模糊神经网络用于储层预测

利用模糊理论和ＢＰ网络相结合组成的模糊神经网络系统,能够克服ＢＰ网络单独使用的局限性,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明,应用单个ＢＰ网络进行储层及油气预测效果较差的地区,采用模糊神经网络能取得较好的效果。     

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。     

川东沙罐坪石炭系气藏测井储层评价

石炭系碳酸盐岩气藏是川东地区沙罐坪气田的主力气藏,属于低孔隙度、低渗透率的裂缝～孔隙型气藏。在气藏精细描述研究工作中,由于储层非均质性强,给使用常规方法进行储层评价带来了较大困难。这里使用神经网络建立岩芯刻度的储层物性参数预测模型,预测储层的孔隙度和渗透率参数与岩芯物性分析值基本吻合。根据现场提供的储层分类标准,并结合本地区研究成果,通过建立各类储层电性测井响应交会图版,首次归纳出各类储层的电性响应特征范围,综合运用神经网络参数解释模型、交会图版和电性响应特征标准表,对工区内各井进行处理识别,评价识别结果与产能测试结果有较好的吻合性,为进一步的产能评价、气藏开发方案调整,提供了重要参考。     

基于粒子群算法的模糊优选神经网络储层识别模型

针对致密储层中气水干层识别准确率较低这一难题,提出基于粒子群算法(particle swarm optimization,PSO)的模糊优选神经网络识别模型.其基本思路:首先对所有的变量进行分析,提取反映储层本质的主要属性,消除重叠信息的输入,然后将粒子群算法与模糊优选神经网络相结合,构建基于粒子群算法的模糊优选神经网络识别模型.以陕甘宁盆地中部气田马五1储层气水干层识别问题为例,选用十九口井分层测试的92个已知样本(其中八十个用于模型构建,十二个用于精度检验),对物性、测井和储渗特征等方面的十个特征参数进行分析,从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等五个主成份控制特征参数,消除重叠信息的影响.并以此作为神经网络输入层的输入,以样本储层的产能赋值作为输出,构建基于粒子群算法的模糊优选神经网络模型.模型的识别正确率达到100%,标准误差比传统模糊神经网络降低了60%.这表明该模型具有更高的识别精度,为致密储层的准确识别探索了又一种新方法,对同类地区的研究在一定程度上具有指导作用.     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

VGGNet网络结构下的地震数据增强方法研究

断层识别是油气勘探中至关重要的工作内容,针对目前断层识别效果不好的问题,基于VGGNet神经网络算法实现了断层的自动识别。对原始的VGGNet网络进行了改进,使其适用于本次的断层识别研究。通过添加缩放系数对学习率进行了优化,使得网络识别准确率有了提高。在此基础上为了解决断层自动识别神经网络算法中训练数据过少、而网络识别效果对标签数据要求较高的问题,文章尝试使用了Color Jitter和增加高斯噪声两种新的数据增强方法。使用不同的训练数据在改进的VGGNet网络结构上进行训练,通过对比其准确率和最终的断层识别效果,可以发现使用的两种新的数据增强方法训练的网络模型准确率更高、断层识别效果更好。从而证明了本次所引入的数据增强方法的有效性,为神经网络算法应用到断层识别研究中提供了一种有效的数据增强方法。     

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。     

地震多参数神经网络储层油气预测中的参数优化

在利用多参数进行储层油气预测时,并不是使用的特征越多越好,最佳特征的维数取决于实际问题的预测效果。这里运用聚类分析法优选地震特征参数,将距离较远或相似系数低的特征参数聚为一类,用来对未知样本进行地震储层预测。利用优选后的参数进行神经网络储层油气预测,在实际应用时取得了较好的效果。     

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。     

塔河油田四区鹰山组碳酸盐岩储层测井识别

塔河油田四区奥陶系油藏主要产层为鹰山组碳酸盐岩储层,该套储层曾长时期受成岩作用、构造运动和岩溶作用的强烈改造而形成不同类型的储集空间,给测井解释带来极大困难.针对该区储层孔隙结构类型多样、储层非均质性严重等情况,将研究区储层分为4种类型:①未充填洞穴型;②部分(全)充填洞穴型;③裂缝-孔洞型;④裂缝型.结合试采资料定性分析了每种储层的测井响应特征.在此基础上,以典型性为原则挑选出自然伽玛、深侧向、浅侧向、声波、密度、中子等6种测井信息作为参数,针对常规BP神经网络的缺点,采用改进BP神经网络方法对储层进行了自动分类识别,取得了较好的效果.     

