基于Elman神经网络和遗传算法的油田指标预测
基于遗传算法的BP神经网络在油田措施规划预测中的应用
络， 它被 分 成输 入 层 、 间层 （ 隐 含 层 ） 输 出层。 中 或 和
同层节 点间无关联 ， 异层节点 间前 后相连接。其 中 ， 输
为构建 油 田措施规 划预 测模型理想 的技术手段。Ａ Ｎ Ｎ
通过对历 年措施 数据样本 的学 习， 自动获得最佳 逼近 样 本数据 规律 的函数 ， 需数学物理模 型和 人工干预 无
时， 该网络就可 以应用于实际预测工作 中了。 实现油田措施规 划的预测 ， 首先要 根据 已有 的措 施数 据 和 措 施 产 量 构 建 预 测 模 型 。人 工 神 经 网络 （ Ｎ 以其在对 非确定性 、 Ａ Ｎ） 非规则性数据 ， 特别是带噪 音的、 杂乱的非线性数 据处理 方面强大 的处 理功能 ， 成
计算输 出层神经元输 出
传 变异等 生物机 制的全局性概率搜索算法。主要特 点
是采 用整体 搜 索策略 ， 索不依赖 梯度信息和 求解 函 搜 数可微 ， 只需 函数 约束 条件 下可 解 ， 因此 具有 自适 应 、
计算输 出层神经元误差
全局优化和 隐含并行性等优 点。
计算 隐层神经 元误差
制了 Ｂ Ｐ神经 网络 的进 一步应 用 ， 用遗 传算法来优化 而 Ｂ 神 经网络可克服上述缺点达到理想 的效果。 Ｐ
网络初始化
输 入学习样本
３ 遗传算 法优 化预测模型
elman预测matlab实例
elman预测matlab实例
Elman神经网络是一种反馈神经网络，适用于时间序列数据的建模和预测。
在MATLAB中，可以使用神经网络工具箱来实现Elman 神经网络的建模和预测。
下面我将从多个角度来回答这个问题。
首先，我们需要准备时间序列数据，这些数据可以是任何具有时间顺序的数据，比如股票价格、气温变化等。
然后，我们可以使用MATLAB来创建Elman神经网络模型。
在MATLAB中，可以使用命令 `newelm` 来创建一个Elman神经网络对象。
这个函数需要指定网络的输入和输出的大小，以及隐藏层神经元的数量等参数。
接下来，我们需要对数据进行预处理，包括数据归一化、分割训练集和测试集等操作。
然后，我们可以使用 `train` 函数来训练Elman神经网络模型。
这个函数需要输入训练数据和对应的目标输出，以及一些训练参数，比如训练的最大周期数、训练误差等。
训练完成后，我们可以使用训练好的Elman神经网络模型来进行预测。
可以使用 `sim` 函数来对新的输入数据进行预测。
同时，我们可以使用一些评价指标来评估模型的预测性能，比如均方根误差（RMSE）、相关系数等。
此外，在MATLAB中还可以使用一些可视化工具来展示Elman神经网络模型的训练过程和预测结果，比如绘制训练误差曲线、实际值与预测值的对比图等。
总的来说，使用MATLAB实现Elman神经网络的建模和预测涉及到数据准备、模型构建、训练和评估等多个步骤。
通过合理的参数选择和模型调优，可以得到准确的预测结果。
希望这个回答能够帮助你理解如何在MATLAB中实现Elman神经网络的预测。
基于智能算法的油气勘探中的储层预测研究
基于智能算法的油气勘探中的储层预测研究近年来，基于智能算法的储层预测研究已经成为了油气勘探领域的热门话题。
智能算法作为一种先进的预测方法，已经在储层预测中取得了许多成果。
本文将从智能算法的概念定义入手，探讨其在油气勘探中的应用和发展现状，并探讨智能算法在油气勘探中的发展趋势。
一、智能算法的概念及定义智能算法是一种可以模拟人类智能行为的算法，它主要应用于数据挖掘、机器学习、模式识别等领域。
所谓智能算法，主要包括遗传算法、神经网络、模糊逻辑、支持向量机、贝叶斯网络、模拟退火等一系列算法。
这些算法通常都会以自适应、数据驱动为基础，通过对大量数据处理和模型优化，达到提高预测精度的目的。
二、智能算法在储层预测中的应用智能算法因其自适应、数据驱动和高精度等特点，越来越受到油气勘探领域的关注，并在储层预测、组合预测、地质建模等方面得到广泛应用。
（一）智能算法在储层预测中的应用储层预测是油气勘探领域一项重要的任务，其难点在于预测精度和预测速度的提升。
智能算法可以通过大量的数据处理和模型优化，实现高水平的预测精度。
其中，神经网络算法适用于储层纵向预测，而支持向量机和模糊逻辑适用于储层横向预测。
（二）智能算法在组合预测中的应用组合预测是目前油气勘探领域普遍采用的一种预测方法，其基本原理是将多个模型输出结果进行加权平均，从而提高预测准确率。
智能算法可以用于组合预测的组合模型的优化，从而提高组合预测的精度和可靠性。
（三）智能算法在地质建模中的应用地质建模是油气勘探中非常重要的环节，其目的是通过对各种地质数据的整合、分析和处理，开发出合理的井位和油气储量分布模型。
智能算法可以通过大量的数据处理和地质建模优化，实现高水平的预测精度。
三、智能算法在储层预测中的发展现状近年来，智能算法在油气勘探领域中的应用得到了广泛的关注和研究。
在储层预测中，神经网络、支持向量机和模糊逻辑等算法已经取得了很大的进展。
而组合预测和地质建模等领域也开始得到越来越多的研究和应用。
人工智能算法在油气田勘探与开发中的应用与优化研究
人工智能算法在油气田勘探与开发中的应用与优化研究摘要：油气田勘探与开发是能源产业的重要环节，传统的勘探方法存在成本高、效率低等问题。
然而，随着人工智能算法的快速发展，其在油气田勘探与开发中的应用日益广泛。
本文将重点探讨人工智能算法在油气勘探中的应用，涵盖了数据处理与解释、油气资源评价、藏层模拟与优化设计等方面。
同时，还介绍了目前存在的问题以及未来的发展趋势，以期为油气田勘探与开发中的研究与实践提供参考。
1. 引言油气田是重要的能源资源，其勘探与开发对能源产业的发展至关重要。
然而，传统的勘探方法存在诸多问题，如成本高、周期长、效率低等。
随着人工智能算法的快速发展，人们开始将其应用于油气田勘探与开发中，以提高勘探效率和开发效益。
2. 人工智能算法在油气勘探中的应用2.1 数据处理与解释油气勘探中的一个重要环节是对勘探数据进行处理和解释。
