基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法

由于采用常规测井曲线评价页岩储层总有机碳含量的精度不高,泛化能力不强,需要大量样本。针对这些问题,改 进了神经网络算法,以增加模型的预测能力。利用模糊系统优化细胞神经网络结构,以增强其逻辑推理能力,提高其对模 糊数据的敏感性;选择能有效避免“虚拟碰撞”的雨林算法,并针对其存在的缺陷进行改进;利用改进雨林优化算法对网 络的初始权值阈值进行优化,避免网络陷入局部极小。分析测井特征曲线的物理意义,选择密度测井曲线与自然伽马能谱 测井曲线作为网络的输入,以总有机碳含量作为输出,通过70块岩心样本网络学习与26块岩心样本预测,证明了新网络模 型的优越性。结果表明,新模型回判将相对误差从23.189%减小到17.185%,预测相对误差由52.421%减小到15.158%,具 有更强的学习能力与泛化能力,更适用于页岩储层总有机质含量的测井评价。     

BP神经网络在自喷井井底流压预测中的应用

利用神经网络具有的高度非线性映射能力,将其应用于井底流压的预测,以解决现有各种方法不能完全满足需要的矛盾。从网络的结构和算法、训练样本的选择和处理、网络的学习精度和泛化能力等三个方面对BP神经网络进行研究和改进,建立了井底流压的预测模型,并对某油田的实测井底流压数据进行了精度检验和精度分析。预测结果表明,相对误差最大为2.0821%,平均相对误差为1.5108%,绝对误差一般在0.5~1 MPa,高于其他各种计算方法的精度。     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

改进 GＲNN 网络预测致密砂岩气层压裂产能

致密砂岩储层孔隙度小、渗透率低、含气饱和度低,基本上没有自然产能,需要进行压裂,所以压裂产能的预测很重要。广义回归神经网络 ( GＲNN) 稳定,对样本数量的要求低。产能预测关键是样本的选取以及扩展因子的选取。在原有的 GＲNN 预测产能的基础上,利用交叉验证法改进 GＲNN 网络,选取最优的样本确定最优的 GＲNN 网络结构,利用循环判断法,选取最优的扩展因子。改进的 GＲNN 神经网络可以避免确定 GＲNN 网络结构和扩展因子过程中过多的人为影响。笔者利用灰色关联分析法分析压裂产能的影响因素,利用改进的 GＲNN 网络有针对性地建立适合苏里格地区致密砂岩气层的压裂产能预测模型。结果表明该方法在苏里格地区气层压裂产能预测中有较好的应用效果。     

高速公路软土路基沉降量的人工神经网络预测

针对高速公路建设中广泛存在的软土路基最终沉降量预测这一迫切需要解决的技术难题,提出了改进的BP神经网络预测模型,并归纳出影响软土路基沉降量的主要因素.通过对模型的建立、训练和验证,以及与其他方法的对比表明,改进的BP神经网络模型在非线性建模方面具有泛化性强、计算精度高、操作简便的独特优势,具有广阔的工程应用前景.     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于遗传算法的BP神经网络计算岩溶水安全开采量

随着淮北市相山区岩溶水开采量不断增大,区内岩溶水水位降落漏斗范围不断增大,为保障岩溶水的安全开采与地质环境安全,进行本区岩溶水安全开采量计算十分必要。目前神经网络模型已被广泛应用于岩溶水水位动态计算,但由于网络全局寻优能力不理想,网络训练容易陷入局部极小值,导致网络泛化能力不理想。针对人工神经网络的不足,利用遗传算法(GA)对较为常用的BP神经网络权值、阈值进行优化,将此方法应用于相山区岩溶水水位动态的预测,并以该区岩溶水临界开采水位为控制条件,经模型计算得到相山区岩溶水多年平均安全开采量为3 001.7×10~4m~3。计算结果表明:与BP神经网络相比,GA-BP神经网络具有更高的预测精度,遗传算法可以有效提高BP网络的泛化能力。     

基于改进BP网络算法的隧洞围岩分类

围岩分类对指导地下工程的设计和施工具有非常重要的意义.引入人工神经网络的方法, 进行隧洞围岩分类, 在传统BP算法的基础上, 通过改进学习算法、优化传递函数和网络结构进行神经网络方法优化.采用附加动量法和学习速率自适应调整的策略改进学习算法, 使得当误差大于上临界值时, 则降低学习率, 当误差小于下临界值时, 则适当提高学习率, 这样可加快网络的训练速度, 确保网络的稳定性; 通过引入调整学习率参数, 使得传递过程更加敏感, 加快了传递函数的收敛速度, 提高了训练函数的计算精度; 通过给定隐含层节点模型的取值范围, 对网络结构进行优化, 提高了泛化精度.将改进的BP网络模型应用于广东省东深供水改造工程的隧洞围岩分类中, 分类结果与根据《水工隧洞设计规范(SL279-2002) 》的分类结果完全一致, 表明该方法具有良好的工程实用性.      

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

基于神经网络的采空塌陷预测

依据某煤炭开采区的勘察资料, 综合考虑影响采空塌陷的主要因素, 建立了预测采空塌陷的 BP神经网络模型。该模型结构为 7-10-2型。优化学习参数后, 用该模型对采空区塌陷进行了预测分析, 结果与实际情况完全吻合, 表明 BP神经网络模型应用于采空塌陷预测领域是行之有效的。      

基于PSO-BP神经网络的导水裂隙带高度预测

导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。      

基于遗传算法的BP网络在黄河三门峡年径流量预测中的应用

提出了一种基于遗传算法(genetic algorithms,GA)的BP神经网络模型来进行径流量预测。此模型融合了遗传优化算法的全局寻优能力和BP神经网络的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了预测结果的精确性。仿真实验结果表明:在黄河三门峡1950~1985年年径流量预测方面,GA-BP模型预测的平均相对误差为5.67%,标准BP算法的模型平均预测误差为11.05%,说明提出的GA-BP径流量方法行之有效。     

公路软基沉降预测的支持向量机模型

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程     

基于LSTM神经网络的煤矿突水预测

针对煤层底板突水预测问题,在总结现有突水预测方法和理论的基础上,通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素,这些因素具有复杂、非线性的特点。提出基于长短时记忆（LSTM）神经网络构建的突水预测模型,将煤矿突水实例的数据作为样本数据对模型进行训练。最后,将LSTM神经网络模型与遗传算法-反向传播（GA-BP）神经网络模型和反向传播（BP）神经网络模型进行对比实验。实验结果表明,LSTM神经网络模型在测试集上的预测正确率更高,稳定性更好,更适用于煤层底板突水预测。      

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。     

基于PSO-BP神经网络的基坑周边地面沉降预测方法研究

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。