下载文档原格式
BP神经网络在砂岩储层流体识别中的应用摘要：莫北地区侏罗纪三工河组，岩性主要是中、细砂岩，属低孔低渗储层，所以储层流体性质的识别是该地区急需解决的问题。
针对常规测井储层识别准确率不佳的情况，提出了bp神经网络这种数学方法进行储层的油、气、水、干层的识别。
提出43个试油层段的测井曲线特征值，以对流体性质敏感并且在交会图上具有比较明显区分度的密度值（den）、孔隙度（por）、电阻率值（rt）和含水饱和度值（sw）作为输入向量，经程序训练判别准确率达到满足的要求后根据得到的权值、阈值编写神经网络预测的程序挂接在测井解释软件中，从而实现了bp神经网络在储层中的自动化识别。
关键词：bp神经网络流体识别测井解释中图分类号：p631.8 文献标识码：a 文章编号：1672-3791（2013）02（b）-0011-021 bp神经网络基本原理1.2 bp神经网络构造根据与储层特征相关的测井响应值本文采用4-10-5的神经网络结构，即输入层采用4个节点对应的是4种测井响应值，单隐含层采用10个节点，输出层为4个节点对应的是4种储层类别，分别对应是油层、油水同层、水层、干层并且依次表示为1类、2类、3类、4类，用数字0与1代表其属性，油层表示为[1，0，0，0]，油水同层表示为[0，1，0，0]，水层表示为[0，0，1，0]，干层表示为[0，0，0，1]。
随机初始化神经网络权值和阈值，然后根据误差反馈不断的调整权值阈值。
其中隐含层节点数和迭代资料的选择是在matlab中用数据反复演练，直到得出能够满足实际储层解释判断正确率后得出的准确值。
本文中采用附加动量方法算法网络进行网络收敛弥补神经网络算法的不足，使其学习过程收敛加快。
网络实际输出是一个四维向量，其数值在0和1之间，我们取向量中最接近1所在的数组编号作为类别的输出。
2 bp神经网络实际应用2.1 建立模型网络训练样本设计的好坏，是直接关系到网络识别储层准确率的一个关键环节。
基于ALO-BP神经网络的SRAM读时序预测
柴永剑;张立军;严雨灵;谢东东;马利军
【期刊名称】《电子设计工程》
【年(卷),期】2024(32)8
【摘要】针对芯片设计中的后仿流程采用的时序分析用时过长,且传统回归模型预测出的时序值精确度较低等问题,提出一种基于蚁狮优化(Ant Lion Optimizer,ALO)算法的反向传播(Back Propagation,BP)神经网络的读时序预测方法。
对14 nm SRAM芯片进行表征,生成对应的liberty文件,提取其中的典型特征和时序参数并进行量化和归一化处理,形成相应的训练测试集。
利用BP神经网络的自适应学习能力对数据集进行仿真训练,确定最优隐含层数;针对训练过程中对网络初始值非常依赖这一问题,采用蚁狮优化算法寻找均方误差最小时的网络初始权值,同时对比多种预测方法,对仿真方法和结果进行分析。
实验结果表明,该模型收敛速度快、预测精度高,能对读时序进行有效预测。
【总页数】6页(P82-86)
【作者】柴永剑;张立军;严雨灵;谢东东;马利军
【作者单位】苏州大学轨道交通学院
【正文语种】中文
【中图分类】TN407
【相关文献】
1.基于非线性时序预测神经网络的下肢步态预测算法设计与研究
2.基于ALO-BP 神经网络和机械零件加工特征的工艺方案决策
3.基于时序NARX自适应神经网络的油浸式变压器绕组温度预测
4.基于深度时间卷积神经网络与迁移学习的流程制造工艺过程质量时序关联预测
5.基于生长神经气改进模糊神经网络的铝电解过程时序数据预测
因版权原因，仅展示原文概要，查看原文内容请购买。
Thin-inter bed reservoir prediction based on BP
neural network
作者： 张大智 [1];纪友亮 [1];刘洪林 [2]
作者机构： 同济大学,海洋与地球科学学院,上海,200092[1] 大庆石油学院,黑龙江,大
庆,163318[2]
出版物刊名： 上海地质
页码： 47-50页
主题词： 地震属性;薄互层储层;属性提取;BP神经网络;储层预测
摘要：根据地震属性来进行储层预测的研究,对于寻找油气具有十分重要的意义.而由于地下地质情况千变万化,不确定的因素太多,对这种多自变量与因变量的复杂关系模拟问题,神经网络技术是目前较成熟、实际应用效果也较好的方法之一.用BP神经网络来预测薄互层储层厚度,它可以建立属性参数与预测目标之间的高度非线性映射,并应用于具体的实例,为薄互层储层预测提供了新的思路.。
