基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。      

地地震多参数BP神经网络预测煤层厚度

依据煤层反射波运动学和动力学特征，提取出了波峰波谷振幅A1、平均频率Fa、主频带能量Qf1、低频带宽能量Qf和峰值频率Fmain等5个地地震特征参数。选取8组学习样本，利用4层BP（Back Propagation)人工神经网络模型，采用动量法和自适应调整的改进算法，训练BP网络，用训练好的BP网络预测煤层厚度。经实例验证，地震多参数BP网络预测煤层厚度精度高，是一种有效的煤厚预测方法。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

WPD-COA-ELM模型在汛期月降水量时间 序列预测中的应用研究

针对月降水量时间序列多尺度非平稳性特点,提出小波包分解（WPD）-白骨顶鸟优化算法（COA）-极限学习机（ELM）相融合的降水量预测模型。首先,利用WPD将非平稳月降水量时间序列分解为若干子序列分量;然后在不同维度条件下利用6个典型函数对COA进行仿真测试;利用COA优化ELM输入层权值和隐含层偏值,对每一个子序列分量分别建立COA-ELM模型进行预测,将预测结果叠加重构后即为最终预测结果;最后,以云南省龙潭站汛期和主汛期月降水量数据为例进行实验,并与WPDCOA-BP、WPD-ELM、WPD-BP预测模型进行比较。结果表明：COA在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-COA-ELM模型对实例汛期、主汛期月降水量时间序列预测的平均绝对百分比误差分别为3.91%、3.59%,预测精度优于WPD-COA-BP模型,远优于WPD-ELM、WPD-BP模型。WPD能科学降低月降水时间序列数据的复杂性,提高预测效果;COA能有效优化ELM输入层权值和隐含层偏值,提高ELM网络性能。     

基于L-M优化神经网络算法的地下水动态模拟与预测

本文根据地下水与其影响因素之间存在的非线性映射关系,在BP网络模型的基础上,提出一种Levenberg-Marquart优化神经网络算法,并将其应用于某地地下水的动态模拟与预测.通过与BP算法的仿真结果比较分析,发现该算法稳定性好,收敛速度快,预测精度高.     

基于改进BP网络算法的隧洞围岩分类

围岩分类对指导地下工程的设计和施工具有非常重要的意义.引入人工神经网络的方法, 进行隧洞围岩分类, 在传统BP算法的基础上, 通过改进学习算法、优化传递函数和网络结构进行神经网络方法优化.采用附加动量法和学习速率自适应调整的策略改进学习算法, 使得当误差大于上临界值时, 则降低学习率, 当误差小于下临界值时, 则适当提高学习率, 这样可加快网络的训练速度, 确保网络的稳定性; 通过引入调整学习率参数, 使得传递过程更加敏感, 加快了传递函数的收敛速度, 提高了训练函数的计算精度; 通过给定隐含层节点模型的取值范围, 对网络结构进行优化, 提高了泛化精度.将改进的BP网络模型应用于广东省东深供水改造工程的隧洞围岩分类中, 分类结果与根据《水工隧洞设计规范(SL279-2002) 》的分类结果完全一致, 表明该方法具有良好的工程实用性.      

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

动量BP算法及其在桩基沉降研究中的应用

文章在说明动量BP算法及其程序实现的基础上，阐还了网络训练中的主要参数(初始权值与阈值、隐层单元数、输出单元数、归一化方法、传递函数)对训练过程的影响，并将动量BP算法应用于桩基沉降的研究，研究表明，使用一定的训练参数，得到的预测沉降与最终沉降量会具有良好的一致性。     

基于GA的混凝土坝抗震可靠度预测的神经网络模型

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的混凝土坝抗震可靠度预测的神经网络模型。该模型分别对混凝土坝抗滑稳定可靠度、抗压可靠度和抗拉可靠度进行了预测,并与BP神经网络预测结果进行比较。结果表明,遗传神经网络模型可靠,预测精度高,在岩土工程中利用该方法进行可靠性问题预测是有效及可行的。     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。     

新安江产流模型与改进的BP汇流模型耦合应用

为提高新安江模型的汇流计算精度并减少经验因素对参数率定的影响,将新安江产流模型与改进的BP汇流模型相耦合,建立XBK(XAJ-BP-KNN)模型。该模型以前期模拟流量和新安江产流模型计算的产流量作为BP网络的输入,出口断面流量作为网络输出,拟合汇流的非线性关系,代替新安江模型的分水源、线性水库及河道马斯京根法的汇流计算;采用相似原理和K-最近邻算法,基于历史样本的模拟误差及相应影响要素对网络输出进行误差修正,实现了无前期实测流量的连续模拟;模型使用SCE-UA算法与遗传早停止LM算法相结合的全局优化方法进行参数优选。在呈村流域的验证表明XBK模型的模拟精度高于新安江模型,全局优化方法能找到最优参数,降低了模型的使用难度。     

基于遗传算法优化BP神经网络的玉米遥感估产方法

以内蒙古自治区开鲁县玉米作物为研究对象,将生育期内玉米遥感影像所提取的多种植被指数和实地采样点的测产数据作为训练值,利用BP(back propagation)神经网络和遗传算法优化BP(GA-BP)神经网络估产模型,得出网络预测的玉米产量数值。通过决定系数R 2和均方根误差RMSE,比较实测产量与预测产量之间的精度,BP神经网络模型R^2为0.8452,RMSE(%)为28.37;遗传算法优化BP神经网络模型R^2为0.9850,RMSE(%)为6.70,表明遗传算法优化BP神经网络估产模型具有一定可行性和可信度。     

基于主成分分析和BP神经网络的五道沟水面蒸发计算研究

针为探讨五道沟水面蒸发量与气象因子间的关系,准确估算该地区水面蒸发量,选取五道沟1991—2019年水面蒸发量以及气象因子实测资料,基于主成分法分析水面蒸发量的影响因素,并结合BP人工神经网络算法建立了水面蒸发计算模型.结果表明:主成分分析提取了三个主成分,第一主成分为地表温度、饱和差、绝对湿度、平均气温以及水汽压力差...     

人工神经网络在水源地影响评价中的应用

为了评价水源地开采过程中对周围地下水环境的影响，本文运用BP神经网络模型建立了有4个输入、2个输出的三层网络模型，通过BP网络学习训练，得到水源地的BP网络模型，并运用该模型预测了在不同条件下因水源地开采所引起的降落漏斗秒地下水补给量，计算表明，BP神经网络用于模拟地下水系统简便，实用，能很好地预测地下水动态变化情况。