基于卷积神经网络和黄铁矿大数据判别金矿类型

黄铁矿是金矿中普遍存在的金属硫化物,其微量元素含量信息可以揭示出矿物形成时的相关矿物和流体组成与结晶特征,因此不同期次与金矿有关的黄铁矿及微量元素信息可以被用来预测矿床的类型。且相关研究历史已久,积累了大量的研究资料,然而由于研究思想和手段的局限性,传统方法往往存在无解性或多解性问题。随着大数据思想的发展和推广,研究人员试图采用机器学习算法来解决此类问题,已取得不错的效果。本次研究根据深度学习思想建立黄铁矿微量元素数据集并进行深入研究,采用“成分数据图像化”和“数据增强”等手段,解决了前人采用深度学习方法进行此类分类任务时遇到的数据不平衡问题和卷积神经网络无法直接读取数据的问题。本文对比分析了基于四种卷积神经网络模型(Mobilenet V2、Resnet 50、VGG 16和VIT)采用黄铁矿微量元素成分数据进行金矿类型分类任务的精度与效果,发现采用卷积神经网络算法可以基于黄铁矿成分数据对不同类型金矿进行较为精准的分类任务。此方法比传统图解法具备更高的精准度与泛化能力,通过对金矿类型的预测可以为找矿勘查和深部预测工作节省成本,也为深度学习在地质矿产研究方面的应用和推广提供全新思路,具...     

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。     

径向基神经网络模型在杭州湾北岸岸线变化中的应用

基于杭州湾北岸龙泉—南竹港弧形岸段实测岸滩断面与长江入海控制站大通站年输沙量资料,对杭州湾北岸岸线的变化及其趋势进行探讨。研究结果表明：受长江入海泥沙减少以及热带气旋和人类活动作用等影响,近10年来杭州湾北岸岸滩处于侵蚀状态。灰色关联分析进一步揭示,杭州湾北岸不同等深线的进退对长江入海泥沙减少的响应在时间尺度上有一定的滞后。同时,不同等深线的进退亦展现较强的相关性特征。鉴于此,利用大通年输沙量和不同等深线进退的耦合关系,进一步构建了基于长江入海泥沙和杭州湾北岸等深线变化的径向基神经网络岸线预报模型,其中模型输入向量为当年大通站年输沙量和杭州湾北岸-3m、-5m、-8m等深线距离大堤的位置,输出向量为次年0m岸线距离大堤的位置。经检验,构建的径向基神经网络岸线预报模型误差小于20%,可用以预报杭州湾北岸岸线的动态变化。     

神经网络的任务分解在抽油泵故障诊断系统中的研究

作者通过神经网络的任务分解在抽油泵故障诊断神经网络系统的研究 ,分析了神经网络任务分解的理论依据 ,并通过实验得出了神经网络任务分解时所需遵循的几个结论 ,以及通过实验证明神经网络任务分解对于减少网络的收敛迭代次数是一种行之有效的方法     

拟神经网络反演在煤田中应用

Parker快速富氏变换反演单一密度界面存在两方面问题：一是求解目标界面重力异常难度较大;二是受正演速度及反演参量维数的限制,不能对界面进行精细划分.拟神经网络BP算法的引入,首先解决了快速三维正演问题,又突破了反演参量维数的限制,实现快速收敛,有效解决两个或多个密度界面的反演问题.在实际应用中,先用密度“补偿法”正演求取剩余生力异常,然后利用拟神经网络BP算法同时反演两个二维密度界面,拟合求得两个界面的深度异常,在此基础上预测煤田.     

基于常规测井数据的火山岩岩性神经网络识别:以松辽盆地南部长岭断陷为例

松辽盆地南部长岭断陷火石岭组火山岩岩性复杂多变,成岩改造强烈,常规测井交会图法无法予以有效识别,严重阻碍了研究区火山岩油气藏的勘探开发进程.笔者以长岭断陷17口钻遇火石岭组火山岩钻井为基础,建立取芯段火山岩岩性序列,提取了8种火山岩常规测井(GR、LLS、LLD、CNL、DEN、AC)数据258组,总结出不同火山岩的测...     

BP网络并行预测地下水位研究

提出了适用于孔隙承压水水源地的BP-遗传元胞自动机方法,这种方法的原理来源于地理元胞自动机的方法框架。把每个水源地作为一个元胞,每个水源地的下一时刻的状态由其本身、周围水源地上一时刻的状态和下一时刻的行为及它们所处的环境条件决定。并用该方法进行了多水源地水位并行预测,效果良好。     

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。     

基于深度神经网络模型的雅安市滑坡易发性评价CSCD

准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。