基于前馈神经网络井控多属性融合的断裂识别方法

塔里木盆地碳酸盐岩断控缝洞型油气藏埋藏深度大、构造复杂,且断裂高度发育,断裂是研究区域内成藏主控因素及可能的油气运移通道,对其空间展布位置及发育强弱的预测至关重要。断裂检测属性众多,不同断裂检测属性由于计算方法不同表征的断裂尺度及特征存在一定的差异性,且常规属性检测忽视了测井信息的利用与约束,为了获取更加全面、准确的断裂预测结果,本文优选多类断裂检测属性,并结合测井数据作为先验信息,利用前馈神经网络算法进行属性融合。首先优选AFE、likelihood、倾角等多类具有不同特征的断裂属性,结合测井放空漏失数据、成像测井信息及地震同相轴错段情况作为断裂发育类型判别条件建立了断裂特征识别样本库;在样本库基础上进行深度前馈神经网络训练,对比测试了不同隐含层深度条件下的学习效果,获取预测误差最小的神经网络预测模型;最后将神经网络预测模型应用于全工区断裂预测。经对比分析,认为深度学习融合属性预测断裂与测井解释结果更为吻合,且能综合不同尺度特征的断裂信息,有效提升了预测准确度和可靠性。

基于地震属性和深度前馈神经网络的天然气水合物饱和度预测

天然气水合物饱和度是评价资源量的重要参数,常规的地震反演储层预测方法存在精度低、效率不高的问题,且无法解决地震数据与储层参数之间的非线性问题。随着人工智能技术的迅速发展,许多相关技术已经应用于地震勘探领域,其中人工神经网络是人工智能的一个重要分支,其可以通过从大量的样本数据中不断学习,进而拟合复杂非线性函数来实现地下储层特征反演,有着很强的非线性映射和泛化能力。因此,本文在分析了常规线性公式以及岩石物理建模法优缺点的基础上,提出了基于地震属性和深度前馈神经网络预测水合物饱和度的方法。首先,基于测井和地震数据,通过筛选出不同类型与水合物饱和度相关性高的地震属性体,多维度构建样本标签数据;然后采用地震反演与端到端(地震数据-储层物性数据)反演相结合的策略,对全连接神经网络的隐藏层数、神经元数量、迭代次数等参数进行测试训练,最后将训练结果应用于地震数据体获得水合物饱和度预测结果。实际数据应用结果表明:基于地震属性和深度前馈神经网络预测的饱和度结果精度高、多解性低,与测井数据吻合好,证明该方法具有较好的应用价值;同时,预测的水合物空间分布特征表明研究区水合物成藏为平面游离气-水合物过渡成藏模式。

基于前馈神经网络的多模式集成降水预报研究

为提高山东定量降水预报准确率,采用深度前馈神经网络(Deep Forword Neural Networks,DFNN)和降水分级最优TS(Threat Score)权重集成方法对多模式集成降水预报进行研究。对2019年4—9月欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasting,ECMWF)全球数值预报系统、中国气象局上海数值预报模式系统(China Meteorological Administration Shanghai 9 km,CMA-SH9)和中国气象局中尺度天气数值预报系统(China Meteorological Administration Meso⁃scale,CMA-MESO)逐24 h累积降水量预报进行有监督训练,得到4组DFNN(ES、EM、SM、ESM)深度学习模型,并利用多模式降水分级最优TS权重集成方法建立Mul-OTS(Multi-mode Optimal Threat Score)集成模型。用2020年4—9月各模式逐24 h累积降水量进行降尺度格点预报,对5种集成方案对比检验、个例分析应用。结果表明:不同起报时间、不同预报时效,5组集成方案均降低了平均相对误差,ESM方案最好,Mul-OTS方案最差;4组DFNN方案均提高了晴雨准确率,ESM方案最好,Mul-OTS方案低于模式预报;4组DFNN方案均提高了各降水等级TS、ETS评分,对弱降水的提高幅度大于强降水,Mul-OTS方案对小量级降水等级订正是负技巧,对大量级降水等级的订正效果较好,但仍不如ESM方案;个例分析发现降水强度和落区预报ESM方案均优于其他集成方案。因此业务上采用最优的ESM方案建立了定量降水格点预报系统,为智能网格预报提供重要支撑。

前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

基于多层前馈神经网络的扩散系数求解

如何利用浓度分布的测量数据(间接采样)来确定扩散系数,并建立有效快速的数值求解方法是目前亟待解决的问题.由于扩散系数的求解属于反问题中的参数识别问题,通常具有不适定、非线性和计算量大等特点,所以在仅考虑给定温度下扩散对物质输运的影响的情况下,研究扩散系数与浓度、浓度梯度的关系,并利用物质扩散浓度的动态采样值和多层前馈神经网络对扩散系数进行求解,数值实验表明该方法十分有效.

