多点地质统计学建模中训练图像建立方法综述

多点地质统计学建模是近年来储层建模技术的研究热点,其实用性受到训练图像的限制。训练图像的质量决定了多点地质统计学建模的精度和可靠程度,是多点地质统计学建模成功的关键因素。文章阐述了训练图像的特征和意义,从方法的定义、使用情况、实例等方面系统介绍了训练图像建立的方法,包括手工绘制、基于目标模拟、三维地震信息提取或转化、基于原型模型、基于过程模拟和二维图像方法,综合对比了不同训练图像建立方法的数据来源、优势与不足,探讨了多点地质统计学建模依赖训练图像存在的问题。结合文献调研和多点地质统计学建模实践,指出了训练图像及其建立方法的发展方向,为多点地质统计学建模研究者和使用者提供借鉴,为完善多点地质统计学建模方法提供思考。     

综合沉积正演与多点地质统计模拟辫状河三角洲:以塔河T区为例

为有效提高三角洲沉积相模拟的精度,以塔河T区为例,应用地震、岩心及测井资料,通过定量评估可容纳空间、物源供给和沉积搬运之间复杂的关系,建立该地区辫状河三角洲砂体沉积正演模型,并将此转化为多点地质统计模拟的三维训练图像,进行研究区辫状河三角洲多点地质统计模拟。研究表明:辫状河三角洲砂体分布受沉积正演模拟控制参数影响,其中砂质供应体积分数、沉积物流入比例、水流载荷量及洪水期间隔均属于强敏感性参数,对研究区三角洲砂体分布影响较大;砂岩含量沉积正演模型体现了辫状河三角洲退积式沉积过程,符合研究区沉积特征,将其转化为三维训练图像,多点地质统计模拟结果在三维空间具有受训练图像约束的特征,体现了训练图像所反映的相带接触关系,并且与钻井认识一致。所提出的这种新的获取三角洲沉积体三维训练图像的方法,综合了沉积正演模拟与多点地质统计模拟的优势,取得了一定的应用效果,对类似沉积体三维地质建模具有一定的借鉴作用。     

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。     

利用多目标地球化学数据识别第四纪沉积物类型——基于概率神经网络方法

针对利用多目标地球化学数据研究第四纪沉积物类型问题,提出了基于概率神经网络的分类识别模型,并给出地球化学特征指标选取、指标归一化、神经网络设置和训练的具体方法、步骤。在吉林省中西部松嫩平原应用表明,该方法识别出8类不同成因的第四纪沉积物,较好地解决了该区第四纪沉积物成因归属问题。概率神经网络模型对第四纪沉积物类型的识别能力远高于常规多元统计方法,且结构简单、训练快捷。     

浅谈超大超重罐槽柔性地基施工技术

航天员综合试验训练楼内基础中性浮力水槽,是我国航天员地面模拟太空失重环境训练重要设施,作者以中性浮力水槽为例,重点研究超大超重罐槽柔性地基施工技术控制难题,在大量的实地试验研究基础上,解决了工程施工过程中的许多关键性技术难题,保证了试验任务的按期完成。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

大坝变形监测遗传神经网络模型

在简要介绍遗传神经网络的基本概念及学习步骤的基础上,分别对大坝坝顶径向水平位移、切向水平位移和大坝坝顶沉降量监测数据进行了训练和预测。结果表明,利用遗传算法特有的全局优化能力,可以较好地完成网络的学习,而且还减少了网络训练次数,缩短了网络训练时间。     

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。     

基于二维地质剖面的三维地质结构多点统计学模拟方法

利用三维地质模拟技术重构地质现象的三维空间分布,是实现自然资源管理和风险评估的重要基础和前提。多点统计学方法通过探寻多点间的空间结构关系,结合随机模拟方法生成具有差异性的模拟结果,较好地再现了复杂的地质现象。然而,如何构建合适、有效的训练图像一直是基于多点统计学三维地质模拟的核心问题。本文提出了一种改进的多点统计学算法。本方法结合了序贯模拟和迭代的方法,将二维剖面扩展为三维训练图像,再结合EM-Like算法,实现了三维地质结构的优化模拟。建模实例结果表明,本方法能确保训练图像对内部模拟网格的约束,准确模拟研究区的地层层序,并很好地再现二维地质剖面所反映的地层结构关系。     

