CN108596251A - 一种基于委员会机器利用测井数据进行储层流体识别方法 - Google Patents

一种基于委员会机器利用测井数据进行储层流体识别方法 Download PDF

Info

Publication number
CN108596251A
CN108596251A CN201810377375.8A CN201810377375A CN108596251A CN 108596251 A CN108596251 A CN 108596251A CN 201810377375 A CN201810377375 A CN 201810377375A CN 108596251 A CN108596251 A CN 108596251A
Authority
CN
China
Prior art keywords
reservoir
committee
data
log data
log
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810377375.8A
Other languages
English (en)
Inventor
谭茂金
陆晨炜
吴静
王黎雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN201810377375.8A priority Critical patent/CN108596251A/zh
Publication of CN108596251A publication Critical patent/CN108596251A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于委员会机器利用测井数据进行储层流体识别方法，所述方法包括以下步骤：1)选择测井数据作为输入数据；2)对输入数据进行归一化；3)根据试油结果得到储层流体类型；4)将测井数据和流体类型构成数据集；5)将数据集随机地分成训练数据集和测试数据集；6)选用前置分类器；7)对每一种前置分类器进行训练，得到对应的分类模型；8)以测试数据集作为输入，分别通过每一种分类模型给出一个类别；9)针对每一组输入数据，将各分类模型给出的类别组合起来，采用委员会决策机制，给出最终的分类类别。所述方法模拟委员会的决策机制，把多个前置分类器联合起来，可以降低陷入局部最小，使委员会的决策更科学，更准确。

