基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响,许多油田采用随钻测井技术,需先预测未钻地层测井曲线,这对随钻测井具有非常重要的指导作用。为此,提出一种基于门控循环单元神经网络(GRU)预测未钻地层测井曲线的方法,该模型将长短期记忆神经网络(LSTM)的输入门和遗忘门合并成更新门,输出门变成重置门,使模型结构简单,不易出现过拟合现象,保留LSTM模型的长时记忆功能,且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例,选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练,将训练好的模型用于预测未钻地层的测井曲线。应用结果表明,GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%,平均均方根误差分别下降27.08%和42.17%,GRU模型能够准确地预测未钻地层测井曲线的变化趋势。

基于Attention机制的LSTM测井曲线预测方法

测井曲线预测是解决因井径变化、仪器故障等因素造成曲线测量效果不佳或某段曲线缺失的有效手段。从记忆学习的角度入手,对传统长短时记忆(LSTM)循环神经网络在测井曲线预测过程中特征提取、权值匹配及预测误差等问题进行分析,阐释Attention机制(以下简称Att机制)在解决此类问题中的重要性。基于TensorFlow平台搭建了Att-LSTM预测模型,并利用该模型实现了测井曲线的预测。结果表明:在LSTM神经网络中引入Att机制增强了不同时深下的测井特征关联性,优化了不同时间段的测井特征权重分配问题。将Att-LSTM模型和LSTM模型实际预测结果进行对比,Att-LSTM模型预测的测井曲线误差有所下降,精度较传统LSTM模型提高约8%,证实了在LSTM模型中引入Att机制的合理性及实用性,为测井曲线预测提供了一种新思路。

基于免疫算法的压气机特性曲线预测方法研究

针对压气机特性曲线预测精度较低、边界工况点处泛化能力较差的问题,提出基于免疫算法(IA)的BP神经网络预测模型和SVR预测模型。同时,为研究人工神经网络在压气机特性曲线预测中的应用,分别采用极限学习机、RBF、MEA-BP、IA-BP以及IA-SVR神经网络对某型燃气轮机压气机的性能关系进行模拟,分析5种神经网络模型在压气机特性曲线预测的优劣程度。结果表明:IA-BP神经网络模型收敛速度快,精度高,相对误差百分比更小,预测结果有更好的泛化能力,且适用于非设计工况条件下压气机特性曲线预测;IA-SVR模型的平均相对误差更小。免疫算法优化的模型可以提高拟合和预测的准确性,有利于燃气轮机组的建模与仿真。

基于集成深度神经网络的短时电力负荷曲线预测方法

集成学习作为一类组合优化方法,通过组合多个或多类基学习器以获得性能更优的组合模型,达到提高模型泛化能力和输出精度的目的。针对短时电力负荷曲线预测需求,构建一种基于集成思想的深度神经网络预测模型。首先,利用Bootstrap方法采样生成多个样本子集,并行训练相应的深度神经网络基学习器。在此基础上,将多个模型的预测输出进行平均加权作为最终预测输出。最后,利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行仿真验证。仿真结果表明,基于集成思想的深度神经网络预测模型,其预测效果优于单一的深度神经网络模型,可用于对短时电力负荷的预测。

基于函数型非参数回归模型的中长期日负荷曲线预测

提出一种中长期日负荷曲线预测的新方法。该方法首先基于函数型数据分析理论,将日负荷曲线视为函数型数据,通过对历史负荷曲线样本自身规律的挖掘,建立基于历史负荷曲线样本的函数型非参数回归预测模型。在此基础上,通过构建二次规划模型对函数型非参数回归预测模型的预测曲线进行修正,使其满足待预测日负荷特性指标要求。利用某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据对所提方法进行测试,结果表明该方法具有较高的预测精度。

公路软基沉降双曲线预测法的进一步探讨

双曲线法是一种重要的沉降预测方法。由于待定参数少且其易于确定 ,表示的沉降发展规律与许多实际工程相符合 ,因而广泛应用于公路软基沉降预测中。本文通过汕汾高速公路实例 ,对双曲线法进行公路软基沉降预测的影响因素进行了深入分析 ,并提出了改进沉降预测精度的措施。

灰色预测模型与指数曲线预测模型的比较分析

该文通过剖析灰色预测模型ＧＭ（１，１）与指数曲线预测模型ｙ＝ａｅ（ｂｘ）的建模原理，对两者进行了实例比较分析，从中得到了若干启示，两者的差异在于参数估计方式的不同，均仅适用于呈指数规律变化的系统。

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容。而短期负荷预测应用中较为成功的人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果,采用96点的波形系数,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求。

基于长短期记忆网络的钻前测井曲线预测方法

基于深度学习的最新成果,提出了一种基于长短期记忆(long short-term memory)循环神经网络的钻前测井曲线预测方法,使用该方法能从已钻地层段及邻域内获得的测井数据预测钻前的测井曲线,进而获得钻前的地层岩石信息,解决油气钻探过程中测井曲线只能在钻后获得的滞后性,以提高钻前地层构造及压力预测的准确性。将其与普通循环神经网络的预测结果进行对比分析,结果表明,长短时记忆网络建模预测效果良好,能比较准确地预测钻前测井曲线的变化趋势,是一种有效且预测精度较高的钻前测井曲线预测方法。

泥砂岩薄互层时移测井曲线预测方法

为满足泥砂岩薄互层储层时移地震研究需求,实现油藏开发后测井曲线预测,在岩石物理模型理论分析、实际岩心观察和测井数据分辨率分析基础上,提出在薄互层储层测井曲线预测时将砂岩薄层与泥岩薄层分开,并将油藏参数变化限定于砂岩薄层的方案,从而使计算过程符合实际油藏条件.建立了时移测井曲线预测工作流程,并利用实际薄互层油藏开发前测井曲线和开发前后温度、压力和饱和度变化参数,实现了油藏开发后测井曲线预测.实际油藏开发后测井曲线预测结果与油藏参数变化有很好一致性,变化范围合理.

