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。      

基于无机成因的油气勘查概念模型(BRCF)

基于超基性岩蛇纹石化成油理论,根据构造条件和沉积条件,提出了石油勘查概念模型——"BRCF"模型:B代表侵入地壳超基性岩;R代表储油层;C代表盖层;F代表深大断裂。运用该模型分析了波斯湾地区油气田和中国典型油气田油气成藏规律,并预测了中国大陆油气勘查靶区。     

基于BP神经网络的稳定湖相和风成沉积物粒度数据表征方法

沉积物的形成受到多种地质因素的综合控制。通过粒度分析可判别沉积物的成因类型,推断其形成的沉积环境,解释环境演变;而沉积物的粒度组分除了受到原岩的控制外,还受到机械沉积作用的影响难以准确预测。运用人工神经网络对稳定湖相沉积物和风沉积物的粒度参数进行研究,将沉积物的4个粒度参数作为网络模型的输入变量,在对168个浙闽沿海迎风岸风成老红砂样品和282个苏贝淖湖滨湖泊沉积物样品所对应的粒度参数进行数据样本训练之后,获得了基于BP神经网络的稳定湖相和风沉积物预测模型。然后利用448个大树摆鱼湖相沉积物粒度参数样本和100个兰州榆中黄土风沉积物粒度参数样本作为测试样本对该模型进行了测试和验证,结果显示模型的可靠性较好,能够对沉积物的形成环境做出正确的判断。     

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。     

软土盾构施工地表变形的小样本进化神经网络预测

上海地区软土具有高压缩性和易塑流等特性,在盾构机的挤压和不当施工扰动下将会引起较大的土层移动和地表隆陷。以盾构施工实测位移资料为学习样本,通过遗传算法搜索具有最优预测效果的神经网络结构及学习参数。利用获得的进化神经网络在小样本训练情况下建立模型,对下一步施工的地表变形进行合理的预测。对上海市某盾构隧道的施工地表变形预测表明该模型可获得较高预测精度。     

人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例

分析了传统测井解释方法的局限性。从神经网络的机理、特点出发,提出了一种基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法。首先选取适当的测井资料向量组成一个训练模式对,由多个训练模式对构成一个学习样本集。通过神经网络的学习,使网络记住这些特征并形成预测模型,最后根据预测模型计算相应参数。以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,预测了孔隙度与渗透率,并与实测值进行了对比。上述实例分析表明,该方法用于砂岩型铀矿预测岩性、孔隙度和渗透率具有一定的可行性。与传统方法相比,该方法不需要建立具体的解释模型和计算公式,有较好的适应性和预测精度。基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法具有较高的实用价值。     

基于遗传神经网络的瓦斯含量预测研究

瓦斯含量预测取决于多因素、非线性的函数关系的建立 ,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。文中将神经网络与遗传算法有机地结合起来 ,以神经网络理论为基础 ,利用遗传算法优化隐含层神经元个数和网络中的连接权值 ,建立瓦斯含量预测模型。在实验室测试数据的基础上 ,建立遗传神经网络训练和检验样本集 ,其中包含有 38个典型样本 ,并且将检验结果分别与回归模型、标准BP神经网络、自适应BP神经网络的预测结果进行比较。结果表明 :遗传神经网络模型可靠 ,预测精度高 ,为促进软计算技术与瓦斯地质的结合奠定了基础。     

基于粒子群优化算法的小波神经网络缝洞型储层识别模型

针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。     

用测井参数预测多层合试产能的方法

油气储层产能评价与预测对于油气田的勘探与开发有着重要的意义。过去人们利用测井参数对储层产能的预测都是基于单层测试资料，本方法是建立在多层合试产能的基础上，通过对测试产能的剖分，建立单层产能数据，用遗传神经网络建立预测模型。在实际资料的应用中取得了良好的效果。     