Description

一种基于委员会机器利用测井数据进行储层流体识别方法
技术领域
本发明属于石油勘探中储层流体识别技术领域，具体涉及一种基于委员会机器利用测井数据进行储层流体识别方法。
背景技术
地球物理测井是沿井眼的连续和原位地球物理参数测量技术，测量数据主要包括自然伽马、自然电位、深浅电阻率、声波、密度、中子等，利用这些数据可以实现储层划分，流体识别，孔隙度、渗透率和饱和度计算。研究含不同流体储层的测井响应特征，可进行储层的流体识别。实践证明，有的储层其测井响应特征明显，很容易实现流体识别，但对于低孔低渗储层、低阻油层以及复杂岩性地层，孔隙中的流体对测井响应的贡献小，不同流体性质储层与多种测井响应之间是非线性的关系，利用测井响应定性进行流体识别难度较大。因此，针对致密砂岩低孔渗、储层识别准确率不高的状况，国内外相关学者利用了神经网络、模糊***等智能算法解决测井解释的问题。目前在利用神经网络方法进行流体识别时，通常选用对流体敏感的测井数据作为输入，然后选用某单一机器学习算法(比如BP神经网络)进行训练，训练集来自于已知测试结果的储层，训练好网络后，再输入未知流体类型储层的测井数据，利用神经网络预测和判断该储层的流体类型。
基于神经网络利用测井数据进行流体识别方法的核心是所采用的机器学习算法。目前常采用BP网络、决策树、支持向量机等单一学习算法，这些方法都有各自的优缺点，通过单一的决策机制进行分类，每一种算法往往会出现过度训练，鲁棒性不好。因此，在使用单一智能算法进行训练和预测时可能因过拟合，会陷入局部极小，而导致泛化能力不佳。
为此，考虑到每种智能算法都有不同的优势和功能，多种方法联合可以降低陷入局部极小的风险，本发明拟在核心智能算法上采用多种智能算法联合的委员会决策分类策略，而且通过优良的决策机制使委员会的决策更科学，更准确。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。
决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。
自适应神经模糊推理***是一种将模糊逻辑和神经元网络有机结合的新型的模糊推理***结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生If-Then规则。基于自适应神经网络的模糊推理***ANFIS(AdaptiveNetwork-based Fuzzy Inference System)将神经网络与模糊推理有机的结合起来，既发挥了二者的优点，又弥补了各自的不足。
发明内容
为了解决单一智能分类算法存在的过拟合、陷入局部最小，而导致泛化能力不佳的问题，本发明提供一种基于委员会机器利用测井数据进行储层流体识别方法，所述方法在多个智能分类算法的基础上采用委员会决策机制，实现对储层流体的识别分类。所述方法将多个智能分类算法的分类结果组合起来，运用一种类似委员会的决策机制，在多个分类结果的基础上，确定最终的分类结果，有效地结合了不同智能分类算法的优势，提高了最终分类的准确性。
为实现上述目标，本发明采用以下技术方案：
一种基于委员会机器利用测井数据进行储层流体识别方法，所述方法包括以下步骤：
1)选择对流体敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据试油结果得到储层流体类型；
4)将每一层的测井数据和储层流体类型组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能分类算法作为前置分类器；
7)以训练数据集作为输入，分别对每一种前置分类算法进行训练，得到对应的分类模型；
8)以测试数据集作为输入，分别通过每一种分类模型给出一个类别；
9)针对每一组输入数据，将各分类模型给出的类别组合起来，采用一种委员会决策机制，给出最终的分类类别。
优选的，所述步骤1)中，选取声波时差(AC，)、中子密度(CNL)、补偿密度(DEN)、自然伽马(GR)、深感应测井(ILD)、中感应测井(ILM)等测井数据作为输入数据。
优选的，所述步骤3)中涉及的储层类型包括干层、水层、含油水层、油水同层和油层。
优选的，所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
优选的，所述步骤6)中采用的智能分类算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理***。
优选的，所述步骤9)中的委员会决策机制采用投票法组合各智能分类模型的输出类型，产生最终的分类输出类型。
优选的，所述投票法包括三类：绝对多数投票法，若某类型得票超过半数，则预测为该类型，否则拒绝预测；相对多数投票法，预测为得票最多的类型，若同时有多个类型得票最高，则从中随机选取一个；加权投票法，赋予每个智能***一个权重值来计算各个类型的得票数。
本发明的优点和有益效果为：本发明在核心分类算法选择上提出了多种智能分类算法联合的思想，即委员会机器，类似于组建了一个委员会，每个委员对应不同的智能分类算法，每种分类算法都不同的优势和功能。该委员会机器模拟委员会的决策机制，通过优良的决策机制把这些单一智能分类算法联合起来，可以降低陷入局部最小，使委员会的决策更科学，更准确。因此，该方法比单个智能分类***更优越，训练程度高，预测结果更好。
附图说明
附图1是本发明所述基于测井数据的储层流体识别方法的工作原理图。
附图2是本发明所述基于测井数据的储层流体识别方法的工作流程图。
附图3是本发明所述基于测井数据的储层流体识别方法分类预测的混淆矩阵图。
附图4是本发明所述基于测井数据的储层流体识别方法在实施例中与各单一智能算法分类预测性能的对比图。
具体实施方式
参见附图1、附图2，一种基于委员会机器利用测井数据进行储层流体识别方法，所述方法包括以下步骤：
1)选择对流体敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据试油结果得到储层流体类型；
4)将每一层的测井数据和储层流体类型组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能分类算法作为前置分类器；
7)以训练数据集作为输入，分别对每一种前置分类算法进行训练，得到对应的分类模型；
8)以测试数据集作为输入，分别通过每一种分类模型给出一个类别；
9)针对每一组输入数据，将各分类模型给出的类别组合起来，采用一种委员会决策机制，给出最终的分类类别。
所述步骤1)中，选取声波时差、中子密度、补偿密度、自然伽马、深感应测井、中感应测井等测井数据作为输入数据。
所述步骤3)中涉及的储层类型包括干层、水层、含油水层、油水同层和油层。
所述步骤5)中，训练数据集和测试数据集分别占数据总量的80％和20％。
所述步骤6)中采用的智能分类算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理***。
所述步骤9)中的委员会决策机制采用投票法组合各智能分类模型的输出类型，产生最终的分类输出类型。
所述投票法采用绝对多数投票法、相对多数投票法和加权投票法中的任意一种。
下面结合实施例对本发明作进一步说明。
实施例
选取红河地区若干口井的测井数据以及试油结果数据作为数据集，进行分类委员会机器实验。按照以下步骤操作：
1)选择对流体敏感的声波时差、中子密度、补偿密度、伽马(GR)、深感应测井、中感应测井和八侧向测井(LL8)等测井数据作为输入数据；
2)对7个输入特征的数据做归一化处理，归一化公式为：
式中，xmin、xmax分别为某一属性中所有数据的平均值、最小值、最大值，x为待归一化的数据。经过归一化处理后，7个输入特征的数据均在[-1,1]内；
3)根据试油结果对储层进行分类，分类目标为五种储层类型，分别为干层、水层、含油水层、油水同层及油层，在实验中分别用数字1～5来表示；
4)将每一层的测井数据和储层流体类型组合在一起构成数据集；
5)将数据集随机地分成两类，80％的数据作为训练集，20％的数据作为测试集，部分训练集数据如表1所示，部分测试集数据如表2所示；
6)选用BP神经网络、支持向量机和神经模糊***作为前置分类器；
7)以训练数据集作为输入，分别对每一种前置分类算法进行训练，得到对应的分类模型；
8)利用测试数据集，分别通过训练得到BP神经网络、支持向量机和神经模糊***这三个模型，对每个样本输入xi，三个模型分别输出了一个分类标记，OBPNN，i、OSVM，i和OANFIS.i，其中分类标记的取值集合为{1，2，3，4，5}，将其作为委员会机器构建实验数据，部分数据如表3所示；
9)针对每一组输入数据，将各分类模型给出的类别组合起来，采用相对多数投票法作为委员会的结合策略。在相对多数投票法中，委员会统计得票数最多的一个标记作为委员会最终的输出；如果三个模型输出的标记各不相同，则从三个标记中进行随机选择。通过相对多数投票，委员会最终得到对每一样本预测的类别，即完成了待解释储层的流体识别。
表1用于分类委员会实验的部分训练数据
表2用于分类委员会实验的部分测试数据
表3用于分类委员会构建的部分前置分类器输出数据
对比例
为了说明分类委员会方法的性能，用准确率和均方误差表征分类预测的性能，使用测试数据对该委员会以及三个委员——BP神经网络、支持向量机和神经模糊***的分类性能进行测试，并将分类委员会的预测结果与三个委员——BP神经网络、支持向量机和神经模糊***在该分类问题上的性能进行对比。测试结果为：该委员会模型的分类准确率为96.1％，输出值与目标值的均方误差为6.8％，其分类预测的混淆矩阵如附图3所示；委员会模型预测结果与目标值的均方误差比单个委员***的均方误差都要低，并且基于分类委员会的预测准确率也高于任何一个单一委员***的准确率，对比情况如附图4所示。
最后应说明的是：显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (7)