基于MAS和BP神经网络的专家系统研究作者：寇净磊来源：《电脑知识与技术》2009年第14期摘要:针对传统专家系统推理能力弱和智能水平低等不足,该文打破思维定势,利用MAS系统自治智能、分布协同的特性和BP神经网络于知识获取的长处,详细阐述了基于MAS和BP神经网络的专家系统的体系结构和基本原理。
关键词:MAS;Agent;BP神经网络;专家系统;人工智能中图分类号:TP183文献标识码:A文章编号:1009-3044(2009)14-3766-02Research on Expert System Based on Mas and BP Neural NetworkKOU Jing-lei(Commanding Communications Academy, Wuhan 430010, China)Abstract: The method of combining BP neural network and Multi-Agent to solve the problem of lack of knowledge during developing expert system is put forward. The expert system based on BP neural network gives some intelligences and inferences by computing, and the combination with object oriented technology,distributed computation and artificial intelligence in agent theory supports intelligent system to break through the architecture of traditional expert system .This paper also can be used for reference to the design of an intelligent expert system.Key words: MAS; agent; BP neural network; expert system; atificial intelligence1 引言专家系统是人工智能研究中一个最活跃且最有成效的重要分支,已广泛应用于医疗诊断、地理勘探、金融决策、实时监控、军事运筹等多种领域中,产生了巨大的社会效益及经济效益。
第28卷第1期2001年北京化工大学学报JOURNAL OF BEI J IN G UN IV ERSIT Y OF CHEMICAL TECHNOLO GYVol.28,No.12001BP 神经网络的优化及应用研究吕砚山 赵正琦(北京化工大学信息科学与技术学院,北京 100029)摘 要:介绍对BP 网络的结构和算法进一步优化的实验研究方法,并给出了有关隐含层数和节点数选择、误差构成方式设计以及再学习策略引进的研究结果。
关键词:人工神经网络;BP 算法;液滴粒度分布中图分类号:TQ 05611收稿日期:2000206226第一作者:男,1936年生,教授引 言BP 神经网络在信息处理、智能控制等领域有着广阔的应用前景,但在其应用上仍存在一些待解决的问题。
例如,在网络的结构方面隐含层节点数的选择尚无理论上的指导;在算法方面标准BP 算法存在局部最小问题未能解决,以及迭代次数多、培训时间较长等[1]。
赖英旭等[2]将BP 网络应用于液滴粒度分布测量中,并提出了一种通过实验确定单隐含层节点数的方法,但对多隐含层的层数和节点数选择未作详细研究,此外,网络的算法也有待进一步优化。
本文是在此基础上,对上述问题作进一步探讨,并结合将BP 网络应用于液滴粒度分布测量和过热蒸汽流量测量的实例,介绍对网络结构和算法优化的方法和结论。
1 网络结构的优化BP 网络的输入层和输出层是与外界联系的接口,这两层的节点数一般由应用对象的实际问题决定,不能任意选取。
可以改变的仅为隐含层的层数和各隐含层的节点数。
1.1 隐含层层数选择首先探讨隐含层数不同对培训误差S 的影响。
以应用于液滴粒度分布测量中的BP 网络为例,具有单隐含层者,网络各层节点数为62622;再考虑一含双隐含层的结构,各层节点数为6262622(图1),采用下列实验方法,对两种网络进行培训;用选定的同一培训样本,按相同的培训方式(成批处理修正误差,学习速率及动量因子不变)及培训次数(3万次)进行培训。
