BP神经网络在测井岩性识别中的应用

在岩性识别方法中，人工神经网络方法由于其识别结果客观可靠，得到越来越广泛的应用。研究选用BP神经网络，对金衢盆地的金66测井的岩性进行了识别，并对改善BP神经网络收敛性能的方法了有效探索。     

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。     

RPROP算法在测井岩性识别中的应用

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法--Resilient Backpropagation (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。     

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。     

BP人工神经网络柑模型在测井资料岩性自动识别中的应用

本将神经网络模型引入测井资料的处理和解释中，以油田，煤田的实例资料作油层，煤层和其它岩性的自动识别，并以识别结果说明该方法的有效性和可靠性。     

应用CP网络进行岩性识别

为通过测井解决岩性识别问题，引入了具有分类准确、算法简练等优点的CP（Counter-Propagation)网络。在详细介绍CP网络的网络模型和算法的基础上，结合某油田的实际测井资料，进行了CP网络识别研究。应用结果表明：CP网络训练周期短、识别准确率高、不存在收敛问题。通过试验研究得出结论：CP网络完全可以用于解决岩性识别等问题，具有广阔的应用前景。     

运用神经网络模糊控制器实现岩性自动识别

根据测井技术人员实际手工解释岩性经验，归纳出若干条模糊控制规则，构造一个神经网络模糊控制器，来学习与记忆这些规则，并运用这些规则来推理岩石的岩性，近拟模拟测井技术人员进行岩性识别的大脑思维过程，并运用VC 6.0编程实现之，继而运用计算机识别岩性。     

神经网络技术及其在测井解释中的应用

在分析传统测井岩性解释中存在的一些问题的基础上，从神经网络的机理、特点出发，探讨了利用神经网络技术进行测井岩性识别的可行性及优越性，并以找矿目的层为对象，进行了岩性分析与对比，为该方法的进一步应用开拓了前景。     

岩性识别的多元统计方法

识别地层岩性是在地层对比,沉积相分析等地质研究中的重要任务,在岩心资源较少,测井资料较多的情况下,利用多元统计分析进行地层岩性识别则是一种有效方法,为此,本文在胜利油田永一沙田砾岩体实际资料的基础上,通过取心井岩心和相应测井曲线的对应特征分析,应用判别分析方法,挑选了对岩性识别能力强的测井参数,确定了相应的岩性识别函数,利用该函数可以快速反应不同深度点上的地层岩性,并绘制相应的岩性剖面图等,为进一     

膨胀土判别与分类的人工神经网络方法

提出了运用神经网络理论对膨胀土进行判别与分类的方法。通过对安康膨胀土的实测数据分析，建立了研究膨胀土判别与分类的计算机智能专家系统。结果表明，用人工神经网络方法对膨胀土进行判别与分类的准确率很高，它无需在判别因子与预测目标之间建立基于某种理论的经验统计关系，该方法具有重要的实用价值。     

基于人工神经网络的岩爆预测方法

在分析岩爆主要影响因素的基础上，建立了一种新的人工神经网络岩爆预测模型。采用已有岩爆发生数据作为训练样本对网络进行训练，利用收敛的网络进行岩爆烈度预测，预测结果与实际吻合，说明利用人工神经网络预测岩爆发生烈度是一种可行的方法。     

BP神经网络在储量计算中的应用

由于地质统计学需对研究变量作出先验假设,极大地限制了它的进一步推广。作者将ＢＰ神经网络方法引入矿体品位估值及储量计算之中,通过对比研究,探讨了该方法的可行性。     

应用Bayes逐步判别分析识别辛176区块Es4储层岩性

辛176区块沙四段储层存在粗砂岩、不等粒砂岩和细砂岩,岩性非均质性较强.“四性”关系研究表明,岩性的准确识别是正确评价储层静态参数,识别油水层特别是低阻油层的前提.这里介绍了Bayes逐步判别方法原理和技术流程,在应用有序聚类分析方法开展测井曲线自动分层的基础上,综合应用自然电位(SP)、自然伽玛(GR)、声波时差(AC)、深探测电阻率(Rt)、浅探测电阻率(Rxo)测井资料和岩心分析资料,建立了粗砂岩、不等粒砂岩、细砂岩和泥岩的判别函数.应用效果表明,Bayes逐步判别法识别岩性符合率达到了86％,能够满足辛176区块沙四段储层岩性识别的需要.     

用人工神经网络进行变差图的最优拟合

本文提出变差图最优拟合的人工神经网络方法,并选取几个实例作为研究对象,其拟合最大相对误差不超过2％,计算机CPU时间不超过80秒。结果表明,该方法性能良好,在地质统计学上有广泛的应用前景。     

泥石流危险度评价的神经网络法

泥石流危险度的评价计算，对于泥石流治理及减灾防灾对策的确定具有重要意义，影响泥石流危险度的因素复杂且具有胡机和模糊特性，而神经网络的性能特征使其能适用于解决非线性的泥石流危险度评价问题，本建立了相应的评价泥石流危险度的神经网络模型，并利用具体的实例对网络进行训练和测试，计算分析表明，网络模型对于评价泥石流危险度有较好的适用性。     

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。