1.一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于，所述方法包括以下步骤：
1)选择对流体敏感的测井数据作为输入数据；
2)对输入数据的每个属性值进行归一化处理；
3)根据试油结果得到储层流体类型；
4)将每一层的测井数据和储层流体类型组合在一起构成数据集；
5)将数据集随机地分成两类，一类为训练数据集，另一类为测试数据集；
6)选用若干种智能分类算法作为前置分类器；
7)以训练数据集作为输入，分别对每一种前置分类算法进行训练，得到对应的分类模型；
8)以测试数据集作为输入，分别通过每一种分类模型给出一个类别；
9)针对每一组输入数据，将各分类模型给出的类别组合起来，采用一种委员会决策机制，给出最终的分类类别。
2.根据权利要求1所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于：所述步骤1)中，选取声波时差、中子密度、补偿密度、自然伽马、深感应测井、中感应测井等测井数据作为输入数据。
3.根据权利要求1所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于：所述步骤3)中涉及的储层类型包括干层、水层、含油水层、油水同层和油层。
4.根据权利要求1所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于：所述步骤5)中，训练数据集和测试数据集分别占数据集总量的80％和20％。
5.根据权利要求1所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于：所述步骤6)中采用的智能分类算法包括BP神经网络、支持向量机和自适应神经网络-模糊推理***。
6.根据权利要求1所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于，所述步骤9)中的委员会决策机制采用投票法组合各智能分类模型的输出类型，产生最终的分类输出类型。
7.根据权利要求1或6所述的一种基于委员会机器利用测井数据进行储层流体识别方法，其特征在于，所述投票法包括三类：绝对多数投票法，若某类型得票超过半数，则预测为该类型，否则拒绝预测；相对多数投票法，预测为得票最多的类型，若同时有多个类型得票最高，则从中随机选取一个；加权投票法，赋予每个智能***一个权重值来计算各个类型的得票数。
CN201810377375.8A 2018-04-25 2018-04-25 一种基于委员会机器利用测井数据进行储层流体识别方法 Pending CN108596251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810377375.8A CN108596251A (zh) 2018-04-25 2018-04-25 一种基于委员会机器利用测井数据进行储层流体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810377375.8A CN108596251A (zh) 2018-04-25 2018-04-25 一种基于委员会机器利用测井数据进行储层流体识别方法

