临兴地区致密砂岩储层地震正演模型响应研究

地震正演模拟在油气勘探的工作中十分重要,可以将复杂的地质问题进行简化分析。对临兴地区实际地层发育特征建立模型进行地震正演响应分析,并建立等效模型及流体替换模型进行对比分析。结果表明：①最终显示的地震波形是不同反射界面数据的叠加,在较高分辨率时,多套砂岩层的反射相互独立;较低分辨率时,多套砂岩层的反射波开始叠加,只能反映包络信息。②从等效砂岩模型看出,砂泥岩等效模型与原模型基本一致,导致通过地震数据解释砂泥岩存在较大的多解性。③高产气层的存在仅会导致波形的位置发生变化,从剖面上看只是深度发生变化,这在实际工作中也很难有效判断是否为气层。研究结果可以指导今后地震资料解释与反演结果解释,提高储层预测符合率及含油气储层的钻遇率。     

基于SegNet网络和概率图模型的工区障碍物提取

为适应5G（第5代移动通信技术）智能节点后续投入生产后的高效地震采集工作，利用少量自制训练数据创新性地将传统算法与深度学习相结合提出障碍物自动提取方法。搭建SegNet网络，得到粗糙的语义分割结果，利用条件随机场、特征与空间概率融合等概率图模型依次做了边界平滑和噪声消除的优化处理，最终的语义分割结果在各类障碍物上的准确率较高。与单一使用深度网络需要数万级数据来提升泛化能力相比，提出在少量训练集条件下具有较强泛化能力的语义分割方法，从而能够低成本、灵活高效地运用到各种特定的语义分割场景中。     

文123块产建一体化研究

通过高分辩率层序地层研究，重新建立了目的层地层对比关系；应用新采集处理的三维地震资料，利用地震相干技术、正演技术、小构造研究技术对构造储层特征及断层封闭性、油气富集规律进行了整体研究和认识。通过断层封闭性分析和油气生、运、聚研究．搞清了文123块油气富集规律。按着勘探开发一体化的思路，对文123块进行勘探开发及注采配套完善，为加快区块产能建设步伐，对区块按进行整体部署，分批实施的原则，并进行注采配套等工作。在该区块实施评价井、开发井9口，年累产油3．7072×104t，天然气600×104m＾3，新建产能4．4×104t。     

阿根廷科罗拉多盆地油气地质特征与勘探潜力

阿根廷东部大西洋沿岸的科罗拉多盆地是一个勘探程度较低的被动陆缘盆地，已钻的多口探井具有油气显示。该盆地主要经历了3个演化阶段：前裂谷期、同裂谷期和后裂谷期，其中后裂谷期又可划分为热沉降阶段和被动陆缘阶段。同裂谷期盆地内形成了地堑和半地堑构造，使得中央坳陷沉积地层厚度达到15 km。通过钻井和地震解释资料，结合构造和沉积相分析，认为盆地内存在成熟的油气生成、运移、聚集和保存条件。最有利的成藏组合位于盆地东部同裂谷期Colorado组，以下白垩统湖相页岩为烃源岩、浅海相砂岩为储层，主要为地层圈闭。勘探主要风险在于油气能否从生烃凹陷长距离运移到盆地边缘储层，以及顶部盖层能否起到足够的遮挡作用。     

碳酸盐岩储层酸蚀前后矿物成分分析

米桑油田是伊拉克南部石油经济的重要支柱,但由于储层在纵向上物性变化幅度较大,储层内部非均质性较强,因此需要采取酸化酸压措施以进一步提高油田的开发效果.为提高酸化酸压产能预测的准确性,利用X射线衍射分析的技术手段,对米桑油田碳酸盐岩储层的微观特征进行系统性认识,深度分析各实验岩心在不同溶蚀时间的条件下,岩心中矿物成分的变化情况,得到不同岩心酸蚀后方解石及白云石的溶解情况不同的实验结论.研究结果为后续的产能预测模型的参数选取及输入提供依据,对提高酸化酸压措施产能预测的准确性具有一定的指导意义.     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

企业筹资风险浅析

筹资活动对于一个企业也是至关重要的,它伴随企业从产生到发展到衰落的整个生命周期过程.在市场经济条件下,企业的筹资风险是客观存在的,它不可避免地合影响企业的整个财务活动,造成企业财务结果的不确定性.本文从企业筹资风险的成因分析入手,提出筹资风险预测方法以及筹资风险的防范和控制措施,以提高企业资金筹集的综合经济效益.     

基于SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况，使用主成分分析（PCA）对14项气象影响因素进行降维处理并提取4项综合评价指标，使用麻雀搜索算法（SSA）优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出，对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区，用相应的数据对模型进行验证。结果表明，基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。     

顺北1号断裂带洞穴型储集体地震表征方法

顺北油气田1号断裂带奥陶系储层为碳酸盐岩断控缝洞型储集体，储集体在三维空间内差异较大，非均质性极强。1号断裂带以串珠地震反射特征为主，实钻证实储集体以洞穴为主，常规的波阻抗反演方法在刻画洞顶具有很好的效果，但是在刻画洞底和洞的宽度误差较大，不能精准刻画出洞穴的外轮廓，钻井轨迹设计靶点会出现偏差，钻进过程中不发生放空与漏失，需要酸压完井，增加完井成本的同时还有可能打出失利井，因此对该类储集体的有效识别和精细表征是油田增储上产的关键。基于正演模拟，针对串珠反射储集体开展了地震表征方法探索与地震属性敏感分析；对于串珠反射特征的洞穴型储集体，利用微分振幅与瞬时能量融合属性能够较好刻画顺北1号断裂带洞穴的顶底及宽度。实际资料的预测结果与实钻井特征吻合程度高，预测与实钻吻合率达89%，验证了顺北1号断裂带洞穴型储集体表征方法的可靠性。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.     

