基于模态分析和BP神经网络的红松方材孔洞定量检测
基于布谷鸟—BP神经网络的页岩脆性指数预测研究
基于布谷鸟—BP神经网络的页岩脆性指数预测研究黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【期刊名称】《中国石油勘探》【年(卷),期】2024(29)2【摘要】页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。
目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。
基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。
使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。
研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。
【总页数】9页(P158-166)【作者】黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【作者单位】成都理工大学地球物理学院;中国石化石油物探技术研究院有限公司中国石化地球物理重点实验室【正文语种】中文【中图分类】TE19【相关文献】1.涪陵页岩气田焦石坝区块页岩脆性指数地震定量预测2.地震叠前反演方法预测页岩脆性指数在南川地区的应用3.基于孔隙度分级的页岩脆性矿物指数预测方法4.沁水盆地海陆交互相页岩脆性指数预测与测井响应分析5.川南页岩气田L区块页岩脆性指数叠前地震定量预测因版权原因，仅展示原文概要，查看原文内容请购买。
基于MEA-BP神经网络对木材内部缺陷诊断的研究
基于MEA-BP神经网络对木材内部缺陷诊断的研究刘佳美;徐凯宏;王立海【摘要】为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷.结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92％、95.38％和92.31％,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果.%In order to improve the automatic recognition rate of wood internal defects,Electrical Resistance Tomography (ERT) method was usedto obtain the electrical conductivity fluctuation signal.Three-layer wavelet packet analysis is performed on the collected data by wavelet packet transform,and the 8 dimensional feature vector was extracted.The weight and threshold were optimized by using Mind Evolutionary Algorithm (MEA).Hole,knot and decay of the 45 groups of data for BP neural network training,20 sets for each defect was used as a test set,and the defects of wood were identified.The results showed that the recognition rates of MEABP neural network for wood holes,knots and decay were 96.92％,95.38％and 92.31％.The model solves the optimization problem of complex combination,improves the search efficiency and achieves the best prediction effect.【期刊名称】《林产工业》【年(卷),期】2018(045)002【总页数】6页(P19-24)【关键词】缺陷识别;小波包分析;MEA-BP神经网络;无损检测【作者】刘佳美;徐凯宏;王立海【作者单位】东北林业大学机电工程学院;东北林业大学机电工程学院【正文语种】中文【中图分类】S781.5目前，我国的木材需求量大，资源不足，利用率偏低。
基于BP神经网络的微孔钻削实时监测
方法 中 ，钻削加工可以获得较好 的加工质量及较高的
生产效率 ，因此在 国内外 占主 导地 位。在微 细 钻孔 中 ，微钻头极易折断 ，并造成工件报废 。如何避免钻 头折断是长期困扰微孔钻 削加 工的技术难题 。钻
头折断的根本原因在于磨损后钻削力增大 ，达到了所 能承受的极限。因此 ，通过钻削力在线监测来预测微 钻 头 折 断 、实 时 报 警 换 刀 是 一 种 行 之 有 效 的 方
Ｌ ｕ ，Ｘ Ｏ Ｇ Ｊ ｎ ｉ ，Ｓ Ａ ｉｐｎ ，Ｏ ｉａ Ｉ ｅ Ｉ Ｎ ａ ｑａ Ｘ ｉ ｏ Ｈ Ｏ Ｑ ｕ ｉｇ Ｕ Ｙｂ ｏ
（ ｃ ｏｌ ｆ ｅｈ ｎｃｌ ｎ ｉ ｅｉｇ ａｊ ｇＩｓｔｔ ｏ ｅｈ ｏ ｇ ，Ｎ ｎｉｇＪ ｎ ｓ １ ７ ｈｎ ） Ｓ ｈｏ ｏ ｃ ａｉａ Ｅ ｇ ｅｒ ，Ｎ －ｉ ｎｔｕｅ ｆ ｃ ｎ ｌ ｙ ａｊ ａｇｕ２ １ ，Ｃ ｉａ Ｍ ｎ ｎ ｎ ｉ Ｔ ｏ ｎ ｉ ｌ６
基于 Ｂ Ｐ神经 网络 的 微孔 钻 削实 时监 测
李 雪，熊建桥 ，邵秋 萍 ，欧益 宝
（ 南京工程 学 院机械 工程 学院 ，江 苏南京 ２ １６ ） １１７
摘要 ：为防止微孔钻削过程 中钻头折断 ，研制微孔钻削在线监 测系统 。该 系统 以主轴 电机三相 电流对 应的 电压信号 为 监测对象 ，应用神经 网络建立钻头磨损状态与信号特征的关 系模 型 ，以此获 取隐含微细钻 头磨损状态 的信息值 。实验结果 表明 ，应 用此 系统进行微孔钻削在线监测 ，可以有效避免微钻 头的折 断，提高钻头 的利用率 。
