一种级联过程神经网络动态预测模型及其应用

针对非线性动态系统分阶段指标预测问题,提出了一种基于级联过程神经元网络和相空间重构技术的动态预测模型和方法。考虑实际系统各个变量在运行过程中不同阶段可能具有不同的作用关系和信息变换机制,以及各阶段系统状态的连续性,采用若干过程神经元子网络构成级联结构建立系统动态预测模型;同时,为弥补实际采样数据的不足和提高数据信息的利用率,利用相空间重构理论构造训练样本集。给出了预测模型的信息处理机制和学习算法,以油田开发三次采油过程仿真为例,实验结果验证了模型和方法的有效性。     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．     

多层动态前向网络在油田系统预测中的应用

针对油田系统常规的建模和动态预测方法的局限性,采用多层动态前向网络作为油田系统的辨识模型,研究了多层动态前向网络预测模型与预测技术.分析了递推预报误差学习算法的不足之处,提出了改进方案,提高算法的性能,从而更新了油田系统建模和预测方法.新方案在油田开发动态指标预测应用中,取得了很好的效果,表明本文方法的有效性.     

基于径向基过程神经网络的储层岩性识别

识别并评价油气储层是油田勘探开发工作中至关重要的部分,而目前现有的岩性识别方法一般不能表述地层的非均质性,也没有考虑到地层参数随着深度而变化所产生的影响.本文提出一种基于径向基过程神经网络的岩性识别模型,并用实际数据进行了验证.实验结果表明,所提出的方法有着较高的识别率,是一种可以实际应用的方法.     

基于Elman神经网络和遗传算法的油田指标预测#

基于指标预测在油田实际开发中的应用,提出将神经网络和改进的遗传算法结合起来构建预测模型。神经网络采用具有动态反馈的Elman网络,充分发挥其动态预测的优势,同时借助遗传算法弥补其训练速度慢和容易陷入局部极小的缺点。对遗传算法的选择算子加以改进,不仅可以保存优良个体而且可以提高搜索效率。将神经网络和遗传算法进行有机结合,实现优势互补,以大庆葡北油田三断块的后续水驱含水率实测数据为例对模型进行论证,结果表明,该模型能达到很好的指标预测效果,本文提出的方法是有效可行的。     

智能动态诊断模型及在示功图识别中的应用

针对抽油机井示功图模式诊断问题,提出了一种基于过程神经元网络的动态诊断模型和方法。过程神经元网络（PNN）的输入和连接权均可以是时变函数,通过对训练函数样本集的学习,可自动抽取时变函数样本的过程模式特征,并可将多个过程特征加以组合形成类别输出,在机制上对时变信号的分类问题具有较好的适应性。建立了一种基于PNN的动态诊断模型和方法,给出了基于函数基展开结合梯度下降的学习算法,对油田实测的抽油机井示功图进行工作状态识别,取得了较好的应用效果。     

油田产量预测系统的研制

如何有效地预测油田的未来产量一直是油藏工程研究中的一项重要内容,准确地预报油田开发过程中的动态产量,是合理调整油田规划和制定方案,实现优化开发和管理的重要依据。本文研究了几种新的预测方法(基于人工神经网络的稠油预测模型、灰色预测模型、CAR预测模型等),并首先将其应用于油田产量预测。本文开发的预测系统集成了20多种常规的和新型的预测方法,对油田产量的预测及管理都能够给出有价值的数据。在充分并准确采集油田各单位产量信息及建立切合实际的数据模型的基础上,将油田产量信息采集与处理、预测与管理等环节,有机地结合成为一个整体。实际预测结果表明,该方法可以取得较好的预测效果。     

Г模型与水驱曲线联解模型的应用

科学的产量预测对油田开发具有重要的意义.该文将水驱特征曲线和Г模型相结合,建立了一种预测水驱油田综合指标随油气田开发时间变化的联解预测模型.该模型克服了水驱特征曲线和Г模型在水驱开发油田开发指标预测上的不足之处,能够方便地综合预测历年的含水率、产油量、和相应的累积产量.通过油田实际开发数据的预测结果表明,Г模型与甲型和乙型水驱曲线联解的效果较好.在比较分析联解模型预测油田开发指标的基础上,证实了Г模型与水驱曲线联解模型的实用性和有效性,能满足水驱油田开发指标的动态预测.     

复杂系统控制中的神经网络预测器研究

本文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于非线性复杂系统预测控制的神经网络预测模型方法,并将此方法用于实际非线性系统的预测控制.结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好地应用.     

Γ模型与水驱曲线联解模型的应用

科学的产量预测对油田开发具有重要的意义。该文将水驱特征曲线和Γ模型相结合，建立了一种预测水驱油田综合指标随油气田开发时间变化的联解预测模型。该模型克服了水驱特征曲线和Γ模型在水驱开发油田开发指标预测上的不足之处。能够方便地综合预测历年的含水率、产油量、和相应的累积产量。通过油田实际开发数据的预测结果表明，Γ模型与甲型和乙型水驱曲线联解的效果较好。在比较分析联解模型预测油田开发指标的基础上，证实了Γ模型与水驱曲线联解模型的实用性和有效性，能满足水驱油田开发指标的动态预测。     

基于Web的神经网络指标预测系统的实现

本文结合指标预测软件的发展现状及趋势,介绍了采用神经网络和主成分分析方法的指标预测系统,根据网络技术的发展情况,重点提出了基于Web的神经网络指标预测系统解决方法。建立了建设工程指标预测的基本模型。系统采用了实际工程项目的资料作为学习内容,运行结果表明,采用该方法建立的建设工程指标预测模型是正确可行的。     

基于T-S模型和PQGA的油田指标预测方法

针对油田开发指标预测问题,提出一种T-S模型建模方法.该方法采用量子遗传算法优化T-S参数.首先根据预测指标及影响因素建立模糊规则库,然后根据模糊规则库建立T-S预测模型,采用改进的量子遗传算法优化T-S参数.以油田开发指标中含水率预测为例,结果表明该方法是有效可行的.     

