基于SAPSO-FNN的电动式加载系统控制研究

针对电动式加载系统中减速器带来的非线性等问题,提出了一种基于模拟退火的粒子群算法来优化模糊神经网络PID控制器初始参数的设计方法。该方法采用基于Mamdani模型的模糊神经网络,通过在线BP学习算法对PID控制器参数进行自整定,并结合基于模拟退火的粒子群算法离线调整模糊神经网络初始值。通过仿真与实验,将所设计算法与增量式PID控制器、粒子群-模糊神经网络PID控制器进行对比,证明了所设计的控制器具有良好的稳定性、有效性和快速性。     

多信息约束下的二维地震相分析

针对二维地震资料的特点及其在地震相分析中存在的问题,提出了多信息约束下的模糊神经网络地震波形聚类方法,通过对模糊神经网络聚类算法目标函数的配置,把地震波形信息、地震资料的空间变化特征、井点沉积相类型和井点砂岩厚度等信息融合到地震波形的聚类过程中,实现了波形聚类过程的地质信息督导.通过在苏里格气田南部二维地震区的实际应用...     

河道砂体含油性预测方法研究

利用Kohonen网络、模糊神经网络和支持向量机等方法，对胜利油田埕东凸起北坡河道砂体的含油性进行了预测。对其中1号河道砂体预测结果的分析表明，3种方法各具特点，Kohonen网络法因为使用了多属性聚类的结果，因此与研究目标的关系比较直观；模糊神经网络法充分考虑了河道砂体内部存在的差异性；支持向量机法完整地利用了地震波的属性。与井点的含油性对比，3种方法的预测效果中支持向量机法最好，Kohonen网络法次之，模糊神经网络法稍差。综合应用各种预测方法，可以使预测结果更加准确。     

波形分类中半自动确定分类数的方法

 波形分类方法是现今比较成熟的地震相分析方法,此法已在岩性预测、砂体预测、裂缝性油气藏和隐蔽性油气藏预测中得到广泛的应用。然而,在以往实际应用中采用输入层为二维Kohonen网络进行地震相分类数的选择都是靠经验或试验方法确定的,增加了分类的不确定性和相应的工作量。本文提出了用改进的输出层为一维的自组织神经网络,半自动地估计地震相分类数。理论模型验证和实例应用表明,改进的Kohonen网络能很好地估计地震相分类数,从而实现快速准确地划分地震相。     

模糊逻辑和神经网络及其在含油饱和度预测中的应用

对人工智能技术在油田开发中的应用做了简要回顾.介绍了模糊逻辑理论中的模糊排队算法和人工智能中的BP神经网络模型.将模糊排队算法和BP神经网络相结合,以新疆油田某井的实际测井曲线为例,用模糊曲线分析方法确定全局相关性强的输入变量(测井曲线),建立BP神经网络含油饱和度预测模型,并对含油饱和度做了预测,利用模型的预测结果和计算值相比较具有较高的吻合度,证明该方法在实际储层参数预测中具有良好的实用性.     

模糊神经网络油气预测

本文在分析研究ＢＰ网络油气预测存在问题的基础上，提出了一种模糊神经网络。这种网络与ＢＰ网络相似，它是将模糊的概念结合于网络之中，使神经网络可以处理结构化的知识，亦即由专家给出的规则，从而提高了油气预测结果的可信度。同时，在网络训练时采用同伦学习算法，大大提高了网络训练的收速度，避免了用梯度下降法训练网络所产生的局部收敛现象。模糊神经网络已在大庆探区多个高分辨率区块进行了油气预测的实际应用，取得了较     

基于改进人工神经网络的气水层识别技术

在改进的神经网络训练算法的基础上．提出了利用神经网络快速识别气、水层的方法。为了迅速、准确地判断储层性质,选用了Kohonen自组织网络和BP神经网络,利用测井参数,建立了长庆气田气、水层识别模型。仿真计算与测井综合解释相对比,样本符合率高达81．3%。分析表明,该方法所需参数少、适用范围广,能定量识别出气水层,从而为制定有水气井改造措施提供较可靠的依据。     

一种模糊神经网络技术及其在储层预测中的应用

大庆外围油田的葡萄花油层主要为砂泥岩薄互层，储层砂体横向变化大，这给井位设计带来了很大的难度。近几年地震属性分以用地震特征参数直接预测储层的析技术虽然得到了较快的发展，但地震属性与储层地质参数之间的关系较模糊，难砂岩厚度。为此，研究了一种模糊神经网络预测砂岩技术，它将人工神经网络理论与模糊逻辑分析相结合，在地震属性分析的基础上，以井旁地震道主分量参数为输入，以井孔地质参数为期望输出，建立模糊神经网络，并对网络进行训练，当网络收敛且网络整体方差达到要求的精度时，便完成了网络训练。该技术应用于大庆太平屯地区储层预测中，通过4口后验井检验，预测厚度与钻井厚度吻合较好，平均绝对误差为0.21m。     