基于卷积神经网络的樟子松木材密度近红外预测模型优化
基于卷积神经网络的樟子松木材密度近红外预测模型优化刘晓利;李耀翔;彭润东;张哲宇;陈雅【期刊名称】《森林工程》【年(卷),期】2024(40)3【摘要】近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。
卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。
为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t 检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。
结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。
但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。
研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。
为木材气干密度无损检测提供了理论基础和科学依据。
【总页数】10页(P142-151)【作者】刘晓利;李耀翔;彭润东;张哲宇;陈雅【作者单位】东北林业大学机电工程学院【正文语种】中文【中图分类】S781.31【相关文献】1.基于近红外技术的落叶松木材密度预测模型2.应用近红外光谱和小波网络构建的木材基本密度预测模型3.IPSO-BP木材绝干密度近红外光谱预测模型4.基于5年生火炬松建立木材基本密度近红外预测模型5.基于IFSR异常样本剔除的落叶松木材密度近红外优化模型的研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工智能方法的地下洞室群爆破振动速度预测
基于人工智能方法的地下洞室群爆破振动速度预测马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【摘要】There are many influence factors in blasting excavation engineering of super-large section underground caverns.In order to accurately predict the blasting vibration velocity,the LS-SVM model was established based on support vector machine,which improved the speed and accuracy of the solving problem with structural risk minimiza-tion.The LS-VSM model was adopted to predict blasting vibration velocity induced by the underground water-sealed LPG caverns in China,and compared with the traditional prediction model as Sadov's formula model(SA model)and fuzzy neural network model(FNN model).The analysis results indicated that global root mean square relative error (RMSRE)of LS-SVM model was 4.68% compared with 14.42% by FNN model and 19.33% by SA model.Mean-while,there were 14 groups meeting the error threshold value(6%)aboutthe generalization performance of prediction model,while FNN model and SA model didn't meet the requirement.Thus,in prediction of blasting vibration velocity, regardless of prediction effect or generalization performance,the LS-SVM model was superior to FNN model and SA model.%特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度.采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析.分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差 RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求.因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验.【期刊名称】《爆破》【年(卷),期】2017(034)004【总页数】5页(P12-16)【关键词】地下洞室群;爆破振动速度预测;最小二乘支持向量机;模糊神经网络【作者】马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【作者单位】中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;武汉电力职业技术学院电力工程系,武汉430077【正文语种】中文【中图分类】TD235.3目前，钻爆法仍是水利水电工程、交通运输工程、矿业开采工程，乃至储备洞库工程的主要施工方法。
