火山碎屑岩层孔隙度的计算方法

火山碎屑岩岩性复杂,因此骨架参数难以选择,影响孔隙度的计算效果。针对大庆油田海拉尔盆地的火山碎屑岩储层,对计算孔隙度的一般性方法进行研究;针对火山碎屑岩的成分,根据岩心分析资料计算其理论骨架参数值;采用3层BP神经网络进行训练学习,通过编程处理,实现人工神经网络计算火山碎屑岩储层孔隙度,其结果与岩心分析孔隙度比较,平均误差小于2%,能满足储量计算要求。     

灰色系统和BP神经网络相结合的矿产资源预测模型

这里介绍了灰色系统和BP神经网络相结合的预测原理,利用BP网络,对改进的GM(1,1)残差修正模型所得预测的结果进行再预测的组合预测模型,并对攀枝花市钒钛磁铁矿的产量进行了预测。计算结果表明,该预测方法是可靠的,并具有较高的预测精度。     

基于GA的混凝土坝抗震可靠度预测的神经网络模型

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的混凝土坝抗震可靠度预测的神经网络模型。该模型分别对混凝土坝抗滑稳定可靠度、抗压可靠度和抗拉可靠度进行了预测,并与BP神经网络预测结果进行比较。结果表明,遗传神经网络模型可靠,预测精度高,在岩土工程中利用该方法进行可靠性问题预测是有效及可行的。     

Correction of soil parameters in calculation of embankment settlement using a BP network back-analysis model

Finite element method (FEM) have been widely used for the calculation of settlement of embankment on soft soils in the last decade. However, due to the complexity of construction, spatial inhomogeneity of soils, as well as sensitivity of numerical results to the variation of soil parameters, large discrepancy typically exists between numerical outputs and field observations. This paper presents a novel method, combining FEM and an improved back-propagation (BP) neural network, for correction of soil parameters in numerical prediction of embankment settlement. Duncan–Chang hyperbolic soil model is adopted with the sensitivity of eight constitutive parameters numerically investigated. The soil parameters with large sensitivity are identified, and together with the representative settlements, are used for the training of the improved BP neural network which, once established, generates correction factors of soil parameters for subsequent more accurate FEM forward predictions. It is demonstrated that the proposed numerical back-analysis framework is very efficient in practical engineering applications to calculate highway settlement.     

利用神经网络技术在储层非均质性上的研究

储层非均质性对油气田的勘探和开发效果影响很大。结合测井资料二次解释的孔隙度(φ)、泥质含量(Vsh)、粒度中值(Md)、束缚水饱和度(Swi)等资料,借助BP网络算法,对渗透率进行预测。BP网络算法是人工神经网络算法中的一种,采用的是误差逆传算法,即把网络输出的误差归纳为各连接权的过程,通过把输出层的误差逐层向输入层逆向传播以分摊给各层单元,从而获取各层单元的参考误差,以便调整相应的联接权。如此反复,直至网络输出与期望输出之间的误差减少到允许误差为止。通过这样学习过程,消除了系统误差,提高了渗透率预测的精度,并为定性定量描述储层非均质性打下了坚实的基础。通过对萨尔图油田中部葡萄花油层组的非均质性进行了定量半定量的研究,认为萨尔图油田中部葡萄花油层组PI2小层层内非均质性最严重,与沉积微相密切相关。单砂层垂向上渗透率的变化以正韵律和复合式韵律为主,局部发育反韵律模式。经对葡萄花油层组PI1~PI4系统研究,层内非均质性强弱依次为PI2a、PI3、PI2b、PI1、PI4;层间非均质性在PI3和PI4间表现得最强,其他相对要弱;各小层平面非均质性相差无几,整体表现为较强的非均质性。     

基于MATLAB工具箱的地震预测模型

地震分析和预测对未来地震趋势有一定预见性。本文建立了基于MATLAB工具箱的地震预测模型,通过建模、局限性分析,认为多元线性和非线性回归方法不适合地震预测,基于BP神经网络的方法在地震预报中有一定应用价值。     

Sedimentary Characteristics and Paleoenvironmental Records of Zabuye Salt Lake, Tibetan Plateau, since 128 ka BP

This paper for the first time reveals high-resolution core records of Zabuye Salt Lake in the interior of the Qinghai-Tibet Plateau. According to 1346 samples taken continuously, relatively accurate 14^C, U-series disequilibrium and ESR ages have been obtained, thus revealing that the lake core ages from 0 to 83.63 m of hole SZK02 are -800 to over 128 ka. In the paper, the lake core sedimentary characteristics （including the lithologies and mineral assemblages） are analyzed in detail and correlated with ostracod assemblages I to XX and sporopollen zones A to I, and on the basis of an integrated analysis of the δ^18O values of authigenic calcium-magnesium carbonate and environmental proxies of minerals, sporopollen and microfossils in the lake core, a correlation has been made of oxygen isotope change between this lake core and the Greenland GISP2 and GRIP and Guliya ice cores, and the climate of Zabuye Salt Lake since 128 ka BP is divided into the last interglacial stage （including substages e, d, c, b and a） of oxygen isotope stage （OIS） 5, early glacial stadial of the last glacial stage of OIS 4, interglacial stadial of the last glacial stage of OIS 3, late glacial stadial of the last glacial stage or Last Glacial Maximum of OIS 2 and postglacial state of OIS 1; in addition, 6 Heinrich （H6-H1） events, Younger Dryas event and 8.2 ka BP cold event have been recognized.     

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法，即先用自适应遗传算法进行全局训练，再用改进BP算法进行精确训练，以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明，该算法收敛速度快，分类精度较高。     

基于分形特征的高标准农田遥感分类方法研究

目前全国高标准农田面积数量已具一定规模,由于人工解译的工作效率较低,如何实现对全国大面积的高标准农田建后利用情况进行实时、精准遥感监测成为亟待解决的问题。由于监测面积大,精度要求高,迫切需要研究一套遥感自动监测方法在全国推广。以广东省东莞地区作为研究区,选择2017年2月15日的高分二号遥感影像,基于分形图像分割并结合BP神经网络对区域高标准农田进行分类,并加以人工解译和实地验证。 结果显示,该分类方法总体精度为 80112 2%,Kappa 系数为0761 1。表明分形图像分割结合BP神经网络的遥感分类方法总体精度较高,能较好地满足高标准农田建后利用情况遥感监测的需求。此方法可以在全国范围推广应用,为高标准农田建成后的实时监管提供技术支撑。     

基于ARMA-BP集成的藻类叶绿素a预测研究

藻类叶绿素a浓度是反映太湖水体富营养化程度的重要参数指标。以太湖2010—2011年5—10月旬平均叶绿素a浓度和气象资料数据作为建模样本, 通过对气象资料进行主成分分析, 得到4种主要气象因子作为输入, 建立时间序列ARMA预测模型与BP神经网络预测模型, 并对2012年数据进行预测。利用两种模型在线性空间和非线性空间的预测优势, 将叶绿素a数据结构分解为线性自相关主体和非线性残差两部分。首先用ARMA模型预测序列的线性主体, 然后用BP模型对其非线性残差进行估计, 最终集成整个序列的预测结果, 建立了ARMA-BP预测模型。3种模型的预测效果为ARMA-BP＞BP＞ARMA。