传统方法主要依靠人工经验进行数据分析，这种方式效率低且易受主观因素的影响。
而基于人工智能算法的数据处理与解释方法可以根据数据特征自动提取有关信息，从而减少了人工干预的需求。
例如，利用机器学习算法可以对地震数据进行分析，识别出潜在的油气储层，提高了勘探效率。
2.2 油气资源评价油气资源评价是在勘探阶段中至关重要的一步，它涉及到油气资源量、储层特征等重要指标的评估。
传统的评价方法通常依赖于经验公式和地质知识，存在着较大的主观性和不确定性。
而基于人工智能算法的评价方法可以利用大量的数据和机器学习模型，通过模式识别来评估油气资源潜力。
这些算法可以根据特定的地质条件和勘探数据，提供更准确的资源评估结果。
2.3 藏层模拟与优化设计在油气田的开发阶段，藏层模拟和优化设计对于提高采收率和经济效益至关重要。
传统的模拟方法通常采用数值计算模型，但其计算速度较慢且对参数敏感。
而基于人工智能的算法，如人工神经网络和遗传算法等，可以通过学习和优化来模拟油气藏层的分布和流动行为，预测产量和优化开发方案。
基于神经网络-遗传算法优化柴油机油台架试验
（Ｎ Ａ Ｎ）ｍ ｄ ｌ ａ ｅｅ ｐｄｆｒ ｒｄ ｔ ｇ ｈ ｌｉ ｓｉ ｂｔｅｎｅｇ ｅｔ ｔ ｎ ｅ ｃ ｓ ｕｉｇｂ ｃ －ｒ ａａｉ ｏｅ Ｗ ｄｖｌ ｅ ｅ ｉｉ ｅｒ ａ ｏ ｈ ｅ ｅ ｎ ｎ ｓ ａｄｂ ｎｈｔ ｔ ｓ ａｋｐｏ ｇｔ ｎ ｓ ｏ ｏ ｐ ｃｎ ｔ ｅ ｔｎ ｐ ｗ ｉ ｅ ｅ ｎ ｐ ｏ
Ａ ｓ ａｔＢ ｓｄ ｏ ｅｄ ｔ ｆｂ ｎ ｈｔｓ ａ ｄ ｅ ｇｎ ｓ ｏ ５ ４ Ｄ ｇａ ｅｅ ｇｎ ｉ，ｎａｔ ｃａ ｎ ｕａ ｎ ｔ ｒ ｂｔ ｃ： ａｅ ｎｔ ａａｏ ｅ ｃ ｅｔ ｎ ｎ ｅｔ ｔ ｆ１ Ｗ／ ０ Ｃ ｒｄ ｎ ｅｏｌａ ｒｆ ｉｌ ｅ ｒｌ ｅ ｋ ｒ ｈ ｉ ｅ ｉ ｉ ｉ ｗｏ
李为 民
２ ．江 苏 工 业学 院化 工 系
徐春 明 许志伟
北 京 １２ ０ ０ ２０； 香港 ）
（ ．中 国石 油 大 学 （ 京 ） 重 质 油 国家 重 点 实 验 室 １ 北
江 苏 常 州 ２ ３ １ ；３ １０ ６ ．香 港科 技大 学 化 工 系
摘要 ：根据 １Ｗ／０ｃ ５ ４ Ｄ柴油机油的模拟实验与台架试验的基础数据 ，用人工神经 网络 （ Ｎ Ａ Ｎ）的反向传播算法建
０ｌｗｉ ｃ ｃ ｕ ａ ｙ Ｔ ｅ ＡＮＮ ｄ ｌＷａ ｐ ｉ ｚ ｄ ｂ ｎ ｏｐ ｒｔｎ ｅ ｅｉ ｌｏ ｔ ｍ ． ｔｍａ ｅ ｃ ｅ ｔｏ ５ ／ ０ ｉ ｔ ｍｕ ｈ ａ ｃ ｒｃ ． ｈ ｈ ｍｏ ｅ ｓ ｏ ｔｍｉｅ ｙ ｉ ｃ ｒ ｏ ｉｇ ｇ ｎ ｔ ａｇ ｒ ｈ Ｏｐ ｉ ｌｂ ｎ ｈ ｔｓ ｆ１ Ｗ ４ ａ ｃ ｉ
立了模拟实验与台 架试验神经网络预测模型，该神经网络模型合适的拓扑结构为 ５ 一，学习速率为 ０２ －ｌ ７ ．，动量因子为
基于数据挖掘的长短期记忆网络模型油井产量预测方法
１１ 循环神经网络（ＲＮＮ）原理
长短期记忆网络 （ＬＳＴＭ）是基于循环神经网 络（ＲＮＮ）改进的一种算法［１３－１４］。ＲＮＮ将上 一 时
历史时间 序 列 数 据 影 响，相 当 于 每 个 样 本 独 立 训 练，没有 时 序 观 念［９］。 针 对 油 井 产 量 变 化 的 普 遍
田开发方面教学、科研工作。
７８
特种油气藏
第 ２６卷
ቤተ መጻሕፍቲ ባይዱ
据深度学习，抓取数据之间隐藏的规律，通过对模 靠［１０－１２］。
型进行训练优化，建立多变量的产量预测模型，捕 捉多种生产数据与产量之间的隐藏规律，与传统的
１ 基于长短期记忆神经网络的模型建立
油藏工程方法相比预测结果更加可靠［７］。 油井产量预测是基于油井生产历史的典型时
ＯｉｌＷｅｌｌＰｒｏｄｕｃｔｉｏｎＦｏｒｅｃａｓｔｗｉｔｈＬｏｎｇ－ＳｈｏｒｔＴｅｒｍ ＭｅｍｏｒｙＮｅｔｗｏｒｋＭｏｄｅｌＢａｓｅｄｏｎＤａｔａＭｉｎｉｎｇ ＧｕＪｉａｎｗｅｉ１，ＺｈｏｕＭｅｉ１，ＬｉＺｈｉｔａｏ１，ＪｉａＸｉａｎｇｊｕｎ２，ＬｉａｎｇＹｉｎｇ２
（１．ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＰｅｔｒｏｌｅｕｍ （ＥａｓｔＣｈｉｎａ），Ｑｉｎｇｄａｏ，Ｓｈａｎｄｏｎｇ２６６５８０，Ｃｈｉｎａ； ２．ＳｉｎｏｐｅｃＳｈｅｎｇｌｉＯｉｌｆｉｅｌｄＢｒａｎｃｈＣｏｍｐａｎｙ，Ｄｏｎｇｙｉｎｇ，Ｓｈａｎｄｏｎｇ２５７０００，Ｃｈｉｎａ）
收稿日期：２０１８０８０８；改回日期：２０１８１１２３ 基金项目：国家科技重大专项“特高含水后期整装油田延长经济寿命期开发技术”（２０１６ＺＸ０５０１１－００１） 作者简介：谷建伟（１９７１—），男，教授，１９９３年毕业于石油大学（华东）油藏工程专业，２００５年毕业于中国海洋大学海洋地质专业，获博士学位，现从事油气
基于深度森林算法的油井产量预测
基于深度森林算法的油井产量预测薛永超;袁志乾;金青爽;张春辉;赵天龙;刘佳;李海龙【期刊名称】《科学技术与工程》【年(卷),期】2022(22)11【摘要】为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。
首先应用K最邻近算法(K-nearest neighbor,KNN)和Z-Score标准化方法对油井相关数据进行预处理,利用平均不纯度减少(mean decrease impurity,MDI)特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。
研究结果表明,相对于BP(back propogation)神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。
