基于改进BPNN与T_2全谱的致密砂岩储层渗透率预测

针对现有核磁共振测井渗透率模型对孔隙结构复杂的致密砂岩储层预测精度不高的问题,在分析误差反向传播神经网络的缺陷后,提出了一种利用集成正则化改进神经网络(BPNN)算法与核磁共振T_2全谱预测致密砂岩储层渗透率的方法。该方法采用自构形算法自动确定隐层神经元的个数,采用自适应雨林优化算法避免BP神经网络迭代陷入局部极小值,利用L_2正则化算子保证算法的稳定性,采用Adaboost集成算法串联若干BP神经网络以提高模型泛化能力。提取某区致密砂岩储层192块岩样的核磁共振T_2全谱数据进行建模,并应用于非建模井的渗透率评价,认为基于集成正则化改进BPNN算法评价储层渗透率精度较高,均方误差仅有0.286。     

改进的神经网络级联相关算法及其在初至拾取中的应用

针对传统BP神经网络存在的问题,引入一种神经网络构造算法——级联相关（CC）算法。该算法具有比BP算法更快的收敛速度,能根据待解决问题自行确定网络结构,即能随时扩展网络拓扑结构以学习新样本。常规CC算法的初始网络只包含输入层和输出层。改进的CC算法起始于适当的BP网络结构（存在隐含层）;且为了防止权值病态递增,在训练候选隐含神经元的目标函数中加入了正则化项,对权值进行衰减。仿真试验表明：改进的CC算法具有更快收敛速度、更强泛化能力;瞬时强度比、振幅、频率、曲线长度比、相邻道相关性等五种地震属性特征交会图显示对初至波具有稳定的区分能力。本文构建的神经网络初至拾取方法在实际资料应用中取得了良好效果。     

基于LM-BP神经网络的防气窜能力评价方法及应用

提出基于LM-BP神经网络进行防气窜能力评价方法,选取地层系数、静液压力系数、泥浆清除系数和水泥浆性能系数作为输入参量,将样本的防气窜能力作为输出量,在进行训练时采用LM算法对BP神经网络进行改进,提高了预测精度,得到基于LM的BP神经网络模型,利用该模型进行防气窜能力评价。研究结果表明:基于LM的BP神经网络模型的计算结果与测试样本拟合精度较高,具有广泛的应用前景。     

用小波神经网络对油井传感器进行故障诊断

用小波函数作为BP神经网络的神经元函数,采用紧致型小波神经网络对油井传感器故障进行研究。通过仿真研究,提高了传感器故障判断的准确性,缩短了油井传感器和油井本身故障的发现时间。采用小波神经网络进行故障问题研究,克服了BP神经网络易陷入局部极小值及收敛速度慢的缺点,学习速度提高了50％。对小波神经网络进行测试表明,小波神经网络可以准确地诊断出传感器的故障。     

利用神经网络预测储层孔隙度

储层孔隙度是评价储集层油气储量的重要参数之一.基于神经网络的LM算法预测储层的孔隙度主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练,声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高.     

基于神经网络的LM算法预测储层声波孔隙度

精确确定储层的声波孔隙度是测井解释中的一个难题.传统方法在使用时的局限性,提出基于神经网络的LM算法预测储层的声波孔隙度.其主要步骤包括样本的选取与预处理,网络结构的设计,基于Matlab神经网络工具箱编程实现的LM算法的网络训练、声波孔隙度预测.经与BP算法比较,该算法迭代速度快且计算精度高,能较准确地实现声波孔隙度的预测任务.     

基于BP神经网络的螺杆泵井故障诊断方法

将神经网络原理应用于地面驱动螺杆泵采油系统的故障诊断,采用改进的BP神经网络,根据螺杆泵井的故障特点,通过理论研究,选取能够表征油井生产状态的状态变量作为神经网络的输入向量,归纳出常见的螺杆泵井故障形式作为目标输出。同时采集了大量现场数据,并进行分类整理,构成了网络的训练样本。通过对网络进行训练,获得具有一定泛化能力的网络。利用VB与Matlab编制的相应软件进行螺杆泵井的故障诊断,获得了正确的诊断结果,证明该方法具有一定的实用性。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

