巷道围岩参数的人工神经网络预测

应用人工智能方法解决地下工程问题,提出了预测巷道围岩参数的人工神经网络预测法,构造了预测围岩参数的神经网络模型。预测结果证明,该模型具有很高的预测精度。提出的方法有一定的实用价值和参考价值。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

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。     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归（PLS）与神经网络（NN）耦合，建立了储层参数预报模型。利用偏最小二乘对影响储层参数的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数；同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题。计算实例表明，本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度。     

PNN及其在储层物性参数预测中的应用

概率神经网络(PNN)实际上是一种数学插值手段，它的实现引用了神经网络的结构但它通过研究数学规则，可以比多层前馈神经网络更好地实现插值功能，因而具有潜在的优势，这里简要介绍了PNN的基本原理并用于储层物性参数的预测。实践表明该方法是有效的。     

叠前多属性概率神经网络反演储层孔隙度

近十年来非线性反演方法(如人工神经网络、遗传算法)在地球物理解释中,得到越来越多的应用,但人工神经网络反演目前通常只采用叠后波阻抗反演结果和叠后地震属性(如振幅、频率和相位)进行预测,而忽略了地震叠前道集中包含的地层信息.这里通过叠前地震反演获得纵波、横波阻抗和密度信息,结合叠前地震属性,综合应用PNN神经网络方法来反演地层孔隙度参数.其过程包括:①提取叠前地震属性和叠前反演纵波、横波阻抗和密度参数;②分析孔隙度和各类叠前属性和叠前弹性参数的相关程度,确定出与孔隙度关系密切的主要参数;③综合叠前反演弹性参数和叠前属性等参数,应用神经网络分析方法反演得出孔隙度体.该方法克服了由于砂泥岩波阻抗重叠造成的叠后波阻抗反演储层预测存在多解性的问题,反演孔隙度体提高了储层识别精度,储层预测和钻井结果一致,符合实际地质规律,证明本方法正确有效.     

基于BP神经网络的薄互层储层预测

根据地震属性来进行储层预测的研究,对于寻找油气具有十分重要的意义。而由于地下地质情况千变万化,不确定的因素太多,对这种多自变量与因变量的复杂关系模拟问题,神经网络技术是目前较成熟、实际应用效果也较好的方法之一。用BP神经网络来预测薄互层储层厚度,它可以建立属性参数与预测目标之间的高度非线性映射,并应用于具体的实例,为薄互层储层预测提供了新的思路。     

智能预测在三峡永久船闸中隔墩时效变形分析中的应用

人工神经网络通过调整网络中的连接权值、网络结构，实现输入输出非线性映射关系，对三峡永久船闸中隔墩的变形进行预测。具有全局最优化遗传算法可使连接权值、网络结构得到最优解。将遗传算法与神经网络结合起来进行变形演化特征识别，对三峡永久船闸中隔墩时效变形进行智能预测，应用结果表明该方法具有较高的预测精度。     

基于自适应神经-模糊推理系统的软土路基沉降预测模型

针对目前软基沉降预测中最常用的生长曲线模型以及人工神经网络模型的不足,提出将自适应神经模糊推理系统(ANFIS)应用于软基沉降预测。ANFIS将专家的模糊推理过程蕴含于神经网络结构中,使神经网络的结点和权值具有明确的物理意义,避免了传统神经网络工作过程的"黑盒"性。同时该系统可以采用最小二乘法和梯度下降法相结合的混合算法,既具有神经网络的自适应性和学习能力,又克服了它的局部极小值等缺点,预测精度也远高于生长曲线模型。最后用工程实例与生长模型和神经网络模型进行了对比,结果表明:ANFIS模型优于这两种模型,特别是在模拟多输入变量、高维数下软基沉降预测问题时有着独特的优势,具有一定的推广应用价值。     

补偿模糊神经网络在储层参数预测中的应用

为了克服常规BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足，我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统，由面向控制和面向决策的神经元组成，其模糊运算采用动态的、全局优化运算，学习速度快、学习过程稳定，将其用于储层参数预测效果良好。     

储层参数定量预测方法探讨

为开展精细的储层地质模型研究，本文探讨了目前应用较为广泛的几种储层参数定量预测方法，在沉积微相研究的基础上，通过交叉验证的方法实施储层参数定量预测，预测结果表明，在给定的精度前提条件下，砂体厚度物预测精度高于渗透率的预测精度，精细的地质研究有利于提高储层参数定量预测的精度。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

叠后反演技术在杨税务潜山裂缝孔隙型储层预测中的应用

杨税务潜山奥陶系碳酸盐岩储层广泛分布,储层以裂缝孔隙型为主,但由于其储层埋藏深,地震资料分辨率低,储层声波测井特征不明显,常规声波反演难以实现有效储层的分布预测。在分析已钻井储层测井响应特征的基础上,优选出对有效储层响应敏感的电阻率曲线,并与声波曲线进行曲线重构,得到具有声波背景的电阻率拟声波曲线,然后基于叠后数据的测井约束模型反演技术,实现了有效储层的分布预测,最后在此基础上,利用孔隙度曲线与已钻井的拟声波波阻抗曲线进行基于神经网络模拟技术的储层参数反演,实现研究区孔隙度平面分布预测。实践证明,该预测方法有效实用,在杨税务潜山地区应用效果较好。     

