遗传BP网络在洛带气田测井解释中的应用

应用遗传算法(GA)对BP网络进行了改进，提高了BP网络的收敛速度和全局寻优性能，并在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率等参数的神经网络模型为例，通过网络的学习、训练，建立了神经网络模型。并应用此模型定量计算了多个井段的物性参数值，与常规物性参数计算结果相比，表明GA—BP的解释结果及精度均令人满意，取得了良好的实际应用效果。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

改进遗传神经网络在洛带气田测井解释中的应用

洛带气田蓬莱镇组的主要储产层为浅水三角洲沉积，含油气资源比较丰富，但地质情况非常复杂，测井物性参数解释十分困难。文章针对本地区储层非均质性强、岩性复杂，用常规测井方法难以解释的特点，在测井解释时选用了神经网络计算法，并且应用遗传算法（ＧＡ）对传统的BP神经网络进行了改进。在此基础上，利用多种测井数据及岩心分析资料作为网络模型的学习样本，通过网络的学习、训练，建立了渗透率等参数的神经网络计算模型，应用此模型计算了新样本的预测物性参数值。计算结果与实际岩心分析结果相比较后表明，遗传BP算法的学习速度和计算精度均令人满意。     

单砂体非均质性定量化描述新方法

为了提高渗透率的解释精度 ,选择人工神经网络方法建立了储层渗透率解释模型 ,同时 ,为了能够更快地获得准确、稳定的解释模型 ,对BP网络进行了改进 ,编制了自检验遗传神经网络应用程序 ;然后利用改进的人工神经网络建立渗透率解释模型 ,对储层渗透率剖面进行了逐点解释 ,在此基础上进一步结合分形几何学提出了渗透率的韵律维数、韵律角、韵律高等能够更全面、准确描述储层非均质性的概念。     

单砂体非均质性定量化描述新方法

为了提高渗透率的解释精度，选择人工神经网络方法建立了储层渗透率解释模型，同时，为了能够更快地获得准确、稳定的解释模型，对BP网络进行了改进，编制了自检验遗传神经网络应用程序；然后利用改进的人工神经网络建立渗透率解释模型，对储层渗透率剖面进行了逐步解释。在此基础上进一步结合分形几何学提出了渗透率的韵律维数、韵律角、韵律高等能够更全面、准确描述储层非均质性的概念。     

辩识试井解释模型的神经网络技术研究与应用

综述了国内外运用人工神经网络技术辩识试井解释模型的研究应用情况。阐述了人工神经网络（ANN）的基本特性。着重介绍了神经网络BP算法在辩识试井解释模型时的方法和应用情况。应用表明该方法较其它的辩识方法优越。还介绍了适用于工程应用的几种改进算法。     

用函数链神经网络建立油气水层解释模型

为了克服用BP网络建模进行油气水层评价存在的误差,采用函数链神经网络建立识别模型。该文介绍了用此方法建立的三个模型:气测解释模型、地质测井综合解释模型、气测地质测井综合解释模型,并介绍了现场及完井后的解释评价情况。网络采用增强输入模式的方法,用单层网络训练样本,达到了理想效果,三个模型的识别率都是100%。     

量子神经网络及其在复杂水淹层识别中的应用

提出一种量子BP网络模型及学习算法.基于量子力学中1位相移门和2位受控非门的通用性,构造出一种量子神经元模型和3层量子BP网络模型,量子神经元模型由输入、相移、聚合、翻转、输出等5部分组成.由量子神经元构造出3层量子BP网络模型,基于梯度下降法构造了该模型学习算法.将该模型及算法用于模拟油藏测井解释中测井曲线与水淹级别之间的映射关系,从而实现油藏测井解释中水淹层自动识别.实验结果表明,该方法对解决水淹层识别问题具有良好的适应性和实用性.     

基于差分进化算法的BP神经网络脱硫效率预测控制

针对当前BP神经网络技术应用在大型燃煤热电厂以及燃煤脱硫机组效率数值预测分析计算模型中易陷入局部最优，预测效果可靠性差，收敛算法响应速度过慢，给出了一套结合自适应差分进化算法模型和BP神经网络理论的新一代高效率数值预测优化算法。该算法能自动优化BP神经网络的初始权值和阈值，将优化后的结果直接应用于BP神经网络模型训练中，进而获得脱硫效率的最佳预测网络模型。实验分析结果表明：该模型算法与目前传统的BP网络方法相比，算法收敛速度快，对网络参数的预测及精度估计更高，从而为脱硫系统的改进提出了必要的理论基础。     