指数曲线预测模型的参数估计与误差分析

本文根据指数曲线预测模型的特点,对指数曲线预测模型的假设、参数估计、拟合误差以及无偏性等若干问题进行了探讨。

关于成长曲线预测模型参数识别的一点看法

《预测》1983年第1期上刊登的坚石同志一文(下称文献[1])提供了成长曲线的模型及其参数识别的二种方法,并以我国1949年、1953年、1957年三年的人口统计数据为依据,预测我国1978年人口数为958(百万)人,与实际调查数975(百万)的相对误差为1.7%。

公路建设项目交通量S曲线预测法

公路交通量预测模型的选用是公路建设项目交通量预测的基础，对《公路建设项目可行性研究报告编制办法》中所附的六种预测模型中的S典线预测法作了一些计算方法的探讨，并以工程实例进行了预测比较，可供公路建设项目工程可行性研究交通量预测参考。

建筑市场曲线预测法

一、概述:建筑市场由于季节性或其他因素的影响,以时间序列观察值的变动趋势来预测,并非都是呈直接的状态;有时会出现为曲线变化。通常引入季节系数,在直线回归的基础上进行调整。但在总体上必须根据直线回归的趋势是一直上升或下降时,才比较准确。然而,今天的建筑市场常呈曲线变化,时而由高而低,再行升高;时而又由低而高再降低,甚至多次起伏。在这种情况下,就不宜采用直线方程进行回归,而应运用曲线方程拟合预测。

应用电量误差修正的年负荷曲线预测方法

现有的年负荷曲线预测方法没有充分利用负荷与电量的关联性,预测误差较大。本文提出了一种应用电量误差修正的年负荷曲线预测方法以提高预测精度。首先对预测年8 760 h负荷进行估算,然后运用负反馈原理,以年电量预测值为基准,利用季度电量弹性系数分4个季度对累加电量(整点负荷相加得到的电量估计值)进行有差别修正;最后根据电量的修正比修正全年8 760 h负荷值,取其中365 d日最大负荷值编制年负荷曲线。用该方法对云南省2013年数据进行验算,结果表明该方法能有效提高预测精度。

基于非线性自动回归模型的测井曲线预测方法

针对非线性、时序性的测井曲线进行研究,提出基于Tensor Flow的非线性自动回归模型(GNAR)纵向预测测井曲线法。将样本数据分成训练集和测试集,在训练集上建立模型,在测试集上进行预测评估。实验验证和应用效果分析表明,非线性自动回归模型在测井曲线纵向预测中具有较强的适应性和较高的准确性。

带权优化方法在曲线预测模型中的应用研究

为了能够根据监测数据推测被测量变化规律及准确预测未来变化,针对常规最小二乘法拟合精度较差的情况,提出利用带权优化方法在常规非线性拟合基础上进行优化处理。通过对工程实际监测数据的计算验证表明,带权优化得到的拟合曲线,拟合精度与预测效果均有明显提高。

基于CNN-GRU神经网络的测井曲线预测方法

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题。为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法。以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时序序列的特征向量,再利用GRU网络进行训练,最后输出测井曲线预测值。该方法综合了卷积神经网络局部特性感知和门控循环单元网络长期记忆的特性,考虑了测井曲线的深度趋势和局部形状,具有较高的预测精度。将该方法应用于四川某地区A、B两个井区3口井的测井曲线预测,并将预测结果与其它3种人工智能预测方法的预测结果进行对比分析,结果显示,基于CNN-GRU神经网络的测井曲线预测方法应用效果显著,能有效提取数据特征,为测井曲线预测提供了一种新思路。

基于RLM-MC的高速铁路桥墩沉降曲线预测方法

为削弱观测数据中异常值带来的扰动,优化曲线拟合的参数估计结果,解决曲线模型无法有效反映动态过程存在的随机波动问题,提出一种基于稳健Levenberg-Marquardt (RLM)和马尔可夫链(MC)的曲线预测方法。利用非线性最小二乘方法中的Levenberg-Marquardt(LM)方法优化Logistic模型参数,引入稳健估计抵抗异常值,形成稳健Levenberg-Marquardt方法,最后利用马尔可夫链对预测值进行修正,从而提高预测准确度。结合高速铁路桥墩沉降数据,将RLM方法的参数估计结果与最小二乘(LS)方法、稳健最小二乘(RLS)方法和LM方法进行比较,结果表明,RLM方法的参数估计结果在四种方法中精度最优。在预测结果的比较分析中,本方法的平均绝对误差、均方根误差和平均绝对百分比误差指标均小于其他四种方法,说明本方法预测结果更为准确。

神经网络用于一类曲线预测

1 引言近年来,神经网络(Neural Networks)的研究在国际上受到了极大关注。由于它以分布式存贮和并行协同处理为特色,不仅对人工智能的研究者产生了极大吸引力,而且由于其可学习性也使系统工程的研究者产生了极大兴趣。神经网络的作用函数通常是非线性函数,当众多的神经元形成一个网络并动态运行时就构成了一个复杂的非线性动力系统,它可表示极其复杂的非线性模型系统。