自组织神经网络用于地质样品分类

地质样品的分类是地质学中一个重要问题。本文提出用一种神经网络———ART2模型来实现自动分类。该方法简单、实用,分类效果令人满意。网络的应用结果显示出它具有良好的获得最佳分类数和最佳分类的双重功能。     

自组织竞争神经网络在江苏油田有杆抽油系统故障诊断中的应用

有杆抽油系统的故障诊断技术是国内外采油工程技术中的一个重要研究课题。通过示功图的不同形状特征可以反映抽油机的不同工作状态。将自组织竞争神经网络应用于示功图的识别与分类,建立了一个自组织竞争神经网络模型对示功图进行自动聚类,从而实现故障诊断的自动化。应用江苏油田的实测示功图数据进行实验,可以看出自组织竞争神经网络具有良好的分类能力和泛化性能,是实现油田抽油系统故障诊断的有效技术,具有很强的实用价值和广泛的应用前景。     

自组织神经网络在测井储层评价中的应用

在测井储层评价过程中,岩性及流体性质的识别难度很大。当地层信息较少时,传统的交会图和有监督神经网络(如BP神经网络)等方法在识别岩性时会受到一定限制。为此.基于自组织神经网络的结构和原理,建立了岩性和流体样本数据集,利用自组织神经网络对样本数据集进行了训练和纠错,得到了数据集的聚类结果,通过选择合适的测井曲线和网络权值,以样本数据集的聚类结果作为分类基础,对岩性和流体进行了识别,获得了较好的效果,实际资料处理结果与岩心分析资料对比,吻合度高。     

BP自组织神经网络在地下水动态分类中的应用

本文是根据国内外较为流行的BP自组织神经网络方法,与区域地下水动态成因及地下水观测井历时曲线形态相结合对哈尔滨市地下水的动态型进行定量分类:波动—水文型、上升—弱水文型、上升·下降—开采型、上升—开采型,并且定位在图上。此种分类更加直观地反映本区地下水在空间和时间的变化规律,并对本区地下水的水流模型参数分区具有参考价值。     

用自组织神经网络自动识别岩相

ＢＰ神经网络技术以其强大的学习能力已广泛应用于许多领域,取得了很好效果。但当不具备已知样本时,该技术很难应用。本文采用改进的自组织神经网络,对测井资料进行自动岩相识别,并在松辽盆地进行了实际应用。通过与已知资料对比,证实该方法是一种有效的岩相自动识别方法,具有良好的应用前景。     

自组织竞争人工神经网络在砂岩型铀矿测井数据解释中的应用

详细介绍了自组织竞争人工神经网络模型结构、原理和钻孔岩性自动识别过程,给出了神经网络模型在钻孔岩性自动识别过程中的有效性实例。自组织竞争人工神经网络具有自组织能力、自适应能力和较高的容错能力;与BP算法相比较,计算量小,收敛速度快,且不需要已知的先验信息而自动确定分类类别。钻孔岩性识别结果与岩心地质编录的对比试验表明,在砂岩型铀矿测井数据的解释中,应用自组织竞争人工方法可较好地完成钻孔岩性自动分类。     

用自组织学习联想神经网络识别白去岩类型

本文利用地球化学数据和自组织学习联想神经网络，对美国密苏里州东南Ｂｏｎｎｅｔｅｒｒｅ组（寒武纪）滨外相的白云岩进行了分类、识别，判率达１００％。结果表明，该方法性能良好，可望成为岩石分类，判别的有效手段。     

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。     

ASTER数据的自组织神经网络分类研究

传统的遥感数据分类方法大多基于统计学的参数估计，假设数据分布服从高斯正态分布。神经网络方法无需参数估计和统计假设，因而，近来越来越多地应用于遥感数据分类之中。介绍了基于聚类分析的自组织特征映射分类方法。ASTER卫星数据是新型遥感数据，包括 3个15 m分辨率波段和 3个30 m分辨率的短波红外波段。选择北京地区的ASTER数据作为方法实验数据，首先对数据进行了小波融合，然后进行了土地覆盖类型的自组织特征映射神经网络分类研究，把研究结果同最大似然判别法得到的分类结果进行了比较，分类精度比最大似然判别法总体提高了9％。     