一种灰色模糊油田区块水驱指标评价模型

针对油田开发中的不确定因素,结合油藏开发因素中的定性化指标,提出了一种基于油田开发水驱指标的模糊综合评价模型.通过灰色关联法定量筛选影响油田开发水驱因素的九项指标,运用层次分析法确定了各指标的权重,结合模糊数学中的判断矩阵实现了油田各区块的模糊综合评价.此方法不仅可以对所有区块进行总体评价,还能对各个具体区块进行精细的评价,为油田开发与管理提供了有效的指导.最后,通过实际例子验证了模型的有效性以及可行性.     

应用模糊神经网络预测油田产量

为了研究受多变量、时变和不确定因素影响的油田产量预测问题,将模糊逻辑推理技术与人工神经网络相结合,构建具有模糊逻辑推理和学习功能的模糊神经网络(FNN)系统。该系统基于现有的油田开发历史数据,建立相应的规则集,使用神经网络的训练方法(如梯度下降学习算法),在训练过程中调整参数,并自适应增加规则,以使系统的输出最佳地逼近于目标样本。通过对某油田的实际开发历史数据的拟合与测试,结果表明该模糊神经网络能够较精确地预测未来的油产量,与常规的BP神经网络相比,其预测精度更高、训练速度更快。因此,基于模糊神经网络(FNN)的油田产量预测方法研究具有较好的实际应用价值。     

基于特征融合的抽油机井检泵周期预测

检泵周期是反映抽油机井工作情况的重要指标,准确预测检泵周期对提高油井产能和经济效益具有重要意义。针对油田检泵周期预测准确率低等问题,提出一种基于特征融合抽油机井检泵周期预测方法。该方法引入SVR提取油田数据的静态特征,利用卷积神经网络学习油田数据的动态特征,引入多模态压缩双线性池化对静态特征和动态特征进行融合,利用判别模型训练融合特征实现检泵周期的准确预测。实验结果验证了该模型的有效性和可行性。     

基于支持向量回归机的油田生产预警模型研究

传统的油田开发动态生产预警采用独立性指标阈值判别方法,从而带来预警结果不准确、异常事件发生时报警而不是预警等问题。本课题提出一种油田生产预警模型,该方法将支持向量回归机(Support Vector Regression,SVR)用于油田生产预警中,通过分析历史生产动态数据,找到它们的变化规律,总结出生产异常警报形成模式,在油田异常事件的初期给出预警信号,提前分析处理潜在隐患,以便保证油田采收效率的稳定性。实验结果证明模型对于油田生产中发生的异常情况具有较高的预测准确性。     

综合预测模型的构建及预测系统开发研究

为了避免传统组合预测方法人工赋权的主观性与简单组合难以推广的弊端,进一步提高预测精度与自动化,提出了[N]种单一预测模型的综合预测模型,并且给出该模型权系数的科学的数学计算步骤。以某油田勘探开发投资规模预测为实例加以验证,结果表明综合预测模型的预测精度较单一模型有明显提高,达到了预测模型精度提高与模型易于推广的目的;建立了该实例的投资规模预测系统,实现了预测与系统的结合,保证预测的高效性。     

在计算机辅助设计中油田可采储量的预测方法初探

本文论述了在计算机辅助设计中油田各阶段可采储量的预测方法．为实现油田生产与安排系统的实现提供科学的预测方法。关键词：计算机辅助设计：油田生产：储量;预测方法     

融合微博情感分析和深度学习的宏观经济预测方法

现代市场经济快速发展的同时也伴随着较高的风险,通过对地区投资情况提前预测,能够提前发现投资风险,为国家、企业的投资决策提供参考。针对宏观经济预测中统计数据滞后和内部关系复杂的问题,提出融合情感分析和深度学习的预测方法（SA-LSTM）。首先考虑微博的强时效性,确定了微博爬取和情感分析的方法,得到微博情感分析的分值,进而结合政府统计的结构化经济指标和长短期记忆神经网络,实现地区投资总额预测。经过实际数据计算验证,在四个数据集上,与不加入微博情感分析的LSTM网络相比,SA-LSTM能够降低预测相对误差4.95,0.92,1.21,0.66个百分点;与差分自回归移动平均模型（ARIMA）、线性回归（LR）、反向传播（BP）神经网络、长短期记忆（LSTM）网络四个方法中的最优方法相比能够降低相对误差0.06,0.92,0.94,0.66个百分点。另外,SA-LSTM在多个时间片上,预测相对误差的方差最小,表明所提方法具有很好的鲁棒性,对数据抖动有良好的适应性。