参数识别的多级压裂水平井基于PSO-RBF神经网络

文摘

为了更准确地识别多级压裂水平井(MFHW)参数和解决水库的异质性和井产量数据的随机性,基于PSO-RBF神经网络模型的新方法。首先,GPU并行程序用于计算多级压裂水平井井底的压力。其次,最上面的压力数据导入到RBF神经网络模型进行训练。在培训过程中,优化函数的全局最优解的PSO算法用来优化RBF神经网络的参数,最终,所需PSO-RBF建立神经网络模型。第三,导致神经网络使用剩余的数据进行了测试。最后,一个字段的多级压裂水平井研究通过使用PSO-RBF神经网络模型。结果表明,在大多数情况下,该模型表现优于其他模型,用相关系数最高,最低的意思是,和绝对误差。这证明PSO-RBF神经网络模型可以有效地应用于水平井参数识别。该模型有很大潜力改善储层物性参数的预测精度。

1。介绍

油藏描述的重要手段估算储层的物理性质在石油工业。这些储层物性参数需要更好的方法来提高预测精度进一步提高后续的勘探和开发的成功率。多相流在石油和天然气领域通常指多个同时流动的液体在一个水库,通常发生在石油和天然气生产(1,2]。老油田,石油和天然气的发展经历了self-spraying等阶段,二次,三次采油,这使得石油和天然气生产的过程复杂和具有挑战性的。为了应对这种复杂性,国内外很多研究已经完成,和介绍了油藏数值模拟估计石油多相流动特性,天然气,水(3,4]。

在石油行业,测井数据常用来预测地层渗透率等参数,形成边界、裂缝长度。磁导率被定义为衡量的能力允许流体通过多孔介质。渗透率的概念是重要的决定准确的油藏描述,模拟,和管理。因此,任何建模和计算之前,必须确定多孔介质的渗透率。最早的渗透率预测的方法是经验相关性渗透率和孔隙度和含水饱和度等储层。这些相关性在砂岩储层取得了一些成功。然而,它并不适用于异构的形成。

近年来,人工神经网络(ANN)已被应用于储层领域,解决许多高度复杂的非线性问题(5]。安是一个非线性的工具,可以预测复杂非线性系统行为。它还可以用于解决许多不同类型的问题在石油工程,如储层特征,渗透率预测,垂直多相流井底压力预测,和溶解气体驱动流预测(6- - - - - -8]。

安是一个方法,可以有效地替代传统技术的预测渗透率测井数据。安应用的缺点是要求来确定网络的结构。为了克服这些缺点,在这项研究中,一个MFHW参数识别模型基于PSO-RBF(粒子群优化算法;径向基函数(RBF)神经网络算法。的主要目的是寻求一个更好的预测储层属性。径向基神经网络的参数设计是利用粒子群算法获得更高的预测精度。参数识别模型基于PSO-RBF神经网络具有较高的学习能力和灵活性,当遇到复杂的问题,这使得该模型适用于工程实践。

2。审查的相关工作

在过去的几十年里,研究人员做了很多工作来研究储层参数估计问题,如渗透率、孔隙度、裂缝长度。磁导率的估计为例,目前有三个主要方法:岩心分析、试井分析和人工智能的方法。

渗透率预测的最准确的方法是执行核心分析在实验室通过应用达西定律。不同的技术,获得从岩心分析渗透率比通过其他方法获得,更高效和渗透率的岩心分析可以用来验证其他估计模型。然而,核心分析过程是费时,难以广泛使用。

获取储层渗透率的另一种方法是试井分析。分析解决方案是解决通过渗流方程,和一些岩石渗透率和孔隙度等属性可以然后获得反向压力曲线。后的数据测试帮助石油工程师计算地层渗透率,皮肤因子和井筒储存(9]。由于成本的测试,测试不是一个好的解决方案开发的水库。

网络越来越多的被用来预测储层属性基于地球物理测井数据(10,11]。Mohaghegh等人指出,神经网络是强大的工具用于确定渗透率之间的关系和测井数据(12]。此外,Aminian等人的研究表明,人工神经网络可以用来预测地层渗透率,即使在高度异构水库(13,14]。基于人工神经网络和粒子群优化算法,艾哈迈迪等人提出了一个方法,预测水平井生产率pseudosteady状态,和实验结果拟合精度高(< 0.82%)(15]。张等人提出了一种混合算法,结合了粒子群优化算法和反向传播算法训练前馈神经网络的权重。结果表明,混合算法优于自适应粒子群优化算法和反向传播神经网络(摘要)在收敛速度和收敛精度16]。基于RBF和摘要,陈发达两个水处理模型。模型的训练和检查从水厂实际数据分开。与基于摘要模型相比,该模型基于RBF神经网络具有更好的近似和更快的收敛的特点(17]。基于模型的摘要和RBFNN(径向基函数神经网络,时滞)大小,杨等人提出了一个模型对水泥分解和煅烧过程。结果表明,模型基于时滞可以达到非常高的拟合结果大小(18]。

