综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。     

用改进的BP神经网络评判管道的腐蚀类型

用BP神经网络分析评判管道的腐蚀类型,可以避开寻找各种因素对腐蚀类型影响规律的难题,方便准确地分析评判出管道的腐蚀类型,但是传统的BP神经网络存在收敛速度较慢和容易陷入局部极小点两个问题,为此文章提出了将传统的BP神经网络与共轭梯度优化算法相结合,以优化网络权值和阈值的计算,同时确定了相应的计算方法。将改进后的BP神经网络应用到管道腐蚀类型的评判中,取得了良好的效果。计算结果表明,改进后的BP神经网络具有更好的学习能力,可以在更少的迭代次数和时间内,得到高精度的输出结果。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

应用改进的神经网络学习方法预测储层参数

人工神经网络理论在石油科学的研究中具有重要的理论和现实意义。文章在分析了模拟退火算法和变尺度法各自的优势和原理基础上，针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极值点的缺点，将有全局寻优特性的模拟退火算法（SA）和快速收敛的局部寻优变尺度算法（BFGS）有效地结合，提出了一种快速、高效的前向网络混合学习策略，即SA-BFGS混合算法来训练网络。用它代替传统BP网络中的梯度下降法，通过训练网络权值，使网络具有较快的收敛速度和较高的逼近精度。在测井资料计算储层参数的实际应用中，该法能极大地改进前向网络的收敛速度与收敛性能，处理速度快、稳定性好、可信度高，具有较好的应用前景。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

基于量子神经网络的分子沉积膜驱原油采收率预测方法

提出一种用于预测分子沉积(MD)膜驱原油采收率的量子神经网络方法。基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元,该神经元由加权、聚合、活化、激励四部分组成。再由量子神经元构造出三层量子神经网络模型,其输入和输出为实值向量,权值和活性值为量子比特。权值和活性值调整由量子门实现。基于梯度下降法构造了该模型的学习算法。将该模型应用于MD膜驱原油采收率的预测实验结果表明,该模型在收敛速度和泛化能力方面明显优于普通三层BP网络。     

应用改进的BP人工神经网络快速预测储层敏感性

标准的神经网络算法存在训练时间长，在一些特定的给定初值情况下会陷入局部最小等缺点，应用受到一定限制。该文介绍了改进的BP人工神经网络训练算法，该算法在一个权值修改过程中对权值修改两次，以达到加速收敛避免陷入局部最小等目的，利用该算法进行了储层敏感性快速预测软件研制。分析表明，该算法受人为因素干扰小，所需参数少，结果比较可靠，总体符合率达到91％，改进后的算法训练所需时间与标准BP网络相比缩短了许多，是一种适用于现场的良好方法。     

基于改进BP神经网络的油井流入动态研究

针对传统流入动态研究方法误差较大等问题,提出利用改进的BP神经网络进行油井流入动态研究。通过采用LM算法和贝叶斯正则化算法,改进了常规BP神经网络收敛速度慢、泛化能力差等缺点,并探讨了通过优化网络结构来提高网络泛化能力的方法。实例计算结果表明,采用LM算法和贝叶斯正则化算法的改进BP神经网络用于油井流入动态研究是可行的...     

改进神经网络在预测评判油气田设备腐蚀分析中的应用

主要针对一般BP神经网络易陷入局部最小值、收敛速度慢、引起扬荡效应的缺点,提出用一种改进遗传算法对BP网络的权值、阈值进行训练,构建优化的混合算法神经网络模型。在华北油田某管道的腐蚀情况分析中,证明了该方法的正确性和优越性。     

函数型连接神经网络的算法改进及其应用

函数型连接神经网络具有结构简单，训练速度快的优点，它避免了隐含层及其节点个数选择的困难。为此，本文提出了一种改进的权值修正公式，无须将输入模式归一化，而且适用于任何输入模式。该算法成功地将函数型连接神经网络应用于石油测井资料的研究，获得了较好的结果。     

A neural network for predicting moisture content of grain drying process using genetic algorithm

This paper is concerned with optimizing the neural network topology for predicting the moisture content of grain drying process using genetic algorithm. A structural modular neural network, by combining the BP neurons and the RBF neurons at the hidden layer, was proposed to predict the moisture content of grain drying process. Inlet air temperature, grain temperature and initial moisture content were considered as the input variables to the topology of neural network. The genetic algorithm is used to select the appropriate network architecture in determining the optimal number of nodes in the hidden layer of the neural network. The number of neurons in the hidden layer was optimized for 6 BP neurons and 10 RBF neurons using genetic algorithm. Simulation test on the moisture content prediction of grain drying process showed that the SMNN optimized using genetic algorithm performed well and the accuracy of the predicted values is excellent.     

一种自构神经网络及其在测井资料解释中的应用

鉴于ＢＰ网络存在着学习过程收敛速度慢，网络容错能力差的缺点，本文提出了一种自构神经网络算法。该算法分两部分：１．将模糊集理论与神经网络相结合提出一个模糊动态改变学习率的有效算法；２．利用相关自动原理来动态调整网络的隐节点数，最终让其达到一个最佳的稳定状态。将此方法应用于江苏油田“镇田井”的测井资料解释，同已     

基于BP神经网络的低温提氦工艺优化

氦气是国家重要性战略物资之一,目前氦气的主要工业来源仍是从天然气中提取。为进一步优化低温提氦工艺,降低工艺能耗水平,对已有低温提氦工艺进行了改进,以一级提氦塔进料温度、压力、回流比、制冷剂高压、低压压力和制冷剂流量6个参数为变量,建立基于BP神经网络算法的综合能耗及提氦浓度预测模型,并对模型进行检验,并运用训练好的BP神经网络对改进工艺的综合能耗及粗氦浓度进行了预测。研究表明:BP模型训练效果较好,可用于综合能耗和粗氦体积分数的预测;通过训练误差分析,确定了模型隐藏层节点数为8时BP模型预测结果最优;利用确定好的BP神经网络预测出最优工艺生产参数,在满足粗氦体积分数不小于63.5%的基础上,综合能耗降低了18.08%。     

基于BP网络和遗传算法的波阻抗混合反演

针对BP网络和遗传算法（GA）波阻抗反演精度较低且效率不高等问题，提出一种基于BP网络和遗传算法的混合波阻抗反演方法。该方法利用BP算法计算出一定精度的波阻抗初始模型后，再利用改进的遗传算法对该初始模型进行迭代反演，可得到精度更高的反演结果。BP-GA混合波阻抗反演算法简化了二进制的编码解码过程，对BP和GA进行了优化，在保证一定精度的条件下提高了收敛速度，分别用不同子波、不同初始模型和不同噪声试验了该方法的效果，并用实际资料验证了该算法的有效性。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

一个确定Morison方程水动力系数的BP神经网络方法

将人工神经网络技术应用于计算Morison方程中的水动力系数Cd、Cm，构造具有一层隐含层的BP神经网络，然后在BP网络中运用附加动量法和自适应学习速率进行改造，使得建立的网络模型的收敛性大为改善，减少了训练次数和训练时间。结果表明，计算结果可靠，可用于计算不同雷诺数Re、KC数以及粗糙度数k下Morison方程的水动力系数，从而使得在利用Morison方程计算小尺度结构物的受力更接近实际。