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。     

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     

神经网络在评价塔北低阻油气储层参数中的应用

本文阐述了塔里木盆地北部地区（简称塔北）低阻油气储层的成因及评价北低阻油气储层 方法一神经网络法。该方法利用神经网络原理中前馈网络中的逆传播（ＢＰ）学习算法求取孔隙度、渗透率和饱和度等储怪参数。在选择解释模型时，考虑了各参数的不同选取了不同的网络结构。通过实际资料的处理结果与化验资料、测试结果相比较，认为神经网络法在塔北低阻油气储层测井解释中提高了储层参数的评价精度，具有良好的地质效果。     

基于神经网络的油气预测系统

针对常规模式识别方法进行油气预测存在的样本数量大，参数的非线性及已知样本数地区差异大等３个特殊性问题，我们将常规ＢＰ算法改为η可自适应调节的ＢＰ算法，并与ＳＯＭ网络联合应用，构成了一个性能完善的多参数油气预测系统。采用该系统进行油气预测能较好地解决上述问题。这种方法不仅收敛速度快，而且在没有已知样本的情况下也能进行油气预测。陆上与海上应用实例表明，该方法对不同勘探程度的地区均能取得较好的油气预测效     

改进的B-P神经网络系统在储层敏感性伤害预测中的应用

从储层保护的角度出发,对长庆油田的储层伤害进行了综合分析研究,确定了对储层造成伤害的几种因素:水敏、盐敏、速敏、酸敏、碱敏,并采用Kohonen自组织网络和改进的B-P网络相结合的组合神经网络技术建立了储层敏感性伤害的预测模型.该模型改进了以往神经网络模型在数据处理方面的缺点,缩短了网络学习训练的时间.运用该模型对长庆油田储层伤害进行了预测,预测结果与实测结果较一致性,说明改进后的神经网络模型在储层敏感性伤害预测中能够满足工程预测的需要,从而为油气层保护技术措施提供可靠的依据.     

�˹�����������Ԥ�⼼�����Ĵ�������Ӧ��

介绍了根据人工神经网络模型的原理，将地震道信息引入人工神经网络系统进行油气预测的方法。首先从地震时窗内提取出反映储层油气变化的５组共１０多个地震特征参数，然后进行ＢＰ神经网络的自学习，进而结合地质情况和实钻资料进行油气水预测判别，最后将成果绘成图件。将该方法分别应用于四川气区的川南、川中和川东的３个试验区块，均取得与实际或其它预测方法较吻合的结果     

地震属性神经网络油气模式识别技术及其在东海的应用

神经网络油气模式识别技术是综合利用地震属性进行油气预测的技术之一，它首先通过计算获得多种地震属性，综合分析找出对储层油气比较敏感的地震属性组合；然后收集油气井与非油气井的井旁道地震属性，组成学习样本并进行神经网络学习；最后利用学习结果对储层进行油气预测。该技术在东海某工区的应用结果表明，振幅统计类和复数道统计类地震属性是对该地区储层油气最敏感的地震属性组合。神经网络油气模式识别技术可以作为东海地区储层油气预测的一种手段。     

��̬ģ���������ڸ��Ӵ���Ԥ���е�Ӧ��

由多种地质因素综合作用构成了复杂的地质环境，从而形成复杂的油气储层。因为各种因素的参与程度、组合特点以及不同地区的储层表现有其各自特征性、相互关联性，从而使地下复杂油气储层具有明显的模糊和非线性特征。因此对于复杂油气藏的储产层识别和预测是一种非常规的问题，解决的方法常用神经网络技术以及模糊神经网络技术，两者在储层油气预测领域得到不同程度的成功应用，但是在网络权值的选择和改造上均存在一定的不足，但遗传算法在此方面有着一定的优势。文章在对模糊技术、神经网络和遗传算法研究的基础上，将这三种技术结合的方法——动态模糊神经网络用来进行复杂油气储层的识别和预测。同时将该方法应用于陕甘宁盆地中部某复杂油气储层的识别和预测，并取得了良好的效果。     

