大庆油田A区块应力敏感性评价实验

储层敏感性指的是对储层造成伤害的各种因素的敏感程度。分析储层敏感性的目的在于研究各种因素对储层的伤害程度,及时提出预防措施,最终提高采收率。对岩心做了大量的室内实验研究,参考储层评价标准对大庆油田A区块进行了敏感性评价。结果显示,该区块应力敏程度中等偏弱,3类岩心应力敏感性最大,2类岩心应力敏感性大于1类岩心敏感性。     

宝浪低渗透油藏储层伤害机理研究

针对宝浪低渗透油藏经10多年的注水开发,普遍存在注水启动压力升高,油层吸水能力下降,采油井采不出液的矛盾。本文在以往储层敏感性研究的基础上,通过水锁伤害、水敏伤害、岩心长期浸泡后其微粒运移伤害、压力敏感伤害等试验,对储层伤害程度进行研究。研究结果表明,该区水敏伤害、压力敏感和微粒运移敏感是储层主要损害因素,从而为保护储层和下步提高采收率提供了必要的科学依据。     

中原油田沙三段储层潜在伤害分析

介绍了中原油田沙三段储层的基本物性,指出了粘土矿物的主要含量及分布状况.根据粘土犷物引起储层敏感性的特点,预测了该储层潜在的伤害类型.通过岩心流动实验分析了该储层潜在的伤害类型及伤害程度,并根据粘土矿物的成分具体指出了产生伤害的原因.结果表明,该储层存在中等伤害程度的速敏,存在弱盐敏伤害,碱敏伤害呈中等程度.最后根据评价结果对该油田的开发工作提出了具体的建议.     

滩坝砂储层压裂液伤害及敏感性评价研究

位于东营凹陷上的滩坝砂储层性质较为复杂,具有低孔、低渗特点,水力压裂是有效的增产方式。而在开发过程中压裂液会对储层造成伤害,对储层采集的多组岩心进行试验,分析压裂液对储层的伤害程度,获得胜利油田滩坝砂储层相关敏感性,为优选压裂液体系,减轻乃至避免在生产过程中出现的储层伤害提供了参考依据。在研究压裂液对滩坝砂对储层伤害时,通过测试人造岩心与天然岩心经压裂液伤害前后的渗透率变化,对比两组岩心的压裂液伤害程度,探讨使用人造岩心替代天然岩心研究滩坝砂储层压裂液伤害的可行性。     

小波神经网络在致密砂岩储层参数预测中的应用

储层参数预测一直是地震勘探的关键和难点问题。本文介绍了小波神经网络的原理,设计了一种采用熵函数作为BP小波网络的能量函数的BP小波神经网络算法。(在此基础上)并利用多种测井数据和取芯资料作为小波网络的学习样本,最后把这种模型用于致密砂岩储层参数的预测。实验结果表明该模型具有较好的逼近能力,预测效果良好。     

中原油田沙二储层敏感性研究

应用岩心流动实验评价了中原油田沙二储层的敏感性,分析了储层潜在伤害因素、伤害机理及伤害程度。结果表明,该油藏的速敏损害程度弱,水敏损害程度弱,同时具有弱至中等偏弱碱敏和弱酸敏效应。并根据评价结果对油田开发工作提出了具体建议。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

BP神经网络在储层物性预测中的应用——以鄂尔多斯南部镇原区块为例

与传统的数理统计方法对储层物性参数（孔隙度和渗透率）预测相比,BP神经网络由于高度非线性映射能力及极强的自适应和自学习能力,可以更精确地预测储层物性参数。通过建立储层参数与测井信息之间的解释模型,运用BP神经网络的基本原理,对镇原区块延长组长81小层的储层参数进行预测,并对其精度进行检验,检验结果表明,BP神经网络方法对储层参数的预测较常规数理统计方法（多元回归）有较大的提高．显示出BP神经网络在储层参数预测中的优势和潜力。通过由此建立的解释漠型,用BP神经网络对该区储层参数进行预测。     