Saemi等人提高了神经网络的预测性能通过使用遗传算法优化网络参数的安19]。此外,Kaydani等。结果表明,GA和安网络结构设计的次区域可以预测异构储层的渗透率在伊朗20.]。塔玛色比等人提出了四种方法预测渗透率不同的神经网络结构和统计而获得的结果。最后,新方法的模块化神经网络(MNN)获得了21]。通过结合杜鹃优化算法(COA),粒子群优化算法(PSO),帝国主义竞争算法(ICA),和Levenberg-Marquardt算法(LM) Kaydan等人提出了一种新的方法来估算渗透率(22]。

粗糙集理论可以被成功地应用于多孔介质渗透率的预测(23- - - - - -28]。通过建立粗糙集模型,Ilkhchi等人成功地预测海上气田的渗透率在伊朗29日]。

支持向量回归(SVR)基于结构风险最小化的原则是一个有前途的机器学习方法。戈拉米等人通过实验比较,发现SVR方法具有更快的速度和更高的精度预测储层渗透率(30.]。

3所示。问题公式化

3.1。优化设计

压裂后致密砂岩储层,储层的物理性质具有极低的孔隙度、广泛的渗透性变化,复杂的大量关系。因此,传统的生产预测模型往往无法满足需求的预测精度。

有效的算法对复杂非线性问题本质上是优化问题。所谓的优化指的问题寻求给定目标函数的最大值或最小值根据设计变量的变化一定约束条件下的会议。它可以由以下方程描述: 在哪里 和是满足限制条件的设计参数空间,称为解空间。 是被优化的目标函数。 , 优化设计变量,是目标函数的最大值或最小。 是等式约束, 表示不等式约束。

以MFHW为研究对象,PSO-RBF神经网络用于预测渗透率和裂缝半身像。优化目标函数的最小均方根误差(均方根误差)值的渗透率和半身的骨折。网络的输入变量是地层压力,骨折,地层厚度,以及存储常数,以及存储皮肤,等等,RMSE值和输出变量。

3.2。数据集

数据集描述了储层的特点和行为的输入和输出参数和储层模型的训练数据集。获得使用静态和动态数据,如孔隙度、渗透率、压力和储层生产价值。对于一个给定的源单元,根据线源叠加原理,任何一点的压力分布(x_D,y_D,z_D)应当形成空间

系数矩阵表示如下:

至于各种符号的定义出现在方程(2)和(3),读者可以参考我们之前的论文(31日]。注意,MFHW的地层压力数据通过GPU的并行计算方法提出了在文献[31日]。所有训练数据集分为PSO-RBF训练开始前两个部分。输入数据集,一个是,另一个是输出数据集。输入和输出数据集规范化在特定的范围内。在培训开始之前,一个标准归一化函数是用来限制的范围之间的输入和输出数据集−1和1,并给出数学函数在以下方程:

在PSO-RBF训练,训练数据集分为三个部分:培训、验证和测试。训练数据用于训练,在训练和验证数据也使用。然而,它应该提到,验证数据是用来检查网络学习,而不是培训网络。

4所示。PSO-RBF模型

人工神经网络的优势比其他传统的技术是能够准确、迅速执行复杂和高度非线性的任务。在大多数以前作品相关的储层模型,研究人员使用摘要构造储层模型。然而,陷入局部最小值的摘要有问题在训练时间。在大多数情况下,网络没有达到全球最低找到最小误差值。PSO算法的全局优化能力使得基于PSO算法的径向基神经网络模型没有局部最小值的问题。

4.1。PSO算法

灵感来自于运动的鸟类,PSO算法是由肯尼迪(32]。在这种方法中,每一个可能的解决方案被认为是一个粒子。每个粒子的特征是它的位置和速度。粒子的位置是在多维空间中定义的,和它的尺寸等于可行参数的数量。几个粒子最初是在多维空间中定义,迭代地改变他们的位置来确定最好的位置。粒子的运动是由一个健身RMSE等功能。该算法类似于鸟类是如何在一个广阔的区域内寻找食物。

