蚕茧产量预测方法（精选4篇）
蚕茧产量预测方法 篇1
0 引言
煤层气井压裂产量预测对于煤层气生产来说很重要。2004年以来, 国内外学者在产量预测方面主要有两大进展, 一是研究产量预测的新方法, 并将新方法在实践中加以考验, 主要包括产量瞬时分析法、特定层动态平衡法;二是将常规产量预测方法加以改进, 应用于复杂煤储层, 主要包括数值模拟法、产量曲线类型法、递减曲线经验法、物质动态平衡法[1]。本文通过调研这些方法, 优选出具有较强实用性的方法, 并加以验证及应用。
1 预测方法调研
1.1 产量瞬时分析方法
原理:评价各种地层物理参数, 例如煤层厚度、孔隙度、渗透率和排泄面积等对产量的影响程度, 应用曲线类型匹配技术来预测气产量[2]。假设条件:煤层气为单相流, 产水微乎其微。优点:该方法考虑了一些煤层特有属性, 例如等温吸附特征、双孔隙结构, 可以作为数值模拟和经验递减曲线方法的补充, 用于计算煤层气井产量, 在没有生产数据的情况下对煤层气产量做初步预测。缺点:假设煤层气为单相流, 产水量微乎其微。
1.2 特定层动态平衡方法
动态平衡方法、产量曲线类型、数值模拟和瞬时压力分析方法[3]。优点:准确预测多煤层的总产量以及单煤层的产量, 还能计算原位气资源量和其他储层参数。
计算步骤: (1) 筛选符合条件的单井; (2) 单煤层瞬时压力分析, 确定单煤层气产量; (3) 利用数值模拟来确定煤层组产气速率、煤层组关井压力、煤层组总产气速率; (4) 将煤层组的总原地煤层气资源量与单煤层分析的资源量结果进行分析对比。缺点:要求数据多, 单煤层必须经过试井测试和多点压力测试, 并且具有明显的产量下降趋势。
1.3 数值模拟法
该方法比较成熟, 应用较为广泛;需要各种各样数据, 所需时间和精力多;适用于开发中后期[4]。
1.4 递减曲线经验法
利用三种递减规律:指数递减、双曲递减和直线递减来预测产量。该方法在常规油气中应用非常广泛, 在煤层气井中, 只能应用于煤层气井产气高峰后的产气量预测。
1.5 物质平衡法
原理:利用累积产量数据计算储层平均压力、平均含水饱和度, 结合相渗资料和产能方程计算气、水产量, 循环计算。缺点:产量数据容易得到, 相渗资料相对较难获取。
1.6 典型曲线产量预测方法
原理:引入一系列无维数参数, 形成一系列特殊的煤层气产量曲线类型[5]。
该方法不但可以预测已投产井的产量, 也能预测未投产井产量, 适用范围广。
通过以上对各种方法的对比可以看出, 典型曲线产量预测法适用性强, 要求的参数容易获得, 因此采用典型曲线产量预测法对单井产量进行预测分析。
2 典型曲线法预测产量
2.1 未投产井产量预测
(1) 根据储层参数计算Gi的值;
(2) 根据BHAVSAR给出的无因次产气峰值与各参数的经验关系式确定无因次产气峰值 (qg max) D;
(3) 根据ADMINIAN在预测煤层气产量时建立了产气峰值的相关关系式结合第二步求得的 (qg max) D确定产气峰值
求得qg, 从而求出q随时间t的变化。
2.2 已投产井产量预测对于已知历史生产数据的井, 预测其产量可通过如下步骤进行:
(1) 根据已有数据作出qD-tD关系的典型曲线, 拟合出递减阶段的qD-tD函数关系式;
qg, 从而求出q随时间t的变化。
2.3 验证
根据韩城煤层气藏某3口井的地质特征参数 (表1) 和单井的实际生产数据, 对3口井进行了产量预测, 从计算结果可以看出, 典型曲线法在煤层气井产量预测中具有较强的适用性, 且计算结果准确度较高 (图1) 。
3 结论
调研了6种煤层气压裂井产量预测方法, 优选出典型曲线产量预测法, 通过韩城3口井产量数据验证, 该方法需要的参数容易获取, 计算结果精确。
符号说明:
qg—气井产量, m3/d;
qg max—气井产量最大值, m3/d;
t—生产时间, d;
Gi—煤层气地质储量, m3。
S—表皮因子;
pc—解吸压力, MPa;
φ—孔隙度, %;
PL—兰氏压力, MPa;
VL—兰氏体积, m3/t;
T—温度, K;
μc—解吸压力时气体粘度, m Pa·s;
Zc—解吸压力时压缩因子;
k—渗透率, m D;
h—煤层厚度, m;
pwf—井底流压, MPa;
re—边界半径, m;
rw—井筒半径, m。
摘要：通过调研煤层气井压裂产量预测方法原理及优缺点, 优选出典型曲线产量预测法具有较强的适用性, 对未投产井以及投产井都能预测, 预测结果与实际井生产数据对比, 准确度较高。
关键词：煤层气,压裂,产量预测
参考文献
[1]苏俊.煤层气勘探开发方法与技术[M].北京:石油工业出版社, 2011:79-85.
[2]K.Aminian.Type Curves for Coalbed Methane Production Prediction[J].SPE, 2004:267-275.
