基于卷积神经网络的油气地震储层预测研究

采用目前方法对油气地震储层进行预测时,没有提取油气地震储层数据的主成分,无法准确地在油气地震储层预测过程中预测砂厚度和储层厚度,导致方法存在泛化能力差的问题.提出基于卷积神经网络的油气地震储层预测方法,在莱特准则的基础上对油气地震储层数据进行取均值与剔除异常值处理,并采用主成分分析方法提取预处理后油气地震储层数据的主成...     

RBF神经网络在储层表征中的应用研究

研究利用RBF神经网络技术进行石油储层表征中有关储层参数的计算与岩性的识别;建立了储层参数(渗透率)预测模型与岩性识别模型,并利用该两个模型对未知样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其渗透率预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,RBF神经网络在储层表征问题中有着广阔的应用前景。     

中国油气资源生产发展最优组合预测模型研建

为了得到更合理、准确的未来能源发展趋势预测结果,利用非线性函数模型描述能源生产发展系统的非线性动态特征。分别采用非线性指数回归模型和灰色系统理论中的模型方法建立了中国油气资源生产发展预测模型。并利用组合预测理论及建模技术采用标准差法进行最优组合权重分配,建立了中国油气资源生产发展的组合预测模型。经检验达到了较好的预测精度。结果表明,这一模型适合于油气资源生产发展的趋势预测,为能源预测提供了新的方法,并在实例中进行了初步的预测应用,取得了较好的效果,为我国的能源发展战略提供可靠的科学依据。     

基于概率权重灰色马尔可夫模型的腐蚀预测

精准地预测管道的腐蚀发展趋势是降低油气事故损失,保证其安全运输的主要途径之一。针对常用的基于聚类中心灰色马尔可夫预测模型中等转移概率会导致较大预测误差的问题,提出了一种基于概率权重的灰色马尔可夫模型用于油气管道腐蚀预测。首先用灰色模型对管道腐蚀状态进行初步预测,后采用模糊C均值聚类对预测误差数据聚类,并提出基于概率权重的马尔可夫模型对预测值进行修正,以提高出现等转移概率时模型的预测精度。最后通过两个实例验证了上述模型的有效性和正确性,并与基于聚类中心灰色马尔可夫模型进行比较。     

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础, 基于数据驱动的机器学习模型虽然能较好地识别储层岩性, 但由于测井数据是特殊的序列数据, 模型很难有效提取数据的空间相关性, 造成模型对储层识别仍存在不足. 针对此问题, 本文结合双向长短期循环神经网络(bidirectional long short-term memory, BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree, XGBoost), 提出双向记忆极端梯度提升(BiLSTM-XGBoost, BiXGB)模型预测储层岩性. 该模型在传统XGBoost基础上融入了BiLSTM, 大大增强了模型对测井数据的特征提取能力. BiXGB模型使用BiLSTM对测井数据进行特征提取, 将提取到的特征传递给XGBoost分类模型进行训练和预测. 将BiXGB模型应用于储层岩性数据集时, 模型预测的总体精度达到了91%. 为了进一步验证模型的准确性和稳定性, 将模型应用于UCI公开的Occupancy序列数据集, 结果显示模型的预测总体精度也高达93%. 相较于其他机器学习模型, BiXGB模型能准确地对序列数据进行分类, 提高了储层岩性的识别精度, 满足了油气勘探的实际需要, 为储层岩性识别提供了新的方法.     

利用分形理论进行油气检测

根据地震资料和少量标定井预测油气储层横向变化是油气勘探开发的重要课题，基于分形理论和地质变量具有分形特征，提出了分形模式识别地震储层分析思想，为实现该思想，提出了基于二维分形布朗运动的油气识别方法并将其成功地应用于某油田的油气储层横向预测。     

基于PSO算法优化GRU神经网络的孔隙度预测

孔隙度参数是表征岩石存储石油能力的重要参数之一,也是储层评价的重要物性参数。传统的孔隙度计算方式基于线性方程,预测精度不高并费时费力。针对其问题,提出了基于粒子群优化（Particle Swarm Optimization,PSO）算法优化门控循环单元（Gated Recurrent Unit,GRU）神经网络的孔隙度参数预测模型。该模型可以很好地体现出孔隙度参数与测井曲线之间的非线性关系。首先构建GRU神经网络预测模型,然后利用具有全局优化能力的,更易收敛,鲁棒性较好的粒子群优化算法对GRU神经网络预测模型的超参数进行优化,有效提高模型的预测精度并减少交叉验证的时间。对探区实际测井数据进行相关性分析,挑选出与孔隙度参数相关度较高的测井数据,然后对PSO-GRU神经网络孔隙度参数预测模型进行训练和预测试验,并与传统的GRU神经网络预测模型以及反向传播（Back Propagation,BP）神经网络预测模型的结果进行比较分析,结果显示,PSO-GRU模型在孔隙度预测上具有较好的准确度。     

混沌时间序列预测模型的比较研究

针对目前混沌时间序列预测模型预测结果差异较大的问题,归纳了4种混沌时间序列预测模型：BRF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究。应用4种预测模型对几个典型的非线性系统进行预测仿真。结果表明,这4种预测模型对典型混沌时间序列预测都具有很好的预测效果;在预测精度上BRF模型和Volterra模型明显优于最大Lyapunov指数模型和局域线性模型。     