基于遗传BP神经网络的地下水位预测模型

地下水水位动态预测对农田土壤盐渍化防治、地下水地表水资源的合理调度具有十分重要的意义。以新疆和静县某地下水观测井为研究对象,选择月均蒸发量、气温和灌溉量3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达地下水位与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.040 3,测试样本的网络输出值与网络目标值的相关系数达0.967 3,模型预测效果较佳。研究结果为区域地下水的开发利用与保护提供参考依据。     

基于卷积神经网络的智能找矿预测方法：以甘肃龙首山地区铜矿为例

智能找矿预测是数字地质科学的前沿领域。本文基于一种二维卷积神经网络的智能找矿预测方法,以25种元素的水系沉积物数据和航磁数据为找矿预测数据,将已知的矿点作为监督样本,利用步长平移数据增强方法获取了训练数据集,对卷积神经网络进行训练后,将其应用于未知区域的找矿预测。应用该方法对甘肃省龙首山西段高台县臭泥墩—西小口子地区进行了铜矿智能找矿预测,根据已知的3个铜矿点,获取了22 934个训练数据,经过200轮训练之后,预测精度能够达到98.1%,最终圈定了5个预测区,5个预测区均具有良好的铜矿找矿远景。     

Soil geochemical prospecting prediction method based on deep convolutional neural networks-Taking Daqiao Gold Deposit in Gansu Province,China as an example

A method is proposed for the prospecting prediction of subsurface mineral deposits based on soil geochemistry data and a deep convolutional neural network model.This method uses three techniques(window offset,scaling,and rotation)to enhance the number of training data for the model.A window area is used to extract the spatial distribution characteristics of soil geochemistry and measure their correspondence with the occurrence of known subsurface deposits.Prospecting prediction is achieved by matching the characteristics of the window area of an unknown area with the relationships established in the known area.This method can efficiently predict mineral prospective areas where there are few ore deposits used for generating the training dataset,meaning that the deep-learning method can be effectively used for deposit prospecting prediction.Using soil active geochemical measurement data,this method was applied in the Daqiao area,Gansu Province,for which seven favorable gold prospecting target areas were predicted.The Daqiao orogenic gold deposit of latest Jurassic and Early Jurassic age in the southern domain has more than 105 t of gold resources at an average grade of 3-4 g/t.In 2020,the project team drilled and verified the K prediction area,and found 66 m gold mineralized bodies.The new method should be applicable to prospecting prediction using conventional geochemical data in other areas.     

基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例

概率神经网络是一种分类准确率高、泛用性强、可以包容一定数量错误样本的人工神经网络,极其适合勘查地球化学找矿中的预测找矿靶区。本文以四川雅江县木绒锂矿为例,运用概率神经网络搭建智能找矿模型,以已知区的Li元素及与其相关性强的Rb-Cs-Al-Fe元素作为训练指标,对模型进行训练,经过多次训练后将Spread值确定为0.08,使模型在训练集和测试集的准确率均大于80%,实现非线性的指标与成矿潜力的对应,得到本矿区的PNN模型,然后对预测区的样本数据进行预测,成功圈定了1处靶区。为检验靶区准确性,以Li、Rb、Cs元素数据累计频率的80%作为异常下限,圈出的异常区域与靶区位置基本重叠。对预测区进行了实地查证工作,发现两条红柱石带,其中一条与靶区位置吻合,表明该神经网络模型准确性高,可用于矿产勘查的预测研究。     

冀东土壤地球化学基准值特征及研究意义

通过系统的土壤深层（第Ⅰ环境）取样调查，研究并给出了冀东土壤中元素系列地球化学基准值及其基本特征，包括全区及不同景观区、不同流域、不同类型土壤中元素的地球化学基准值，为区域经济发展规划和资源与环境评价提供了实用的基础地球化学信息。     

