利用RBF神经网络自适应调整算法预测储层产能

传统径向基(RBF)神经网络的基函数宽度值都由经验公式确定或人为选取,没有考虑误差分布情况,所以在应用中常常效果不够理想。为此本文以最近邻距离算法为基础提出一种改进的RBF神经网络算法,能够自适应地调整基函数中心点宽度值以达到高精度、快速逼近样本的目的。在石油储层产能的预测中,首先对样本信息进行属性约简、预处理;然后在网络学习训练中通过计算输入样本的RBF神经网络的中心点值,再确定RBF神经网络基函数的宽度值,直到满足系统精度为止;最后用训练好的网络来进行储层产能预测。仿真结果表明,改进的RBF神经网络算法应用效果显著,不仅比传统RBF神经网络算法拟合精度高,而且收敛速度快。     

基于RBF网络的抽油机减速器故障诊断

针对振动频谱复杂、受频率分辨率限制,使得传统振动频谱法诊断正确率不高等问题,提出用径向基函数(RBF)神经网络来进行抽油机减速器故障诊断。介绍了径向基函数神经网络的结构、算法以及实现;通过对减速器振动时域信号及其频谱进行分析,总结归纳出具有典型特征的诊断样本,组织构造相应的神经网络。分析研究结果表明,RBF神经网络易于实现减速器故障的自动诊断,并能提高故障诊断的准确性。     

基于径向基网络的管道轴向应力强度因子计算

利用有限元方法进行分析计算得到了一批新的管道轴向应力强度因子数据,补充了管道轴向应力强度因子数据库。以径向基函数神经网络对计算所得数据进行处理,建立了一种2因素径向基函数网络模型。仿真结果表明,径向基函数网络模型能有效地对未知管道轴向应力强度因子进行预测。     

小型电加热反应器温度的RBF神经网络自整定PID控制

电加热过程具有强非线性和时变特性,参数固定的常规PID很难对其进行精确的控制。将常规PID控制和径向基函数(RBF)神经网络结合,提出了基于RBF神经网络的PID控制。该方法是通过神经网络的自学习能力在线调整PID控制的参数。通过Matlab与组态软件"组态王"的动态数据交换,在Matlab上编程实现了基于RBF神经网络的PID控制算法。将该控制算法应用于小型电加热反应温度控制装置,结果显示这种算法取得了比常规PID更好的控制效果。     

基于径向基函数神经网络的非线性系统预测控制

以某厂羟胺反应器的氢离子浓度控制为例 ,介绍了径向基函数 (RBF)神经网络在强非线性对象预测控制中的应用及仿真研究结果。     

径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算

致密砂岩储层具有物性差、孔隙结构复杂、非均质性强等特点,导致利用传统方法难以精确预测或计算其相对渗透率和含水率。为此,文中提出基于径向基函数（RBF）的神经网络预测相对渗透率方法：在介绍RBF神经网络原理的基础上,选择高斯函数和最近邻聚类算法构建网络模型;以含水饱和度、核磁束缚水饱和度、孔隙度、渗透率等四参数为输入,油、水相对渗透率为输出,根据误差分析确定最佳相对渗透率预测网络模型及参数;最后采用分流量方程计算得到储层含水率。将该方法应用于鄂尔多斯盆地陇东地区延长组长8储层,预测的油、水相对渗透率与相渗实验结果一致,计算的含水率与测试结果吻合。     

径向基神经网络油气层损害诊断方法

在诊断油气层损害方面,人工神经网络具有许多优越性,尤其是BP神经网络,但BP神经网络存在的一些缺点限制了它的推广应用.通过对BP神经网络和径向基神经网络的对比表明,径向基神经网络具有收敛速度快和预测精度高等优点,其网络模型的预测绝对误差平均为13.89%,而L-M优化算法网络的为32.63%.建立了径向基神经网络在油气层损害诊断领域的应用方法,对油气层敏感性和损害程度进行了预测,网络预测值和实际值的相关系数达0.991以上,准确率大于80%.该方法在孤东油田得到了很好的应用,成功率达100%,实现了对油气层损害类型和程度的定量诊断,与其他方法相比具有诊断结果准确性高、推广应用方便、收敛速度快等优点.     

