用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系
本文关键词：用人工神经网络研究元素与岩浆岩、沉积岩岩性及沉积岩矿物的关系 出处：《西北大学》2016年博士论文 论文类型：学位论文
更多相关文章： 沉积岩 岩浆岩 元素含量 矿物含量 人工神经网络
【摘要】：岩性识别是录井、测井解释的前提与基础工作。石油与天然气勘探开发工作在不断推进的同时,以复杂岩性体为主的非常规油气藏成为了油气行业的研究重点。针对复杂岩性体的岩性识别问题,录井中目前采用荧光光谱仪录井法、测井中目前以元素俘获谱测井法为主。这两种方法的共性是均以地层主要造岩元素为直接检测结果,难点是如何根据主要造岩元素信息判断所研究的地层岩性信息与造岩矿物定量组成信息。国外以斯伦贝谢等为代表的油田技术服务公司与相关研究人员在以地层元素为已知信息的岩性识别方面做过大量的研究工作。经文献调研发现,这些研究工作以沉积岩为主,很少涉及岩浆岩。由于我国复杂的油气田地质背景,此类研究结果也很难有更好的效果。针对我国特殊油气地质情况开展地层元素与岩性及矿物组成的关系研究是必要与迫切的。本文在充分调研的基础上,以人工神经网络中的多层感知器神经网络与BP神经网络为主要研究工具,在充分了解与掌握研究工具的前提下,整理了国内27个省、市、自治区7834条岩浆岩测试数据,来自国内13个不同类型含油气沉积盆地的沉积岩岩心X衍射测试数据共9066条,并进行了大量的样品实测,研究了其中复杂的元素与矿物对应关系。利用非线性数学分类方法中的多层感知器人工神经网络,构建了根据地层元素组成识别沉积岩、岩浆岩属性的岩性识别模型。接下来,利用BP神经网络,构建了根据地层元素组成识别沉积岩矿物组成的定量预测模型。通过整理的大量沉积岩、岩浆岩数据对模型进行了训练与测试,并利用Visual Studio.NET2003软件开发工具开发了相关应用程序。主要取得了以下的结果与认识：(1)根据地层组成元素中的Si、Ca、Al、Mg、K等主要元素,构建的岩性识别模型,在岩浆岩、沉积岩岩性识别方面,准确率达到94.3%。(2)根据地层组成元素中的Si、Ca、Al、Mg、K等主要元素,构建的矿物定量预测模型可对矿物组成中的石英、长石、粘土、方解石、白云石进行含量预测。经测试,石英含量的预测平均绝对误差在1.72以内,长石含量误差在4.5以内,其他三种矿物含量误差在1.72到4.5之间。(3)通过开发相关的应用程序,并对有关井数据进行了处理,说明所构建的模型有一定的泛化能力,处理结果可与实测结果对比,且与国际著名油田技术服务公司的解释结果有相关性。
【学位授予单位】：西北大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：P618.13;P631.81
【相似文献】
相关期刊论文 前10条
1 刘彩红;唐万梅;;基于组合神经网络的教师评价模型研究[J];重庆师范大学学报(自然科学版);2008年04期
2 钟义信;;神经网络:成就、问题与前景[J];科学;1992年02期
3 莫恭佑;;神经网络及其在英国的应用[J];国际科技交流;1992年03期
4 闵志;;神经网络:使计算机具有快速学习功能[J];国际科技交流;1992年03期
5 冯建峰,钱敏平;神经网络中的退火——非时齐情形[J];北京大学学报(自然科学版);1993年03期
6 唐功友;离散Hopfield神经网络的稳定性[J];青岛海洋大学学报;1994年S2期
7 靳蕃;;中国神经网络学术大会在西南交通大学隆重召开[J];学术动态报道;1996年04期
8 彭宏,张素;带有时滞的神经网络的稳定性[J];杭州大学学报(自然科学版);1997年04期
9 陈新,孙道恒,黄洪钟;结构分析有限元系统与神经网络[J];起重运输机械;1999年06期
10 成宇;神经网络是怎么搭建的?[J];百科知识;2005年16期
相关会议论文 前10条
1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年
2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年
3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年
9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年
10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
相关重要报纸文章 前10条
1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年
2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年
3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年
4 中国科技大学计算机系 邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年
5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年
6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年
7 健康时报特约记者 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年
8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年
9 ;神经网络和模糊逻辑[N];世界金属导报;2002年
10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年
相关博士学位论文 前10条
1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年
2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年
3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年
4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年
5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年
6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年
7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年
8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年
9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年
10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年
相关硕士学位论文 前10条
1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年
2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年
3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年
4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年
5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年
6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年
7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年
8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年
9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年
10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年
，本文编号：1320094
本文链接：https://www.wllwen.com/shoufeilunwen/jckxbs/1320094.html
