粗糙集-磷虾觅食神经网络在孔隙度预测中的应用

针对复杂岩性碳酸盐岩储层孔隙度预测精度不高的问题,首先利用邻域粗糙集选取孔隙度敏感曲线,将选取后的曲线作为BP神经网络的输入,建立BP神经网络孔隙度预测模型;针对BP神经网络存在的易陷入局部最小等问题,对网络拓扑结构参数进行调整实验,用磷虾觅食算法对BP神经网络初始权值阈值优化,建立基于粗糙集-磷虾觅食算法的神经网络孔隙度预测模型。将此模型应用于某油田A井中,与改进前BP神经网络、体积模型等模型精度对比,证明了新网络模型的优越性。结果表明新模型回判将预测精度从26.5%减小到7.05%,具有更强的学习能力,更适用于复杂岩性储层总孔隙度的测井评价。     

基于智能算法的河港码头混凝土碳化深度预测

由于混凝土碳化所引起的河港码头构件材料性能劣化是导致其整体结构发生耐久性失效破坏的主要原因之一,混凝土碳化深度的预测以及结构物服役寿命的评估是河港码头运行维护过程中的关键。然而,基于Fick第一定律的传统碳化深度预测方法所得结果的精度与实测样本容量的大小呈正相关,当实测样本值有限时,其预测精度难以保证。为此,针对有限样本支撑下河港码头混凝土碳化深度预测难、精度低等问题,提出了一种基于人工智能的计算方法,用以更加精确地预测河港码头混凝土的碳化深度。该智能算法包括BP神经网络模块与樽海鞘群算法(SSA)模块,SSA模块负责修正BP神经网络模块的设置参数,完成BP神经网络设置参数的自适应优化;BP神经网络模块主要负责利用SSA模块得到的设置参数对样本进行训练及测试,两者交叉融合,实现对河港码头混凝土碳化深度的精确预测。对融合BP神经网络和SSA的算法流程及实施步骤进行了详细描述,并通过试验实测数据验证了智能算法预测混凝土碳化深度结果的精度及可行性。     

改进的深度卷积神经网络对T波分类的应用

针对心电信号T波分类问题和深度卷积神经网络(deep convolutional neural networks,DCNN)出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络(recurrent neural network, RNN)、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。     

精细测井二次解释模型在L油田应用研究

开发中后期油田对储层参数精细二次解释要求高,直接影响老油田剩余油挖潜策略的制定。以L油田为研究对象,充分利用录井、岩心、取芯井分析化验和试油试采等资料,建立了更为科学合理的测井二次解释新模型,消除了测井系列多、标准多和解释时间跨度长等带来的误差,储层参数解释精度提高了8%;完成了71口井的测井重解释以及31个小层的孔隙度及渗透率等值线图绘制,提高了储层参数在平面和纵向上的空间分布预测准确度;结合储层构造、沉积特征,通过相邻井的横向和纵向比较,提高了解释结果与实际地质情况匹配度,为老油田剩余油有效深度挖潜提供更为有利的地质依据。     

基于DNN改性沥青中SBS含量的预测模型

为准确预测苯乙烯-丁二烯-苯乙烯嵌段共聚物(SBS)改性沥青中SBS的含量,采用傅里叶变换红外光谱(FTIR)采集了不同SBS含量改性沥青的FTIR图谱,建立了基于深度神经网络(DNN)改性沥青中SBS含量的预测模型,并研究了不同因素对模型预测精度的影响,对比评价了模型的预测精度、敏感性及适用性.结果 表明:数据的降维...     

高性能混凝土碳化试验及人工神经网络碳化深度预测模型

为准确预测混凝土的碳化深度,开展了不同水灰比、粉煤灰掺量、矿渣掺量混凝土的制备与碳化深度测试,进行了数据采集。根据数据及BP算法,建立了3-7-1型三层BP网络,包含三因子网络输入量(水灰比、粉煤灰掺量、矿渣掺量)及单因子网络输出(碳化深度),提出了基于人工神经网络的混凝土碳化深度预测模型。采用最小二乘法建立了线性及伪线性两种预测模型与人工神经网络预测模型进行对比。结果显示：基于BP神经网络建立的混凝土碳化深度预测模型,相比较于常用的最小二乘法线性、伪线性模型更适用于多因素影响条件下的混凝土碳化深度预测,误差仅为线性模型的63.6%,伪线性模型的61.9%,采用BP神经网络能达到理想的预测结果。     

基于深度学习和典型相关分析的渔情预测方法

为解决用传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题,提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA(连接融合)-RBF模型,该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵,然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度(SST)、叶绿素a(Chl-a)浓度、海面高度(SSH)3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析(CCA)进行特征级融合,最后将融合后的特征输入到径向基函数网络(RBF)中进行分类。结果表明,通过试验验证,基于深度学习和典型相关分析的渔场预报模型CNN-DNN-CCA(连接融合)-RBF对南太平洋长鳍金枪鱼Thunnus alalonga中心渔场的召回率达到了90.3%,相较于随机森林(RF)、CNN和DNN模型提高了6.8%～21.8%。研究表明,CNN-DNN-CCA(连接融合)-RBF新型渔情预测模型通过深度学习和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度。     

基于GRU递归神经网络的城市道路超车预测

城市道路中的超车行为尤其是违规超车等,对交通秩序与安全造成严重影响。随着电子警察与卡口等车牌识别系统的广泛应用,通过上下游车牌识别与时间对比,可以较为精确地获取车辆在路段之间的超车关系。基于电子警察处理的超车数据建立了基于GRU递归神经网络的城市道路超车率预测模型,预测城市道路超车率的变化趋势,并与循环神经网络(recurrent neural network,RNN)、反向传播(back propagation,BP)神经网络进行对比。在苏州工业园区星湖街-现代大道路段的测试结果表明,基于GRU递归网络的超车预测模型的绝对值误差为12.52%,相比于其他2种模型,精度高、泛化能力强、鲁棒性强。     

基于SA—BP算法的小波神经网络在喷射器性能预测中应用

以现有的喷射器实验结果数据集作为样本,用三种小波神经网络分别预测喷射器的性能,网络的训练分别采用模拟退火BP算法和BP算法,得出了最适合本模型的小波函数.数值实验结果显示,这种小波神经网络预测喷射器性能的精度能够满足实际工程的要求,而采用模拟退火BP算法比采用BP算法训练的效果略好.     

基于FA-NAR动态神经网络的隧洞围岩变形时序预测研究

针对隧洞围岩变形动态性、对时间和空间的敏感性、非线性、高度复杂性等特征,为提高围岩变形预测精度,采用萤火虫算法(FA)搜索确定延时阶数和隐含层单元个数,并利用非线性自回归(NAR)动态神经网络进行预测,提出基于FA-NAR动态神经网络的隧洞围岩变形预测模型,结合北山坑探设施围岩变形监测数据进行预测,并将其与BP神经网络算法预测结果对比分析。结果表明:(1) FA-NAR动态神经网络的预测值与实测值基本吻合,其产生的平均绝对误差和平均相对误差分别约为BP神经网络的1/5和1/4,表明FA-NAR动态神经网络算法模型比BP神经网络算法模型预测精度高;(2)采用FA-NAR动态神经网络算法模型能够很好地解决围岩变形预测问题,既减少了人为输入网络参数的盲目性,又提高了网络的学习能力和预测精度。