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。     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型，参考自适应控制系统的控制器，把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数，通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化。仿真实例结果表明，基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高，有较好的网络的泛化和适应能力，能够很好地控制系统的输出跟随参考模型的输出。     

基于免疫粒子群算法的马斯京根模型参数识别

目前在河道汇流计算中广泛应用的是马斯京根模型,该模型参数的优化求解是影响能否精确模拟实测水文过程的关键问题.以往的模型参数求解大多采用试错法、矩法等方法,计算过程繁琐,计算精度不高,影响到模型的模拟精度.针对此类问题,笔者将免疫原理与粒子群优化算法有机结合.提出了免疫粒子群优化新方法,有效解决了传统方法的计算结果精度不高的问题,并在马斯京根模型参数优化求解中得以应用,结果表明免疫粒子群算法的计算结果精度令人满意,为河道洪水演算方面研究提供了一种新的研究方法和研究模式.     

基于粒子群算法的岩体结构面产状模糊C均值聚类分析

结构面产状分析是进行岩体力学分析及稳定性评价的基础,玫瑰花图、等密度图等传统的图形分析方法较为粗糙,无法对产状数据进行准确分析,采用模糊聚类方法则可以得到较为准确的优势产状,但需要事先指定分组数及初始聚心,且模糊聚类算法为局部寻优算法,初始划分对最终的数据分析结果影响较大。为了得到较为客观的分组结果及优势产状,同时能够针对大量结构面产状数据进行聚类分析,提出了基于粒子群算法的岩体结构面产状模糊C均值聚类算法。采用粒子群算法进行模糊C均值聚类算法初始聚心的求解,在计算过程中可同时确定最佳分组数,避免了人为指定的主观性,克服了模糊C均值聚类算法易陷入局部极小值和对初始划分敏感的不足。最后,通过工程实例中不同方法的聚类效果对比分析该算法的有效性,并将该方法应用于实测结构面产状数据的分析,得到较为符合实际的优势结构面分组。     

基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于微粒群算法的神经网络在岩性识别上的应用

针对前馈多层神经网络BP算法存在的易陷入局部最优的不足,采用了微粒群算法(PSO)加以改进。通过胜利油田及其它油田的岩性识别所做的实例验证,并与BP神经网络进行比较,结果表明,在同等条件下,此方法效果较为满意。     

基于优选地震属性与PSO-BP模型的煤层含气量预测

常规煤层含气量预测方法多基于测井约束的地震属性反演以及线性映射模型,造成预测结果的精度难以控制,严重限制了方法的普适性.本文从地震属性优选与BP神经网络预测模型改进两方面入手开展研究.利用Q型聚类分析方法,对提取的目标储层地震属性进行分类优选,得到了与地质目标相关性好且相互独立的4种地震属性;进一步利用粒子群寻优算法对BP神经网络算法的输入层与隐含层的连接权值和隐含层的阈值进行了优化,构建PSO-BP预测模型,并利用井位置的优选地震属性和含气量数据训练PSO-BP模型.基于训练好的PSO-BP模型,以整个工区的优选地震属性作为输入,进行研究区内煤层含气量预测.井位置含气量预测结果与实测结果对比表明,该预测方法准确率高.因此,可认为PSO-BP预测模型以及相应的预测方法流程能有效适用于煤储层含气量的预测.     

基于模糊粒子群算法的钻杆运移装置控制系统研究

在大直径救援井施工起下钻作业中,钻杆运移装置用于大直径钻具输送及钻柱接续。针对钻杆运移装置定位过程中钻杆易产生振动,难以快速、准确地将钻杆举升至动力头翘起角度进行对扣的问题。首先分析了钻杆运移装置的结构特点和工作原理,利用结构关系推导了钻杆举升时的运动学模型,得出钻杆末端接头与举升油缸和运移小车运动规律的映射关系,并采用有限元方法建立了钻杆举升时的动载受力模型,得出了钻杆末端接头的振动加速度主要由举升油缸和运移小车的工作速度所决定,且各部件的工作速度主要由各自的输入流量所确定;其次引入了基于模糊粒子群优化算法的综合误差评价函数,将钻杆末端接头的转角误差和位姿误差作为输入信号,采用加权法进行计算出综合误差和加速度误差,利用梯形隶属度函数构造了模糊控制规则,得出综合误差、加速度误差与比例参数、积分参数、微分参数之间关系,完成PID的控制参数调节,实现了对钻杆末端接头的主动抑振控制;最后利用MATLAB软件搭建了数值仿真模型,以某次钻杆运移装置工作时测量数据信号为例进行仿真研究,系统综合误差只需0.9 s可将振幅衰减至峰值的10%以下,同时加速度误差仅为0.05 mm/s²     