径向基神经网络优化及在储层敏感性定量预测中的应用

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。     

径向基函数神经网络在孔隙度预测中的应用

利用径向基函数神经网络对新疆乌尔禾地区三叠系白口泉组储层孔隙度进行预测,取得了较好的效果。对比分析结果表明,径向基函数神经网络预测结果较BP神经网络以及线性回归法预测结果精度高。阐述了应用中应该注意的问题。     

基于人工神经网络的石油化工工程建设项目管理绩效评价

针对非线性多输入多输出的石油化工工程建设项目管理绩效评价问题,应用人工神经网络构建评价模型。使用50个项目的287个学习案例数据,以10个影响因素为输入,6个指标为输出,对BP神经网络、基于遗传算法的BP神经网络、径向基函数神经网络与广义回归神经网络4类网络模型进行训练和测试。通过均方误差的比较,发现基于遗传算法的BP神经网络优于一般的BP神经网络,广义回归神经网络的测试结果优于BP神经网络,径向基函数神经网络具有最好的误差精度。2个应用示例表明,人工神经网络应用于石油化工工程建设项目管理绩效的评价是可行和有效的。     

径向基函数神经网络在启动压力梯度预测中的应用

启动压力梯度直接影响着低渗透油田的开采量以及油藏压力的预测精度。它与流体粘度、密度、渗透率、孔隙度等影响因素呈非线性关系。而人工神经网络具有表示任意非线性关系和学习的能力，是解决复杂非线性、不确定性和时变性问题的新思想和新方法。利用径向基函数(RBF)人工神经网络对启动压力梯度进行预测，并结合岩心的启动压力梯度的实际测定结果进行研究，结果表明：RBF人工神经网络是一种较为有效的预测方法，具有较高的精度．该方法可以为低渗油田的开发提供可靠的基础数据，节省了人力、物力。     

神经网络技术在柴油加氢精制装置生产中的应用

针对柴油加氢精制过程的产品质量难以优化和预测的问题,提出了人工神经网络模型。根据国内某石化企业1.0 Mt/a柴油加氢精制装置生产操作数据,分别应用动量BP神经网络、LMBP神经网络和RBF神经网络建立了用于预测柴油加氢产品硫含量的模型。并对建立的RBF神经网络模型的泛化能力进行了考察。结果表明,动量BP神经网络、LMBP神经网络和RBF神经网络预测的平均相对误差分别为3.50%,2.30%,2.18%,RBF神经网络模型的预测性能最佳,且具有良好的泛化能力,能够在工艺操作参数变化时准确地预测柴油产品的硫含量,为柴油加氢精制装置的良好运行和优化操作提供了指导。     

Toward prediction of surface tension of branched n-alkanes using ANN technique

This study features the application of artificial neural network for prediction of surface tension of branched alkanes. Surface and interfacial tensions of alkanes show a specific interaction between adjacent molecules of the higher n-alkanes which results in an anisotropic dispersion force component of the surface energy. The surface tension of branched alkanes was studied for temperatures between 283.15 and 448.15 K. Two intelligent models named multilayer perceptron model (MLP) and radial basis function (RBF) model were developed and the accuracy of two models was examined by different graphical and statistical methods. Results showed that the both models are accurate and effective in prediction of surface tension of branched alkanes. However, the results were compared with experimental data and it was found that the estimated surface tension by multi-layer perceptron neural network is more accurate than radial basis function network.     

Boosting算法在近红外光谱分析中的应用

Boosting是一种新型的机器学习算法，其主要用于提高回归算法的性能。介绍了一种以RBF神经网络为基础学习机的Boosting回归算法，并将此算法应用于油品辛烷值分析中，与常用的油品分析技术偏最小二乘法(PLS)、多元线性回归(MLR)方法和单个RBF神经网络的拟和预测效果对比分析。结果显示，该算法具有学习速度快、跟踪性能好、范化能力强等优点。     

基于广义模拟退火的人工神经元网络学习方法

本文利用广义模拟退火法（简称GSA,下同）能将非线性多极值目标函数较快收敛于全局极值的特点,替换人工神经元网络学习过程中基于梯度下降原理的误差反向传播算法（简称BP,下同）。该方法将由神经元网络的学习输出与期待输出之差的平方和构成的目标函数视为一整体能量系统,模拟热物理学中金属退火处理过程,调整网络中的连接权值,使系统能量尽可能收敛于全局极小。与BP法相比,本方法无需计算梯度,输出响应可采用不可微分的激励函数;另外,无需作误差反向传播计算,因而在神经元网络学习中可使用局部反馈连接的网络结构。该方法的应用为神经元网络学习提供了一种新途径。