算法的迭代执行期间,的值和不断更新。被定义为在多维空间粒子的最优位置,由健身价值。是所有粒子整体的最佳位置。在每个迭代步骤中,更新速度,然后更新位置。粒子的加速和通过更新速度: 在哪里是下一次迭代的速度,惯性权重,是当前速度,和随机数,是粒子的当前位置。更新粒子的位置使用以下方程:

每个粒子的初始位置和速度是随机分布的。初始化粒子的位置和速度后,计算健身。在后续步骤中,位置和速度迭代更新由当地最佳参数和全球最佳参数,如图1。

整个流程可以分为四个部分,即初始化、健身计算、状态检查和更新速度和位置。

4.2。径向基函数神经网络

时滞有小隐层神经元的数量和大小是用来开发网络有良好的泛化能力(33]。时滞被认为是一种特殊类型的大小人工神经网络由于其建筑只需要一个隐藏层,它允许输入空间中代表不同隐层神经元的新空间。结构如图2。培训过程的时滞,大小似乎作为一个线性模型,因为所有的隐藏神经元中心和计算是固定的。时滞隐层神经元进行非线性变换大小,所有输入映射到新输入空间。输出层被认为是一个线性转换器应用于新输入空间。时滞可以确定大小的性能通过调整隐层神经元的中心(宽度),并没有特定的公式选择径向基函数的宽度(34]。时滞系统已广泛应用于预测大小、模式识别、语音识别、自适应控制。它也被用于解决石油和天然气领域的问题,例如,石油和天然气的比率水库、电磁学、电阻率、日志数据反演,日志数据预测,地震属性和非线性水库属性和地震属性之间的关系(35- - - - - -37]。

的增长和整体结构由RBF时滞的影响大小。时滞输入直接连接到每个大小的基本功能并产生一个输出。也就是说, 在哪里代表网络的输入数据,径向基函数的中心,RBF的宽度吗 。首先,隐层神经元计算基于径向基函数的半径,然后传输到输出层。在这里,隐层神经元之间的产品的总和,计算权重向量得到最终的网络输出 ;也就是说,

4.3。PSO-RBF神经网络方法

时滞主要取决于大小的预测精度中央向量径向基核函数的半径径向基,重量的连接在输出层和隐层之间。传统的基于RBF神经网络使用本地信息的参数空间设置参数,从而导致的值 , ,和在局部最优解而不是全局最优的解决方案。针对这些缺陷的时滞,大小这项工作采用PSO算法来优化传统的时滞当识别MFHW参数大小。时滞参数大小优化的粒子群优化算法的全局最优参数,从而避免低可靠性的时滞学习大小的问题。PSO-RBF算法的具体流程如图3。

PSO优化时滞参数大小分为两个步骤:第一步是确定基函数的中心值和宽度,和第二步是确定隐层之间的连接权重和输入层。在优化过程中,通过GPU并行计算获得的数据被用来训练和验证网络。

算法的第一步是如下。

(1)储层模型数据样本的收集;(2)聚类分析的样本生成中心和宽度基函数;(3)初始化粒子群算法的使用和 ;(4)计算每个粒子的均方根误差(RMSE);(5)更新局部最优解和全局最优解;(6)更新粒子的位置和速度;(7)重复步骤(4 - 6),直到达到精度要求或迭代次数;和(8)获得中心和宽度的基函数。

第二步的算法流程如下。

(1)计算隐层的输出;(2)初始化的重量仅粒子群;(3)计算每个粒子的累积误差;(4)更新局部最优解和全局最优的解决方案;(5)调整粒子的位置和速度;(6)重复步骤(3 - 5);(7)获得的参数RBF神经网络。

5。一个领域的案例研究

5.1。计算

井底流动压力的分析和计算通过使用多级压裂水平井的测量数据在中国西部一个油田。地下三维PEBI网格的压裂水平井图所示4。储层均匀,液流满足达西定律,水平和垂直裂缝的渗透率不同,水平井是在一个封闭的矩形油藏骨折。使用了基于gpu的MFHW井底压力计算方法提出了我们的以前的工作31日),水平井井底流动压力的计算和数据集。

5.2。培训模式

粒子群算法中各个参数设置灵敏度研究部分中详细描述。5的时滞包括大小输入节点和1个输出节点。在前一节中介绍的算法优化步骤用于优化隐层神经元的培训4、8、12、16、20、24日和28日。测试结果如图5。从图可以看出,当隐层神经元的数量是16,错误是最低的。因此,RBN网络结构为5-16-1。