水泵全特性曲线的神经网络预测模型的研究

研究水泵全特性曲线的冲经网络预测模型。通过计算机实验，讨论样本、学习算法和网络结构等对神经网络预测模型性能的影响及其改进措施。实验结果表明，神经网络预测模型具有较佳的学习能力和泛化能力。     

基于均值滤波和BP神经网络的功图量油技术

功图量油技术是通过对油井示功图数据的实时采集和处理分析来计算油井产液量,从而实现对产液量的远程自动计量。针对目前功图量油技术存在的不足,提出了一些改进算法。其中,运用均值滤波法对功图数据进行处理,降低了曲率变化量最大点的识别难度,提高了有效冲程求取的准确性;利用Matlab神经网络工具箱,对BP神经网络模型进行训练,建立油井漏失量BP神经网络模型,从而实现油井漏失量的准确求取。应用结果表明,改进的功图量油算法有效提高了油井示功图产液量计量的准确性和可靠性,最大相对误差6.5%,最小相对误差0.7%,平均相对误差小于5%,能够满足油田的生产计量要求,对功图量油技术的推广和油田信息化建设具有重要意义。     

综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。     

基于BP网络和遗传算法的波阻抗混合反演

针对BP网络和遗传算法（GA）波阻抗反演精度较低且效率不高等问题，提出一种基于BP网络和遗传算法的混合波阻抗反演方法。该方法利用BP算法计算出一定精度的波阻抗初始模型后，再利用改进的遗传算法对该初始模型进行迭代反演，可得到精度更高的反演结果。BP-GA混合波阻抗反演算法简化了二进制的编码解码过程，对BP和GA进行了优化，在保证一定精度的条件下提高了收敛速度，分别用不同子波、不同初始模型和不同噪声试验了该方法的效果，并用实际资料验证了该算法的有效性。     

基于GA的神经网络设计及其应用

传统的神经网络,如ＢＰ网络设计,不仅工作效率降低,网络性能低下,而且会因非线性多极值目标函数而陷于局部最优解。本文采用全局寻优的遗传算法（ＧＡ）来辅助网络设计,实现网络结构、连接权及学习规则的自适应演化。通过利用测井资源与孔隙度参数的学习建模,表明该方法可以克服传统方法的不足,具有一定的推广应用价值。     

具有拐点的油井IPR方程建立及应用

油藏开采过程中,当流动压力低于饱和压力时,溶解于原油中的天然气析出,水驱油藏油井出现三相渗流,部分油井受其影响,产量出现随着流动压力降低而下降的现象,表现为IPR曲线发生倒转。利用新建立的油井流入动态关系方程,能够合理地拟合和描述这种倒转现象,并可以判断油井IPR曲线是否出现倒转现象或具有拐点,计算油井的最低合理流动压力。新建立的IPR方程通式囊括了大部分经典的IPR方程,包括经典的Vogel方程和Fetkovich方程及其推广式,具有较强的实用性。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

地层可钻性级值预测新方法

对测井资料与地层可钻性级值的关系进行了分析,提出了一种基于粒子群优化支持向量机算法预测地层可钻性级值的新方法,利用测井声波时差、地层密度、泥质质量分数和地层深度进行学习训练支持向量机,并利用粒子群优化算法对支持向量机(PSO-SVM)参数进行优化,建立了预测地层可钻性级值的支持向量机模型。应用该方法对准噶尔盆地庄2井的地层可钻性级值进行了预测,并将该方法的预测结果与BP神经网络方法的预测结果进行了比较。结果表明,该方法优于BP神经网络方法,具有预测精度高、收敛速度快、推广能力强等优点。     

基于改进神经网络的丙烷回收流程多目标优化

利用流程模拟软件HYSYS,根据某处理厂的实际运行数据,模拟不同操作参数下丙烷回收的直接换热流程(DHX),分析了低温分离温度、DHX塔顶温度、回流罐温度对丙烷收率及系统能耗的影响规律。以改进后的BP神经网络建立流程多目标优化模型,采用NSGA-Ⅱ算法对其进行多目标求解。其结果表明:改进后的BP神经网络对丙烷收率及系统能耗的预测精度高,相对误差均在2%以下。用NSGA-Ⅱ算法得到的Pareto解集能够为流程的设计与实际生产提供指导性作用。     

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。