参数、隐层节点数对模型进行优化,发现在样本数目一定的情况下,仅通过改变网络结构难以进一步减小输出误差。采用PCA(主成分分析法),用6个主成分代替了原来大量的水质指标作为网络输入,有效地降低了网络输出的误差。结果表明,采用水质指标的主成分分析与BP神经网络可以建立较准确的C20钢腐蚀速率预测模型。     

应用人工神经网络预测油田注采比

在简单介绍了BP神经网络的基本原理的基础上,以实例说明了BP神经网络方法在油田注采比预测中的应用,并与注采比与水油比法、多元回归法和物质平衡法进行比较;其次,分析了各种预测法的计算结果,并对神经网络预测法进行了检验。结果表明,BP神经网络预测方法具有更好的自适应性,能够较好地反映影响注采比的各种因素与注采比的内在联系,而且预测精度较高。因此认为．应用BP神经网络方法预测油田注采比是有效、可行的。     

原油闪点预测模型的研究

针对原油这类结构组成复杂、差异性大、可燃的复杂混合体系,选取各地区共计101种原油的恩氏蒸馏温度、20℃密度、20℃粘度作为输入变量,建立原油闪点预测模型。采用主成分分析法对输入变量进行降维,除去恩氏蒸馏系列数据中的信息冗余,分别采用多元线性回归(MLR)、BP神经网络、RBF神经网络三种方法建模,并对模型的预测结果进行对比,RBF神经网络模型的预测准确度与稳定性均为最优,绝对误差期望为2.94℃,相对误差期望为3.45%,BP神经网络模型的准确性优于多元线性回归模型,稳定性不如MLR模型。