基于BP神经网络的三峡库区小流域水质评价

在阐述BP人工神经网络原理的基础上,运用我国地表水环境质量标准(GB3838-2002)作为训练样本,建立了一个多因子水质综合评价的3层BP网络模型,以溶解氧、氨态氮、总磷、砷、汞和铬为评价因子,对三峡库区小流域-嘉陵江的次级支流流域进行了水质综合评价。结果表明:该河中上游水质状况良好,而下游水质状况较差,汇入嘉陵江、长江后将对三峡水库的水质造成不良影响。为了保证三峡水库的水质安全,建议加强库区小流域的地表水环境管理。

应用测井和BP神经网络算法预测储层敏感性

在收集薄片、铸体薄片、粒度、压汞、X—衍射、扫描电镜、物性、敏感性流动实验等岩心分析资料的基础上 ,首先通过单相关分析找出影响敏感性的主要因素 ,然后再应用测井资料提取这些敏感性参数 ,最后以影响敏感性的主要因素做为 BP神经网络的输入层 ,应用 BP神经网络算法 ,建立敏感性预测模型 ,预测储层敏感性。该方法对西部某油田的资料进行了处理分析。结果表明 ,速敏、水敏、盐敏、酸敏和碱敏的预测结果与该油田的敏感性流动实验结果的符合率为 80

基于BP神经网络技术的水淹层评价

油层水淹后,油层的电阻率、自然电位、声学性质以及核物理性质等均会发生一系列变化,而且这些变化同油层的物理性质、注入水性质以及注入量等有关。不同的注水时期,这些变化也是不同的,因而使地质情况更加复杂多变。此时如果仅仅依靠常规测井曲线的变化建立模型来评价水淹层,势必造成很大误差。根据常规测井资料,借助BP神经网络,建立了BP网络模型,用建立的模型对某断块的15口具有试油资料的井进行了水淹级别预测,正确率高达80%以上。结果表明,基于BP神经网络的水淹层识别技术具有良好的应用效果。

BP神经网络在复杂储层流体识别中的应用

在复杂储层中,测井响应特征并不是特别明显,若只采用常规测井识别方法是不能准确的区分油层、气层以及油气层的。为此建立划分油层、气层、油气层等储层的神经网络模型,通过程序自动训练判别,准确率达到满足的要求后,从而实现了BP神经网络在储层中的信息自动化识别,经检验该方法能较准确地判别出油气水层。

基于BP神经网络的三维地质参数预测及立体图显示

基于现代神经网络数理统计新技术，提出一种简易可行的ＢＰ神经网络三维估值模型，以此可根据研究区域的已知资料对其未知点处的储层参数值进行高分辨率的预测；采用立体等值线图可视化技术来实现该模型估值的直观图形显示，充分揭示三维地质体某种特征参数的纵横向变化规律．最后成功地处理了Ｓ盆地中部气田马家沟组地层压力数据，结果表明，该法是一种有效的高分辨率估值技术，在油气藏描述中值得推广使用．

基于BP神经网络的尼尔基水库水质评价

根据溶解氧、高锰酸盐指数、化学需氧量、氨氮、总氮、总磷的实测数据,本文基于BP神经网络对尼尔基水库水质进行了综合评价,评价结果表明：近年来水库水质介于IV至V类之间。水库库尾水质较库中和坝前水质略好,汛期水质与非汛期水质差别不大,介于IV至V类之间,水库水质污染问题尚未得到有效解决。BP神经网络综合评价方法相较于传统的单因子评价方法,评价结果更为客观、合理。

基于BP人工神经网络的磨盘山水库水质评价

磨盘山水库水环境质量对哈尔滨市有重要意义。利用Matlab BP人工神经网络,并考虑到人工神经网络中的不足对其进行了改进。应用Powell-Beale共轭梯度法和traincgb算法进行网络训练,选取COD(化学需氧量)、pH值、溶解氧、NH_(3)-N、电导率5种评价因子,对水库水质进行评价。结果表明磨盘山水库水质等级为Ⅰ级。改进后的算法提高了网络的稳定性和精准性。

基于BP神经网络的三峡库区重庆段水资源安全评价

三峡库区水资源安全关系到库区的生态安全,对库区水资源安全利用进行评价,找出问题较为严重的区域,明确其限制因子,从而为库区水资源可持续发展和水资源安全提供科学的决策依据。结合2000—2014年三峡库区水资源安全数据,选取BP神经网络构建水资源安全利用评价模型,结合ARIMA模型进行指标预测,分析了三峡库区重庆段水资源安全利用的时空差异。研究表明:(1)三峡库区重庆段2014年水资源安全利用总体分布在较不安全到较安全之间,渝中区和大渡口区为较不安全等级,沙坪坝区等7个区县为基本安全,其他区县为较安全等级;在子系统的评价中,主城区的社会安全与供需安全等级均为最低,为极不安全和较不安全等级。(2)2000—2014年水资源安全利用等级主要受生态安全因子制约,供需安全因子次之;2015—2020年水资源安全利用等级主要受供需安全因子限制,生态安全因子次之。2000—2020年水资源安全利用等级总体呈上升趋势。