【总页数】8页(P4327-4334)【作者】薛永超;袁志乾;金青爽;张春辉;赵天龙;刘佳;李海龙【作者单位】中国石油大学(北京)石油工程学院;中海石油(中国)有限公司天津分公司;中国石油长庆油田分公司【正文语种】中文【中图分类】TE328【相关文献】1.基于改进深度森林算法的软件缺陷预测2.基于随机森林算法的页岩气多段压裂井产量预测3.基于长短时记忆神经网络模型的油井产量预测方法4.基于随机森林算法的河南省冬小麦产量预测最佳时间窗和影响因子研究5.基于ARIMA-GRNN模型的油井产量动态预测因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法和长短记忆神经网络组合模型的加油站销量预测
基于遗传算法和长短记忆神经网络组合模型的加油站销量预测潘诗元;易万里;李翔宇
【期刊名称】《化工自动化及仪表》
【年(卷),期】2022(49)2
【摘要】针对加油站销量波动大且非线性特征明显,使用传统时间序列的预测模型无法满足实际预测需求的情况,提出基于遗传算法(GA)和长短记忆神经网络(LSTM)的销量组合预测模型,在原始数据的基础上加入温度、天气、油价、星期、节假日特征进行辅助预测,对文本类数据使用One-hot编码并使用Embedding降维,采用遗传算法求得LSTM模型的最优超参数来提升模型精度。
结果显示:该模型精度保持在90%以上且符合大规模预测需求,能够投入实际应用。
【总页数】8页(P207-214)
【作者】潘诗元;易万里;李翔宇
【作者单位】中国石油大学人工智能学院;中国人民大学统计学院;东北财经大学统计学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测
2.基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测
3.基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NO_(x)排放预测模型研究
4.基于4种长短
时记忆神经网络组合模型的畸形波预报5.基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法和ELM神经网络的目标威胁估计
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０７．０２８引用格式：陈路路，张建民，白洁，等．基于遗传算法和ＥＬＭ神经网络的目标威胁估计［Ｊ］．无线电工程，２０２３，５３（７）：１７１９－１７２４．［ＣＨＥＮＬｕｌｕ，ＺＨＡＮＧＪｉａｎｍｉｎ，ＢＡＩＪｉｅ，ｅｔａｌ．ＴａｒｇｅｔＴｈｒｅａｔＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥＬＭＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（７）：１７１９－１７２４．］基于遗传算法和ＥＬＭ神经网络的目标威胁估计陈路路１，２，张建民１，２，白 洁１，２，艾 伟１，２，杜 楚１，２，张岐坦１，２，周 云３（１．中国电子科技集团公司第五十四研究所，河北石家庄０５００８１；２．河北省智能化信息感知与处理重点实验室，河北石家庄０５００８１；３．陆装驻石家庄地区第一军代室，河北石家庄０５００８１）摘 要：目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。
为准确估计目标威胁情况，提出了基于遗传算法和极限学习机（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＧＡ ＥＬＭ）的目标威胁评估方法。
采用遗传算法优化ＥＬＭ神经网络的输入权重和隐含层阈值，优化后的ＥＬＭ神经网络能够克服传统ＥＬＭ网络不稳定的缺点，具有更好的目标威胁估计性能。
实验结果表明，基于ＧＡ ＥＬＭ的目标威胁估计误差明显小于传统ＥＬＭ方法，且输出的威胁结果更加稳定。
关键词：态势评估；极限学习机；遗传算法；目标威胁估计中图分类号：ＴＰ３９１．９文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０７－１７１９－０６ＴａｒｇｅｔＴｈｒｅａｔＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥＬＭＮｅｕｒａｌＮｅｔｗｏｒｋＣＨＥＮＬｕｌｕ１，２，ＺＨＡＮＧＪｉａｎｍｉｎ１，２，ＢＡＩＪｉｅ１，２，ＡＩＷｅｉ１，２，ＤＵＣｈｕ１，２，ＺＨＡＮＧＱｉｔａｎ１，２，ＺＨＯＵＹｕｎ３（１．Ｔｈｅ５４ｔｈｒｅｓｅａｒｃｈｉｎｓｔｉｔｕｔｅｏｆＣＥＴＣ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ；２．ＨｅｂｅｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｅｒｃｅｐｔｉｏｎａｎｄＰｒｏｃｅｓｓｉｎｇ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ；３．Ｔｈｅ１ｓｔＭｉｌｉｔａｒｙＲｅｐｒｅｓｅｎｔａｔｉｖｅＯｆｆｉｃｅＳｔａｔｉｏｎｅｄｉｎＳｈｉｊｉａｚｈｕａｎｇＲｅｇｉｏｎ，ＰＬＡＡｒｍｙＥｑｕｉｐｍｅｎｔＤｅｐａｒｔｍｅｎｔ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００８１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔａｒｇｅｔｔｈｒｅａｔｌｅｖｅｌｉｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｃｏｍｍａｎｄｅｒｓｔｏｃｏｎｄｕｃｔｓｉｔｕａｔｉｏｎａｓｓｅｓｓｍｅｎｔａｎｄｃｏｍｍａｎｄｄｅｃｉｓｉｏｎｍａｋｉｎｇ．Ｉｎｏｒｄｅｒｔｏａｃｃｕｒａｔｅｌｙｅｓｔｉｍａｔｅｔｈｅｔａｒｇｅｔｔｈｒｅａｔ，ａｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ（ＧＡ ＥＬＭ）ｉｓｐｒｏｐｏｓｅｄ．ＴｈｉｓｍｅｔｈｏｄｕｓｅｓｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅｔｈｅｉｎｐｕｔｗｅｉｇｈｔｓａｎｄｈｉｄｄｅｎｌａｙｅｒｔｈｒｅｓｈｏｌｄｓｏｆＥＬＭｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴｈｅｏｐｔｉｍｉｚｅｄＥＬＭｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎｏｖｅｒｃｏｍｅｔｈｅｉｎｓｔａｂｉｌｉｔｙｏｆｔｒａｄｉｔｉｏｎａｌＥＬＭｎｅｔｗｏｒｋａｎｄｈａｓｂｅｔｔｅｒｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｐｅｒｆｏｒｍａｎｃｅ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｅｒｒｏｒｕｓｉｎｇＧＡ ＥＬＭｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｌｅｓｓｔｈａｎｔｈａｔｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＥＬＭｍｅｔｈｏｄ，ａｎｄｔｈｅｏｕｔｐｕｔｔｈｒｅａｔｒｅｓｕｌｔｉｓｍｏｒｅｓｔａｂｌｅ．Ｋｅｙｗｏｒｄｓ：ｓｉｔｕａｔｉｏｎａｓｓｅｓｓｍｅｎｔ；ＬＥＭ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｔａｒｇｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔ收稿日期：２０２３－０１－２０基金项目：河北省智能化信息感知与处理重点实验室发展基金项目（ＳＸＸ２２１３８Ｘ００２）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＳｕｐｐｏｒｔｅｄｂｙｔｈｅＤｅｖｅｌｏｐｍｅｎｔＦｕｎｄＰｒｏｊｅｃｔｏｆＨｅｂｅｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｅｒｃｅｐｔｉｏｎａｎｄＰｒｏｃｅｓｓｉｎｇ（ＳＸＸ２２１３８Ｘ００２）０ 引言目标威胁估计作为战场信息融合分析过程中的一项关键研究内容，能够根据所获取目标的多种特征信息以定量形式计算出敌方目标对我方目标的威胁程度，是指挥员进行态势评估和指挥决策的重要参考。
基于量子遗传算法和模糊神经网络的油田开发综合经济评价
在评价 和优 选油 田开 发规划 方 案时 ， 各类 技术 、 经济 及社 会指 标既 相互 矛盾 ， 又相互 依赖 ， 很难 根据方
案 中的某一 指标 来判 定方 案 的优 劣 ， 因此 有必 要建 立一 套切 实有效 的综 合经 济评 价方 法． 规模糊 神经 网 正 络 （ ｒ ｌ ｅ ｕ ｚ ｕａ Ｎｅｗｏｋ ， 称 ＮＦ Ｎｏ ｍａｉ ｄＦ ｚｙＮｅ ｒｌ ｔ ｒ ｓ 简 ｚ ＮＮ） 是模 糊逻 辑与 神经 网络 的结合 ， 者的融 合 弥补 了 二 神经 网络在 模糊 数据 处理 方面 的不 足 和纯 模 糊 网络 在学 习方 面 的 缺 陷． 而 ， 然 当模 糊 语 言 变量 取 值 较 多 时 ， 糊规则 数 急剧增 多 ， 模 需要优 化 的参数 数 目要 比普 通神 经 网络 大 得 多 ， 将 使其 优 化 曲面 变 得极 不规 这 则 ， 在很 多局 部 极 小 值 而 最 终 导 致 神 经 网络 算 法 不 易 收敛 ． 子 遗 传 算 法 （ ａ ｔｍ Ｇｅ ｅｉ Ａｌｏ 存 量 Ｑｕ ｎｕ ｎ ｔ ｇ — ｃ
田开 发方 案综 合经济 评价 的复杂性 和传 统神 经 网络评 价 方法 难 于 收敛 ， 者提 出一 种 基 于量 子 遗传 算 法 笔
和正 规模 糊神 经 网络 的评 价方 法 ， 真结 果 表 明该 方 法是有 效 的． 仿
１ 正规 模 糊 神 经 网络 模 型
１ １ 模糊 规 则描 述 ． 模糊 逻辑 规则 一般 描述 为 ］ 规则 ： 果 。 Ｖ ， 为 Ｆ ， ， 为 Ｆ ， Ｙ 如 为 ｉ ，… 则 为 Ｂ ，ｚ Ｂ ， ， 为 Ｂ， ｛Ｙ 为 ，… Ｙ 埘 一１ ２ … ， ． 中 （ ， ， Ｋ）其 Ｆ ，和 Ｂ 分 别为 【 和 上 的模 糊集 ． ， 令 ｘ一（ １ ｚ ， ， ） ， ２ … ＥＵｌ ×Ｕ２ ×… ×Ｕ 和 ｙ一 （ ， ２ … ， Ｅ Ｖ１ ２ １ Ｙ ， Ｙ ） ×Ｖ ×… ×Ｖ 分 别 为模 糊
基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法
文章编号：1000 − 7393(2022)04 − 0506 − 09 DOI: 10.13639/j.odpt.2022.04.016基于BP 和LSTM 神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法罗发强1,2 刘景涛1,2 陈修平1,2 李少安1,2 姚学喆3 陈冬3,41. 中国石化西北油田分公司石油工程技术研究院,；2. 中国石化碳酸盐岩缝洞型油藏提高采收率重点实验室；3. 中国石油大学(北京)石油工程学院；4. 油气资源与探测国家重点实验室·中国石油大学(北京)引用格式：罗发强，刘景涛，陈修平，李少安，姚学喆，陈冬. 基于BP 和LSTM 神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法［J ］. 石油钻采工艺，2022，44（4）：506-514.摘要：顺北油田断裂发育，地质构造复杂，储集层埋深达8 000 m ，具有高温高压、窄钻井液密度窗口等特征，地层孔隙压力的预测精度难以满足工程需求。
为了提高地层孔隙压力的预测精度，利用人工智能方法在处理复杂非线性问题上的优势，采用反向传播神经网络BP 和长短期记忆循环神经网络LSTM 这2种人工智能算法，基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据，建立了顺北油田5号断裂带地层孔隙压力智能预测模型，BP 神经网络模型的预测误差为3.927%，LSTM 神经网络模型预测误差为2.864%。
