大庆深部致密砂砾岩含气储层产能预测   总被引：4，自引：0，他引：4  

王祝文  刘菁华  许延清 《吉林大学学报(地球科学版)》2003,33(4):485-489

气层产能预测是气藏工程研究中用于指导气井以及气田合理生产的重要工作和任务,它在气田整体评价和高效开发进程中具有很强的预见性和主动性。讨论了大庆深部致密砂砾岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测含气储层产能的方法。利用已知气井测试结果和测井资料作为网络的训练样本。根据网络学习训练结果,输入储集层的测井资料等静态参数,可预测该储集层的产能。根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部致密砂砾岩含气储层的开发提供了一定的依据。  相似文献   

地质灾害的非线性数据处理与建模技术   总被引：3，自引：1，他引：2  

许强  黄润秋 《山地学报》2000,18(Z1):123-127

本文简略地介绍了几种地质灾害数据处理与建模的非线性方法,主要包括GMDH自组织建模技术、神经网络方法。GMDH是一种高阶非线性回归建模方法,它是以简单的二元二次回归方程为基础,通过"代复一代"的"生产"过程,客观、自动地求得实际资料的非线性模型。而神经网络则是用工程技术手段模拟生物神经网络的结构特征和功能特征的一类人工系统。与常规统计方法相比,神经网络最突出的优点为它是通过对网络的学习和训练,来掌握变量之间的非线性关系。因此,其处理复杂问题的能力更强大。实例检验效果表明,这些非线性数据处理与建模技术考虑了地质灾害问题的非线性特性,其比基于常规统计理论的数据处理方法的精度要高得多。  相似文献   

塔河油田下奥陶统碳酸盐岩储层测井分类识别研究   总被引：1，自引：0，他引：1  

智慧文  肖慈珣  李国蓉  黄科  汪华 《物探化探计算技术》2006,28(2):101-105

塔河油田下奥陶统碳酸盐岩为一套缝洞发育的复杂储层,通过大量已知井的测井曲线与岩心分析数据对照观察、分析,归纳出了五种储层的电性分类识别标准。在此基础上,又利用自然伽玛(GR)、深浅侧向电阻率(Rd,Rs)、声波时差(AC)、密度(DEN)、中子孔隙度(CNL)的响应特征,建立了神经网络识别模型。通过在该区三十多口井的实际应用,取得了较好的效果。  相似文献   

青西油田裂缝性油藏研究     

周晓峰  赵应成  王崇孝  杜文博 《新疆地质》2006,24(1):40-44

青西油田位于酒西盆地西部的青南凹陷,油田主体构造格局为窟窿山背斜和柳沟庄断鼻,储集体主要是下白垩统下沟组半深湖-深湖亚相泥云岩和扇三角洲前缘亚相砾岩.下沟组地层现今埋深大于4000m,处于晚成岩阶段,岩石胶结致密,属于特低渗储层.由于泥云岩具有纹层状结构和富含长石、石英等特殊矿物成分,以及铁白云石胶结的砾岩具有较强的刚弹性,在多期构造运动和成岩作用下,易形成顺层或切层裂缝网络、粘土矿物转化收缩缝网络、成烃演化微裂缝网络、溶蚀缝洞网络和构造裂缝网络等,构成油气运聚的网络,在流体封存箱和流体异常高压成藏机制作用下形成裂缝性油藏,油气富集在构造转折带、弧形断裂外侧、断裂交互部位、背斜构造等应力集中和释放区.油藏含油气层段长,下沟组整体含油,油气富集程度差别大,裂缝是油气主要的渗流通道和重要的储集空间.由于岩石矿物成分复杂、裂缝类型及组合形式多样,故有效裂缝发育段的识别难度较大.该油藏具有井间产能相差悬殊、产量递减速度快、弹性产率差异大、酸化改造效果不一等特点.  相似文献   

基于改进的Elman神经网络的中长期径流预报   总被引：2，自引：0，他引：2  

屈亚玲  周建中  刘芳  杨俊杰  李英海 《水文》2006,26(1):45-50

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。  相似文献   

基于主成分分析和贝叶斯正则化方法的神经网络年最大洪峰流量预测模型探讨     

李红霞  许士国  范垂仁 《水文》2006,26(6):30-32

针时水文预测建模中输入因子过多而导致神经网络结构规模过大,泛化能力差的问题,利用主成分分析和贝叶斯正则化方法对神经网络进行改进,优化网络结构,从而提高泛化能力。以洮儿河流域镇西站年最大洪峰流量预测为例,研究结果表明,改进的神经网络预测方法与传统的神经网络方法相比,泛化能力有显著提高,而且网络的收敛也比较稳定,实际预测中效果良好。  相似文献   

人工神经网络在色彩变换中的应用   总被引：1，自引：0，他引：1  

徐艳芳  刘文耀  武兵  黄敏 《武汉大学学报(信息科学版)》2006,31(9):799-802

给出了一种针对数字彩色硬拷贝的输出设备，建立了由CIE色度值到设备控制值色彩变换的神经网络方法。基于蒙版方程的颜色传递机理，由色度密度变量实现色彩变换。结果表明，该色彩变换对各种色调均有较明显的校正作用，且保持了高饱和色的饱和度。  相似文献   

粗糙神经网络在森林火灾预警中的应用     

余亮  边馥苓 《武汉大学学报(信息科学版)》2006,31(8):720-723

利用神经网络和粗糙集处理不确定性问题的优势，提出一种粗糙集结合神经网络进行森林火灾预测模型。通过与传统预测模型相比较，证明了该方法的有效性。  相似文献   

多模式温度集成预报   总被引：19，自引：6，他引：19       下载免费PDF全文

赵声蓉 《应用气象学报》2006,17(1):52-58

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。  相似文献   

Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods     

Chudamani Joshi  Jan De Leeuw  Andrew K. Skidmore  Iris C. van Duren  Henk van Oosten 《International Journal of Applied Earth Observation and Geoinformation》2006

In recent years, a number of alternative methods have been proposed to predict forest canopy density from remotely sensed data. To date, however, it remains difficult to decide which method to use, since their relative performance has never been evaluated. In this study the performance of: (1) an artificial neural network, (2) a multiple linear regression, (3) the forest canopy density mapper and (4) a maximum likelihood classification method was compared for prediction of forest canopy density using a Landsat ETM+ image. Comparison of confusion matrices revealed that the regression model performed significantly worse than the three other methods. These results were based on a z-test for comparison of weighted kappa statistics, which is an appropriate statistic for analysis of ranked categories. About 89% of the variance of the observed canopy density was explained by the artificial neural networks, which outperformed the other three methods in this respect. Moreover, the artificial neural networks gave an unbiased prediction, while other methods systematically under or over predicted forest canopy density. The choice of biased method could have a high impact on canopy density inventories.  相似文献