基于BP神经网络的轻烃回收装置生产参数预测方法

针对油气生产行业数字化转型促使结构化生产数据被广泛应用的现状,提出基于BP神经网络的轻烃回收装置生产参数预测模型,以中海油某终端生产数据进行网络训练和测试,结果表明:BP神经网络应用在该业务场景可行,现有数据条件下网络隐藏层节点数取30、学习率取0.2,可获得相对较好的测试效果。

BP神经网络模型用于芳烃油加氢工艺条件考察

采用BP神经网络模型建立预测芳烃油加氢过程中稠环芳烃(PAHs)脱除率的方法。通过单因素实验方法,分别考察反应时间(2～10h)、温度(240～320℃)、压力(5～9MPa)对PAHs脱除率的影响。针对单因素实验各因素水平之间存在的漏点,将神经网络与单因素实验相结合,以MATLAB软件建立网络进行训练并预测漏点,用实验数据进行验证,确定芳烃油加氢的最佳条件为7h,279℃,9 MPa,此条件下PAHs脱除率达到47.89%。在此工艺条件基础上,进一步研究剂油比、添加溶剂对PAHs脱除率的影响。结果表明,最佳剂油比为0.3,PAHs脱除率为51.02%;添加甲苯溶剂时PAHs脱除率达到54.29%。

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊(ANA)和芴(FLU)2种PAHs为目标分析物,用甲醇(光谱级)制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200~370nm,间隔10nm记录一个数据;发射波长为240~390nm,间隔2nm记录一个数据。设置初始发射波长总是滞后激发波长40nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差(MSE)均小于0.003,网络的峰值信噪比(PSNR)均大于120dB(数据压缩中典型的峰值信噪比值在30~40dB之间,越高越好),可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1%和98.9%,预测均方根误差为0.081 8和0.098 5μg·L^-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。

改进的BP网络在储层速敏损害预测中的应用

研究BP神经网络算法,建立一套神经网络预测模型,用于预测评价油气层的油气损害程度,为保护油气层拔高油气产量提供有力帮助。利用MATLAB 7.9.0中的BP神经网络算法Levenberg-Marquardt作为神经网络预测模型,以实验生产井的油气层数据作为训练样本,对该井区油气层进行预测准确率达到了95%。为提高油气的生产和推广神经网络系统在油气预测方面的应用起到了积极促进作用。

基于BP神经网络的污染场地土壤重金属和PAHs含量预测

受土壤检测成本和项目周期等因素制约,污染场地土壤经常存在检测数据缺失的现象,如何利用有限的检测数据获得更全面的信息成为当前研究热点.以某金属加工厂污染场地为研究对象,运用多元统计方法分析土壤样品中重金属(As、Zn、Cu、Pb、Ni、Cd、Cr)和多环芳烃(polycyclic aromatic hydrocarbons,PAHs)〔苯并[a]芘(BaP)、二苯并[a,h]蒽(DBA)、苯并[k]荧蒽(BkF)、苯并[b]荧蒽(BbF)、苯并[a]蒽(BaA)、萘(Nap)、艹屈(Chr)〕之间的关联性,并以此为基础,利用已知数据建立BP神经网络模型,预测缺失土壤样本中重金属和PAHs的含量.结果表明:与GB 36600—2018《土壤环境质量建设用地土壤污染风险管控标准(试行)》中的风险筛选值对比,重金属超标率表现为w(Ni)>w(Cu)>w(As)>w(Pb)>w(Zn)=w(Cd)>w(Cr),除w(Chr)未超标外,其他6种PAHs按超标率排序为w(BaP)>w(DBA)>w(BbF)=w(BaA)>w(Nap)>w(BkF).重金属Zn与Pb、As与Cd关联性较好,Cu与Ni关联性较好,Cr与其他6种重金属关联性较差,PAHs中除Nap外,BaP、DBA、BkF、BbF、BaA和Chr彼此关联性均较好;构建的BP神经网络模型的污染物浓度预测值与实测值的决定系数(R 2)范围为0.812~0.993,模拟效率系数(NSE)范围为0.779~0.959,均方根误差(RMSE)和平均绝对误差(MAE)均较小.研究显示,研究区土壤重金属和PAHs含量整体存在不同程度的超标现象,构建的BP神经网络模型对污染物浓度预测结果准确可靠,利用该模型对土壤污染进行空间分析与评价具有可行性,且关联性较弱的因子作为输入参数能进一步提高预测模型的精度.