改进的神经网络模型在储层敏感性预测中的应用

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预测储层潜在敏感性（水敏性、速敏性、盐敏性、酸敏性和碱敏性，简称“五敏”）的方法。在对储层的“五敏”伤害预测中，采用Kohonen自组织网络和BP网络建立了敏感性伤害的预测模型，提高了预测的精度。分析表明，该方法受人为因素干扰小、所需参数少、适用范围广（特别适用于探井），能定量地反映出储层潜在敏感性程度，从而为制定保护油气层技术措施提供较可靠的依据。     

基于GA-ANFIS的油气储层地震预测方法及应用

基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快了网络收敛速度和提高了网络性能，获得了良好的预测效果。在测井数据约束下，应用所提出的方法对碳酸岩盐储层和砂岩储层分别进行了平面预测和剖面预测，并按储层有效性指数进行了储层分级，这种分级反映了储层的有效性和含油气状况，提高了油气储层的实际预测效果，是对油气储层预测技术的一种新发展，开拓了油气储层预测发展技术。     

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.     

利用BP神经网络预测注水管道的腐蚀速率

利用人工神经网络的自适应、自组织学习能力 ,通过对训练样本集的学习 ,预测了注水管道的腐蚀速率。通过实例 ,采用 4种不同的预测腐蚀速率的方法 ,即采用传统的预测腐蚀速率的CVDA— 84规范、传统的BP神经网络、改进的Rumelhart和MBP神经网络计算注水管道的腐蚀速率。CVDA— 84规范偏保守 ,采用BP以及改进的BP神经网络预测的腐蚀速率和观测值基本一致。但采用BP人工神经网络预测时 ,迭代次数比CVDA大得多 ,采用改进的Rumel hart和MBP神经网络能有效地提高预测速度 ,改善网络的收敛性 ,并且使预测精度有所提高     

用自组织神经网络实现地震同相轴自动追踪

本文提出了一种用自组织神经网络自动追踪地震同相轴的方法。文中简单地介绍了自组织神经网络，并针对地震同相轴追踪这一具体问题，设计了相应的学习方法。自组织神经网络可以进行无监督学习，且可以边学习边工作，因此本文提出的方法追踪迅速，自动化程度高，实际资料处理结果表明，本方法具有较好的应用前景。     

神经网络方法烃类预测中的问题探讨

自神经网络应用于烃类预测以来．很多专家学者一直在神经网络和烃类预测两方面钻研，加快了神经网络与不同数学模型相结合的步伐，并分别取得了较好的应用效果。根据神经网络进行烃类预测的基本原理和应用条件，简述了神经网络应用于烃类预测时的不同模式、特点、相应要求及改进思路，许简要分析了利用神经网络进行烃类预测所存在的问题．最后展望了神经网络烃类预测的发展趋势。     

烃类体系相态特征图的ANN识别方法

本文提出了用人工神经网络技术（ＢＰ网络）来辨识烃类体系相态特征图的方法。重点介绍了ＢＰ网络及算法和相态特征图的人工神经网络辨识方法，这加深了对烃类相态特征的认识，提高了识别油气藏的准确性。文后给出了应用实例，证实了本文方法的可行性。     

应用人工神经网络算法的地震面波非线性反演

利用瑞雷波频散曲线反演地下介质的横波速度是一种有效可靠的地球物理方法,且已被广泛应用于近地表地质调查和勘测。传统线性反演方法已不能满足日益复杂的目标或任务的需求,而非线性反演方法因其反演速度快、原理直观易懂而倍受关注。非线性反演方法中的人工神经网络具有自组织、自学习能力、联想记忆能力、高度容错性和抗干扰性,对不同反演问题能（通过相应网络训练后）反演出相应的目标参数。鉴于此,引入BP人工神经网络对地震面波进行反演,通过网络设计、训练和学习,求得最优解而不是精确解,以此避免了其他非线性反演方法易陷入局部极小值的问题。通过选取BP神经网络对多种典型地质模型在无噪和含噪情形下得到的频散曲线分别进行反演,并对比反演结果与真实数据,验证了此方法反演频散曲线的有效性和稳定性。最后,对实际数据进行反演,并与其他方法反演结果进行对比、分析,检验了该反演方法的实用性。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

BP神经网络模型设计的研究

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨,提出一种新的构建BP神经网络模型方法。实验表明,使用该方法构建的网络模型训练曲面图形时,得到的网络输出曲面与原样本曲面非常接近,训练误差满足设定要求。     

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。