基于BP神经网络的瓦斯含量预测

以淮南矿区潘一矿13-1煤层为研究对象,在分析勘探钻孔资料的基础上,确定了煤层埋深及厚度、顶底板岩性、地质构造和煤变质程度是影响煤层瓦斯含量的主要因素;使用BP神经网络方法建立了瓦斯含量预测模型;结合实际数据,对预测模型进行训练和检验。预测结果表明:该模型比使用多元线性回归预测能获得更高的精度,说明预测模型可靠。     

基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型

在综合分析影响煤与瓦斯突出的各种评价指标的基础上,基于人工神经网络极强的非线性逼真能力,建立了煤与瓦斯突出强度预测的遗传神经网络模型。模型采用灰色关联理论完成了评价指标的优化,并利用遗传算法对BP网络初始权值和阈值的确定进行了优化。以重庆南桐矿区砚石台矿为例,对煤与瓦斯突出强度进行了预测,结果表明,采用本模型的预测结果与矿井实际突出状况一致,模型可靠,具有一定的理论与实际意义。     

神经网络分析方法在瓦斯预测中的应用

论述了瓦斯预测技术的研究现状及其在现代矿业中面临的新问题，介绍了神经网络技术在处理复杂地质条件方面的优越性，探讨了瓦斯预测技术与人工神经网络等高新技术相结合的可能性与必要性，并举例论证了它们在瓦斯预测过程中的适用性。实践证明：瓦斯预测技术与人工神经网络相结合所建立的预测模型，不仅能够综合考虑各种影 响因素，较好地处理地质条件中的各种非线性关系，而且预测精度高，结论可靠，为瓦斯预测技术的进一步发展提供了新的思路。     

基于遗传神经网络的储层敏感性预测方法研究

储层敏感性是储层与外来流体发生各种物化作用,使储层孔隙结构和渗透性发生变化的特性,这种变化会不同程度地损害油层,从而导致产能损失或产量下降.如果能在施工之前对储层的敏感性做出预测,那么在进行施工的过程中,就可以采取相应的措施,减少储层的损害.在储层敏感性进行预测的方法中,BP神经网络是应用最广泛的方法之一,可以对储层的各种敏感性进行预测.但这也存在着一些问题,比如局部寻优、收敛速度慢等,所以在神经网络的基础上,加入了遗传算法,可以对神经网络进行优化,使其能最大程度地快速找到全局最优.实践证明,这种方法能够满足目前储层敏感性预测的实际需求.     

基于模糊神经网络的煤与瓦斯突出区域预测研究

煤与瓦斯突出影响因素间复杂的非线性关系,难以用经典的数学理论建立精确的预测模型。本文用自适应模糊神经网络技术建立煤与瓦斯突出预测系统,以模糊数学作为表达与处理不精确数据、模糊信息条件的手段,以自适应BP神经网络作为解决问题的途径。结果表明:方法可行,预测精度高,能够满足要求,进一步充实了煤与瓦斯突出区域预测理论      

用测井资料预测煤层瓦斯含量

将测井资料中视电阻率及伽马伽马与实验室分析出的煤样瓦斯含量进行回归分析，建立回归方程。进而运用其预测出其他煤层瓦斯含量并与实验室分析结果对比，误差较小。证明用测井资料预测煤层瓦斯含量是可行的，从而进一步推广了测井资料的实际应用价值。     

应用遗传-神经网络方法预测软土路基沉降

理论方法预测软土地基沉降与实际存在较大的差距,使得预测结果很难达到设计要求,不利于指导施工。将现有的理论方法同现场观测信息相结合,对软土地基变形作出更为准确的预测,有利于指导和控制工程施工。采用遗传算法和BP最优化法相结合的算法来训练网络,用遗传算法来优化BP神经网络中权值;用龚帕斯曲线来分解沉降时序,通过沉降趋势线偏移量来训练网络。采用这种方法预测软土路基沉降取得了较好的应用效果。     

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。     

利用钻孔资料预测矿井未采区煤层瓦斯含量

利用矿井采掘区煤层瓦斯含量实测值,在瓦斯地质定性分析基础上,通过丰富翔实的钻孔资料建立井田未采区适用的煤层瓦斯含量预测公式,从而达到对井田煤层瓦斯含量预测的目的。为大型低瓦斯矿井煤层瓦斯含量预测提供了思路和方法。     

基于Langmuir吸附的瓦斯含量和瓦斯压力的对应关系

为探讨煤层瓦斯含量和瓦斯压力的对应关系,应用Langmuir方程,分析总结了吸附常数测值的影响因素,初步阐述了瓦斯含量和瓦斯压力的内在联系,并进行了不同变质程度煤的相关实验研究和理论计算。研究结果表明：Langmuir吸附常数测试受吸附时间、压力点设置、温度和水分含量等多种因素影响;利用修正的Langmuir方程换算的瓦斯含量或瓦斯压力与煤的变质程度有关,在低煤级阶段表现为高压低含量特点,而高煤级阶段正好相反,瓦斯压力0.74 MPa和瓦斯含量8 m³/t只有在贫煤阶段才近似一致。建议综合考虑地质构造和构造煤发育情况,以实测瓦斯压力为主要依据,针对不同变质程度煤的矿井制定合理的突出预测指标。     

应用BP神经网络预测煤质参数及含气量

煤层气储层物理结构以及煤层气的存储，运移等方面不同于常规天然气，评价煤质参数的测井等效体积模型难以较好地描述煤层这种复杂的物理结构，提出利用ＢＰ神经网络预测煤质参数及煤层气含量的模型和算法，预测的煤质参数以及煤层含气量与煤样分析结果比较表明，预测与煤样分析参数之间的平均绝对误差和相对误差都较小，精度满足定量计算的要求。     

神经网络在冲击地压危险性预测预报研究中的应用

分析了影响冲击地压危险性的主要因素,首次利用神经网络模型模拟各个因素之间的复杂的非线性关系,消除了传统预测方法中的人为确定冲击危险指标的影响。检验结果表明 :模型可靠,预测精度高。为冲击地压与人工智能等高新技术的进一步结合奠定了基础。     

前馈神经网络隐性单调与泛化能力

应用前馈人工神经网络对广域单调的两组样本进行了模拟反演，引入单调前馈网络的概念对其权值和阈值定解问题和泛化能力进行了较诉研究。表明前馈人工神经网络是一个表达形式简单的复杂系统，其单调特征是隐性的，而且训练网络的成熟性对样本数量和样本内在规律性有一定依赖。强调了前馈人工神经网络的应用效果，指出单调与复合问题还需进一步深入研究。     

自适应BP网络在洛带气田测井解释中的应用

应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。     

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。     

油气化探中土壤碘测量技术应用研究

地表土壤碘用于油气勘探的主要依据是：在地表可以获得足够光源的情况下,碘元素可替代轻烃分子中的一个或多个氢原子从而形成比较稳定的有机碘化物。地表土壤碘异常具有两种典型的异常模式——顶部高值异常与环晕状异常。根据土壤碘异常模式的形成原因,认为未开采远景区土壤碘高值异常可用于筛选有利含油气区带,详查时还可用于预测油气藏的分布范围;已采区的碘浓度高值异常,则可指示已知油气藏的扩展区。文中以实例阐述了这一认识。地表土壤碘指标的油气勘探意义在于,当与其他勘探方法结合应用时,它可从另一视角为油气勘探决策提供依据。     

用人工神经网络模型获取采油指数的方法

介绍了油藏工程中一种新的神经计算技术的实现方法——用人工神经网络模型获取开发初期分采时的采油指数;通过实例对该方法中的数据处理、模型确定及精度分析、预测效果进行了详尽地描述,实践表明该方法可对从事油田开发的现场研究人员提供借鉴。     

煤层含气量测井解释方法探讨

用多元线性回归建立煤层气含量与煤质参数、测井曲线值之间的回归方程,经F检验回归方程有效,但回归方程估算的煤层含气量与煤样解吸测定的含气量之间仍然存在较大的误差,为此利用BP神经网络进一步探讨它们之间的关系,实例表明预测精度较高。