CN110633868A - 遗传算法优化神经网络进行探井试油层油气性质预测方法 - Google Patents
遗传算法优化神经网络进行探井试油层油气性质预测方法 Download PDFInfo
- Publication number
- CN110633868A CN110633868A CN201910902948.9A CN201910902948A CN110633868A CN 110633868 A CN110633868 A CN 110633868A CN 201910902948 A CN201910902948 A CN 201910902948A CN 110633868 A CN110633868 A CN 110633868A
- Authority
- CN
- China
- Prior art keywords
- oil
- neural network
- genetic algorithm
- decoding
- layer
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 229930195733 hydrocarbon Natural products 0.000 claims description 8
- 150000002430 hydrocarbons Chemical class 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了遗传算法优化神经网络进行探井试油层油气性质预测方法,使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化,解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题,能快速对试油层的油气性质进行准确判断,提升了预测结果和实际试油结果的吻合率,该方法计算简单,在大数据智能预测方面有广泛的借鉴作用。
Description
技术领域
本发明涉及目标试油层油气水属性判断领域,特别是一种遗传算法优化神经网络进行探井试油层油气性质预测方法。
背景技术
探井试油是勘探流程中重要的环节,试油结论也直接决定了勘探的成效,选择在哪个层段进行试油对试油结论有重要影响,难点在于准确判断试油层油气水属性。传统技术主要是依据钻井录井数据和测井曲线数据,研究人员根据经验进行预测,但随着勘探难度加大,面临着判断油气属性成功率明显降低的问题。而以往经验大多难以言传身教,很难在以往基础上快速发展出新的认识,有效应对新情况。
利用大数据和机器学习成为提升试油层油气水判断成功率的有效途径。在使用神经网络训练数据的过程中,权重和阈值的初始值对训练结果有较大影响。目前神经网络超参数选择通常采用网格法和随机法,其中网格法是通过循环遍历,尝试每一种可能,需求计算资源大,耗时长;随机法是用随机数去求近似最优解,精度较差,不稳定,两种效果往往都不太理想。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种能快速对试油层的油气性质进行准确判断的遗传算法优化神经网络进行探井试油层油气性质预测方法。
为达到上述目的,本发明是按照以下技术方案实施的:
遗传算法优化神经网络进行探井试油层油气性质预测方法,包括以下步骤:
S1、对研究区内探井的测井曲线数据进行预处理,建立神经网络的拓扑结构,并进行遗传算法初始化;
S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置;
S3、进行神经网络训练及网络评估,网络评估的结果满足误差要求则执行步骤S9,网络评估的结果不满足误差要求且种群为空则执行步骤S4,网络评估的结果不满足误差要求且种群不为空则执行步骤S5;
S4、对神经网络的超参数、权重和偏置进行基因编码和解码,生成种群;
S5、确定遗传算法中种群适应度函数,进行种群适应度遍历计算;
S6、根据适应度选择基因个体;
S7、遗传算法进行交叉和变异;
S8、输出神经网络超组合,包括超参数、各个权重和偏置,然后返回步骤S4;
S9、神经网络模型输出。
进一步,所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括:测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。
进一步,所述步骤S3中,进行神经网络训练及网络评估,包括准确率、召回率、误差数值的计算,作为遗传算法输入参数。
进一步,所述步骤S4中基因编码/解码/种群生成,包括:
S41、初始权重和偏置项的编码和解码:
对每个节点权重和偏置项采用实数编码,每个参数占一位,其中前36位为输入层到第一隐藏层节点权重,后续48位为第一隐藏层到第二隐藏层节点权重,后续36位为第二隐藏层到输出层的节点权重,后续6位为输入层与第一隐藏层之间的偏置项,后续8位为第一隐藏层与第二隐藏层之间的偏置项,最后6位为第二隐藏层与输出层之间的偏置项,总共140位,初始权重和偏置项采用以下公式进行优化:
S42、训练迭代次数的实数编码和解码:
以100为起始,最大为102300,步长为100;
编码:利用公式ai=Si%2,其中i=0,1...9;S0=S/100,S为迭代次数,得到二进制编码;
