油水相对渗透率曲线在特高含水油藏中的应用

运用相对渗透率曲线计算了纵向砂体的剩余油饱和度分布,结果表明,当油田综合含水率为98%时,水驱剩余油饱和度为40.13%,可动油饱和度为13.41%,油层存在非均质性,在剩余油饱和度相对高的部位仍有一定潜力;濮南沙二上2 3油藏平均油水相对渗透率曲线具有较好的代表性,可以在特高含水油藏中应用。     

基于RBF神经网络和粒子群算法的ECT传感器结构优化

给出一种RBF神经网络与粒子群算法相结合的电容层析成像（ECT）传感器结构参数优化方法。该方法以敏感场整体灵敏度大小等系统性能为优化目标,基于管壁厚度、屏蔽层厚度、径向屏蔽插入管壁深度、径向电极宽度、电极宽度（中心夹角）、管壁材料的相对介电常数、屏蔽层填充物相对介电常数7种重要的结构参数进行试验。应用RBF神经网络对多组结构参数以及对应的系统性能指标进行学习,得到回归模型,并应用粒子群算法进行寻优。结果显示,该方法参数寻优范围大,局限性小,寻优过程收敛快。优化后的系统整体灵敏度增大,成像质量改进。     

基于剪接系统的遗传算法RBF网络建模方法

A splicing system based genetic algorithm is proposed to optimize dynamical radial basis function （RBF） neural network, which is used to extract valuable process information from input output data. The novel RBF network training technique includes the network structure into the set of function centers by compromising between the conflicting requirements of reducing prediction error and simultaneously decreasing model complexity. The effectiveness of the proposed method is illustrated through the development of dynamic models as a benchmark discrete example and a continuous stirred tank reactor by comparing with several different RBF network training methods.     

基于RBF神经网络断路器注塑成型工艺优化

塑壳断路器一般通过注塑成型工艺制得。在注塑成型过程中,模具温度、熔体温度、保压压力以及保压时间均对制件的翘曲变形产生一定的影响。以模具温度、熔体温度、保压压力以及冷却时间作为研究参数,以翘曲变形量作为研究目标,采用最优拉丁超立方抽样法抽取合适的样本,建立RBF神经网络模型,结合遗传算法对制件的翘曲变形量进行优化,得到最佳的成型工艺参数组合。结果表明：四个因素的影响程度大小为模具温度>冷却时间>保压压力>熔体温度。当模具温度为50℃、熔体温度为250℃、保压压力为60 MPa以及冷却时间为10 s时,制件的翘曲变形量最小为2.307 7 mm,相较未优化前降低1.294 2 mm,制件成型质量得到明显改善。     

基于RBF神经网络的遗传算法在织物染色配色中的应用研究

本文提出一种基于RBF神经网络的遗传算法解决织物染色配色问题的模型,该模型以遗传算法为主,通过使用RBF神经网络建立遗传算法的适应度函数来共同解决织物染色配色问题。通过实验表明,使用基于RBF神经网络的遗传算法配色模型可以快速提供满足企业要求的染色配方。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

基于RBF神经网络的轮胎滚动阻力建模研究

建立径向基函数(RBF)神经网络轮胎滚动阻力模型,充分利用RBF神经网络模型逼近精度高、训练速度快、无局部极小等优点,对轮胎滚动阻力进行全面、准确的预测。结果表明,轮胎滚动阻力RBF与反向传播算法(BP)神经网络模型预测值的平均相对误差分别为2%和6%左右,RBF神经网络模型在训练和预测结果上均有更大优势,能够有效预测轮胎滚动阻力。     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.     

聚合物驱不同阶段相对渗透率曲线的数值模拟研究

聚合物驱过程中由于三相渗流现象,相对渗透率曲线的确定有很大的难度。基于渤海油田物理模型,进行数值模拟研究,确定聚合物驱不同阶段的相对渗透率曲线,并对比分析异同点。结果表明:①吸附滞留的聚合物分子对岩心的水相渗透率选择性降低,但对油相渗透率影响较小,为选择性调剖堵水提供理论依据。不同阶段水相渗透率曲线为聚合物驱过程中含水率的变化提供了理论依据;②水相渗透率的降低程度和地层中聚合物的含量相关,直接聚驱、水驱后聚驱的水相渗透率曲线差别相对较小;③直接聚驱、水驱后聚驱、后续水驱阶段均能很好的降低水相渗透率,但水驱后聚驱的残余油饱和度最低,说明事先注入一定量的水,能更好地发挥聚合物提高波及体积和驱油效率的作用,采出更多的残余油。以上研究为矿场聚合物驱数值模拟提供参数,指导聚合物驱矿场试验。     

运用RBF神经网络设计复合材料界面性能

提出一种设计碳纤维织物/环氧复合材料界面性能的新方法。利用径向基函数神经网络，建立起工艺参数与复合材料界面性能的关系模型。同时给出实例来验证此方法的有效性。     

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。     

基于RBF网络的胶磷矿浮选精矿指标预测模型

本文基于RBF神经网络构造了云南某胶磷矿浮选多因素输入和浮选精矿品位、回收率之间的浮选模型,并在Matlab环境下进行了计算机仿真试验,结果表明,模型预测精度较高,验证了非参数建模的合理性,具有一定的实用价值,为浮选过程的控制奠定了基础.     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘（recursive orthogonal least squares,ROLS）算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解（singular value decomposition,SVD）决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。在诺西肽发酵过程非结构模型的基础上,根据隐函数存在定理确定出辅助变量,从而使其选择有严格的理论依据。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本对被预测对象的预估能力,自适应地为各个批次的训练样本分配权重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

基于独立分量分析和RBF神经网络的气液两相流流型识别

引言气液两相流广泛存在于工程和自然界中[1]。而流型的识别一直是两相流研究中尚未解决的问题。传统的流型识别方法一般分为两类:一是直接法,     

Kohonen-RBF网络用于废水中钴镍钒的同时测定

将Kohonen神经网络与RBF网络相结合,对废水中吸收光谱严重重叠的钴、镍、钒三组分体系进行解析。利用Kohonen神经网络选择全谱特征波长,优化确定了RBF网络的结构和参数,使光度分析计算的校正模型的优化问题得到有效解决。分析结果表明,经Kohonen神经网络方法进行波长选择后,优化了RBF网络的输入并提高了其预测能力。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于径向基函数网络的MH/Ni电池荷电状态预测

电动车电池管理系统的核心任务是对电池荷电状态（SOC）进行预测.在分析了MH/Ni电池充放电反应机理的基础上,应用径向基函数（RBF）神经网络建立了预测MH/Ni电池荷电状态的模型,并且应用该模型对电池放电过程中某一状态下的荷电状态进行预测.该模型预测速度快,并且预测值与试验值吻合.人工神经网络建模技术简单直观,是预测MH/Ni电池SOC有力工具.