基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模
基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【摘要】针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法(CS)与改进BP神经网络(BPNN)相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式(附加动量与动态学习率相结合)对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6％以上,能够实现松茸发酵过程实时在线测量的需求.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)005【总页数】5页(P39-43)【关键词】松茸;布谷鸟算法;软测量;BP神经网络【作者】朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【作者单位】江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;无锡太湖水务有限公司,江苏无锡214000;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP30 引言松茸作为一种珍贵的食药两用真菌，因其自身特有的抗肿瘤、抗衰老、改善免疫系统功能等功效而大受人们喜爱[1]。
随着我国对松茸需求量的日益增大，传统的培养方式已远远不能满足人们对松茸的需求。
松茸液态深层发酵和其他传统生产方式相比，具有菌丝体生长周期短、产量高、污染小等优越性，并且通过液体深层发酵获得的菌丝体在营养价值上与野生子实体相近。
然而，由于发酵过程的高度时变性和不确定性，目前，关键生物参量还难以实时在线测量。
基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的
基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量随着现代科技的不断发展，地质勘探和矿产资源开发对材料成分的分析也变得越来越重要。
传统的分析方法通常需要运用昂贵的化学药剂或显微镜来确定元素含量，费时费力，而且操作相对繁琐，因此需要更为高效、准确的方法来降低成本和提高精度。
利用PCA-BP神经网络结合EDXRF分析技术进行分析成为越来越受欢迎的一种方法，本文将介绍此方法的应用并分析其优势。
一、基本原理1. EDXRF分析技术EDXRF是指采用能量色散X射线荧光分析仪进行的元素分析技术。
其基本原理是将粉末样品放置在X射线束的辐射区域中，等待样品吸收辐射后释放出荧光信号，利用X射线分析仪探测器扫描、分析这些信号之后，进而得到样品中各种元素的含量。
2. PCA-BP神经网络PCA主成分分析是指通过统计分析将复杂的数据转化为易于解释的几个主成分，以便于更好的理解数据变量之间的相互作用和关联。
BP神经网络则是一种常用的人工神经网络，可用来进行各种预测和分类任务。
实际上，PCA主成分分析和BP 神经网络结合可以大大提高数据处理和分类的精度和效率。
3. EDXRF和PCA-BP神经网络的关联将EDXRF技术与PCA-BP神经网络相结合可以大大提高分析准确性和处理数据的效率。
EDXRF分析技术可以用来测量元素含量，可生成多种数据变量，这些变量可以作为神经网络输入参数，进而用于网络训练与分析使得可以从数据中提取出更为有用的特征，预测元素含量，达到精准分析的目的。
不同于传统的方法，EDXRF技术结合PCA-BP神经网络使用高效率的数据提取算法来降低了样品处理时间，并在研究中证明了这种方法比传统方法具有更高的准确性和有效性，因此得到了广泛的应用。
二、符合实际应用的方法在实际应用中，高质量和准确的数据是关键，因此必须建立在一定样本基础上进行大量实验和测试，以调整参数和提高预测精度。
BP神经网络在低孔渗储层水淹层识别中的应用
BP神经网络在低孔渗储层水淹层识别中的应用牟立伟;张美玲;颜旭【摘要】针对榆树林油田低孔渗储层水淹层识别难度大,提出以BP神经网络模型为理论基础,结合研究区岩心分析、试油、以及常规测井等资料,建立油层水淹状况与测井响应值之间的对应关系,实现对水淹层的高精度解释.通过对BP神经网络模型的训练,得到满足误差条件的最佳网络.运用最佳网络对测试数据进行检验分析,最终92.9％油层水淹状况解释准确,有效解决了低孔渗储层水淹层识别难度大,精度低的问题.【期刊名称】《当代化工》【年(卷),期】2016(045)007【总页数】4页(P1586-1588,1592)【关键词】榆树林油田;低孔渗储层;水淹层识别;BP神经网络【作者】牟立伟;张美玲;颜旭【作者单位】东北石油大学地球科学学院,黑龙江大庆163318;东北石油大学地球科学学院,黑龙江大庆163318;大庆油田第四采油厂,黑龙江大庆163511【正文语种】中文【中图分类】TE133随着油田勘探开发的不断进行，中高渗储层日益减少，低孔渗储层已逐渐成为原油增储的重要阵地[1]。
但目前低孔渗储层的开采大多采用水驱方式，注水前期较为有效,但由于储层的低孔渗性导致储层注水不均匀，使注水一段时间后，受效不明显[2]。
这使得油层水淹状况的高精度解释成为必须解决重点课题，对下一步的挖潜剩余油，以及高效生产尤为重要。
从20世纪中叶以来，国际测井专家就开始做了一系列的探索工作，在常规的高孔渗储层已经形成了较为有效的评价方法[3-5]。
但在低孔渗储层水淹层识别方面，一直未形成有效的方法。
目前，利用各测井曲线的变化形态来定性识别水淹层[6]，是水淹层识别中的常用方法，但缺少测井曲线整体与水淹状况的联系。
为此，针对当前研究存在的不足，基于BP神经网络模型[7-9]，运用其在解决非线性问题方面所具有的自适应性的特点，实现测井响应值与油层水淹状况间的复杂函数关系的转换。
为此，我们利用BP神经网络建立了一种高精度的低孔渗油层水淹状况的解释方法。