解码:设二进制编码为ai,i=0,1,...9,其对应的迭代次数为S,则:
S43、学习率的实数编码和解码:
以0.001为起始,最大为1.023,步长为0.001;
编码:利用公式ai=Si%2,其中i=0,1...9;S0=S/1000,S为学习率,得到二进制编码;
解码:设二进制编码为ai,i=0,1,...9,其对应的学习率为S,则:
S44、每次选取样本数的实数编码和解码:
以2为起始,最大为128,2的倍数递增;
S45、激活函数类型的实数编码和解码:
激活函数分别为softmax,relu,sigmoid,tanh,采用某个激活函数时编码为1,否则为0。
按照随机扩展生成的方式生成种群。
进一步,所述步骤S5中,确定遗传算法中适应度函数的方法为:
利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率,计算遗传算法中适应度函数如下:
设每个类型试油结论准确度为Pi,召回率为Ri,适应度为:
进一步,所述步骤S6中,根据轮盘赌选择法对基因进行选择。
进一步,所述步骤S7中,遗传算法的交叉包括:超参数的交叉,根据随机数选择某一超参数进行交叉;以及对超参数内部再次根据随机数选择进行交叉。
与现有技术相比,本发明使用遗传算法对BP神经网络模型的权重、偏置项和超参数进行了优化,解决了探井试油层油气水性质预测中单独使用神经网络算法预测效果不理想的问题,能快速对试油层的油气性质进行准确判断,提升了预测结果和实际试油结果的吻合率,该方法计算简单,在大数据智能预测方面有广泛的借鉴作用。
附图说明
图1为本发明一种遗传算法优化神经网络进行探井试油层油气性质预测方法流程示意图。
图2为本发明神经网络架构示意图。
图3为本发明超参数基因编码结果示意图。
图4本发明神经网络权重和偏置项编码示意图。
图5为本发明神经网络训练示意图。
图6为本发明基因交叉示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
如图1所示,本实施例提供了遗传算法优化神经网络进行探井试油层油气性质预测方法,有以下步骤构成:
101,对选择研究区内探井的测井曲线数据进行预处理,建立神经网络拓扑结构:对研究区域内探井试油层样本数据进行预处理,包括:测井曲线单位统一化;测井曲线与试油层油气性质对应;测井曲线归一化处理,获得处理后的数据如表1所示。
表1
通过计算测井曲线与试油层油气性质之间的相关系数,选择相关性较大的数据作为特征值进行训练,包括深度、AC、CAL、GR、SP、RT共6个特征值,具体如表2所示。
表2
序号 | 深度 | AC | CAL | GR | SP | RT | SYJL |
1 | 1524.125 | 0.6180897 | 0.1900315 | 0.457167 | 0.785715 | 0.853108 | YC |
2 | 1554.125 | 0.8118211 | 0.8727872 | 0.298795 | 0.087599 | 0.136776 | YC |
3 | 1624.25 | 0.2525174 | 0.5711273 | 0.921949 | 0.266275 | 0.169271 | SC |
4 | 1526.125 | 0.5195541 | 0.6275337 | 0.642499 | 0.745027 | 0.726333 | GC |
5 | 1528.75 | 0.6637086 | 0.9686632 | 0.215396 | 0.650493 | 0.775925 | YSTC |
6 | 1736.5 | 0.6390778 | 0.222197 | 0.587988 | 0.614494 | 0.475907 | SC |
7 | 1656.125 | 0.1764937 | 0.2945659 | 0.807843 | 0.176018 | 0.100758 | GC |
8 | 1422.125 | 0.6809252 | 0.1040067 | 0.918396 | 0.446465 | 0.611562 | YC |
102、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置;
103、进行神经网络训练及网络评估,利用101中数据,对神经网络进行训练并计算准确率、召回率及误差数值计算,进行网络评估,如图5所示;网络评估的结果满足误差要求则执行步骤S9,网络评估的结果不满足误差要求则执行步骤S4;
104、对神经网络的超参数、权重和偏置进行基因编码和解码,生成种群;具体包括:
1)初始权重和偏置项的编码和解码:
对每个节点权重和偏置项采用实数编码,每个参数占一位,其中前36位为输入层到第一隐藏层节点权重,后续48位为第一隐藏层到第二隐藏层节点权重,后续36位为第二隐藏层到输出层的节点权重,后续6位为输入层与第一隐藏层之间的偏置项,后续8位为第一隐藏层与第二隐藏层之间的偏置项,最后6位为第二隐藏层与输出层之间的偏置项,总共140位,初始权重和偏置项采用以下公式进行优化:
2)训练迭代次数的实数编码和解码:
以100为起始,最大为102300,步长为100;
编码:利用公式ai=Si%2,其中i=0,1...9;S0=S/100,S为迭代次数,得到二进制编码;例如迭代次数为10000,那么其对应的二进制编码为0001100100。