自组织特征映射神经网络在厄尔尼诺事件检验中的应用

对厄尔尼诺事件多因素成因进行了分析。利用自组织特征映射（SOFM）神经网络方法对1973～1994年的全球7级以上地震次数、日食条件、海温距平数据建立了SOFM网络检验模型。对1995~2000年厄尔尼诺事件进行了检验,检验的准确率为83.3% 。     

人工神经网络在灌浆加固工程中的应用

提出灌浆加固工程中预测单位深度吸浆量的人工神经网络模型，详细介绍了该模型的建模过程，北结合工程实例，验证预测结果和实际数据有较好吻合性，同时表明在复杂地质条件下，灌浆加固工程中利用这一模型进行单位深度吸浆量预测是有效的。     

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类 ,取得了很好的效果。但当不具备已知样本时 ,以上技术很难应用。提出了可塑性较强、无监督的A -K网络模型 ,阐述了其基本原理和算法 ,并将其用于水文水资源研究领域中。实例表明 ,该方法能较理想地解决已知样本的分类问题 ,具有良好的应用前景     

改进SOFM网络算法及其在裂隙统计分析中的应用

在分析 SOF M自组织特征映射神经网络原有算法的基础上 ,从提高算法收敛速度出发 ,提出了一种改进算法。该算法首先采用 C均值法从输入数据中寻找出 N 2个聚类中心 ,然后用一种启发式的方法把选取的 N2个数据点放置到一个 N× N 的空阵列中。利用这种算法 ,可以避免传统 SOF M算法中不断地用大量的数据去调整连接权的过程 ,从而快速地构造特征映射。应用这种算法 ,通过对某隧道工程围岩裂隙统计数据的快速分类、仿真判别 ,为围岩渗透性评价计算提供精确程度较高的量化依据 ,取得了较好的效果。     

神经网络模型在测井岩性识别中的应用

用山西赵庄1603孔测井资料作样本,应用反向传播(BP)神经网络进行处理,以达到自动识别岩性的目的;并对选择网络结构参数、学习样本等作了简要介绍,以此样本作为标准来预测潘庄0601孔测井相所对应的地质相特征,预测结果令人满意。     

基于神经网络的聚类分析在储层流动单元划分中的应用

以苏里格气田盒8段为研究对象,在细分层和精细沉积学研究基础上,通过对关键井详细研究,以流动层段指标为储层流动单元划分标准,将目的层分为3类流动单元.通过相关性分析结合专家经验,从诸多电性、物性、岩性等参数中优选出表征流动单元的10个特征变量作为预测模型的输入,应用基于神经网络算法的聚类分析方法建立储层流动单元非线性识别模型.通过对其他关键井的回判预测表明,建立的流动单元预测模型可以更全面地考虑各类地质因素与流动单元之间的结构性复杂映射关系,气井产能与流动单元具有较高的对应关系,为气田精细描述与开发井网的优化部署提供可靠基础.     

人工神经网络方法在大气降水氚浓度恢复中的应用

根据人工神经网络能识别输入输出数据间复杂的非线性关系等特性,选用北半球（纬度22~74°）70个站点的IAEA/WMO大气降水氚浓度观测数据,建立了大气降水氚年平均浓度的恢复模型.通过对比认为：人工神经网络恢复的降水氚浓度能客观地反映其真实值,为无资料地区恢复1953年以来大气降水氚浓度提供了一种更好的思路.     

改进BP神经网络在岩质边坡稳定性分析中的应用

使用MATLAB软件中的NNtool工具箱建立了一个通过添加动量改进的BP神经网络模型,用以分析岩质边坡的稳定性。通过对天津某工程的边坡进行分析来检验这个模型的可靠度。根据现场调查的实际情况分析,该边坡岩体比较破碎,因此文中选择了几个有代表性的岩石完整性参数作为输入层参数,通过收集的一些类似边坡的参数对所建立的神经网络模型进行训练,以保证此模型适合被用来分析该工程。结果证明,所建立的模型是可靠的,此种方法在分析岩质边坡稳定性的的实践中具有广泛的使用性。