基于机器学习的表层土壤成矿元素空间预测: 以稀有金属铷元素为例

近些年随着土地质量地球化学调查工作的开展,获取了大量表层土壤样品数据。然而,这些数据也存在一个明显的缺陷,即1∶50 000大比例尺表层土壤数据往往缺少成矿元素。鉴于土壤成矿元素含量对于矿产资源勘查的重要指示作用,尝试基于现有数据对大比例尺表层土壤成矿元素含量提供一个补全方案。以稀有金属铷元素为例,采用随机森林算法把同一区域2 548组1∶250 000小比例尺表层土壤数据按照8∶2的比例随机分为两组,用80%的数据进行训练建模,20%的数据对模型进行验证。采用变量重要性度量排序和构建学习曲线的组合方法优选了8种元素(K、B、Ni、V、Zn、As、Co、Cu)作为预测变量,模型对训练数据和测试数据的拟合优度R²分别达到0.983 2和0.895 6,说明预测变量的优选方法是有效的。随后将1∶50 000表层土壤的上述预测变量数据作为输入变量导入模型中,得到预测的Rb元素含量,预测结果比较符合实际特征。本研究表明将大数据机器学习随机森林算法引入表层土壤地球化学元素含量空间定量预测具有可行性,可进一步拓展土地质量地球化学数据的服务应用维度。     

广义回归神经网络预测加筋土支挡结构高度

土工合成材料加筋支挡结构（Geosythetics-Reinforced Retaining Wall, 简称GRW）设计方法主要是建立在似粘聚力理论基础之上的半经验设计法。由于土性及加筋机理的复杂性，常常要对它们进行人为假定，导致计算结果差强人意。神经网络方法与传统方法的不同之处在于不需要主观假定，而是模拟人脑思维，通过数据样本的学习来获得预测结果。引入神经网络技术来预测加筋土支挡结构的设计高度是一种新尝试。由于本问题具有样本容量非常有限、影响因素复杂多样的特点。因此，采用适用于稀土样本数据的广义回归网络（General Regression Neural Network)来预测加筋土支挡结构设计高度。基于MATLAB神经网络工具箱及文献[1]的挡墙离心模型试验结果，建立了一个可用于加筋支挡结构设计高度预测的GRNN网络。通过对足尺试验，实际工程及模型试验结果的检验，表明网络的学习是成功的，具有一定指导意义。     

激发极化法勘查油气藏的应用基础和应用实例

本文扼要地介绍了激电法勘查油气资源应用基础的研究成果。该成果是在大量的地面试验研究及系统分析油区内、外浅部岩层的地物、地化和岩矿特征的基础上得到的。文中重点介绍了近年来激电法在勘查油气资源方面的几个典型应用实例和应用成果。最后对工作中遇到的一些问题和值得注意的方面做了讨论。     

土工合成材料耐久性的神经网络预测

以BP人工神经网络为工具,利用其强大的非线性映射能力,在综合分析土工合成材料耐久性影响因素的基础上将土工合成材料所处环境的温度、湿度、紫外线照射情况以及土工合成材料的老化时间作为网络的输入参数,以描述土工合成材料耐久性状态的强度和延伸率作为网络的输出,建立了神经网络模型。采用大量试验数据对网络进行了训练和检验,并对土工合成材料的耐久性进行了预测。结果表明,预测值和试验结果比较接近,该网络能较好地反映土工合成材料耐久性与其影响因素之间的非线性映射关系。     

基于神经网络的大连东北海岸带碎石土地基强夯加固研究

以大连某实际工程作为研究场地,室内试验与原位测试所得碎石土地基物理力学参数与实测所得强夯处理沉降量作为样本,通过BP神经网络对样本的训练、学习,建立地基土力学参数与强夯处理的沉降量之间的映射关系,利用所得映射关系对场地实测的沉降量进行物理力学参数的反演分析。结果表明:经过训练的神经网络模型可快速得出所需参数,利用flac3d以反演所得参数进行计算,模拟沉降量与实测沉降量的误差为4.87%,在可接受的范围之内;基于神经网络的位移反分析方法可以省去繁琐的测试工作,但该方法的实现需要有充足的样本数据作为支撑。