测试结果表明，LSTM 神经网络模型具有更好的预测效果，满足现场地层孔隙压力的预测精度，为保障顺北油田5号断裂带钻井安全提供数据参考。
关键词：顺北油田；地层孔隙压力；神经网络；人工智能；BP ；LSTM 中图分类号：TE24；TP18 文献标识码： AIntelligent method for predicting formation pore pressure in No. 5 fault zone in Shunbeioilfield based on BP and LSTM neural networkLUO Faqiang 1,2, LIU Jingtao 1,2, CHEN Xiuping 1,2, LI Shaoan 1,2, YAO Xuezhe 3, CHEN Dong 3,41. Research Institute of Petroleum Engineering Technology , SINOPEC Northwest Oilfield Company , Urumqi 830011, Xinjiang , China ;2. SINOPEC Key Laboratory of Enhanced Recovery in Carbonate Fractured-Vuggy Reservoir , Urumqi 830011, Xinjiang , China ;3. School of Petroleum Engineering , China University of Petroleum (Beijing ), Beijing 102249, China ;4. State Key Laboratory of Oil & Gas Resources and Exploration , China University of Petroleum (Beijing ), Beijing 102249, ChinaCitation: LUO Faqiang, LIU Jingtao, CHEN Xiuping, LI Shaoan, YAO Xuezhe, CHEN Dong. Intelligent method for predicting formation pore pressure in No. 5 fault zone in Shunbei oilfield based on BP and LSTM neural network ［J ］. Oil Drilling &Production Technology, 2022, 44(4): 506-514.Abstract: Faults are developed in the Shunbei Oilfield with complex geological structures, and the reservoirs are buried as deep as 8 000 m, which are characterized by high temperature, high pressure, and narrow drilling fluid density window, and the prediction基金项目: 国家重点研发计划“复杂油气智能钻井理论与方法”(编号：2019YFA0708300)；中国石油科技创新基金项目“基于计算机视觉的井眼轨道智能规划方法研究”(编号：2020D50070308)。
应用遗传算法和神经网络预测粮食总产量
一
。
Ｇ Ａ是 从 自然 界 生 物 进 化 机 制 获 得启 示 的 。
Ａ Ｎ是人 脑 或 者动 物 神 经 网络 若 干 基 本 特 征 的 抽 Ｎ 象和模 拟 ， 此 具 有 了人 脑 的很 多 功 能 。今 年 来 ， 因
络 预测 。Ｅ ｍ ｉ Ｃ ｚＯ ０ ＠ ｓ ａ ｃｒ。 － ａｌ ｗｙ ８８ ｉ ．ｏ ： ｎ ｎ
Ｇ Ａ遗 传算 法 和人 工 神 经 网 络都 是 将 生 物学 原
理应 用 于科 学研 究 的仿 生学 理 论 成 果 ， 有及 强 的 具 解 决 问题 和 分 析 问题 的 能 力 。遗 传 算 法 是从 自然
已经有 越来 越 多 的 研 究 人 员 尝 试 着 将 Ｇ 和 Ａ Ｎ Ａ Ｎ
文章 ， 出 ： 指 中国 的人 口增 长 不 可 逆转 ； 中国 的农 田
减少不 可 逆转 ； 境 破 坏造 成 的农 作 物减 产 不 可 逆 环 转 。虽 然 中 国可 以也 有 能 力 用 足 够 的外 汇储 备 来 购买美 国的所 有 粮 食 ， 至买 上 几 年 美 国 的 收成 ， 甚 但 谁又 能 供 应 得 起 十 几 亿 中 国人 的 粮 食 缺 口？袁
隆平 的稻米 的新技 术 不 仅养 活 了 中 国人 ， 让 整个 也
世界 减 少 了对 粮 食 危 机 带 来 的恐 慌 。对 于 粮 食 总
产量 的预 测有一 定 的历史 意义 和现 实意义 Ｊ 。
在神 经 网络 的诸 多 算 法 中 Ｂ Ｐ是应 用 最 广泛 的 算法 之一 ， 但是 它存 在 一 些 缺 陷 ， 多遍 反 馈 ， 敛 速 收
预测城市土地利用变化的空间模型
预测城市土地利用变化的空间模型一、引言随着城市化进程的加快，城市土地的利用方式也在发生着翻天覆地的变化。
如何在城市土地的规划与管理中预测土地利用变化的趋势和模式，对于城市的可持续发展具有重大的意义。
本文旨在介绍几种预测城市土地利用变化的空间模型，希望能够为城市土地的规划与管理提供一些有价值的参考。
二、基于马尔科夫链的模型马尔科夫链是一种统计模型，它可以用来描述在一组状态之间的转移概率。
在城市土地利用变化的研究中，马尔科夫链模型可以将城市土地利用变化的过程看作是一系列的状态转移，从而预测不同时间点的城市土地利用状态。
例如，在一个城市中，有一块农业用地希望转变为城市用地。
马尔科夫链模型可以通过分析历史数据，计算出该农业土地在未来几年内成为城市用地的概率，从而为城市的土地规划提供参考。
三、基于细胞自动机的模型细胞自动机是一种用来模拟复杂系统的计算方法，它将空间划分为一系列的小格子，并通过规则来模拟小格子之间的交互。