基于BP神经网络识别的曲堤油田低阻油层研究

作为一种非常规储层,低阻油层已成为现阶段油田增储增产的主要来源之一.曲堤油田主力油层馆陶组和沙河街组具有明显低阻特征,常规测井解释方法难以识别.为更大限度利用测井资料,提高低阻油层测井解释精准度,在研究区内低阻油层特征的基础上,从岩石物理成因等方面对曲堤油田馆三段、沙三段和沙四段低阻油层的成因进行分析;用BP神经网络对低阻油层测井曲线数学特征进行学习和训练,并对其进行识别;建立孔隙度、渗透率、束缚水饱和度等参数模型对低阻油层进行精细定量评价.结果表明,岩石粒度细、地层水矿化度高、黏土矿物含量高等是油层低阻成因的主要因素;用BP神经网络可有效划分油层、水层、干层等,识别准确率在88%以上;孔隙度、渗透率、含水饱和度等模型的精度分别为78.33%,79.62%,64%.

人工神经网络在低阻油藏产状评价上的应用

低阻油藏是一种非常规油藏 ,电性与物性之间存在着一种模湖的非线性关系。如何评价它的产状是研究和生产的难点。本文从分析油井的产能出发 ,导出了影响油藏产状的因素。并利用人工神经网络具有自适应、自学习的特点 ,将神经网络与常规测井、试油、试井等动态资料相结合进行油藏产状评价 ,取得了较好的效果。

基于神经网络的测井评价油层污染研究

利用测井资料，在剖析传统的测井评价油（气）层污染方法的基础上，介绍了利用ＢＰ神经网络这一现代数理统计新技术来实现测井多参数评定油气层污染程度的方法和技巧；以华北二连油田实际资料为例，建立了测井判释油气层污染的数学物理模型，并进行了模拟预测。结果表明：该法简便可行，对污染评价参数预测精度较高，对污染程度评价合理准确，可作为油（气）层污染定量评价的一条有效途径。

神经网络在测井解释中的应用

对测井资料进行必要的预处理和合理的取舍后，与地质参数结合，建立起正确的样本集。设计ＢＰ网神经网络，修改神经元作用函数，调整神经元的权值递推式，对样本进行网络训练，在网络系统误差小于允许误差时，网络训练结束。使用得到的网络模型参数，就能得到所需结果。输入测井资料、计算储层参数，计算结果与岩心分析结果相比较，其误差很小。在测井所处理的储层参数与储层产能对应关系很差的情况下，将储层参数与储层产能挂钩，设计ＢＰ网络进行样本训练，训练过程中修整了步长调整因子和平滑因子，得到网络模型参数后进行储层产能评价，效果很好，精度较高。对汉明网络的结构、神经元的权值、域值和输出函数作了改进，使其适用于输入为连续值的模式识别，经实际资料处理证实，该网络有较强的模式识别能力，并见到良好效果。

测井储层分类评价方法的研究

储层分类评价的方法很多，其总的趋势是从定性到定量，从宏观到微观。分类标准的确定为在其它井段进行储层分类提供了可靠依据，为尽量避免分类中的人为因素，提高分类的准确性，利用有效厚度、孔隙度、渗透率、含水饱和度、泥质含量等参数，采用多组判别分析的数学方法和神经网络方法两方法结合在一起，来相互检验，用来判别某一井段的储层类别。

基于神经网络的水库标准化管理体系与评估

水库标准化管理评估是监督考核水库管理水平的重要手段.通过进行水库标准化管理评估,可为研判水库管理现状提供数据支撑.本文通过建立水库标准化管理评估指标体系,基于人工神经网络算法,构建了水库标准化管理评估模型.结合实际情况进行对比验证.评估结果表明,建立的BP评估模型计算方法简单、精度较高、适用性强,为水库安全管理考核评价建立一种新的方法,对提高水库安全管理水平有很大的促进作用.