Publications (1)

Publication Number Publication Date
CN108596251A true CN108596251A (zh) 2018-09-28

Family

ID=63609113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810377375.8A Pending CN108596251A (zh) 2018-04-25 2018-04-25 一种基于委员会机器利用测井数据进行储层流体识别方法

Country Status (1)

Country Link
CN (1) CN108596251A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及***
CN110056348A (zh) * 2019-04-25 2019-07-26 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和***
CN110674841A (zh) * 2019-08-22 2020-01-10 中国石油天然气集团有限公司 一种基于聚类算法的测井曲线识别方法
CN111695635A (zh) * 2020-06-15 2020-09-22 中国地质大学（北京） 动态分类委员会机器测井流体识别方法及***
CN111881287A (zh) * 2019-09-10 2020-11-03 马上消费金融股份有限公司 一种分类模糊性分析方法及装置
CN112099087A (zh) * 2020-09-27 2020-12-18 中国石油天然气股份有限公司 油藏渗流特征参数的地球物理智能预测方法、装置及介质
CN112230278A (zh) * 2019-07-15 2021-01-15 中国石油天然气集团有限公司 渗流场特征参数确定方法及装置
CN112862139A (zh) * 2019-11-27 2021-05-28 北京国双科技有限公司 流体类型预测模型的构建方法、流体类型预测方法和装置
CN113592028A (zh) * 2021-08-16 2021-11-02 中国地质大学（北京） 多专家分类委员会机器测井流体识别的方法及***
CN115961952A (zh) * 2023-02-21 2023-04-14 成都理工大学 一种油气藏内基于组合参数的储层流体综合判别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634717A (zh) * 2009-08-26 2010-01-27 中国石油大学(华东) 基于测井和叠前道集地震数据的精细横波阻抗求取技术
CN101930082A (zh) * 2009-06-24 2010-12-29 中国石油集团川庆钻探工程有限公司 采用电阻率资料进行储层流体类型判别的方法
CN106980872A (zh) * 2017-02-17 2017-07-25 北京维弦科技有限责任公司 基于投票委员会的k最近邻分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930082A (zh) * 2009-06-24 2010-12-29 中国石油集团川庆钻探工程有限公司 采用电阻率资料进行储层流体类型判别的方法
CN101634717A (zh) * 2009-08-26 2010-01-27 中国石油大学(华东) 基于测井和叠前道集地震数据的精细横波阻抗求取技术
CN106980872A (zh) * 2017-02-17 2017-07-25 北京维弦科技有限责任公司 基于投票委员会的k最近邻分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王黎雪: "裂缝性致密砂岩测井解释方法研究 ——以红河油田长8为例", 《中国优秀硕士学位论文全文数据库（电子期刊）基础科学辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919184A (zh) * 2019-01-28 2019-06-21 中国石油大学(北京) 一种基于测井数据的多井复杂岩性智能识别方法及***
CN110056348A (zh) * 2019-04-25 2019-07-26 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和***
CN110056348B (zh) * 2019-04-25 2021-05-11 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和***
CN112230278A (zh) * 2019-07-15 2021-01-15 中国石油天然气集团有限公司 渗流场特征参数确定方法及装置
CN110674841A (zh) * 2019-08-22 2020-01-10 中国石油天然气集团有限公司 一种基于聚类算法的测井曲线识别方法
CN110674841B (zh) * 2019-08-22 2022-03-29 中国石油天然气集团有限公司 一种基于聚类算法的测井曲线识别方法
CN111881287B (zh) * 2019-09-10 2021-08-17 马上消费金融股份有限公司 一种分类模糊性分析方法及装置
CN111881287A (zh) * 2019-09-10 2020-11-03 马上消费金融股份有限公司 一种分类模糊性分析方法及装置
CN112862139A (zh) * 2019-11-27 2021-05-28 北京国双科技有限公司 流体类型预测模型的构建方法、流体类型预测方法和装置
CN111695635A (zh) * 2020-06-15 2020-09-22 中国地质大学（北京） 动态分类委员会机器测井流体识别方法及***
CN111695635B (zh) * 2020-06-15 2023-08-08 中国地质大学（北京） 动态分类委员会机器测井流体识别方法及***
CN112099087A (zh) * 2020-09-27 2020-12-18 中国石油天然气股份有限公司 油藏渗流特征参数的地球物理智能预测方法、装置及介质
CN113592028A (zh) * 2021-08-16 2021-11-02 中国地质大学（北京） 多专家分类委员会机器测井流体识别的方法及***
CN115961952A (zh) * 2023-02-21 2023-04-14 成都理工大学 一种油气藏内基于组合参数的储层流体综合判别方法

