还剩11页未读,继续阅读
本资源只提供10页预览,全部文档请下载后查看!喜欢就下载吧,查找使用更方便
文本内容:
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_____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____.阿里___石油科技大学文章信息文章日期:收到于2011年10月13日修订于的2011年10月24日审批合格于2011年10月242011年11月6日在网上发表关键词:沥青质人工神经网络统一的粒子群优化沉降摘要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,在该模型的基础上采用前馈人工神经网络(神经网络)来预测储层的沥青质沉淀了之后,再对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成本因此,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
[23]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
[23]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,W(按重量饲料油),稀释比例,R(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http://fanyi.baidu.com/translate\l#####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、__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Xc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__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XY定义为Eqs
(1)和
(2)和常数C
1、C2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C1=
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=
1.6rassamdana推荐等人
[9]他们报告说,他们的实验数据可能是相关的成功通过选择C=
0.5,c=
1.6回归阴谋预测沥青质沉淀,采用尺度模型
[11]对实验数据,如图1所示3.人工神经网络人工神经网络是并行信息处理方法,可以表达复杂的非线性关系图1建筑的三层神经网络使用号码的输入输出培训模式的实验数据神经网络提供了一个非线性映射输入并输出其内在的能力
[12]成功的获得一个可靠和强大的网络依赖于正确的数据预处理,正确的选择和正确的网络培训体系选择强烈
[13]最常见的神经网络结构是前馈神经网络前馈网络是网络结构中的信息或__传播只在一个方向,从输入到输出一三多层前馈神经网络的反向传播算法能够任意逼近非线性连续函数的任意精度
[1415]该网络的训练表演优化重量为每个节点互连和偏见条款;直到值输出在输出层神经元是尽可能地接近实际输出平均平方误差网络(微型和小型企业)的定义是m是这个数字的输出节点,G是一些培训样品,Yjk是预期的输出,与Tjk是实际输出应该指出,一个潜在的困难,利用强大的非线性回归方法的可能性是过度数据在上述模型,为避免这一难题,该实验数据分为2组,训练集和验证数据该模型是只使用培训数据验证数据是用来检查模型表现好时提出以前看不到的数据此外,适当选择的一些神经元的隐层可避免过拟合的神经网络的有效4.粒子群优化粒子群优化(优化)是一种进化计算技术__的埃伯哈特和甘乃迪1995
[16],灵感来自社会行为的鸟群粒子群优化利用人口的潜在解决方案探讨搜索空间同时同样的进化算法不过其动力是基于法律管辖的社会__殖民地而不是自然选择坚持五项基本粒子群算法群体智能原则
[1718]因此被归类作为一种群体智能算法在粒子群算法的背景下,人口称为群及其个人(点)被称为粒子每个粒子__搜索空间的适应性速度此外,每个粒子有记忆,它保留了最好的位置曾参观了搜索空间中的位置,即,以最低的功能价值此外,粒子之间的信息共享他们更多的具体来说,每个粒子有一个指数,和,根据这个指标,它被分配一个邻域粒子(通常)邻近指数在全球的变异粒子群算法,邻域每个粒子整个群在当地的变异,该社区是严格更小,他们通常包括一些粒子假设一个n维函数,和一个群,氮粒子随着粒子,它的速度,以及其最佳位置,粒子通常是假定__环状拓扑方面的指标因此,与X2和XN是X1近邻粒子承担我是指数的颗粒,达到最好的以往的位置在所有粒子在附近的西,和不需要迭代计数器然后,根据收缩因子的版本的粒子群算法,种群更新使用的方程
[16].I=1,,电量;是收缩因子C
1、C2阳性;常数,称为认知和社会参数,分别;和R1,R2随机向量成分均匀分布在[0,1]所有向量运算公式
(2)和
(3)是聪明的执行元件收缩因子介绍作为控制手段巨大的速度,为避免“群__”效果是不利的早期粒子群算法收敛版本,并确定通过公式
[16],如而这种选择是基于稳定性分析提供了在
[16]主要有2个特点的人口为基础算法,影响其性能,即勘探__首先是能够探索有效的搜索空间,而后者是能够收敛到最有前途的解决方案的最小成本的计算一个适当的权衡勘探和开采是必要的为高效率和有效运作的算法全球变异粒子群算法__以来,促进所有粒子的吸引由同一个最佳位置,从而,收敛更快地走向相同点另一方面,当地的变异具有较好的勘探性能,由于信息的最佳位置的每邻域连通慢,其余的群通过邻近的粒子因此,吸引特定的点较弱,因此,防止群从被困局部极小显然,选择合适的邻域大小的影响之间的权衡的勘探和开采然而,不存在的一般规则的选择附近的大小,它通常是根据经验用户统一粒子群优化(所以)方案最近被提议作为一种替代相结合的探索和剥削性质的局部和全局算法变种为完整起见,简要介绍所以提供在下面的段落提出的方案基于收缩因子的粒子群算法,尽管它可以直在前方定义为惯性权重的版本让和表示第i个粒子速度更新,粒子群算法的全局和局部变量,分别为
[15],在表示迭代次数;克是指数的最好粒子的整个群(全局变量);和胃肠道是指数最好的粒子在附近的西(局部变量)本搜索方向定义的均衡器
(5)和
(6)聚集在一单方程,导致主所以方案
[19],我们的命名参数,统一的因素这一因素平衡影响全局和局部搜索方向在最后方案标准粒子群算法的变体是通过建立U=1在式
(7),当U=0对应的标准粒子群算法的变体所有价值对应于复合变异粒子群算法相结合的勘探和开采的特点全局和局部变量除上述方案,随机参数模仿突变进化算法也可以被纳入在式