5.3。预测

在获得通过PSO算法的RBF神经网络参数,网络需要测试。为此,将剩余的数据被导入到优化的RBF神经网络获得的预测值MFHW井底渗透率和裂缝长度。

为了进一步检测网络的性能,PSO-RBF网络结构相比,本文提出的PSO-BPNN和SVR算法。结果如图6。渗透率的预测结果和错误的三个算法如表所示1。可以从表中获得1的RMSE PSO-BPNN是0.332,SVR算法的均方根误差为0.308,和RMSE PSO-RBF是0.178。预测的断裂长度是三个算法,结果如图7。裂缝长度的预测结果和错误的三个算法如表所示2。可以从表中获得2的RMSE PSO-BPNN是3.776,SVR算法的均方根误差为3.319,和RMSE PSO-RBF是2.250。从对比结果可以看出,RMSE PSO-RBF算法远低于其他两种算法,表明该算法具有较高的预测精度和更好的性能。

6。敏感性研究

在粒子群优化算法中,人口数量,粒子速度、惯性权重,学习因子和随机数对算法的性能有一定的影响。根据国内外研究,PSO算法的改进主要集中在惯性权重和学习因子(38,39]。惯性权重过程中起着重要作用的粒子群算法的收敛性。更大的价值 ,全局搜索能力越强,反之,较强的局部搜索能力。和粒子的大小的最大一步适应个体最优或一组最优方向,分别。当学习因素是小,粒子可能远离目标区域逗留,而粒子可以迅速朝着目标区域甚至超过目标区域当学习因素很大。

惯性权重和学习因子的值的粒子群算法在优化过程中可以改变。在搜索过程中,惯性权重设置改变的迭代次数。惯性权重的公式表达了以下方程: 在哪里是惯性权重的最大值,是惯性权重的最小值,当前的迭代次数,是迭代的最大数量。学习因子的计算公式所示以下方程: 在哪里最初的和最后的价值观是学习因素 ; 最初的和最后的价值观是学习因素 ; 是当前的迭代次数;和是迭代的最大数量。

为了说明参数设置的影响惯性权重和学习因子的预测结果PSO-RBF模型,经典粒子群算法与固定参数值和一种改进的粒子群算法参数值变化被用来预测渗透率的半身的骨折,分别。两种算法的基本参数如表所示3。渗透率预测数据和裂缝长度的预测数据的两种算法如表所示4和5,分别。这两个算法的预测结果如图8- - - - - -11,分别。从表4,可以得出结论,当渗透率预测,经典的RMSE算法0.294和0.178的RMSE改进算法。从表5,可以得出结论,当预测裂缝长度,经典的RMSE算法3.823和改进算法的均方根误差为2.25。因此,改进的粒子群算法应用于神经网络的训练过程。

7所示。结论

在这项研究中,提出了PSO-RBN预测的神经网络模型的渗透率和裂缝长度MFHW在中国西部。比较PSO-RBN算法的性能和岩心渗透率的测量表明,提出的模型可以充分估计储层渗透率和裂缝长度尽管储层参数之间的高度非线性关系。此外,PSO-RBN算法和其他算法相比在统计预测渗透率和裂缝长度。结果描述,提出了模型有一些优势所提到的算法。因此,提出PSO-RBN模型可以提供更准确和有效储层物性参数预测。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关文章的发表。