基于前馈神经网络的钻孔精度影响因素预测模型

孔的加工是影响机械产品质量的关键工序之一,一旦出问题很难修复,钻孔精度的提升对于改进孔的加工质量、降低钻孔工件废品率、减少重复加工有着重要意义。机械产品中设计孔时经常有较高的精度要求,但实际孔加工时受到设备、钻头、材料加工方法等的影响,其精度影响因素众多,要在加工前对孔的加工精度进行预测,无法利用数学关系建立准确的预测模型,因此将其精度主要影响因素进行分析,设计影响因素的主要数据采集点,通过小批量的实验采集数据建立钻孔实验数据库,结合其数据特点,基于多模态的需要,利用深度为2的前馈神经网络拟态模型将钻孔精度定义的定位精度、尺寸精度、形状精度、表面精度和垂直精度五种精度建立预测模型,利用Adam优化器,结合均方误差(mean-square error,MSE)以及梯度下降法进行反向传播训练,对比实际加工结果,本模型在训练集中达到了89%的孔加工精度预测准确度。基于本模型的结果即可针对孔加工过程不同的影响因素进行针对性调整优化,提升孔加工的整体精度。

基于深度学习前馈神经网络的单斜辉石温压计分析火山的岩浆通道系统

对火山的岩浆通道系统的深入了解,对理解岩浆如何储存和迁移,以及评估与火山活动伴生的地质灾害等问题,都是至关重要的。单斜辉石(Cpx)温压计是最重要的研究手段之一。在此之前,使用Cpx温压计的前提是准确评估天然样品中所选的Cpx是否与共存熔体平衡。然而,无论是使用Cpx-熔体Fe-Mg交换系数,或是判断Cpx组分是否与模拟计算结果一致,均不足以准确判断Cpx的平衡状态。此外,由于无法准确获得Cpx中Fe^(3+)/ΣFe而将所有Fe视为Fe^(2+)的处理将导致高估Cpx中的硬玉端元(jadeite,NaAlSi_(2)O_(6)),并忽略霓石端元(aegirine,NaFe^(3+)Si_(2)O_(6)),进而高估了温压计算结果。另外,电子探针在评估矿物和熔融物中的水含量方面存在不足,这进一步影响了温压计的准确性。

基于马氏聚类和前馈神经网络的风力机故障诊断

通过建立数据驱动的故障预测模型,可以将故障状态从正常状态中分离出来,进而实现对风力发电机故障的精确诊断。为此,提出一种基于马氏聚类和前馈神经网络的风力机故障诊断策略,通过马氏距离评估实现数据聚类以及正常数据和异常数据的分离;然后以前馈神经网络为基础,根据工程经验构建风力发电机、齿轮箱和发电机3种预测模型;最后利用实验样机数据对所提出的故障预测策略进行验证。实验结果表明:所提的风力机故障预测策略可以有效识别风力机输出功率异常、齿轮箱温度异常和发电机温度异常,进而有利于合理地安排维修计划。

基于前馈神经网络的电力窃电行为识别方法

当前电力窃电行为识别机制的设定为内容识别,误识率较高,因此本文提出对基于前馈神经网络的电力窃电行为识别方法的设计。根据当前识别需求,先进行用电负荷数据处理及数据转换,采用自适应的方式,提高识别效率,建立自适应识别机制。以此为基础设计电力窃电行为前馈神经网络识别模型,采用动态训练与追踪监测实现窃电识别。测试结果表明,与传统滤波电力窃电行为识别方法、传统改进孤立森林算法电力窃电行为识别方法相比,本次所设计的前馈神经网络电力窃电行为识别方法得出的误识率被控制在0.45%以下,这说明结合前馈神经网络,设计的电力窃电行为识别方法更高效,具备更高的识别精准度。

基于前馈神经网络的隐框玻璃幕墙结构胶损伤状态分析

针对现今隐框玻璃幕墙结构胶损伤监测困难的问题,文章引入前馈神经网络算法(Feedforward Neural Network, FNN),通过激励不同损伤的幕墙玻璃面板,获取大量面板频域信号作为模型数据集,进行训练。结果显示,模型在第3轮收敛,均方误差(Mean square error,MSE)为0.010211;误差集中在0附近,呈现正态分布;所有数据拟合相关性均大于0.99。该方法大大提高了工作效率,为后续在线监测幕墙安全状态提供了新方法。

