应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际井数据识别试井解释模型，本文用模拟的数据，不完整的数据，有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试，结果表明人工神经网络能够正确地识别试井解释模型，也能识别了不完整的，有噪声的数据，人工神经网络技术有效地改进了目前在试井解释模型吉广泛采用的模式识别方法，是一个非常值得推广和使用的技术。     

神经网络专家系统在试井解释中的应用

论述了应用专家系统和人工神经网络自动识别试井解释模型的新方法。首先应用人工智能对试井解释模型的应力导数图进行识别，建立了用专家系统构成模块式识别系统；然后应用人工神经网络实现试井解释模型识别；该系统能根据新的试井资料识别试井解释模型；最后，神经网络和专家系统相结合用于试井解释。油田实际试井数据的识别结果说明该方法是一种非常有效的识别方法，对不完全的，有噪声的试井数据也能有效地识别，识别准确率较其它     

试井分析专家系统

人工智能在试井分析领域中的应用,是近几年才兴起来的课题。但试井解释这一问题的本质决定了引入人工智能的必然性。本文论述了专家系统在试井解释领域中的应用和研究方向,详细介绍了所开发的试井分析专家系统的组成和结构,及各部组成的建立方法和工作机理。并用所建专家系统进行了实例分析解释。     

压裂井特征值试井解释方法研究

在Tiab直接计算参数基础上,将其技术扩展到有限导流压裂井,利用压力和压力导数双对数曲线的特征进行分析,而不需要进行典型曲线拟合与回归分析,特别是压裂井应用典型曲线拟合需要作很多典型曲线族.通过实例分析,说明该方法简单、适用可靠.     

短期试井资料处理方法及其应用

短期试井可以缩短测试时间,使试井与生产的矛盾在一定程度上得以缓解.文章阐述短期试井资料处理方法,开发了适于短期试井资料解释的软件,并以油田应用实例进行说明.     

试井早期流态恢复及参数解释

根据压力数据中噪音对压力导数的影响随时间快速减弱的特点,针对地面流量恒定、流动期内定井储的压力数据,根据井筒物质平衡方程,采用指数流量模型按反向分段光滑拟合算法及约束条件,恢复出在开关井后井筒的续流流量,在此基础上,利用Ilk反褶积算法消除指定比例的井储效应,恢复出受井储效应影响的早期压力响应,并利用恢复的径向流直线段进行参数解释.含0.03 MPa随机噪音的压力数据测试表明,方法稳定、结果准确.     

考虑热损失稠油热采双孔介质不稳定试井分析

注蒸汽吞吐热采技术已经成为开发稠油油藏最为有效的方法,但是蒸汽波及范围外的油层没有得到有效的改善,因而油藏流体物性可以分为两个区.针对双孔介质中的稠油油藏蒸汽吞吐热采井蒸汽波及区和未波及区流体的流动性质的差别,提出了试井问题所必须采用的径向流体复合模型,模型中考虑了蒸汽在上下盖层的热损失问题.建立了内区考虑热损失的径向流体复合模型,求得了无限大地层情况下的拉氏空间解,并通过数值反演方法作出了相应的样板曲线,并且对样板曲线作了相应的敏感性分析,为稠油开发油藏压力动态分析提供了一种新的模型.     

考虑热损失非牛顿稠油热采不稳定试井分析

针对蒸汽未波及区的油层没有得到有效改善这一问题,通过采用内区考虑热损失,外区考虑为非牛顿幂律流体复合模型分析,求得了无限地层情况下的拉氏空间解.通过数值反演方法作出了相应的样版曲线,并且对样版曲线作了相应的敏感性分析.新的样版曲线在非牛顿流的影响下有别于常规复合油藏,外区径向流段不再呈现一般的水平直线段,在交界处由于冷凝系数的影响,压力导数出现明显的下掉现象,冷凝系数越大,下掉越严重.为稠油开发油藏压力动态分析提供了一种新的模型.     

变井储试井分析研究

本文用动态模拟方法研究了变井储动态特征及其解释方法。所提出的双图版拟合法充分利用了双对数和半对数图版的优势，使得变井储资料的解释分析更加实用化，并可进一步推广应用到双重介质变井储试井解释中。     

基于人工神经网络的非线性系统辨识

人工神经网络是一个非线性动力学系统，具有自适应、自组织、自学习等功能。本文利用人工神经网络具有表达任意非线性映射的能力，对非线性系统进行系统辨识。仿真结果表明，该方法是可行的，计算精度高。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

神经网络在计算测井参数中的应用

论述了人工神经网络的基本原理。采用误差反向传播神经网络（ＢＰ网络）对油田测井解释参数束缚水饱和度进行了计算和分析，使误差精度提高了１０％。     

不完全人工神经网络的初步研究

提出一种新型的人工神经网络，不完全人工神经网络。实例表明这种网络是用于系统建模的有效方法     

神经网络算法在确定热物性参数中的应用

提出将近年来飞速发展的人工神经网络技术应用于导热领域的研究．通过神经网络算法和导热正问题的结合来求解导热反问题用于确定热物性参数，首先从理论上分析了方法的可行性，并通过数值模拟仿真编写程序得到多组计算结果，验证了算法的正确性．文中提出的算法为热物性参数的测定提供了新颖的方法．     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

神经网络辨识研究的现状

阐述了神经网络辩识的基本原理，综述了神经网络辨识的研究进展，对各种不同的辨识方法进行了评述，并指出各自的特点，同时得出神经网络辩识的局限性。     

基于神经网络和遗传算法的岩体参数辨识研究

本构模型和初始参数给不准已成为岩土力学理论分析和数值模拟的“瓶颈”。目前神经网络可能会避开复杂的本构模型而成为解决岩土工程的设计和施工问题的主要途径。然而,不同的神经网络结构对模型的学习和推广预测能力有直接的影响,因此构造一个令人满意的神经网络模型至关重要。本文结合遗传算法对神经网络结构进行优化,并用后验差检验方法对搜索到的神经网络结构进行测试;结合遗传算法,用测试好的神经网络结构代替常用的有限元数值方法进行岩体参数的辨识;最后,用实例较为详细地证明了这种方法的可行性。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于模糊神经网络的沉积环境判别方法研究

由于粒度分析与沉积环境间密切的关系,针对模糊逻辑与人工神经网络各自的优点,提出了一种基于模糊神经网络的沉积环境判别方法．它以碎屑岩的关键粒度参数作为网络的输入,通过标准化和模糊化及输出的去模糊化等过程,使得模糊推理与神经网络充分结合．实验证明,这种模型判别相应沉积环境的误判率为9．1％,明显低于BP神经网络的32．1％且收敛速度更快,更能够满足实际工程的需求．