确认

这项工作得到了国家自然科学基金(批准号41672114)和国家科技重大项目(批准号2017年zx05009005 - 002)。

引用

1. p . Pourafshary A . Varavei k Sepehrnoori, A . Podio”成分井筒/水库模拟器来模拟多相流动和温度分布,“石油科学与工程杂志》上,卷69,不。1 - 2,40-52,2009页。视图:出版商的网站|谷歌学术搜索
2. a . Amini和a·j·Schleiss”包含的油水多相流数值模拟的石油泄漏障碍,”计算流体力学的工程应用,3卷,不。2、207 - 219年,2009页。视图:出版商的网站|谷歌学术搜索
3. y江,复杂储层建模技术和先进的井美国斯坦福大学,斯坦福大学,2008年。
4. a . Roux j . Corteville和m . Bernicot”Wellsim pepite:油井多相流的精确模型,”《石油工程国际会议中国,天津,1988年11月。视图:出版商的网站|谷歌学术搜索
5. s . Mohaghegh a Popa,譬如,“智能系统可以优化压裂设计工作,”学报SPE东部地区会展美国宾夕法尼亚州,匹兹堡,1999年11月。视图:出版商的网站|谷歌学术搜索
6. n . v . Queipo平托一家都,n .林康n .孔特雷拉斯,j . Colmenares“代孕modeling-based优化集成的静态和动态数据转换为油藏描述,“石油科学与工程》杂志上,35卷,不。3 - 4、167 - 181年,2002页。视图:出版商的网站|谷歌学术搜索
7. n . v . Queipo j . v . Goicochea, s .平托一家都“代孕modeling-based优化SAGD的过程,”石油科学与工程》杂志上,35卷,不。1 - 2、83 - 93年,2002页。视图:出版商的网站|谷歌学术搜索
8. s . d . Mohaghegh h . h .哈菲兹·r·Gaskari m . Haajizadeh和m .复述”,“一个巨大的不确定性分析使用代理中东油田储层模型,”阿布扎比国际石油学报展览和会议2006年11月,阿联酋阿布扎比。视图:出版商的网站|谷歌学术搜索
9. a . Mohebbi r . Kamalpour k Keyvanloo, a . Sarrafi”渗透率的预测基于储层测井数据分区,使用人工神经网络在伊朗非均质油藏,”石油科学与技术,30卷,不。19日,1998 - 2007年,2012页。视图:出版商的网站|谷歌学术搜索
10. m . Jamialahmadi和f . g . Javadpour”关系的渗透率、孔隙度和深度使用人工神经网络,”石油科学与工程》杂志上,26卷,不。1 - 4、235 - 239年,2000页。视图:出版商的网站|谷歌学术搜索
11. f . k . Boadu“岩石属性和地震衰减:神经网络分析,“纯粹与应用地球物理,卷149,不。3、507 - 524年,1997页。视图:出版商的网站|谷歌学术搜索
12. s . Mohaghegh b巴兰,譬如,“最先进的从测井渗透率测定数据:2-verifiable一部分,准确的渗透率预测,所有模型的试金石”学报SPE东部地区会议1995年9月,位于西弗吉尼亚州,。视图:出版商的网站|谷歌学术搜索
13. k . Aminian h . Bilgesu,譬如,和e·吉尔”提高注水性能的模拟使用神经网络,”学报SPE东部地区会议2000年4月,在加拿大亚伯达省卡尔加里,。视图:出版商的网站|谷歌学术搜索
14. k . Aminian、托马斯b和h . Bilgesu,“渗透率分布预测,”学报SPE东部地区会议2001年10月,俄亥俄州广州。视图:谷歌学术搜索
15. m·a·艾哈迈迪r . Soleimani m·李,t . Kashiwao和a . Bahadori”确定油井生产性能使用人工神经网络(ANN)与粒子群优化(PSO)的工具,”石油,1卷,不。2、118 - 132年,2015页。视图:出版商的网站|谷歌学术搜索
16. J.-R。张,j . Zhang T.-M。洛克和m . r .律”混合粒子群optimization-back-propagation前馈神经网络算法训练,”应用数学和计算,卷185,不。2、1026 - 1037年,2007页。视图:出版商的网站|谷歌学术搜索
17. x陈”,大型柔性路面的变形测量改进时滞算法和摘要算法,大小”国际研讨会上神经网络的程序,页41-48、柏林、海德堡,2007年。视图:谷歌学术搜索
18. 杨b、h . Lu和l .陈“摘要和时滞的建模分析和比较大小水泥煅烧过程,”诉讼的第三国际研讨会上先进的计算智能苏州,页101 - 106年,中国,2010年8月。视图:谷歌学术搜索
19. m . Saemi m·艾哈迈迪,a . y . Varjani”设计使用遗传算法的神经网络储层的渗透率估算,“石油科学与工程》杂志上卷,59号1 - 2、97 - 105年,2007页。视图:出版商的网站|谷歌学术搜索
20. h . Kaydani a Mohebbi, a . Baghaie”渗透率预测基于储层分带的混合神经遗传算法的一个伊朗非均质油藏,”石油科学与工程》杂志上,卷78,不。2、497 - 504年,2011页。视图:出版商的网站|谷歌学术搜索
