没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
88页
基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用 基于MATLAB的神经网络模式识别技术在
资源推荐
资源详情
资源评论
摘 要
油气地球化学勘探,主要是通过各种检测手段在浅部介质中,发现由地下深
部油气藏中的烃类微渗漏引起的各种痕量地球化学指标异常,来寻找油气资源的
一种经济、快速的勘探方法。传统的技术路线主要是先对各化探指标及其相互之
间的关系进行多元统计分析,得出背景值及异常值,圈出异常的范围及位置,然
后对各指标的异常进行综合叠加分析,最后结合地质、地球物理等资料对油气藏
综合预测。该方法在油气化探应用中比较成熟,但是它存在多解性。为此本论文
试图采用神经网络模式识别非线性技术,从另外一个角度把地质、地球化学、地
球物理等资料统一到一个神经网络模型当中,对油气藏进行综合预测。神经网络
具有很好的自学习性、自组织性、自适应性、鲁棒性、泛化能力,能够解决复杂
的非线性问题。神经网络技术在地质、重力、磁法、电法及地震勘探中有着广泛
的应用。
论文依托国家 863 计划资源环境领域探索性课题“高精度重磁电震联合反演
技术研究”中的“复杂油气田地球化学信息识别与预测技术研究”项目。
论文首先论述了神经网络及其在油气勘探开发上的研究现状;其次从基于
MATLAB 的神经网络原理出发,详细介绍了神经网络的内部设计,并且归纳总
结了几种 BP 神经网络改进算法的原理、应用范围、参数设置等;然后结合胜利
油田花沟地区的化探资料,通过 43 口已知井的类别(甲烷井、二氧化碳井、混
合井、一般井),采用梯度下降动量算法,经过多次的学习训练,确定合理的参
数,建立一个正确的 BP 神经网络模型,并用这个模型对该地区的 840 个化探样
品进行分类预测,根据预测结果对该区域的油气藏进行综合解释评价;最后,结
合对原有的化探结果和神经网络预测结果进行对比分析。
从预测结果来看,把 840 个样品分成五类:甲烷、二氧化碳、混合、一般、
预测失败。由于预测失败类别占很小一部分,基本不影响结果,可见,文中所建
的神经网络模型是比较合理、正确的,预测结果与原有的地质资料基本吻合。并
且利用该模型对几个新的未知区域进行了预测,很好的补充了原有的资料。而且
还应对这几个区域,特别是二氧化碳和混合井区域,进行重点研究。因此该模型
可用于其他类似地区的预测。
关键词: BP 神经网络, 模式识别, 油气化探, MATLAB, 分类
目 录
第一章 前言 .................................................................................... 1
1.1 研究背景和意义 .................................................................. 1
1.2 研究现状及其在油气勘探中的应用 .................................... 2
1.2.1 神经网络研究现状 .................................................... 3
1.2.2 神经网络在油气勘探开发中的应用 .......................... 4
1.3 研究内容 .............................................................................. 6
第二章 基于 MATLAB 的神经网络介绍 ............................................... 8
2.1 MATLAB 概述 .......................................................................... 8
2.2 MATLAB 神经网络工具箱........................................................ 9
2.3 BP 神经网络原理及其工具箱函数 .......................................10
2.3.1 BP 网络理论 ............................................................... 11
2.3.2 BP 网络创建函数........................................................ 17
2.3.3 神经元上的传递函数 ................................................. 18
2.3.4 BP 网络的学习训练函数............................................. 21
第三章 BP 神经网络在化探油气藏综合预测中的研究 .................... 28
3.1 神经网络模式识别技术方案 .............................................. 28
3.2 工区介绍 ............................................................................ 29
3.3 地表油气化探概况 ............................................................. 31
3.4 已有化探异常成果 ............................................................. 33
3.4.