(7)进一步提高探测能力
[19]因此,这取决于变异,所以大多是,情商
(6)可以用,这主要是根据当地的变异,或这主要是基于全局变量,是一个正常分布参数,I是单位矩阵虽然R3模仿突变,其方向是一致的粒子群动力学这些所以方案,依概率收敛证明了在静态环境实验结果广泛使用的测试,证明的优越性,所以对问题标准粒子群算法,对不同形状的粒子群算法参数提出了在文献
[1920]
5.upso-ann模型结果在这项工作中,我们使用人工神经网络建立模型预测沥青质沉淀,使用数据文献报道
[11]最好的网络架构34101–––(3输入单元,4个隐藏的神经元在第一层,10隐藏的神经元在二层,1个输出神经元)我们使用文–马夸特训练反向传播网络使用三个参数
(1)分子量
(2)稀释比例
(3)温度作为输入(图1)传递函数隐藏输出层的乙状结肠和线性,分别在这项研究中我们使用了所以作为神经网络优化算法和平均平方误差(均方差)作为一个成本函数该算法目标是尽量减少这种算法成本函数每个重量在网络最初设置在范围[1,1]我们使用130个数字数据为训练数据和60个数字数据的测试数据我们评估的仿真性能upsoann模型的基础上,均方误差(均方差)和效率系数R表1给出了均方误差和R值为2不同型号的验证阶段回归曲线预测沥青质沉淀,采用尺度模型
[11]对实验数据显示在图2图3输出的模型,模拟测试数据,显示了良好的协议目标图4显示的程度之间的匹配测量预测值的upso-ann沥青质沉淀模型中的分布图这些结果还表明优越的upso-ann在缩放模式和证明自己的能力避免陷入局部极小值国家培训和性能upso-ann列图5和6,分别为从图3可以看出,upso-ann模型拟合良好它可以是观察到的性能优于upso-ann模型比例模型6结论基于这项研究,可以得出以下结论在本文中,我们提出一个混合upso-ann算法有效地结合了局部搜索能力的BP方法与全局搜索能力,所以理念所以,每一个算法的初始点的神经网络选定的粒子群优化和健身其所以是由神经网络实验的实验数据报告在文献
[11]和计算结果基于upso-ann模型表明,业绩的预测该模型优于缩放模型
[11]其中一个问题时考虑结合神经网络和粒子群优化预测沥青质沉淀是确定最优神经网络结构提出了神经网络的结构描述这项工作是确定手动替代方法是运用统一的粒子群优化或另一个进化算法的神经网络结构优化,将成为我们未来的一部分工作拟议的沥青质沉淀预测模型可结合现有沥青降水建模软件加速性能,减少不确定性和增加他们的预测与建模能力符号列表R:研究溶剂油比(克/摩尔)M:米分子量(克/摩尔)W:瓦特的沉淀沥青质(%)y:函数定义
(1)式x:所定义的函数
(2)式X:所定义的函数
(4)式Y:函数定义
(5)式ANN:人工神经网络PSO:粒子群优化UPSO:所以粒子群优化____
[1]K.S.PedersenA.FredenslundP.Tho__ssenPropertiesofOilsandNaturalGasesGulfPublishingHouston19__.
[2]J.H.DovetonS.E.PrenskyLog____yst3331992286–
303.
[3]B.BalanS.MohagheghS.AmeriSPEEasternRegionalConferen__andExhibitionWestVirginia1995pp.17–
21.
[4]R.RalloJ.Ferre-GinA.ArenasF.GiraltComp.Chem.Eng.2620021735–
1754.
[5]X.Qu1J.FengW.SunIEEEIntl.Conf.onIn____igentInfor__tionHidingandMultimediaSignalPro__ssing2008pp.__7–
900.
[6]P.TangZ.XiSecondIntl.Symp.onIn____igentInfor__tionTechnologyApplicationIITA‘08vol.2De__mber2008pp.13–
16.
[7]R.ReedIEEETrans.NeuralNetworks41993740–
747.
[8]M.C.P.deSoutoA.Ya__zakiT.B.LudernirProc.Intl.JointConf.onNeuralNetworksvol.12002pp.547–
552.
[9]H.RassamdanaB.DabirM.Ne__tyM.FarhaniM.SahimiAIChEJ.42199610–
22.
[10]Y.-F.HuG.J.ChenJ.T.YangT.M.GuoFluidPhaseEquilibr.J.1712000181–
195.
[11]Y.-F.HuT.-M.GuoFluidPhaseEquilibr.192200113–
25.
[12]K.HornikM.StinchcombeH.WhiteNeuralNetworks351990551–
560.
[13]N.Garcia-PedrajasC.Hervas-__rtinezJ.Munoz-PerezCOVNETIEEETrans.NeuralNetworks142003575–
596.
[14]K.HornickM.StinchcombeH.WhiteNeuralNetworks219__359–
366.
[15]M.BrownC.HarrisNeuralFuzzyAdaptiveModelingandControlPrenti__-HallEnglewoodCliffsNJ
1994.
[16]R.C.EberhartJ.KennedyProc.6thSymp.Micro__ch.Hum.Sci.IEEEServi____nter1995pp.39–
43.
[17]R.C.EberhartP.SimpsonR.DobbinsComputationalIn____igen__PCToolsAcademicPress
1996.
[18]M.M.MillonasComputationalIn____igen__:ADynamicSystemPerspectiveIEEEPress1994pp.137–
151.
[19]K.E.ParsopoulosM.N.VrahatisLectureseriesoncomputerandcomputationalscien__sin:Proc.Int.Conf.Comput.Meth.Sci.Eng.VSPInternationalScien__Publishersvol.1ZeistTheNetherlands2004pp.868–
873.
[20]I.C.TreleaInform.Pro__ss.Lett.852003317–
325.。