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。     

基于粒子群算法与混合罚函数法的有限元优化反演模型及应用

岩土工程优化反分析是一个典型的复杂非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径。针对常规反演方法应用于岩土工程参数反演时搜索效率低的缺点,结合粒子群算法和遗传算法的特点,充分考虑二者的互补性,提出一种效率较高的全局优化算法,以测点的实测值与计算值建立一种新的评价函数,将多目标优化问题转化为单目标优化问题,用混合罚函数法将约束问题变为无约束问题,构建了一种新的目标函数,将有限元程序ABAQUS作为一个模块嵌入到优化算法程序中,编制了有限元优化反演分析程序。并给出了应用实例验证了该法的有效性和实用性,是一种可行的参数反演方法,可应用于实际工程中复杂岩土介质初始应力场反演、渗流场以及位移反分析     

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。     

基于模糊人工神经网络识别的水质评价模型

人工神经网络和模糊识别理论作为模拟生物体的信息处理系统,在实践中得到广泛的应用,且各有所长,将二者相结合,构造出模糊人工神经识别网络,从而使识别系统的柔性处理能力得到很大提高.阐述了模型和方法,将其用于长江支流沱江枯水期的水质综合评价,结果表明,模糊人工神经网络综合评价具有客观性和实用性.     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

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。     

基于遗传神经网络的渗流实时预报方法研究

考虑渗流的主要影响因子,运用遗传神经网络建立了大坝渗流实时预报模型。该模型具有再学习能力,在应用过程中,可以用新的观测资料对模型不断地进行学习训练,且随着样本的积累,模型预报精度不断提高,预报速度很快,因而完全满足实时预报的需要。利用该模型对丰满大坝横向扬压力进行了建模预报,预报值与实测值基本吻合,预测精度高,证明该方法用于大坝渗流实时预报的有效性和实用性。     

基于人工神经网络模型的岩石特性预测

近年来,软计算技术被用作替代的统计工具。如人工神经网络（ANN）被用于开发预测模型来估计所需的参数。在本研究中,通过利用冲击钻进过程中的一些钻进参数（气压、推力、钻头直径、穿透率）和所产生的声级,建立了预测岩石性质的神经网络模型。在实验室中所产生的数据,用于开发预测岩石特性（如单轴抗压强度、耐磨性、抗拉强度和施密特回弹数）的神经网络模型,并使用各种预测性能指标对所建模型进行检验,结果表明人工神经网络模型适用于岩石性质的预测。     

一种基于遗传算法和BP神经网络的选星方法

在BDS/GPS组合定位中,选择空间位置最优的卫星组合是第一步,也是十分重要的一步.传统选星算法在选取最佳卫星组合过程中涉及大量的矩阵乘法和求逆运算,计算量大,定位实时性低.为解决快速选星定位问题,综合考虑定位精度和实时性要求,提出一种新的选星算法,该算法将BP神经网络和遗传算法相结合,并将几何精度因子(GDOP)作为判断定位精度高低的依据.将应用该算法得到的GDOP和运算时间与最小几何精度因子法所得对应结果进行比较,实验结果表明,该算法在大大减小了计算量的同时保证了定位精度,具有良好的实时性和可行性.     

基于SSA-Adam-BP神经网络模型的堰塞坝稳定性预测

现有的堰塞坝稳定性预测模型多为线性模型,无法充分考虑堰塞坝稳定性与其形态特征和水域条件之间的复杂非线性关系.鉴于此,结合反向传播神经网络模型和樽海鞘优化算法,提出了一种新型的堰塞坝稳定性预测模型SSA-Adam-BP.该模型通过网格搜索法选取确定模型结构的最佳超参数组合,进而利用交叉验证和绘制ROC曲线的方式分别对采用...