在城市土地利用变化的研究中，细胞自动机模型可以划分城市区域成为多个小区，并模拟这些小区内土地利用的变化。
例如，在一个城市中，有一块老旧工业用地希望转变为住宅用地。
细胞自动机模型可以通过模拟不同时间点内人口数量和就业结构的变化，预测这块工业用地在未来几年内转变为住宅用地的可能性。
四、基于遗传算法的模型遗传算法是一种模拟生物进化过程的计算方法，可以在多个解中搜索最优解。
在城市土地利用变化的研究中，遗传算法可以优化城市土地利用的布局，从而实现土地的高效利用。
例如，在一个城市中，有一块商业用地希望转变为住宅用地。
遗传算法模型可以通过优化住宅用地和商业用地的布局，实现城市土地的高效利用。
五、基于神经网络的模型神经网络是一种通过模拟神经元之间的连接和传递信息的计算方法，可以用于模拟非线性系统的行为。
在城市土地利用变化的研究中，神经网络模型可以将多个影响城市土地利用的因素综合起来，预测未来城市土地利用的趋势和模式。
遗传算法与神经网络结合预测低渗透油藏产油量——以宝浪油田为例
的局 部精确 搜索 能力 和遗传 算法 的全局 搜索 能力 有
机结 合起来 ， 能做 到优 势互 补 ， 高 了预测 的精度 。 提
定 的局 限 性＿ 。 因此 ， 必 要 从 数 学 的 角度 出 １ ］ 有
２ 遗传算法与 Ｂ Ｐ算法结合的方法与步骤
人工 神 经 网络 具 有非 常 强 的非 线性 映射 能力 ，
— —
以宝 浪油 田为 例
董玉安 赵 蕊 叶 欢 廖 晶 高立建。张红坡。 ， ， ， ， ，
（． 国 石 化 河 南 油 田分 公 司石 油 勘 探 开发 研 究 院 ， １中 河南 南 阳 ４ ３ ３ ； ７ １２ ２ 中 国石 化 河 南 油 田分 公 司第 二 采 油 厂 ；． 国石 化 河 南 油 田分公 司第 一采 油厂 ） ． ３中
１ 遗传 算 法 与 Ｂ Ｐ算 法简 介
人工 神 经 网 络 （ ＡＮＮ， ｔ ｃ ｌＮｅ ｒｌＮｅ— Ａｒ ｆ ｉ ｕａ ｉ ａ ｉ ｔ
ｗｏｋ 预 测方法 是对 人类 大脑 的一种 物 理 结构 上 的 ｒ）
（ Ｐ算法 ） Ｂ 存在一 定缺 陷 ， 往会 降低 预测结果 的准 往 确性 ， 将遗 传算 法与 神经 网络有 机结合 ， 能较 好克 服 Ｂ Ｐ算 法 的缺 陷 。 利用 以下算 法步 骤来 实现遗 传算 法对神 经 网络
收 稿 日期 ： ０ １—０ —１ ； 回 日期 ： ０ １ ６ ９ ２１ ５ ９改 ２ １ —０ —１
模拟 ， 即利 用计算 机仿 真 的方法 ， 从物 理结构 上模 拟 人脑 ， 以使 系统 具 有人 脑 的某 些智 能 。在 众 多 的 人 工神 经 网络模 型 中 ， 层 前馈 神 经 网络模 型是 目前 多
基于遗传神经网络沥青混合料体积指标的预估
基于遗传神经 网络沥 青混合料体积指标 的预估
Ｐ ｅ ｉｔｏ ｌ ｍ ｅｒｃ ｎ ｅ ｆ ｐ ｌ ｉ ｔ ｒ ｓ ｄｏ Ｇｅ ｅ ｉ ｌｏ ｉｈ ａ ｄＮｅ ｒ ｌ ｒ ｄ ｃ ｉ ｎｏｆ Ｖｏ ｕ ｔｉ ｄ ｘｏ Ａｓ ｈａｔ ｘ ｕ ｅＢａ ｅ ｎ ｎ ｔｃ ｇ ｒｔ ｍ ｎ Ｉ Ｍ Ａ ｕ ａ Ｎｅ ｗｏ ｋ ｔ ｒ
ＢＰ ａ ｇ ｒｔ ｍ ｓ ｐｐ ｉ ｄｔ ｏ ｅ ａ ｔ ｅｖ ｌ ｍｅ ｉ ｄ ｘ ｏ ａ ｐ ａ ｔ ｉ ｔ ｒ ，ａ ｓ ｓｔ ｅｎ ｔ ｏ ｋ ｃ ｎ ｅ ｇ ｎｃ ａ ｅｒ ｉ ｅ ｎ ｐ ｒ ｉｌｔ ｖ ｉ ｅｎｇ ｌｏ ｉ ｈ ｉ ｌ ｆ ｒ ｃ ｓ ｏ ｕ ｅ ｆ ｓ ｈ ｘ ｕ ｅｃ ｕ ｅ ｅ ａ ｅ ｏ ｈ ｔ ｎ ｌ ｍ ｈ ｗ ｒ ｏ ｖ ｒ ｅ ｅｒ ｔ ａ ｓ ｄ ａ ｄ ａ ｔａ ｏ ａ ｏ ｄ ｂ ｉ ｍｉ ｉ ｕ ． ｎ ｍ ｍ ＧＡ— ｅ ｒ ｌｎ ｔ ｏ ｋ ｓ ｒ ｓ ｅ ｎ ａ ｐ ｃ ｓｏ ｏ ｖ ｒ ｅ ｅ ｒ ｔ ｄ ｆ ｒ ｃ ｔ ｒ ｃ ｓｏ ， ｕ ａ ｒ ｖ ｄ ｄ ｏ ｅｋｉ ｄ ｏ ｎｅ ＢＰ ｎ ｕ ａ ｅ ｗ ｒ ｕ ｐａ ｓ ｓＢＰ ｉ ｓ ｅ ｔ ｆｃ ｎ ｅ ｇ ｎｃ ａｅ ａ ｏ ｅ ａ ｅ ｉ ｉ ｎ ｔ ｓｉ ｈ ｓ ｏ ｉ ｅ ｎ ｎ ｆ ｗ ｎ ｓ ｐ ｈ ｔ ｐ ｍｅ ｔ ｌｔ ｏ ｔ ｅ ｏ ｕｍｅｉ ｄ ｘｏ ａ ｐ ａｔ ｘ ｕ ｅｆ ｒ ｃ ｓ ． ｎ ａｉ ｙｆ ｒ ｖ ｌ ｈ ｎ ｅ ｆ ｓ ｈ ｌ ｍｉ ｔ ｒ ｏ ｅ ａ ｔ
ｉｄ ｘ ｆｓｈｌｍｉｔｒ （ ＭＡａ ｄ ）ｓｅａａｅｙｏｅａｔｄＴ ｅ ｘ ｅｉ ｎａ ｓｌ ｏ ｈａ， ｅ ｕａｎｔ ｏｋ ｔｏ ｂｓｄ ｎ ｅ Ａ－ ｎ ｅ ｏａｐ ａ ｘｕｅ Ｖ ｎ ＶＶ ｉｓｐ ｔｌｆｒｃｓｅ．ｈ ｅ ｐｒ ｔ ｒ ｍｅ ｔｌ ｕｔｓ ｗｔ ｔ ｈ ｎ ｒｌｅ ｒ ｍｅ ｄ ａｅ ｏ ｔ Ｇ ｒ ｅ ｓｈ ｔ ｗ ｈ ｈ
基于改进残差网络的油气柱高度预测
基于改进残差网络的油气柱高度预测随着油气资源的日益匮乏，提高油气勘探和开发的效率成为了石油行业的重要课题。
油气柱高度的准确预测对于油气田的勘探和开发起着关键作用。
近年来，深度学习在预测问题中展现出强大的潜力。
本文基于改进残差网络，提出了一种用于油气柱高度预测的方法。
一、引言油气柱高度是指油气藏中水和石油之间的垂直距离，是评估油气资源丰度和储量的重要指标。
在油气田勘探和开发中，准确预测油气柱高度对于确定油气藏的规模和开采方案至关重要。
传统的预测方法主要依赖于地质勘探和物理测量，但受到了数据获取困难和模型复杂度高的限制。
二、相关工作在油气柱高度预测领域，以往的研究主要基于统计模型、机器学习和深度学习等方法。
统计模型通常依赖于样本的属性和特征之间的关系进行预测，但无法处理非线性关系。
机器学习方法使用多个特征进行预测并进行模型训练，但受到特征选择的限制。
深度学习方法通过多层神经网络进行特征提取和预测，具有强大的非线性建模能力。
三、改进残差网络模型本文提出了一种基于改进残差网络的油气柱高度预测方法。
残差网络是一种通过跳跃连接（skip connection）解决梯度消失问题的神经网络模型。