有杆抽油系统故障诊断的人工神经网络方法

将人工神经网络用于有杆抽油系统故障的自动识别.对江苏油田的实测示功图数据进行了预处理,利用Matlab6.5进行编程,应用相同的数据对BP神经网络模型和自组织竞争神经网络模型的识别效率进行了对比.结果表明,由自组织竞争神经网络建立的模型对测试数据的正确识别率更高,识别效果稳定.因此,将自组织竞争神经网络应用于示功图的自动识别问题对实现有杆抽油系统故障诊断的自动化以及实现真正意义上的数字油田提供了一种有效途径.     

模糊神经网络及其在油气预测中的应用

常规模式识别方法进行油气预测存在样本数量大、参数非线性及已知样本类型分类有明显的模糊性等特点。本文根据神经网络的自适应谐振理论，结合模糊聚类算法、特征参数非线性映射的有效性校验，构成了一个性能完善的地震油气预测系统。该系统对样本特征空间用模糊神经网络建立未知样本的预测度量，更加符合客观地质特征和油气分析规律，从而能判别不同气富集的有利区域。数值分析和实践应用表明，该方法数值稳定可靠，在储层油气预测     

利用神经网络拾取叠加速度

鉴于三维地震和高密度二维地震的数据量很大,仍然采用人工方法拾取速度谱,不仅效率低,而且精度低。为此,人们提出许多新的方法。本文采用人工神经网络与模糊数学相结合的方法。首先对输入数据用模糊教学方法作边界搜索和模糊聚类预处理,然后通过人工神经网络误差反向传递算法（BP算法）,学习结定的样本值,训练网络模型,输入经过预处理的待识别数据,完成识别工作,自动提取叠加速度。该方法肯有抗噪能力强、拾取速度精度高的特点,而且能够实现自动解释速度谱。     

模糊神经网络预测储层及油气

利用模糊理论和 BP网络相结合组成的模糊神经网络系统 ,能够克服单独使用 BP网络的局限性 ,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明 ,在单独应用 BP网络进行储层及油气预测效果较差的地区 ,采用模糊神经网络能取得较好的效果。     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等.随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相.神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大.K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据...     

油气层综合解释系统的开发与应用

以人工神经网络技术和模糊隶属度统计方法为理论基础，在SUN工作站环境下开发了油气层综合解释系统。该系统用于识别岩心、岩屑、井壁取心、测井、气测和钻井等6大类46个参数。对于其中的定性参数，通过模糊统计确定参数不同属性属于油层、气层、水层和干层的隶属度，作为定性参数定量化的依据。在建立的动态神经网络模型中，不同的储集层流体性质以10种输出元输出模式表示。在应用过程中可通过选择不同的输入参数和中间层神经元数日调整神经网络结构，以适应不同的地质情况和对实际资料的要求。通过在辽河油田曙光、大洼等多个地区的实际应用，系统取得了良好的应用效果。     

鄂尔多斯盆地碳酸盐岩储层测井产能预测研究

讨论了以模糊理论为基础的合试层产能分权法。由SOM自组织映射与TFI模糊聚类协同确定分类数及变量组合，以隶属度分权、动态地剖分合试层产能为预测单层样本数据体，以遗传神经网络建立预测模型来预测储层自然产能，形成独特、灵活的泛合试层测井产能预测方法。经对鄂尔多斯盆地中部气田16口井52个测试层的应用，取得较好的应用效果。     

基于模糊神经网络的建筑工程造价估计方法

提出了建筑工程造价估计的模糊神经网络方法,给和该方法进行建筑工程造 价估计的基本原理,网络模型及估价方法,计算实例表明,应用模糊神经网络估计工程造 价具有方便、准确的特点。     

模糊神经网络推理系统定量计算储层参数

储层参数是地层评价的基础。自适应模糊神经网络推理系统是综合了模糊逻辑与人工神经网络两者优势的一种人工智能方法．该方法既可用于模式分类．又可进行连续计算。这是一种基于数据的建模方法,模糊隶属度函数及模糊规则是通过大量已知数据的学习得到的．而不是按经验或直觉信息给定的。这对于那些特性还不为人们所了解或者特性非常复杂的系统尤其重要．因此特别适于复杂储层评价中的定性解释与定量计算。研究结果表明,这种方法具有较高的计算精度。