基于深度前馈神经网络的致密砂岩储层孔隙度预测

致密砂岩储层具有低孔低渗特点,由孔隙度变化引起的弹性参数和地震响应特征变化较弱,为解决常规的基于岩石物理关系线性映射孔隙度预测或者基于多属性融合的概率映射孔隙度预测方法难以表征孔隙度与地震属性间复杂非线性关系的问题,提出了基于深度前馈神经网络的孔隙度预测方法。该方法首先以测井计算的有效孔隙度曲线作为训练目标,以井旁的地震数据属性和反演弹性属性作为训练特征构成训练样本;其次通过优选评价确定复杂结构深度前馈神经网络模型参数,建立井旁地震数据与孔隙度之间的非线性映射关系;最后将训练优良的深度网络模型应用到整个数据体,得到有效孔隙度预测成果,进而实现致密砂岩优质储层定量表征。松辽盆地北部三角洲前缘沉积的致密砂岩应用实例表明,基于深度学习的孔隙度预测结果与井资料吻合较好,相对误差为8.1%,较常规基于岩石物理关系的线性映射孔隙度预测方法误差减小8.2%;证明了该方法对致密砂岩储层孔隙度预测的有效性。研究成果可为井位部署及方案优化设计提供理论指导与技术参考。

基于时变深度前馈神经网络的风电功率概率密度预测

针对传统循环神经网络(RNN)和卷积神经网络(CNN)模型对风电功率进行较长时间尺度的短期预测时出现的时不变性问题,应用时变深度前馈神经网络(ForecastNet)模型进行短期风电功率不确定性预测。该模型的网络结构随时间变化以提高多步提前预测能力,模型交错输出以缓解梯度消失问题,使用混合密度网络得到各个时刻的概率密度分布。在避免传统深度学习模型中,该模型能避免递归多步预测累积误差的同时可以充分考虑相邻时刻风电功率的相关性;在模型隐藏层中,使用美国PJM网上的风电功率实际数据,分别应用全连接网络、卷积网络以及基于注意力机制的卷积网络3种神经网络模型进行预测,每次预测未来12 h的风电功率,滚动预测得到未来500 h的风电功率区间和概率密度,实验仿真结果能够证明所提预测模型的有效性。

基于GA-BP神经网络的粗骨料UHPC的抗压强度预测

为实现对粗骨料UHPC的抗压强度的预测和配合比设计方法的优化,搜集了国内外文献中168组粗骨料UHPC配合比和标准养护28 d抗压强度实测值,给出了各材料组分和抗压强度频数分布,并基于灰色关联分析法分析了各材料组分与抗压强度的关联关系,通过神经网络参数分析,建立了基于遗传算法的前馈神经网络,相比普通的BP神经网络具有更好的预测精度和泛化能力。最后基于建立的GA-BP神经网络给出了不同强度等级粗骨料UHPC配合比设计中粗骨料/胶凝材料、钢纤维体积掺量、砂胶比的建议取值范围。

一种基于NARX神经网络的振动主动控制方法

针对主被动混合隔振系统中次级通道的非线性因素和时变特性,设计一种基于有源非线性自回归神经网络(Nonlinear Auto-regressive With Exogenous Inputs Neural Network,NARX-NN)的次级通道系统辨识的方法,并成功应用于振动主动控制系统中。首先,使用NARX神经网络对次级通道进行辨识得到准确的次级通道模型;其次,采用FIR滤波器重构初级通道的输出,从而获得作动器的输出信号,基于重构得到数据对辨识的网络进行在线学习,可以避免由白噪声激励在系统中带来的随机振动对控制效果的影响;最后搭建仿真模型以及实验平台,仿真结果表明,该控制算法可以克服次级通道的时变性导致的次级通道失真问题;实验结果表明,该算法对15、20 Hz的线谱分别取得30.1、40.4 dB的能量衰减效果,能够有效地实现振动主动控制。