基于粒子群优化反向传播神经网络的铁路路基沉降量预测

铁路路基沉降规律复杂、沉降量难以预测,因此提出一种粒子群优化反向传播神经网络的路基沉降量预测模型。传统神经网络建模时存在收敛速度慢、易陷入局部极小值等不足。因此,通过粒子群算法修正网络的初始权/阈值,提高全局收敛性,建立基于粒子群优化的反向传播神经网络预测模型。通过对宝中线实测数据进行仿真实验,结果显示：经粒子群优化的神经网络可避免局部极小问题,加快网络收敛速度,提高了对铁路路基沉降量的预测精度。     

基于SOM和PSO聚类组合算法的客户细分研究

文章在对RFM指标体系进行分析的基础上,应用自组织特征映射（SOM）神经网络和粒子群优化（PSO）的聚类组合算法,通过客户关系的特征衡量分析客户的内在价值和忠诚度,对客户数据进行了科学、客观、深层次的挖掘分析,为企业有针对性的制定营销策略提供了依据。     

基于循环神经网络的西北太平洋台风路径预测

西北太平洋是全球台风高发区域之一,我国每年受登录台风影响,造成沿海地区发生狂风、暴雨和风暴潮等灾害性天气,准确预测西北太平洋台风路径对我国防震减灾意义重大。 基于循环神经网络的多元时间序列预测模型,以处理好的包含中国气象局（CMA）台风最佳路径数据集和欧洲中期天气预报中心（ERA5 ）数据集两种资料的多元时间序列数据为样本,训练3种循环神经网络并预测未来 6、12、24 h 的 热带气旋（TC）中心位置。结果表明预测失效为24 h时利用长短期记忆神经网络（LSTM）模型预测E值为173.15 km,误差要远小于门控循环神经网络（GRU）模型和循环神经网络（RNN）模型,认为利用 LSTM 网络对未来 24 h TC 中心位置的预测具有可行性和参考价值。     

高炉炼铁含硅量的动态预测

针对高炉炼铁过程中含硅量预测滞后性和复杂性等问题,建立以改进型Elman神经网络为基础的铁水含硅量动态预测数学模型,利用MATLAB工具箱对动态预测模型进行仿真和预测.首先利用蒙特卡洛法随机选取一组数据作为仿真数据样本,对改进后的Elman神经网络进行离线训练.然后用训练后的Elman神经网络进行铁水含硅量预测,再用残差分析法分析预测值与数据样本之间的显著性差异,用统计检验法讨论模型的可行性.结果表明,铁水含硅量数值预测误差较小,铁水含硅量的实际值和预测值无显著性差异,含硅量的测结果是可信的.     

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据，首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据，以丰富输入数据的特征信息。模型主框架采用UNet神经网络，并且针对模型退化问题，加入了残差连接结构。基于以上设计，提出SpAt-ResUNet预测模型。试验结果表明，相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型，该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。     

致密砂岩气藏开发阶段地层研究尺度

随着油气田开发的深入，油气藏描述需要更加精细的地层划分对比方案，但需要讨论研究尺度的合理性。以新召东区致密砂岩气藏为例，通过对地质特征、开采现状和地震条件的统计分析，认为需要分析地震资料品质、沉积相类型和砂体可分性等3方面因素。地震资料品质考查的是地震能够分辨的单砂体厚度，沉积相类型研究的是砂体发育程度及连续性，砂体可分性揭示的是小层内测井可识别的单砂体个数。研究成果可为开发阶段地层研究尺度确定提供借鉴。     

基于PSO-SVR模型的煤炭铁路物流需求预测

在煤炭铁路物流需求预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低。将支持向量回归机（support vectorreg ression,SVR）与粒子群算法（Particle Swarm Optimization,PSO）相结合,提出适用于小样本量学习的PSO-SVR模型。选取1995-2011年的煤炭铁路货运量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的煤炭铁路货运量预测模型。建立BP神经网络模型,并将二者的预测值进行对比,结果表明在解决我国煤炭铁路物流需求预测这种小样本,非线性及高维模式识别问题中PSO-SVR模型预测精度优于BP神经网络模型。     

安徽省人均可支配收入的预测——GIOWA算子的优化组合预测方法应用

以安徽省最近20年的人均可支配收入数据作为分析样本,运用GM(1,1)、ARIMA(p,d,q)和BP神经网络三种单项方法给出预测.这些单项预测方法在各个时点的预测精度不一,预测的稳定性欠佳,而对他们重新进行变权组合,构建基于算术平均最小贴近度的GIOWA算子优化组合预测方法,取得了比每个单项预测方法更加优良和稳定的效果,并将该方法应用于人均可支配收入的预测,效果理想,方法优良,值得推广.     

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。