低孔低渗储层测录井资料油气识别方法

青海乌南油田上油砂山组(N22)和下油砂山组(N12)储集层平均孔隙度分别为13.0%和13.6%,平均渗透分别为3.88×103μm2和2.93×103μm2,属于低孔、低渗油田。在低孔、低渗储层,由于油气储层中测井资料受储层岩性、地层水性质和储层物性等影响较大,造成含油气储层测井曲线异常特征不明显,单一应用测井资料识别油、气、水层困难。应用BP神经网络技术对乌南油田低孔、低渗储层的测井资料与录井资料进行综合处理,利用测井信息的丰富性和高分辨率的优势与录井资料识别油、气、水层的直观准确性互相结合对低孔、低渗储层进行油气识别。

基于测井参数的煤系烃源岩总有机碳含量预测模型

复杂沉积环境下,烃源岩物性差异较大。经相关性分析揭示了煤系烃源岩TOC含量与各测井参数间存在相关性差异较大、各测井参数间含有互相关关系的特点。采用平均影响值(MIV)方法对测井参数进行筛选,筛选后的测井参数进入最终的BP神经网络建模,从而有效地规避了测井信息间的非相互独立性导致的模型预测误差增大及建模时间增加。依据研究区实验分析的TOC含量数据,分别建立适用于煤系烃源岩的Δlog R,BP神经网络和遗传算法(GA)优化的BP神经网络TOC含量预测模型。对模型试算分析,结果表明:GA改进后的BP神经网络模型预测效果最好,稳定性强,受烃源岩非均质性影响程度小,可以精细地反映煤系烃源岩TOC含量的细微变化。

氯代脂肪烃构效关系的遗传神经网络模式

通过检索美国国立职业与卫生研究所化学物质毒性效应登录（ＲＴＥＣＳ）１９９８年版光盘系统，搜集了６５种氯代脂肪烃化合物对大鼠急性毒性口服ＬＤ５０数据，并利用遗传神经网络建立了氯代脂肪烃分子结构与对大鼠急性毒性关系的ＢＰ神经网络模式对预报集８种氯代脂肪烃测试结果表明。

塔中地区海相烃源岩测井评价

针对海相烃源岩具有有机质丰度低和非均质性强的特点，分析了塔中地区海相烃源岩的测井响应特征，建立了塔中奥陶系烃源岩定量识别的图版及适合研究区海相烃源岩的分类识别模型。在有机质丰度评价方面，利用塔中地区烃源岩弹性参数、铀钍含量比、自然伽马的差值及电阻率作为输入层，建立了基于遗传算法的BP神经网络模型。实践表明，采用该方法预测的TOC值与岩石样品分析结果同样精确可靠，为评价有效烃源岩提供了依据。

非震物化探综合信息油气预测研究

由于构造油气藏相继被发现 ,勘探重点向难度较大和成功率较低的各类隐蔽油气藏转移 ,油气直接检测的研究便成为当今油气勘探领域的热点 ,其方法是利用物探、化探手段检测油气产生的微观效应和异常。作者选择松辽盆地南部让字井地区作为实验区 ,在层序地层、储层及断层封闭性研究及总结前人地表物化探油气预测经验的基础上 ,选取化探酸解烃、ΔC、土壤热释光、测氡及土壤电导率进行了地表实际测量 ,并利用 BP和 SOM两种神经网络方法对物化探综合信息进行了油气预测 ,取得了良好的效果。