21. p .塔玛色比和A . Hezarkhani”一个快速和独立架构渗透率预测的人工神经网络,”石油科学与工程》杂志上卷,86 - 87,118 - 126年,2012页。视图:出版商的网站|谷歌学术搜索
22. h . Kaydani和A . Mohebbi”比较研究使用优化算法和人工神经网络预测渗透率,”石油科学与工程》杂志上卷。112年,17-23,2013页。视图:出版商的网站|谷歌学术搜索
23. s . j . Cuddy”Litho-facies和渗透率预测从电气使用模糊逻辑日志,“SPE储层评价和工程,3卷,不。4、319 - 324年,2000页。视图:出版商的网站|谷歌学术搜索
24. n Hambalek r·冈萨雷斯,“模糊逻辑应用于岩相、渗透率预测案例学习:naricual形成的砂岩,El furrial领域,东委内瑞拉盆地”学报SPE拉美和加勒比石油工程会议西班牙港特立尼达和多巴哥,2003年4月。视图:出版商的网站|谷歌学术搜索
25. a . a . Taghavi”,提高渗透率估算通过使用模糊逻辑在西南地区的碳酸盐岩储层,伊朗,”学报SPE中东油气显示和会议2005年3月,巴林王国。视图:出版商的网站|谷歌学术搜索
26. j·s·林,“储层属性的决心使用模糊逻辑和神经网络从离岸数据在韩国,“石油科学与工程》杂志上卷,49号3 - 4、182 - 192年,2005页。视图:出版商的网站|谷歌学术搜索
27. i s Nashawi和a . Malallah渗透率预测使用模糊逻辑从电缆测井判别分析,”学报SPE亚太石油和天然气会展布里斯班,澳大利亚,2010年10月。视图:出版商的网站|谷歌学术搜索
28. s . o . Olatunji a Selamat, a . Abdulraheem“碳酸盐岩储层的渗透率进行建模使用二型模糊逻辑系统,”计算机在工业领域,卷62,不。2、147 - 163年,2011页。视图:出版商的网站|谷歌学术搜索
29. A . k . Ilkhchi m . Rezaee, s . A . Moallemi”的模糊逻辑方法估算渗透率和岩石类型从传统测井数据:一个例子从Kangan水库在伊朗海上天然气领域,“地球物理与工程杂志》上,3卷,不。4、356 - 369年,2006页。视图:出版商的网站|谷歌学术搜索
30. r·戈拉米a . r . Shahraki和m .贾玛利Paghaleh”使用支持向量机预测油气储层渗透率,”数学问题在工程卷,2012队,2012页。视图:出版商的网站|谷歌学术搜索
31. r .阴问:李·李郭y, y,, d,“基于gpu的计算多级水力裂缝水平井地层压力的致密油和天然气储层,”数学问题在工程卷,2018年,页1 - 10,2018。视图:出版商的网站|谷歌学术搜索
32. j·肯尼迪,“粒子群优化”,机器学习和数据挖掘的百科全书施普林格,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
33. r s . d . Mohaghegh j . s . Liu Gaskari et al .,“代孕水库的应用模型(SRM)在岸绿地在沙特阿拉伯,案例研究,”《北非的技术会议和展览开罗,埃及,2012年2月。视图:出版商的网站|谷歌学术搜索
34. s . Mohaghegh“Virtual-intelligence应用在石油工程:1-artificial神经网络的一部分,”《石油技术,52卷,不。09年,64 - 73年,2000页。视图:出版商的网站|谷歌学术搜索
35. s . Mohaghegh r . Arefi,譬如,k . Aminiand r·纳特,“石油储层表征与人工神经网络的帮助下,“石油科学与工程》杂志上,16卷,不。4、263 - 274年,1996页。视图:出版商的网站|谷歌学术搜索
36. e·a·El-Sebakhy o . Asparouhov, a。Abdulraheem et al .,“功能网络作为一种新的数据挖掘预测模式来预测碳酸盐岩储层渗透率,”专家系统与应用程序,39卷,不。12日,第10375 - 10359页,2012年。视图:出版商的网站|谷歌学术搜索
37. m . Mohammadpoor k . Shahbazi f . Torabi, A . r . Qazvini投下,“新方法预测井底流动压力的垂直多相流在伊朗油田使用人工神经网络(ann),”学报SPE拉美和加勒比石油工程会议2010年12月,秘鲁,利马。视图:谷歌学术搜索
38. 答:A . A . Esmin r·A·科埃略,s . Matwin”回顾粒子群优化算法和聚类高维数据的变异,”人工智能审查,44卷,不。1,23-45,2015页。视图:出版商的网站|谷歌学术搜索
39. f . Van Den马瑞医生”,分析粒子群优化器”,比勒陀利亚大学比勒陀利亚,南非,2007年博士论文。视图:谷歌学术搜索

版权

版权©2020 Rongwang阴等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。