1 花沟异常.................................................................33
3.4.2 孟家集异常 ............................................................. 34
3.4.3 全区化探异常与地质构造 ....................................... 36
3.5 BP 神经网络建模及仿真.................................................... 37
3.5.1 神经网络设计 ......................................................... 37
3.5.2 在 MATLAB 上的实现 ................................................ 38
3.6 花沟地区油气藏综合解释评价........................................... 44
3.6.1 预测结果解释评价 ..................................................44
3.6.2 与原有化探结果对比分析 ....................................... 46
第四章 结论与认识 .......................................................................49
致 谢.............................................................................................. 51
参考文献..........................................................................................52
附 录 ............................................................................................... 55
1
第一章 前言
1.1 研究背景和意义
地学信息处理的方法很多
[3、5、20]
,地学信息处理中所使用的方法要根据变量
和数据的性质来确定。
当变量较少的情况下,即地学现象与本质之间的关系比较明确,可以用逻辑
推理直接得出结论;如果研究现象在某种概率条件下才会发生,可以用概率统计
分析方法来研究,如概率统计计算、独立性检验、分布检验、统计估值、假设检
验等。
在变量较多的情况下,即地学现象与本质之间的关系比较复杂,凭逻辑推理
一般难以直接获得结论,这时,如果变量中仅包含定量变量,可以应用多元统计
分析方法,如回归分析,判别分析,聚类分析,因子分析,对应分析,典型相关
分析等方法;当含有定性变量时,可以使用数量化理论等方法。
如果变量比较多,不具有某种统计分布条件,而且具有非线性特征,那么最好使
用非线性分析方法,如人工神经网络或分形等方法
在数据和信息处理过程中应保证信息不失真,不合理的数学方法的选择会造
成信息失真。如果使用线性的数学方法来处理具有非线性特征的数据,会把非线
性部分掩盖掉,从而使计算结果的地学解释发生偏离。由于“线性”是“非线性”
的退化,一般情况下,使用非线性方法进行信息处理是比较稳健的。
由于地球的起源、演化和发展过程的不可重复性和地球科学技术发展的历史
原因,地学数据具有多尺度、多时段、多精度、多比例尺和多解性等特点,这就
造成了观测数据与研究对象的本质之间的对应关系具有非线性特征
[3]
,尤其在油
气藏勘探中,会用到很多方法技术,这样就会得到很多不同结果的数据(定量、
定性),比如化探(地表、井中)、物探(重、磁、电、震等)、地质(岩性、构
造等),以往的研究都是针对某种方法或者以一种方法为主,多种方法为辅。为
了能够很好的把各种方法的研究数据结合在一起,形成一个系统,本文用近年发
展起来的神经网络非线性技术对此类问题进行了研究。
2
1.2 研究现状及其在油气勘探中的应用
人工神经网络的研究的重要意义已为许多科学家所承认,将它看成是智能信
息处理发展的一个主流方向。自 20 世纪 80 年代中期以来,人工神经网络重新引
起许多科技工作者的兴趣,形成现代非线性科学和计算智能研究的主要内容之
一。它可以进行非线性处理,具有自组织性、并行处理性、层次性和系统性等特
性
[1、2、4、7]
。由于人工神经网络的信息处理机制和它的成功应用,实际上它已经成
为智能信息处理的主要技术之一。随着人工神经网络理论的日趋成熟,它的应用
也逐渐扩大和深入。
1.2.1 神经网络研究现状
神经网络技术作为智能科学的领头羊,是今年来发展起来的一门十分活跃的
交叉学科
[1、2]
。它涉及生物、电子、计算机、数学、物理等学科,有着广泛的应
用前景。神经网络的研究始于 20 世纪 40 年代。半个多世纪以来,它经历了一条
由兴起到衰退、又由衰退到兴盛的曲折发展过程。
19 世纪末和 20 世纪初,人类对生物神经网络进行了研究,最初工作是,
Herman VonHelmholts、Erst Mach 和 Ivan Pavlov 等学者对神经生理学、心理
学和物理学的研究,他们的研究重点在于学习、视觉和条件反射等一般理论。人
类对人工神经网络的研究的前期工作,没有涉及到神经元工作的数学模型。
20 世纪 40 年代,Warren McCulloch 和 Walter Pitts(1943)的研究工作,
被认为是现代人工神经网络研究工作的开始。他们提出了第一个人工神经元的数
学模型来描述了大脑工作原理。
20 世纪 50 年代末,Frank Rosenblatt(1958)推出了第一个实用的人工神经
网络——感知器网络。感知器网络的成功引起了人们对神经网络研究的兴趣。
1960 年,Bernard Widrow 和 Marcian Hoff 推出了 ADALINE(ADAptive LInear
NEuron,自适应线性神经元)网络和 LMS(Least Mean Square,最小均方)算法的学
习规则。
1969 年,Marvin Minsky 和 Seymuor Papert 所著的《Perceptrons》(感知
器)一书,对这些局限性进行了深入的分析,指出感知机网络不能实现某些基本
的功能,这本书的结论曾一度导致了神经网络研究陷入了低潮,神经网络的研究
停滞了十多年。
剩余87页未读,继续阅读
资源评论
- sweetchild22023-12-24怎么能有这么好的资源!只能用感激涕零来形容TAT...
「已注销」
- 粉丝: 791
- 资源: 3613
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功