Similar Documents

Publication Publication Date Title
CN108596251A (zh) 一种基于委员会机器利用测井数据进行储层流体识别方法
CN108665109A (zh) 一种基于回归委员会机器的储层参数测井解释方法
Idri et al. Can neural networks be easily interpreted in software cost estimation?
DAVIS et al. Machine-learning algorithms for credit-card applications
Larbani et al. A novel method for fuzzy measure identification.
Srisaeng et al. An adaptive neuro-fuzzy inference system for forecasting Australia's domestic low cost carrier passenger demand
CN106919980A (zh) 一种基于神经节分化的增量式目标识别***
US20120109865A1 (en) Using affinity measures with supervised classifiers
Jha et al. Extracting low‐dimensional psychological representations from convolutional neural networks
CN115907001B (zh) 基于知识蒸馏的联邦图学习方法及自动驾驶方法
Shokir et al. Permeability estimation from well log responses
Zhong et al. A new fuzzy clustering algorithm based on clonal selection for land cover classification
CN109858245A (zh) 一种基于改进深度置信网络的入侵检测方法
CN108873706A (zh) 基于深度神经网络的圈闭评价智能专家推荐方法
Putra et al. Implementation of neural network to determine the new college students
Li et al. A data-driven rutting depth short-time prediction model with metaheuristic optimization for asphalt pavements based on RIOHTrack
Mohaghegh et al. Application of artificial intelligence in the upstream oil and gas industry
Ouallane et al. Towards intelligent road traffic management based on neutrosophic logic: a brief review
Tapias et al. Reservoir engineer and artificial intelligence techniques for data analysis
Samimi et al. A comparison between different data mining algorithms in freight mode choice
Ray et al. Neuro-genetic approach to multidimensional fuzzy reasoning for pattern classification
Lahsasna et al. Intelligent credit scoring model using soft computing approach
Khoukhi et al. A data-driven genetic neuro-fuzzy system to PVT properties prediction
Lahsasna et al. Credit risk evaluation decision modeling through optimized fuzzy classifier
Wei et al. Study on battlefield situation assessment model of simulation entity based on stacked auto-encoder network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180928