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。     

均匀设计在岩土工程概率分析中的应用

基于神经网络的响应面蒙特卡罗方法,通过引入均匀设计来安排RBF神经网络的训练样本集,将均匀设计和RBF网络的优势有机地结合起来：一方面尽量减少训练样本点的数量;另一方面,训练样本点均匀地充满参数空间,有利于提高具有较强局部逼近能力的RBF网络的预测精度。应用该方法进行挡土墙结构抗滑移稳定性的概率分析,结果表明该方法与直接蒙特卡罗模拟的结果相当吻合,能够满足实际工程的精度要求。分析还表明,随机因素对挡土墙结构抗滑移稳定性的影响程度由大到小依次为基底摩擦系数、填土摩擦角、填土重度和填土对挡土墙墙背的摩擦角。     

碳酸盐岩礁滩油气储层地震预测方法探讨

储层结构和孔隙流体预测是目前碳酸盐岩礁滩油气储层地震预测的重点和难点。这里从流体敏感性参数的选择和基于储层结构模拟的孔隙度预测二方面。研究了碳酸盐岩礁滩油气储层的流体识别问题。其中,基于测井资料统计分析和／或岩石物理岩样测试的参数交会图的制作,是优选烃类敏感参数的基础。在单一敏感参数的基础上,构组复合型的流体识别因子,能获得更好的流体识别效果。储层孔隙度预测是这样实现的：首先,对Gassman流体替换方程通过引入近似关系βp-βs≈βp进行简化;然后引入Eshelby—Walsh储层结构参数以获得直接计算孔隙度的表达式;最后,根据弹性反演得到的纵波、横渡阻抗（或纵波、横波速度）等参数,计算得到孔隙度及孔隙流体预测剖面。经实际地震资料的流体预测结果显示,新方法比常规方法预测的精度高。     

川东地区沙罐坪气田石炭系储集层特征及预测研究

沙罐坪气田石炭系黄龙组主要储集空间为孔隙和裂缝,属于碳酸盐岩低孔低渗型储层,其中,裂缝在改善储层渗透率方面发挥着重要的作用。以测并信息为基础,利用神经网络算法对该区未取芯井储层的孔隙度、渗透率、含水饱和度参数,以及裂缝发育程度进行了预测。使用误差统计法对储层参数预测模型效果进行了评价,其预测效果满足本区所需储层参数计算的精度要求,裂缝预测总体回判率达97．53％。证明了神经网络算法是在测井信息较少的情况下,预测储层的有效手段,为气田评价井、开发井的部署,储量计算及编制气田开发方案,提供了可靠的地质依据。     

三种地下水位动态预测模型在吉林西部的应用与对比

准确而可靠地预测地下水埋深对生态环境保护和水资源规划管理具有重要意义。针对吉林西部浅层地下水位动态变化的复杂性和非线性,提出了基于小波分析与人工神经网络相结合的预测方法小波神经网络(WA-ANN)模型。将研究区2002年1月2009年12月当月降水量、蒸发量、人工开采量和前月平均地下水埋深4个参数作为输入,当月平均地下水埋深作为输出,建立浅层地下水埋深预测模型,并与BP神经网络(BP-ANN)模型和自回归移动平均(ARIMA)模型进行比较,对比分析了三者的建模过程及其模拟精度。结果显示:相比两种ANN模型,ARIMA模型建模过程更为简单,计算效率更高;但WA-ANN模型的拟合精度高于BP-ANN和ARIMA模型,预测效果更好。总体来看,WA-ANN模型在浅层地下水埋深预测中具有一定的应用推广价值。     

天津市钻孔灌注单桩竖向极限承载力及沉降的神经网络预测

本文采用人工神经网络对天津市钻孔灌注单桩竖向极限承功力及沉降进行了预测。实例分析表明,神经网络预测具有较好的精度因而其应用前景十分广阔。     

结合NMR横向弛豫时间谱与压汞资料的砂岩储层改进渗透率智能预测方法

由于低孔低渗储层的孔隙结构特征复杂,储层非均质性严重,导致准确评价低孔低渗储层渗透率存在困难。利用核磁T2谱曲线形态评价渗透率的方法能够反映储层孔喉非均质变化特征,但忽略了孔喉结构参数在渗透率计算中的作用。提出一种利用核磁T2谱和孔喉结构参数相结合的改进渗透率神经网络预测模型的方法,首先采用线性刻度转换法,利用X井核磁T2谱数据以及对应的11块压汞实验样品构建全井段的伪毛管压力曲线,选取孔喉结构参数中值半径与T2全谱结合,建立神经网络预测模型。该模型在渗透率预测精度上有较明显提高,效果较好,可尝试推广使用。