基于神经网络粒子群优化预测沥青质沉.docVIP

重庆科技学院学生毕业设计（论文） 外 文 译 文 学 院 电气与信息工程学院 专业班级 自普本08（1）班级 学生姓名 伍 贤 迪 学 号 2008440984 译 文 要 求 1. 外文翻译必须使用签字笔，手工工整书写，或用A4纸打印。 2. 所选的原文不少于10000印刷字符，其内容必须与课题或专业方向紧密相关，由指导教师提供，并注明详细出处。 3. 外文翻译书文本后附原文（或复印件）。 基于神经网络的粒子群优化预测沥青质沉淀 沥青质沉淀和沉积原油极性组分如沥青质油气藏大大减少了岩石渗透率和油回收。在本文件中，该模型的基础上前馈人工神经网络（神经网络）来预测储层的沥青质沉淀了。之后，神经网络模型进行优化，粒子群优化（所以）。所以用决定初始权重的神经网络。该upso-ann模型应用于实验文献报道的数据。性能的upso-ann模型与尺度模型。结果表明，有效性的upso-ann模型。1．简介 沉淀和沉积原油极性组分沥青质等油藏的大幅降低岩体的渗透性和石油回收。因此，许多研究人员研究这一重要课题。他们推出的实验程序或分析模型，而是一个完全令人满意的解释仍然缺乏。现有的模型描述沥青质沉淀，分为普通组。本第一组由热力学模型，这需要沥青性质如密度，分子量和溶解性参数预测沥青的相行为。所有这些模型考虑沥青作为一个纯粹的拟组分但这假设的原因很多偏差预测中的沥青质相行为[ 1]二组模型的基础上缩放方法，分别说明。在本文中，我们研究的能力，人工智能中的建立预测量和沥青质沉淀。人工的智慧已被广泛使用，获得注意石油工程由于其解决问题的能力以前很难或甚至不可能解决的。一个例子能力的神经网络在测井分析。这种技术已被越来越多地应用预测储层性质测井数据[ 2 , 3]。软传感器是一个概念上的器件的输出或推断变量可以得到在其他相关的参数以同样的过程[ 4]。根据罗等人。[ 4]，人工神经网络可以被用来作为软传感器的建筑方法。本安是一个受欢迎的，非线性，参数测井分析工具。这项技术已被越来越多地用于储层预测利用测井资料[ 2 , 3]。确定网络结构和参数非常重要的；一些进化算法等算法（遗传算法）[ 5]，BP（血压）[ 6]，剪枝算法[ 7]，[ 8]和模拟退火可用于测定。同时，由于神经网络训练可以考虑作为一种类型优化问题。最近一些进化算法灵感来自社会行为的性质也得到了解决神的训练，如粒子群模式，模拟蚂蚁或鸟群行为。在本文中，我们结合粒子群优化（所以）算法与遗传算法组成的混合学习算法训练神经网络。这种混合的方法使用所以做算法的全局搜索的阶段的开始，然后利用局部搜索算法做环球最佳。特别是，这种混合算法将用于训练神经网络的权重函数逼近与英国石油公司算法的泛化性能。仿真结果证明的效力和潜力的新建议网络预测中的沥青质沉淀实验文献报道的数据比较，缩放模型使用相同的数据。 2。比例模型 三个变量参与定标方程是重量%的沥青质沉淀的，（按重量饲料油），稀释比例，（定义为比注射溶剂体积重量的原油），和分子量溶剂，Mrassamdana等人。[ 9]结合到三个变量2（X线，γ）如下：翻译结果重试 抱歉，系统响应超时，请稍后再试 支持中英、中日在线互译 支持网页翻译，在输入框输入网页地址即可 提供一键清空、复制功能、支持双语对照查看，使您体验更加流畅 其中，与2可调参数必须仔细调谐得到最佳比例合适的实验数据。他们建议与是一个普遍的常数2、2 =0.25。不管油沉淀使用。该标度方程表示从与通过一个三阶多项式函数 是表达式的值在沥青质沉淀的发生。胡等人。[ 10]进行了详细的应用研究标度方程提出的rassamdana等人。[ 9]沥青质降水量。他们研究的普遍性和与指数发现与是一个普遍的常数（2=2）。而指数2取决于油的组成和独立的具体沉淀（正构烷烃）使用。对实验数据，他们发现同时，最佳的价值是普遍的范围内 0.1与 0.5。 尽管简单和精确的标度方程提到以上，这是仅限于使用在恒定的温度和由于温度是不参与的尺度方程作为一个变量，它是不足够的关联和预测沥青降水资料在不同温度下测量。由于这一问题，rasamdana等人。改性的标度方程的植入温度参数的标度方程。基础上以往的方程，它们定义的新变量与： 在与变量定义为。（1）和（2）和常数C 1、C 2可调参数。他们的报告，良好的适合的实验数据可以达到设定C 1=0.25，c=1.6。又新的尺度方程是一个第三阶多项式一般形式：： 胡等人。[ 11]研究了温度和分子重量的正构烷烃和稀释率对沥青降水量在中国原油的实验。大量的沥青质沉淀在四温度范围293–338钾测定使用七个正构烷烃作为沉淀剂。他们发现，他们的实验数据不能很好地相关通过设置Cl=0.25，c=1.6ra