软件可靠性预测的增强贝叶斯组合模型

针对当前可靠性预测模型的预测精度问题,提出一种增强贝叶斯组合的短期软件可靠性预测模型。该模型以基于小波分解的单个可靠性预测模型作为基本预测模型, 根据当前相邻几个失效时间间隔的预测精度,更新组合模型中各个基本预测模型的权重,解决了贝叶斯组合模型权重计算采用全部历史数据而导致某个基本预测模型权值占主导地位的缺陷,提高了贝叶斯组合模型对软件可靠性的预测精度。实验结果表明,增强贝叶斯组合预测模型的预测精度不仅优于单一的预测方法,而且也优于传统的软件组合预测模型,能显著提高软件可靠性预测的精度和模型对数据的适应性。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

Dew point pressure model for gas condensate reservoirs based on multi-gene genetic programming approach

One of the most critical parameters in characterization of gas condensate reservoirs is dew point pressure (DPP), and its accurate determination is a challenging task in development and management of these reservoirs. Experimental measurement of DPP is a costly and time consuming method. Therefore, searching for a quick, reliable, inexpensive, and robust algorithm for determination of DPP is of great importance. In this paper, first, a new approach based on multi-gene genetic programming (MGGP) to determine DPP of gas condensate reservoirs is presented. Then, a correlation for DPP calculation using MGGP has been developed for gas condensate reservoirs. Finally, the efficiency of the proposed DPP model has been validated by comparing its predictions with the results of other conventional models. It is found that the correlation developed in this work is capable of predicting more accurate values of DPP, with the lowest average relative and absolute errors with respect to the experimental results, and also higher correlation coefficient among the results of all the evaluated DPP correlations. Therefore, it is suggested that the proposed model can be applied effectively for DPP prediction for a wide range of gas properties and reservoir temperatures.     

融合深度置信网络与与核极限学习机算法的核磁共振测井储层渗透率预测方法

由于低孔低渗储层孔隙结构较为复杂,现有核磁共振（NMR）测井渗透率模型对于低孔低渗储层预测精度不高。为此,提出一种融合深度置信网络（DBN）算法与核极限学习机（KELM）算法的渗透率预测方法。该方法首先对DBN模型进行预训练,然后将KELM模型作为预测器放置在训练好DBN模型后,利用训练数据进行有监督的训练,最终形成深度置信-核极限学习机（DBKELMN）模型。考虑到该模型需充分利用反映孔隙结构的横向弛豫时间谱信息,将离散化后的核磁共振测井横向弛豫时间谱作为输入,渗透率作为输出,确定NMR测井横向弛豫时间谱与渗透率的函数关系,并基于该函数关系对储层渗透率进行预测。实例应用表明,融合DBN算法与KELM算法的渗透率预测方法是有效的,预测样本的平均绝对误差（MAE）较斯伦贝谢道尔研究中心（SDR）模型降低了0.34。融合DBN算法与KELM算法的渗透率预测方法可提高低孔渗储层渗透率预测精度,可应用于油气田勘探开发。     

基于分态的煤矿瓦斯浓度预测模型的研究

由于影响瓦斯浓度变化的因素很多且内部关系复杂,传统的单一预测模型无法客观准确地反映其变化规律,导致预测精度较低。为有效提高瓦斯浓度预测精度,提出一种基于分态的预测模型。应用最大李雅普诺夫指数（Lyapunov指数）对瓦斯浓度时间序列的混沌特性进行识别,将其分为非混沌态和混沌态,接着分别采用改进的最小二乘支持向量机（LS-SVM）和基于径向基函数（Radial Basis Function,RBF）的神经网络进行建模和训练参数的优化,最终得到最佳预测模型并对瓦斯浓度时间序列进行预测。结果表明,分态预测模型有效提高了预测精度,降低了预测误差,用该方法可以更加客观准确地对瓦斯浓度进行预测。     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

合理遗忘选择训练样本的煤矿瓦斯涌出量预测

为了提高煤矿瓦斯涌出量的预测精度,针对煤矿瓦斯涌出量的训练样本选择问题,提出一种基于合理遗忘训练样本的煤矿瓦斯涌出量预测模型。首先通过引入遗忘因子既考虑了历史数据的影响,又突出了新数据的作用,然后最小二乘支持向量机建立煤矿瓦斯涌出量预测模型,最后进行了仿真分析。结果表明,该模型提高了煤矿瓦斯涌出量的建模效率,获得了更加理想的煤矿瓦斯涌出量预测结果。     

高炉煤气流分布过程的多算法融合预测模型

在高炉生产中,准确的预测高炉煤气流分布状况将有助于保证高炉的稳定顺行.针对传统高炉煤气流预测模型的缺陷,本文提出了一种将带遗传因子的自回归移动平均模型(FF-ARMAX)和基于限定记忆的正则化极限学习机(RFMLS-RELM)相结合的高炉煤气流多步预测模型.在数据预处理方面,建立FF-ARMAX模型消除原始数据中的测量误差,同时采用傅里叶变换法消除数据中叠加的环境噪声.最后采用RFMLS-RELM算法进行多步预测,对比试验表明,该算法在应用于煤气流预测时,预测精度更高,适用于对煤气流分布状况的多步预测.多步预测实验结果表明,该模型虽然仍旧无法完全解决预测误差随预测步数的增加而不断叠加的问题,但相较于其他传统预测模型能够实现更好的预测效果和更高的预测精度,为高炉操作人员分析炉况提供了有效的帮助和支持.     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于LSTM-FC的瓦斯浓度时空分布预测

传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC（Long Short Time Memory-Fully Connection）瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。