最小曲率神经网络在油气预测中的应用

在应用地球物理领域中，人工神经网络在模式识别和油气预测方面得到了较好地应用。前向网络的重要特性是能够总结、归纳已知样本隐含的函数关系。然而其推广性能有待进一步研究。为此，本文强调了这个问题的重要性并提出了改善网络推广性能的技术：就是在网络的学习过程中，不仅使总误差下降，还尽可能使建立的“隐函数”平滑，并扭曲率表征隐函数的平滑程度。计算实例表明。本文的其法可以明显地改善网络的推广性能。最后给出了用该技术进行油气预测的应用实例。

人工神经网络在油气藏横向预测中的应用

采用人工神经网络(ANN)进行油气藏横向预测,只需给网络提供叠偏地震剖面数据和标定井油气信息。对川南、川西南碳酸盐岩储层以及川中薄层储层进行了预测、尝试。实验结果表明:这种方法可行、效果良好、成功率高,ANN以其特点将为油气描述提供新的手段。

基于神经网络的油气预测系统

针对常规模式识别方法进行油气预测存在的样本数量大、参数的非线性及已知样本数地区差异大等3个特殊性问题，我们将常规BP算法改为η可自适应调节的BP算法，并与SOM网络联合应用，构成了一个性能完善的多参数油气预测系统。采用该系统进行油气预测能较好地解决上述问题。这种方法不仅收敛速度快，而且在没有已知样本的情况下也能进行油气预测。陆上与海上应用实例表明，该方法对不同勘探程度的地区均能取得较好的油气预测效果。

基于BP神经网络预测北京市加油站周边土壤多环芳烃含量

随着我国城市化进程的迅速发展,城市中加油站数量越来越多,加油站油品的成分含量复杂多样,在石油逸散过程中会生成一系列污染物.加油站产生的多环芳烃(PAHs)会污染其附近土壤,同时对人体健康产生影响.收集了北京市117个加油站附近的土壤样品(0~20 cm),分析了7种PAHs的含量,基于BP神经网络模型,预测了2025年和2030年北京市加油站土壤PAHs含量.结果表明,7种ω(PAHs)范围在0.01~3.53 mg·kg^(-1)之间,与《土壤环境质量建设用地土壤污染风险管控标准(试行)》(GB 36600-2018)中土壤污染风险筛选值比较,PAHs含量低于该指标,同时上述7种PAHs的毒性当量(TEQ)均低于世界卫生组织(WHO)的标准值(1 mg·kg^(-1)),表明它们对人体健康有较低风险.预测结果显示,快速发展的城市化与土壤PAHs含量的增加具有正相关的关系,至2030年,北京市加油站土壤PAHs的含量将持续增长.2025年和2030年北京市加油站土壤中ω(PAHs)的范围分别为0.085~4.077 mg·kg^(-1)和0.132~4.412 mg·kg^(-1),7种PAHs的含量均低于(GB 36600-2018)土壤污染风险筛选值,但是PAHs的含量会随着时间呈现上升的趋势,其中朝阳、丰台和海淀PAHs含量较高,需重点关注.

分频多属性组合广义目标反演烃类检测

渤海蓬莱PL油田勘探程度低,可用井资料有限,采用常规阻抗反演方法预测油气效果不理想。此文尝试用分频多属性联合神经网络算法反演进行油气预测,效果较明显。首先利用频谱分解技术将地震信号从时间域转换到频率域,寻找到油气敏感的高中低频率组合;再将多个与油气异常相关的属性进行相关性分析,优选出效果最好的一组属性组合,通过BP神经网络算法建立起地震属性与含油饱和度曲线之间的非线性相关性,与钻井证实的含油层段对比验证方法的可靠性;最后用建立起来的非线性关系对目的层段油气检测,预测出含油气潜力砂体,指导井位部署。该方法在地震资料品质较好,砂地比适中的浅层含油气层段具有普遍适用性。