解码:设二进制编码为ai,i=0,1,...9,其对应的迭代次数为S,则:
3)学习率的实数编码和解码:
以0.001为起始,最大为1.023,步长为0.001;
编码:利用公式ai=Si%2,其中i=0,1...9;S0=S/1000,S为学习率,得到二进制编码;例如学习率为0.01,那么其对应的二进制编码为0000001010。
解码:设二进制编码为ai,i=0,1,...9,其对应的学习率为S,则:
4)每次选取样本数的实数编码和解码:
以2为起始,最大为128,2的倍数递增;
5)激活函数类型的实数编码和解码:
激活函数分别为softmax,relu,sigmoid,tanh,采用某个激活函数时编码为1,否则为0。
按照随机扩展生成的方式生成种群。
105、确定遗传算法中适应度函数,进行适应度计算:
利用测井曲线数据对探井试油层油气水性质预测获得其准确率和召回率,计算遗传算法中适应度函数如下:
设每个类型试油结论准确度为Pi,召回率为Ri,适应度为:
106、根据轮盘赌选择法对基因进行选择;
107、遗传算法进行交叉和变异:
1)基因交叉分为二步,包括:超参数的交叉,根据随机数选择某一超参数进行交叉;对超参数内部再次根据随机数选择进行交叉,如图6所示。
2)基因变异:通过随机函数,对基因中某个位置进行变异。
108、输出神经网络超参数、各个权重和阈值或偏置,然后返回步骤S2;
109、神经网络模型输出:输出满足误差要求的试油层油气性质预测模型。
为了验证本发明的可行性,使用上述实例的遗传算法优化神经网络进行探井试油层油气性质预测方法与现有技术中的未优化的神经网络进行试油层油气性质预测效果对比,所用的基础数据都是相同的。
未优化的神经网络预测效果:试油层油气性预测平均准确率为79.52%,平均召回率为69.78%,误差为1.34。
上述实施例的遗传算法优化神经网络进行探井试油层油气性质预测效果:试油层油气性预测平均准确率为82.61%,平均召回率为75.86%,误差为0.16。
可以得出,本发明的遗传算法优化神经网络进行探井试油层油气性质预测方法,能较好的提高对试油层油气性质判断的准确率。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (7)
1.遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,包括以下步骤:
S1、对研究区内探井的测井曲线数据进行预处理,建立神经网络的拓扑结构,并进行遗传算法初始化;
S2、对神经网络的迭代次数、学习率、每次取样数、激活函数进行随机初始化设置;
S3、进行神经网络训练及网络评估,网络评估的结果满足误差要求则执行步骤S9,网络评估的结果不满足误差要求且种群为空则执行步骤S4,网络评估的结果不满足误差要求且种群不为空则执行步骤S5;
S4、对神经网络的超参数、权重和偏置进行基因编码和解码,生成种群;
S5、确定遗传算法中种群适应度函数,进行种群适应度遍历计算;
S6、根据适应度选择基因个体;
S7、遗传算法进行交叉和变异;
S8、输出神经网络超组合,包括超参数、各个权重和偏置,然后返回步骤S4;
S9、神经网络模型输出。
2.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,所述步骤S1中的对研究区内探井的测井曲线数据进行预处理预处理包括:测井曲线单位统一化、测井曲线与试油层油气性质对应、测井曲线归一化处理。
3.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,所述步骤S3中,进行神经网络训练及网络评估,包括准确率、召回率、误差数值的计算,作为遗传算法输入参数。
4.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,所述步骤S4中基因编码/解码/种群生成包括:
S41、初始权重和偏置项的编码和解码:
对每个节点权重和偏置项采用实数编码,每个参数占一位,其中前36位为输入层到第一隐藏层节点权重,后续48位为第一隐藏层到第二隐藏层节点权重,后续36位为第二隐藏层到输出层的节点权重,后续6位为输入层与第一隐藏层之间的偏置项,后续8位为第一隐藏层与第二隐藏层之间的偏置项,最后6位为第二隐藏层与输出层之间的偏置项,总共140位,初始权重和偏置项采用以下公式进行优化:
S42、训练迭代次数的实数编码和解码:
以100为起始,最大为102300,步长为100;
编码:利用公式ai=Si%2,其中i=0,1…9;S0=s/100,s为迭代次数,得到二进制编码;
解码:设二进制编码为ai,i=0,1,...9,其对应的迭代次数为S,则:
S43、学习率的实数编码和解码:
以0.001为起始,最大为1.023,步长为0.001;
编码:利用公式ai=Si%2,其中i=0,1…9;S0=S/1000,S为学习率,得到二进制编码;
解码:设二进制编码为ai,i=0,1,...9,其对应的学习率为S,则:
S44、每次选取样本数的实数编码和解码:
以2为起始,最大为128,2的倍数递增;
编码:设选取样本数为S,利用公式ai=Si%2,其中i=0,1,2,S为选取样本数,得到二进制编码;
S45、激活函数类型的实数编码和解码:
激活函数分别为softmax,relu,sigmoid,tanh,采用某个激活函数时编码为1,否则为0。