地铁深基坑支护的遗传神经网络位移反分析

针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。     

边坡稳定性的神经网络预测研究

根据神经网络法的基本原理，结合38个实际边坡工程稳定实例，应用VB5．0可视化编程语言，建立了边坡稳定性的神经网络预测模型，并运用该模型对部分边坡工程的稳定性进行预测，预测结果与边坡实际稳定状态相吻合，从而表明了神经网络法在边坡稳定性预测中的有效性。     

The introduction of neural network system and its applications in rock engineering

The neural network system has been developing very fast recently. It has been widely used in many industries such as automation, nuclear power plant, chemical industry, etc. Neural network systems have a great advantage in dealing with problems in which many factors influence the process and result, and the understanding of this process is poor, and there are experimental data or field data. In rock engineering, many problems are of this nature. In this paper, a brief introduction to neural network systems is given. Problems such as what is a neural network, how it works and what kind of advantages it has are discussed. After this, several applications in rock engineering, made by us, are presented. Case 1 is ore boundary delineation. In this case, the rock are divided into three classes, i.e.: (1) waste rock; (2) semi-ore; and (3) ore for mining purposes. The neural network system built can judge whether it is ore, semi-ore or waste rock along the borehole according its corresponding geophysical logging data, such as gamma-ray, gamma-gamma, neutron and resistivity. Case 2 is aggregate quality prediction. In this case, the quality parameters: (1) impact value; (2) abrasion value I; and (3) abrasion value II are predicted by using a neural network system based on density, point load, content of quarts and content of brittle minerals. Case 3 is rock indentation depth prediction. In this case, the rock indentation depth under indentation load is predicted by the established neural network system based on the indentation load on rock, indenter type and rock mechanical properties, such as uniaxial compressive strength, Young's modulus. Poisson's ratio, critical energy release rate and density. In all these cases, the neural network systems have been applied successfully. The testing results are satisfactory and better than the existing techniques.     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

Probabilistic neural network algorithm for using radon emanations as an earthquake precursor

The investigation throughout the world in past two decades provides evidence which indicate that significance variation of radon and other soil gases occur in association with major geophysical events such as earthquake. The traditional statistical algorithm includes regression to remove the effect of the meteorological parameters from the raw radon and anomalies are calculated either taking the periodicity in seasonal variations or periodicity computed using Fast Fourier Transform. In case of neural networks the regression step is avoided. A neural network model can be found which can learn the behavior of radon with respect to meteorological parameter in order that changing emission patterns may be adapted to by the model on its own. The output of this neural model is the estimated radon values. This estimated radon value is used to decide whether anomalous behavior of radon has occurred and a valid precursor may be identified. The neural network model developed using Radial Basis function network gave a prediction rate of 87.7%. The same was accompanied by huge false alarms. The present paper deals with improved neural network algorithm using Probabilistic Neural Networks that requires neither an explicit step of regression nor use of any specific period. This neural network model reduces the false alarms to zero and gave same prediction rate as RBF networks.     

基于T-S模型的模糊神经网络在边坡稳定评价中的应用

受地质、工程等众多因素的影响,岩土质边坡稳定性具有未确知性、随机性、模糊性、可变性等特点,很难用简单的力学、数学模型描述。提出了用基于Takagi-Sugeno模型的模糊神经网络来对边坡稳定性进行评价,该模型同时兼具神经网络和模糊逻辑二者的优点,既可以比较容易地处理模糊性的实际问题,又具有较好的学习能力。将此模型与BP神经网络模型同时应用于80个实际边坡样本进行训练和预测,结果表明该模型具有预测精度更高、收敛速度更快、预测结果与实际结果吻合度更高的特点     

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     

基于遗传算法的BP神经网络模型在岩心扫描仪测定海洋沉积物多种组分中的应用研究

海洋沉积物样品成分复杂,由于基体效应的影响,利用岩心扫描仪开展X射线荧光光谱分析只能得到目标元素的强度信息,不利于该方法在成矿机制和古环境等研究领域更好地发挥作用。本文采用岩心扫描仪测定海洋沉积物中的铝硅钾钙钛锰铁钒铬铜锌铷锶钇和铅15种元素,尝试引入BP神经网络模型利用其非线性拟合能力校正基体效应。实验表明,以水系沉积物、海洋沉积物和岩石国家标准物质以及定值海洋沉积物样品为训练样本,采用遗传算法优化BP神经网络的初始权值和偏置,可以有效校正除硅之外的14种元素基体效应的影响,实现了岩心扫描仪XRF测量结果由强度到浓度的转化。本方法的精密度为0.6%~6.8%(RSD,n=11),国家标准物质和海洋沉积物实际样品中15种组分的预测值与参考值的相对偏差在0.5%~17.5%之间,适合于海洋沉积物中多种主次量组分的快速分析,拓展了岩心扫描仪的功能。     

A hybrid Bayesian back‐propagation neural network approach to multivariate modelling

There is growing interest in the use of back‐propagation neural networks to model non‐linear multivariate problems in geotehnical engineering. To overcome the shortcomings of the conventional back‐propagation neural network, such as overfitting, where the neural network learns the spurious details and noise in the training examples, a hybrid back‐propagation algorithm has been developed. The method utilizes the genetic algorithms search technique and the Bayesian neural network methodology. The genetic algorithms enhance the stochastic search to locate the global minima for the neural network model. The Bayesian inference procedures essentially provide better generalization and a statistical approach to deal with data uncertainty in comparison with the conventional back‐propagation. The uncertainty of data can be indicated using error bars. Two examples are presented to demonstrate the convergence and generalization capabilities of this hybrid algorithm. Copyright © 2003 John Wiley & Sons, Ltd.