BP神经网络在低孔渗储层水淹层识别中的应用

针对榆树林油田低孔渗储层水淹层识别难度大,提出以BP神经网络模型为理论基础,结合研究区岩心分析、试油、以及常规测井等资料,建立油层水淹状况与测井响应值之间的对应关系,实现对水淹层的高精度解释。通过对BP神经网络模型的训练,得到满足误差条件的最佳网络。运用最佳网络对测试数据进行检验分析,最终92.9%油层水淹状况解释准确,有效解决了低孔渗储层水淹层识别难度大,精度低的问题。     

青海油田英东构造储层敏感性试验研究

储层敏感性是储层伤害与保护的重要研究内容。为了研究青海油田英东构造的储层敏感性,通过对英东构造储层进行密闭取芯,实验室岩心还原。在模拟地层条件下,根据行业标准对岩样的"五敏"进行了试验研究。了解了该区块的主要伤害类型及伤害程度。为油田开发过程中保护储层,提供有效的措施,从而保证油田的稳产和高产。     

Traingd算法模型在油田储层损害中的应用

通过研究Traingd算法从而建立了预测油田储层损害的神经网络模型.研制了一套油田储层损害预测软件,主要用于预测油气层的损害程度,为保护油气层提供有力帮助.该预测软件在油田中的应用表明,对油气储层损害的预测精度达到了98%以上,为防止油气生产中的储层损害起到了很好的预估防备作用.     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

热偶精馏过程模拟优化方法的改进——人工神经网络-遗传算法

采用人工神经网络和遗传算法对热偶精馏分离过程提出了一种新的建模方法和优化算法,该方法不仅能够有效地求解热偶精馏过程的数学模型,迅速地得到优化变量和目标函数的解,而且具有获得全局最优解的能力.最后通过实例说明了本方法的有效性.     

基于混合遗传算法的选矿生产过程能耗预测分析

针对BP神经网络模型进行预测易出现收敛陷入局部极小点、网络震荡大、预测值可信度不高等问题,以鞍钢集团大孤山选矿厂为研究对象,建立了基于混合遗传算法的能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP神经网络进行分析比较。结果表明,在预测精度和收敛速度方面均得到了改善。     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

Study and Application of Fault Prediction Methods with Improved Reservoir Neural Networks

Time-series prediction is one of themajor methodologies used for fault prediction. Themethods based on recurrent neural networks have been widely used in time-series prediction for their remarkable non-liner mapping ability. As a new recurrent neural network, reservoir neural network can effectively process the time-series prediction. However, the ill-posedness problemof reservoir neural networks has seriously restricted the generalization performance. In this paper, a fault prediction algorithm based on time-series is proposed using improved reservoir neural networks. The basic idea is taking structure risk into consideration, that is, the cost function involves not only the experience risk factor but also the structure risk factor. Thus a regulation coefficient is introduced to calculate the outputweight of the reservoir neural network. As a result, the amplitude of outputweight is effectively controlled and the ill-posedness problemis solved. Because the training speed of ordinary reservoir networks is naturally fast, the improved reservoir networks for time-series prediction are good in speed and generalization ability. Experiments on Mackey-Glass and sunspot time series prediction prove the effectiveness of the algorithm. The proposed algorithm is applied to TE process fault prediction. We first forecast some timeseries obtained from TE and then predict the fault type adopting the static reservoirs with the predicted data. The final prediction correct rate reaches 81%.     

用于ANN训练的OBD剪枝算法的改进

将Marquardt算法和OBD算法结合 ,提出了一种神经网络的DOBD动态剪枝算法 .通过一种近似的动态计算灵敏度的方法和灵敏度删除下限技术 ,该算法能够在训练的同时删除低灵敏度的权重以简化网络 ,避免了OBD算法的反复训练 .新算法应用于稳定汽油蒸气压预估的模型中 .计算结果表明 ,DOBD算法可以有效地克服由于网络结构过于复杂造成的过拟合现象 ,并且比OBD算法具有更快的训练收敛速度.     

Levenberg-Marquardt算法的建模及在水敏损害预测中应用

通过研究Levenberg-Marquardt算法建立一套神经网络模型,用于预测油气层水敏的损害程度,为保护油气层提供有力帮助。根据该算法研究设计的预测软件在克拉玛依油田的应用表明,预测水敏损害的精度达到了良好的效果,为防止油田生产中的水敏损害起到了很好的预估防备作用。也为提高油气的生产和推广神经网络系统在油气预测方面的应用起到了积极促进作用。     

基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。