按照随机扩展生成的方式生成种群。
6.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,所述步骤S6中,根据轮盘赌选择法对基因进行选择。
7.根据权利要求1所述的遗传算法优化神经网络进行探井试油层油气性质预测方法,其特征在于,所述步骤S7中,遗传算法的交叉包括:超参数的交叉,根据随机数选择某一超参数进行交叉;以及对超参数内部再次根据随机数选择进行交叉。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910655844 | 2019-07-19 | ||
CN2019106558442 | 2019-07-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633868A true CN110633868A (zh) | 2019-12-31 |
Family
ID=68973906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910902948.9A Pending CN110633868A (zh) | 2019-07-19 | 2019-09-24 | 遗传算法优化神经网络进行探井试油层油气性质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633868A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111150411A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111783847A (zh) * | 2020-06-15 | 2020-10-16 | 中国石油大学(北京) | 一种低对比度油气层识别方法、装置、设备及*** |
CN111915097A (zh) * | 2020-08-14 | 2020-11-10 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
-
2019
- 2019-09-24 CN CN201910902948.9A patent/CN110633868A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111150411A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111150411B (zh) * | 2020-01-17 | 2022-11-11 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111783847A (zh) * | 2020-06-15 | 2020-10-16 | 中国石油大学(北京) | 一种低对比度油气层识别方法、装置、设备及*** |
CN111783847B (zh) * | 2020-06-15 | 2023-08-25 | 中国石油大学(北京) | 一种低对比度油气层识别方法、装置、设备及*** |
CN111915097A (zh) * | 2020-08-14 | 2020-11-10 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
CN111915097B (zh) * | 2020-08-14 | 2022-11-11 | 南通大学 | 基于改进遗传算法优化lstm神经网络的水质预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN112989708A (zh) | 一种基于lstm神经网络的测井岩性识别方法及*** | |
Hutahaean et al. | Many-objective optimization algorithm applied to history matching | |
CN110377511B (zh) | 一种面向数据流的测试用例生成方法 | |
CN111726349B (zh) | 基于ga优化的gru并行网络流量异常检测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN112949165A (zh) | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
CN114969953A (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
Ferraro et al. | Use of evolutionary algorithms in single and multi-objective optimization techniques for assisted history matching | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
CN116822971A (zh) | 一种井壁风险等级预测方法 |
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 |