基于前馈神经网络的分数阶事件触发控制器实现及应用研究

为了提高事件触发控制算法的普适性,降低现有控制算法对具体数学表达式的依赖,提出了一种基于前馈神经网络的事件触发控制方法,实现了更具一般化的分数阶事件触发控制器设计。该方法充分发挥前馈神经网络可以任意逼近平方可积函数的优势,对传统事件触发控制过程进行学习,有效解决了传统方法对具体数学模型的依赖问题,且可进一步降低事件触发控制的次数。另外,相较于传统的整数阶控制器,分数阶控制器拓宽了事件触发控制算法的实际应用范围。以具体应用为背景进行仿真分析,结果表明,该算法不但能够保持传统事件触发控制算法在节省控制资源方面的优势,而且在可移植性方面优于传统的事件触发控制算法。

一种用于预测车辆交通噪声的情感人工神经网络

道路交通噪声的监测和评估需要一种可靠的道路交通噪声预测方法。提出利用情感人工神经网络(EANN)方法对某城市部分街道的交通噪声进行建模,采用两种不同的场景和不同的输入组合,与经典的前馈神经网络(FFNN)进行比较,验证了EANN模型的有效性。结果表明,将EANN模型应用于道路交通噪声预测,在验证阶段,FFNN和经验模型的预测效率分别提高了14%和37%。将交通量分类为子类(在场景1中)后输入到模型中,EANN和FFNN模型在验证阶段的性能分别提高了8%和12%。输入参数的敏感性分析表明,交通总量是影响研究区道路交通噪声的最主要因素,其次是小汽车数量、中型车数量、重型车辆数量、平均速度和重型车辆比例。

基于深度前馈神经网络的多因子人体表面积计算模型

人体表面积(BSA)在临床医学上有着至关重要的作用,但现有BSA计算方法大多只使用身高和体重2个参数且采用匹配简单函数的方法来估计体表面积,临床上也认为现有的BSA计算方法误差较大。针对这些问题,提出一种BSA回归预测模型。该回归预测模型包含2个部分:首先,借助相关性和显著性分析选择相关性较高的体表面积影响因子;其次,利用人体数据训练深度前馈神经网络,构建回归模型。实验分别采取5-折交叉验证与测试集验证2种方法。首先,将深度前馈神经网络模型与传统人体表面积计算方法进行精度评估和结果对比分析;其次将深度前馈神经网络模型与3种模型进行精度评估和结果对比分析。在与传统方法对比中,深度前馈神经网络模型的决定系数高于2种传统方法的,且比传统方法提高了6%,误差与传统方法的相比降低了近一倍。在与3种模型的对比中,深度前馈神经网络的决定系数比其他模型的提高了至少2%,误差降低。一致性分析实验结果也显示,深度前馈神经网络95%一致性界限最小,一致性最好。总体来说,提出的回归预测模型可以得到更加精确的体表面积预测值。

基于人工神经网络的水库水资源规划管理

水库管理直接影响水库中水资源利用效率。文中采用两种人工神经网络方法对水库进行管理,通过预测给定水库未来的月流入量和每月蒸发量来估计每个月底水库的总蓄水量。研究中采用的人工神经网络方法是径向基函数(RBF)和前馈-反向传播(FFBP)方法。将人工神经网络的结果与新疆某水库实际运行的结果进行了比较,结果显示,人工神经网络能够较为准确地反映水库实际蓄水量,能有效应用于水库管理。

BP神经网络在垃圾焚烧电厂酸性气体排放控制中的应用

对于采用半干法的大多数垃圾焚烧发电厂,控制酸性气体排放浓度的主要手段是调节脱酸塔入口石灰浆流量。传统的PID控制采用CEMS实测数据作为反馈信号调节石灰浆流量,但脱酸塔入口到烟囱烟气采样点距离远,反应时间长,控制效果不佳。为此,引入BP人工神经网络遗传算法,并利用人工控制模式下积累的大量过程数据训练人工神经网络,以替代人工控制。

湍流扩散环境中基于前馈神经网络的信源定位算法

为实现湍流扩散环境中的信源定位,提出了一种基于前馈神经网络(FNN)的定位方法.在FNN中联合交叉熵函数和均方误差函数作为损失函数,并在数据输入前增加了批量归一化层防止测试集过拟合.利用仿真得到的分子浓度数据对FNN模型进行训练,并使用测试集验证了所提方法的性能.仿真结果表明:在20 m仿真长度的湍流管道中,对于定位和初速度识别均在20次迭代内达到收敛;得到的平均定位误差为0.2 m,且误差在0.69 m范围内的概率达到90%,初速度识别的准确率达到95.4%.所提方法可以实现不同分子释放速度条件下的信源定位并识别发射分子的初速度,极大地减少了接收机的布置.