在传统的残差网络中，每个子层都有一个跳跃连接，将输入的特征直接添加到输出中。
为了进一步提高预测的准确性，我们在残差网络中引入了注意力机制。
改进后的残差网络模型主要包括以下几个部分：输入层、残差块、注意力机制和输出层。
输入层接收油气藏的特征数据，如地质属性、物理参数等。
残差块由多个卷积层和标准化层组成，用于提取特征并学习残差信息。
注意力机制用于动态调整特征的权重，使得模型能够重点关注对柱高度预测有决定性影响的特征。
输出层将特征映射到油气柱高度的预测结果。
四、实验结果与分析为了验证改进残差网络模型的有效性，我们使用了一份真实的油气柱高度数据集进行实验。
将数据集按照8:2的比例分为训练集和测试集，使用均方误差（Mean Squared Error, MSE）作为评价指标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机与现代化2013年第2期JISUANJI YU XIANDAIHUA总第210期文章编号：1006-2475（2013）02-0150-03收稿日期：2012-09-29基金项目：中国石油科技创新基金资助项目（2010D-5006-0302）作者简介：刘显德（1973-），男，黑龙江绥化人，东北石油大学计算机与信息技术学院副教授，博士，研究方向：神经网络，智能信息处理技术；杨婷婷（1986-），女，黑龙江绥化人，硕士研究生，研究方向：智能信息分析与处理。
基于Elman 神经网络和遗传算法的油田指标预测刘显德，杨婷婷，严胡勇(东北石油大学计算机与信息技术学院，黑龙江大庆163318)摘要：基于指标预测在油田实际开发中的应用，提出将神经网络和改进的遗传算法结合起来构建预测模型。
神经网络采用具有动态反馈的Elman 网络，充分发挥其动态预测的优势，同时借助遗传算法弥补其训练速度慢和容易陷入局部极小的缺点。
对遗传算法的选择算子加以改进，不仅可以保存优良个体而且可以提高搜索效率。
将神经网络和遗传算法进行有机结合，实现优势互补，以大庆葡北油田三断块的后续水驱含水率实测数据为例对模型进行论证，结果表明，该模型能达到很好的指标预测效果，本文提出的方法是有效可行的。
关键词：Elman 神经网络;遗传算法;油田指标预测中图分类号：TP301文献标识码：Adoi :10．3969/j．issn．1006-2475．2013．02．037Forecast of Oilfield Indexes Based on Elman Neural Network and Genetic AlgorithmLIU Xian-de ，YANG Ting-ting ，YAN Hu-yong（School of Computer and Information Technology ，Northeast Petroleum University ，Daqing 163318，China ）Abstract ：Based on the application of the index prediction in oil field actual development ，this paper puts forward a method com-bining neural network and genetic algorithm build a forecasting model．Neural network using a dynamic feedback Elman network ，gives full play to the advantages of its dynamic prediction ，and at the same time ，by the help of a genetic algorithm compensatesfor its slow training speed and easy to fall into the local minimum points．By improving genetic algorithm ’s selection operator it not only can save fine individual but also can improve the search efficiency．This paper organically combines neural network with genetic algorithm and realizes the complementary advantages．Taking the oilfield real data for example to test and verify model ，the results show that this model can achieve good prediction effect ，the method is efficient and feasible．Key words ：Elman neural network ；genetic algorithm ；index prediction in oil field0引言指标预测是油藏工程研究中的重要内容，在油田开发工作中发挥重要作用，对其深入研究也是近年来很多科技工作者的重要工作。
由于油田开发指标预测问题自身的多样性，加之各个待预测指标与其影响因素之间的相互联系和制约，仅仅依靠常规的预测方法很难满足需要。
文献［1］将水驱特征曲线和产量衰减曲线结合，提出一套开发指标经验预测方法，该方法可以弥补两种方法各自的不足，发挥各自优势，有效指导油田开发。
文献［2］综合应用油藏工程方法和油藏数值模拟方法对开发指标进行预测，将传统的拟合、预测过程由流水线式模拟创新为并行式模拟，为同类油田开发初期开发指标预测提供了有益借鉴。
上述方法由于对专业知识的过分依赖，并不具有普适性。
随着人工神经网络的研究和应用再次兴起，基于其良好的并行处理能力，处理的非线性、自组织、层次性及系统性等基本特点，如今，已被广泛应用于各个领域。