BP人工神经网络油气圈闭评价

以误差反向传播学习算法为模型,地表油气化探组合指标为导师训练信号,已知工业油气流产出点、油气显示和干井（无油气）产出点,相应的希望输出信号为１．０～０．０之间,在导师信号引导下进行网络联想记忆自学习,训练成熟后对预测区进行含油气远景圈闭评价,对胜利油田ＪＹＨＭ凹陷进行了实际应用研究,取得了较好的识别圈闭效果。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

径向基神经网络在地面沉降预测中的应用

基于MATLAB6.5平台编程,利用前四年的沉降量作为输入神经元,后一年的沉降量作为输出神经元,重复此过程,构建了上海高桥地区地面沉降预测径向基神经网络.以历史沉降数据为训练样本,并对其进行归一化处理,在此基础上,采用未归一化及归一化后的训练样本进行网络训练与检验.结果表明,归一化后的训练样本训练得到的径向基网络具有良好的预测性能.最后利用该网络对1990-2010年的地面沉降量进行了预测.     

冲击地压预测的遗传神经网络方法

根据重庆市南桐矿务局砚石台煤矿的生产技术条件和开采地质条件,针对传统方法预测冲击地压存在的弊端,运用BP人工神经网络和遗传算法相结合的方法,通过改进激励函数来缩短训练时间,并利用给权值加入动量项和变速率学习方法,减少学习中的振荡,来对该矿冲击地压预测进行研究。工程实际应用表明,该方法能有效的确定网络结构和训练参数,并可以很好地应用在相关工程上。     

BP神经网络在天然气水合物化探中的应用

地球化学方法在天然气水合物勘探评价过程中的参数存在不确定性,且误差传递易导致结果不可信。运用BP神经网络技术,在天然气水合物勘探区域选取相关的应用切入点,通过训练建立神经网络模型,利用其非线性映射技术,揭示天然气水合物勘探评价中涉及的多个属性之间的非线性关系。计算结果显示,神经网络的分类方案有效弥补了当前地球化学评价方法存在的多解性等缺点,运用在地球化学数据的基础上建立的BP神经网络模型,对研究区块进行仿真预测,可以实现水合物矿藏的分等级评价。     

A hybrid Bayesian back‐propagation neural network approach to multivariate modelling

There is growing interest in the use of back‐propagation neural networks to model non‐linear multivariate problems in geotehnical engineering. To overcome the shortcomings of the conventional back‐propagation neural network, such as overfitting, where the neural network learns the spurious details and noise in the training examples, a hybrid back‐propagation algorithm has been developed. The method utilizes the genetic algorithms search technique and the Bayesian neural network methodology. The genetic algorithms enhance the stochastic search to locate the global minima for the neural network model. The Bayesian inference procedures essentially provide better generalization and a statistical approach to deal with data uncertainty in comparison with the conventional back‐propagation. The uncertainty of data can be indicated using error bars. Two examples are presented to demonstrate the convergence and generalization capabilities of this hybrid algorithm. Copyright © 2003 John Wiley & Sons, Ltd.     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

基于自组织神经网络的砂土液化评价

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分为粗调整和细调整两个阶段,分别采用不同的学习率和邻域函数,然后采用改进后的SOFM算法对砂土液化进行评价。实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化评价提供了新方法。     

大庆深部致密砂砾岩含气储层产能预测

气层产能预测是气藏工程研究中用于指导气井以及气田合理生产的重要工作和任务,它在气田整体评价和高效开发进程中具有很强的预见性和主动性。讨论了大庆深部致密砂砾岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测含气储层产能的方法。利用已知气井测试结果和测井资料作为网络的训练样本。根据网络学习训练结果,输入储集层的测井资料等静态参数,可预测该储集层的产能。根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部致密砂砾岩含气储层的开发提供了一定的依据。     

人工神经网络氡气灾害模型在铀矿山的应用

对多层前馈神经网络模型(BP神经网络)的结构特点、数据分析、学习方法和过程等内容做了分析。以中核抚州金安铀业有限公司铀矿山氡气状态为学习训练样本及预测样本,建立铀矿山氡气灾害模型。讨论了基于BP神经网络技术的氡气灾害模型分析方法及其有效性。通过实例样本的训练检验表明,采用人工神经网络方法对铀矿山氡灾害预测取得了比较满意的效果,为神经网络在铀矿山氡气灾害预报的应用提供了可行性。     

基于时序预报神经网络的斜坡变形预测方法

将神经网络理论引入到斜坡变形预测领域，利用时序数据构造训练样本，在训练过程中引入遗忘因子和期望因子，形成相应的网络结构，初步探索出了一条新的预测斜坡变形的理论方法。