尼尔基水库富营养化状态评价比较研究

通过对尼尔基水库"十二五期间"(2011-2015年)富营养化指标的分析,确定了各指标的相关权重系数。应用综合营养状态指数法(TLI)对尼尔基水库进行水质评价,并与模糊综合评价法、BP神经网络评价法进行对比。结果表明,三种评价方法均可以用于尼尔基水库的富营养化评价;TLI指数变化范围在40-58之间,对于尼尔基水库的评价基本处于中营养状态;模糊综合评价结果在3-4之间,水质总体处于轻度富营养化状态;BP神经网络评价法结果整体在2-3之间,水质总体处于轻度富营养化状态;结合实际情况,模糊综合评价法与BP神经网络评价法更为科学合理。

人工神经网络预测木头油田储层孔隙度渗透率

由于历史原因,木头小规模油田在开发过程中,评价油藏、储层的物性参数严重匮乏。随着开发阶段的不断变化,剩余油分布、注采关系分析和油藏地质建模、数值模拟等工作需要高精度的物性参数。本文提出了应用改进的人工神经网络BP模型对储层孔隙度、渗透率进行预测的方法,通过实际运用,和使用多元逐步回归法相比,预测的精度大幅度提高,渗透率相关系数可由0.8436提高到0.9961,相对误差2.19%,从而为深化储层认识提供了准确的孔隙度、渗透率参数。

桃林口水库水污染特征及水质评价

利用皇岛桃林口水库2008~2017年十年的实测数据,选取PH、总磷(TP)、氨氮(NH3-N)、高锰酸盐指数(CODMn)、溶解氧(DO)和五日生化需氧量(BOD5) 6项指标,采用单因子评价法、综合污染指数法和BP神经网络模型等3种方法进行水质评价。研究结果表明:1) 单因子水质评价结果表明,桃林口水库水质全因评价达到III类水质目标要求。2) 综合污染指数法表明,水源站全年的综合污染指数在0.437~0.578,出库站全年的综合污染指数在0.439~0.569,均为轻污染。3) BP神经网络模型表明,桃林口水库十年全年平均水质都为II类水质。该水质评价研究经验为桃林口水库的管理提供较为客观的决策依据,也可为其他地区的水质评价工作提供参考借鉴。

广东江门四堡水库水质时空变化及综合评价研究

为了解江门市四堡水库水质状况,在该水库布置了13处采样点,于2018年6-12月进行了7次水样采集和检测工作,分析水质因子时空变化规律。分别采用单因子评价法、BP神经网络法、主成分分析法及指数法等对四堡水库水质和富营养化状况进行综合评价。利用Pearson方法研究叶绿素a与水质因子的相关性,分析影响水库富营养化的主要驱动因子。结果表明:不同月份的总磷、总氮和氨氮变化较为复杂,靠近水库中下游区域的水质较好,水库汇水区的水质较差;单因子评价法和BP神经网络的评价结果大体一致,水库水质总体在Ⅲ~Ⅳ类之间,主成分分析法表明水质主要受高锰酸盐指数、总磷、总氮、氨氮影响,指数法表明水库处于轻度富营养化状态,在水库汇水区的富营养化程度较高;相关性分析表明,叶绿素a与氨氮相关性较强,氮为浮游植物生长的限制因子,控制氮素浓度能够有效地治理水体富营养化。

准噶尔盆地永进油田特低孔隙度超低渗透率储层分类评价

准噶尔盆地永进油田西山窑组和清水河组储集层孔隙度的分布范围在4%～6%之间,渗透率分布范围在(0.01～0.30)×10-3μm2之间,属典型的特低孔隙度、超低渗透率储层。引入毛细管曲线分形维和BP神经网络方法,将研究区的储层分为3类。通过建立样品毛细管压力曲线和孔隙大小分布的分形几何模型计算了孔隙结构的分形维数,定量描述孔隙结构的复杂程度,进而实现样品储层的分类;用BP神经网络方法输入5个节点数,即分形维和4条测井曲线系列(包括自然伽马、声波时差、深侧向和浅侧向电阻率),输出1个节点数,即1条深度连续的分形维曲线,实现全井段储层精细分类及有效性评价。

云质岩油藏综合描述技术在FN5井区的应用

准噶尔盆地西北缘乌尔禾地区云质岩储层较发育,储层物性受裂缝等次生孔隙控制,且单层厚度大,更易形成高效油气藏,是该区油藏评价开发的重要领域之一。但由于云质岩储层横向变化较快、构造落实精度低,导致钻井成功率相对较低,制约了油藏的后续产能建设。本次研究结合GeoEast解释系统中的断层形态指数属性,实现了油藏区的小断裂刻画,落实了控制油藏的4条断裂。纵波阻抗与电阻率曲线交会分析发现,波阻抗曲线可以区分砂泥岩,但无法区分砂岩与云质岩储层,而电阻率曲线却可以区分。因此利用基于电阻率曲线的BP神经网络反演预测了该区云质岩储层的展布特征,结果与实钻井情况吻合较好,对推动该区的油藏评价开发具有积极的现实意义。