动态反馈Elman 神经网络属于典型的部分递归神经网络，算法原理简单，实现方便，不仅具有前馈神经网络的非线性映射，还具有很强的动态反馈信息和记忆功能的特点。
由于算法采用的是基于梯度下降法，会出现训练速度慢和陷入局部极小点的问题，导致全局搜索能力低，对神经网络的训练较难达到全局最优。
遗传算法恰恰擅长收敛于全局最优，是加快网络收敛速度的理想工具［3］。
将遗传算法应用2013年第2期刘显德等:基于Elman神经网络和遗传算法的油田指标预测151于Elman神经网络的训练，将实现两者优势互补，达到理想的训练效果。
基于此，本文提出将遗传算法和Elman神经网络结合，应用于油田指标预测，以大庆葡北油田三断块的后续水驱含水率实测数据为例，实验结果表明该方法是可行的。
1Elman神经网络Elman神经网络是J．L．Elman于1990年提出来的一种反馈动力学网络［4］，与BP等静态反馈网络不同的是它能够内部反馈、存储及利用过去时刻输出信息，既能够实现静态系统的建模，还能实现动态系统的映射并直接反应系统的动态特性，在计算能力及网络稳定性方面都较前向神经网络更胜一筹［5］。
网络包含4层：输入层、隐含层、结构层（有些文献也称之为联接层）和输出层，如图1所示。
网络输入层、隐含层、输出层的连接类似于BP网络，而结构层的加入，可以起到记忆的作用，使得系统能够适应时变特性，有利于动态过程的建模［6］。
图1Elman神经网络结构图网络的数学表达式为：x c（t）=x（t－1）x（t）=f（w（1）x c（t）+w（2）u（t－1））y（t）=g（w（3）x（t））其中，w（1）为结构层和隐含层之间连接权值，w（2）为输入层和隐含层之间连接权值，w（3）为隐含层和输出层之间连接权值，x c（t）为t时刻结构层输出，x（t）为t时刻隐含层的输出，f（）为结构层的传递函数，多为s函数，g （）为输出层的传递函数，多为线性函数［7］。
2应用遗传算法优化Elman神经网络连接权值遗传算法（Genetic Algorithm，GA）是1975年由美国J．Hoolland教授提出的，建立在达尔文的自然选择和群体遗传学机理上的一种自适应启发式全局搜索算法［8］。
对于给定问题，通过适应度函数评价种群中个体的优劣，经过不断的选择、交叉和变异操作找到最优的个体，具有很强的全局寻优能力和鲁棒性。
152计算机与现代化2013年第2期的全局搜索能力，本文采用最简单的单点交叉交法。
（5）变异：变异操作是产生新个体的一种方法，可以改进遗传算法对重点搜索区域的搜索性能，本文中变异算子采用高斯变异算子。
（6）产生新一代个体。
（7）检查是否满足结束条件，本文结束条件设定为达到最大后代数则算法结束。
（8）更新权值，网络训练，计算训练误差，达到训练回合数时训练结束［11-12］。
3实际应用采用大庆葡北油田三断块的后续水驱含水率的实测数据验证本文提出的方法的有效性。
预测含水率需要两个参数：注入量和采液量，所有Elman神经网络的输入神经元个数为2个，输出神经元1个。
由于单隐含层就能实现任意的函数逼近，所以设定隐含层为1个。
根据经验公式和仿真实验确定隐含层个数设为10个，结构层与隐含层神经元数量相同。
遗传算法的初始种群规模为100，交叉概率为0．65，变异概率0．28，遗传代数设为500。
选取20组数据进行预测，实际结果与预测结果对比结果如图3所示，可见采用此方法预测结果基本可靠。
图3模型预测结果图图4两种模型预测对比结果图将同样数据通过标准Elman模型进行预测，得到预测结果与本文提出的方法进行对比，对比结果如图4所示，可见遗传算法与Elman神经网络结合的模型有更好的预测准确度。
4结束语将遗传算法与Elman神经网络结合，并对遗传算法加以改进，将该方法应用到油田开发过程的指标预测问题中，以实际数据为例，证明该方法收敛速度快且有较好的预测精度，为油田指标预测问题提供了新的方法和思路。
参考文献：［1］管纪昂，袁士义．油田开发动态指标预测方法［J］．断块油气田，2005，12（4）：37-38，Ⅲ．［2］韩东．张强凹陷强1块开发指标预测研究［J］．科学技术与工程，2012，12（19）：4773-4775．［3］徐明，王翔．基于遗传算法的流量差值预测模型［J］．现代交通技术，2011，8（1）：73-75．［4］余健，郭平．基于改进的Elman神经网络的股价预测模型［J］．计算机技术与发展，2008，18（3）：43-45．［5］郭健．基于智能算法的非线性模型研究及预测控制［D］．武汉：华中科技大学，2008．［6］邵奎星，申东日，陈义俊，等．改进的Elman网络在非线性系统辨识中的应用［J］．河南科技大学学报：自然科学版，2007，28（1）：53-56，108．［7］Raja S Toqeer，N Suha Bayindir．Speed estimation of an induction motor using Elman neural network［J］．Neuro-computing，2003，55（3-4）：727-730．［8］杨玉梅，黎仁国，符红霞．基于遗传算法的WSMO服务组合模型研究［J］．计算机技术与发展，2012，22（7）：116-120．［9］张丽．实数型遗传算法的研究［J］．森林工程，2005，21（6）：50-52．［10］解海涛．基于遗传神经网络的民用航空器SDR预测［D］．南京：南京航空航天大学，2009．［11］Pham D T，Karaboga D．Training Elman and Jordan net-works for system identification using genetic algorithms［J］．Artificial Intelligence in Engineering，1999，13（2）：107-117．［12］Gao X Z，Ovaska S J．Genetic algorithm training of Elman neural network in motor fault detection［J］．Neural Compu-ting＆Applications，2002，11（1）：37-44．。