利用Matlab可视化软件建立非均质储集层模型

非均质地层、储集层的物性参数级差较大,用传统统计方法很难准确建立储集层参数与测井响应之间的关系,而神经网络技术通过多次非线性映射可对二者关系达到最佳逼近。作者论述了BP网络的基本原理及其改进算法,并以克拉玛依某砾岩油藏为例,说明了神经网络储集层参数建模过程及应用Matlab工具包实现的方法,用该方法建立的储集层参数解释模型取得了较理想的结果。     

基于岩控的人工神经网络在渗透率预测中的应用

渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。通过对常规BP网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP网络模型计算的渗透率精度更高。除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。     

神经网络及模式识别技术在测井解释中的应用

针对四川碳酸盐岩储层实际情况，用测井资料与岩心分析结果组成孔隙度、含水饱和度样本，经BP网络训练后得到模型参数。使用模型参数进行孔隙度、含水饱和度计算、计算结果精度高。BP网络在产能评价方面也有明显优势，能较好地表达储层参数与产能之间的关系，提高预测结果精度。对汉明网络结构作了适当的调整，使其适用于输入为连续值的模式识别问题。在储层流体性质判别方面，气层、水层的判别符合率达93%；该网络在多个地区的测井相分析中应用表明，能提高沉积微相识别率和预测符合率。实际应用证实，神经网络技术能提高测井解释中的数值计算精度和模式识别符合率，已在测井精细解释及储量计算中应用。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了研究。采用了一种改进的 BP算法 ,其方法具有收敛速度快、避免网络陷入局部最小和出现振荡现象、优化网络结构等优点。提出了一种基于统计的学习样本生成方法 ,使样本生成问题规范化。使用该方法生成的样本真实可靠 ,具有代表性 ,可大大提高样本质量。实际应用网络进行岩性识别和孔隙度预测 ,取得了令人满意的结果     

神经网络方法在水淹层识别中的改进

在充分探讨BP神经网络基本原理的基础上,提出了用改进的神经网络进行水淹层识别的一种方法。研究中为了解决网络中由于学习率ε的不稳定而导致的网络振荡问题,采用了一种新型的动态学习率方法。实际应用结果表明,该方法的运用进一步提高了水淹层解释精度,通过对南阳油田4口井的试油结果相对比,其符合率达到80％。     

BP神经网络在铀矿测井解释中的应用

应用人工神经网络对铀矿测井解释中岩性识别和孔隙度预测等问题进行了,研究,采用了一种改进的的BP算法,其方法具有收敛速度快,避免网络陷入局部最小和出现振荡现象,优化网络结构等优点,提出了一种基于统计的学习样本生成方法,使样本生成问题规范化,使用该方法生成的样本真实可靠,具有代表性,可大大提高样本质量,实际应用网络进行岩性识别和孔隙度预测,取得了令人满意的结果。     

泥页岩分类的BP神经网络方法

为探讨X衍射资料与泥页岩理化性能之间的定性关系,建立一种智能化模型对泥页岩的类型进行快速识别。在分析泥页岩理化性能与X射线衍射资料数据关系的基础上,提出了用BP神经网络预测泥页岩理化性能参数的方法及相应的模型。并针对BP神经网络算法进行了改进,使模型网络训练时的收敛速度比常规方法快了4倍以上。通过现场试验数据验证,该模型预测符合率较高,能够满足实际应用的要求。     

BP网络用于解释泥浆气测数据

介绍了一种人工神经网络BP算法及其在录井气测数据解释中的应用方法。该网络是基于气测解释的3H方法图版的识别,在现场进行油气层的解释,具有符合率高,速度快,并成功地编程应用于综合录井在线软件。     

基于人工神经网络的油井三相流流量预测

神经网络作为一种智能化信息处理技术，克服了常规方法中各种因素影响对解释带来的不适应性，是处理此类复杂问题的一种有效手段，为确定总流量提供了一种预测定量化、模型数字化、识别智能化的新方法。应用Matlab语言及其神经网络工具包，通过BP神经网络，不需对测得的密度值和仪器响应值进行校正，直接可以作为网络的输入量而参与对流量的计算。应用该网络模型对总流量的预测与实际配比的总流量基本相符，预测精度较高。     

利用BP神经网络建立地层压力模型

<正> 神经网络是一门新兴的信息处理技术,它已被用来解决测井解释和油藏描述中的模式识别和参数估算等问题。在本研究中我们利用油田现场试采测压资料和测井数据,应用改进的BP神经网络模型建立陕甘宁盆地中部地区地层压力及岩石破裂压力预测模型。     

利用BP神经网络建立地层压力模型

神经网络是一门新兴的信息处理技术，它已被用来解决测井解释和油藏描述中的模式识别和参数估算等问题。在本研究中我们利用油田现场试采测压资料和测井数据，应用改进的BP神经网络模型建立陕甘宁盆地中部地区地层压力及岩石破裂压力预测模型。