[3]CretiesD.Jenkins, SPE, DeGolyer and MacNaughton, and Charles M.Boyer[J].SPE, Schlumberger, Coalbed Shale-Gas Reservoirs, JPT.FEBRUARY, 2008:92-99.
[4]凌毅平.煤层气储层测井评价有关问题的讨论[J].中国煤炭地质, 2008, 12:32-35.
[5]吴佩芳.煤层气藏特征浅析[J].断块油气田, 1999, 3:79-81.
蚕茧产量预测方法 篇2
目前,国外在市场经济条件下,进行科学定量的宏观决策具有丰富的经验和方法学,有一套国际上认可和通用的方法和软件。国内从事油田开发规划方面研究的单位积累了一定的经验,但是以产量规模作为主要的规划指标时,指标预测的准确性与可操作性有待提高,规划编制的科学性和自动化程度有待加强。产量变化规律在油田开发中具有重要的地位,它是油田开发效果评价、油田开发规划、油田开发方案设计与调整的重要依据。大庆外围已开发油田中不同油藏不同区块的主要开发指标变化规律不同,既然指标变化规律不同,在进行开发指标预测时,就需要采取不同的预测方法[1,2,3]。但是预测方法是有限的,不可能做到为每个区块或者每一批投产井研究一种预测方法,比较现实的做法是先对油田根据地质特点和开发特点进行分类,不同类型条件的油藏采用不同的预测方法。
1老井产量预测
1.1不同产量预测模型的优选
从对低渗透油田开发指标预测方法的调研结果看,产量预测方法比较多[4,5]。如泊松旋回法、Arps递减曲线法、威布尔增长模型法、新型递减模型法、水驱曲线法、衰减曲线法、渗吸曲线法等,国内其他低渗透油田预测产量变化采用较多的方法是Arps递减曲线法。从大庆外围油田不同预测方法的适用情况看,Arps递减曲线法预测精度比较高,如我们利用龙虎泡油田的资料,分析不同方法的预测精度,计算结果表明,Arps递减曲线法预测的相对误差及差方和较低,差方和Arps递减曲线法是3.52,衰减曲线法是26.87,翁氏旋回法是17.45,威布尔模型是12.46。因此,确定大庆外围油田已经出现较长时间递减的区块采用Arps递减曲线法预测。
龙虎泡油田1985年3月正式投产,动用面积27.5 km2,动用储量1 716×104t。2010年总油井数为201口。该油田在先后经历了天然能量开采、笼统注水、分层注水、加密调整等开发阶段后,目前油田已进入高含水期开发,尽管通过加大注水调整和调剖力度,但自然递减依然较快。利用1996～2007年的数据建模,预测2008、2009和2010年的年产量。
修正的衰减曲线拟合的关系式为:
修正的翁氏旋回法得到的拟合关系式为:
Arps曲线拟合的关系式为:
威布尔模型拟合的关系式为:
对龙虎泡油田的产量用上述几种模型进行预测,结果表明Arps预测模型和威布尔增长曲线预测模型预测精度比较好(见图1—图4)。威布尔增长曲线模型与Arps递减曲线模型误差较小,预测数据和实际数据基本上一致。其他模型误差较大,Arps长曲线模型,但在描述整个递减过程时与实际数据比较接近,差方和最小。因此,针对开发时间较早,目前已经出现较长时间递减的区块或井,我们将采用Arps递减曲线法,利用实际历史数据采用试凑法确定递减参数,然后进行产量预测。
1.2 Arps产量递减预测模型
采用Arps递减曲线法预测的关键是确定递减参数。递减通式:
变换得到:
式中:Qi—递减初期的产量;Di—初始递减率;n—及递减指数。
利用实际生产中一组(时间-产量)数据,通过式(6)可以确定Qi、n、Di等递减参数,求值的方法有多种,我们选取了试凑法来确定递减指数。试凑法的原理是:利用油田实际生产数据,可以得到一组Qt、t数据,给定一个nDi,可以得到相应的lg(1+nDit)。通过式(6)线性回归,直线的截距可计算Qi,直线的斜率可计算出n,。给定不同的nDi,回归计算不同的Qi、n。选择相关系数达到要求的作为确定的Qi、n,从对应的nDi确定Di,然后利用式(5)进行产量预测。
在实际操作过程中,一是要选好产量递减的初始点,二是要对实际生产数据去伪存真。为此,利用实际生产数据,作产量随时间变化曲线,分析曲线变化情况,选择生产井数基本稳定、产量变化规律性比较好的起始点作为产量递减初始,对所选区间个别波动较大的点,分析变化原因,将其恢复到正常情况下的值后再参与回归分析计算。针对采取试凑法来确定递减参数的计算工作量大,根据递减率、递减指数的变化范围确定nDi的变化范围,编写了相应的计算程序,实现基础数据处理-参数确定-指标预测程序化。
1.3 采用分类多元回归预测方法
对没有出现递减的区块的预测,根据油藏分类结果,首先分析同类油藏中已经出现递减区块的稳产时间,确定预测区块的稳产结束时间,再利用同类油藏中已出现递减区块的递减参数,采用多元回归方法,确定递减参数与主要地质参数和主要开发参数的回归关系式,再用预测区块相应地质和开发参数代入关系式确定递减参数[6]。
某类油藏共有16个区块,其中有11个区块已经较长时间递减,剩余5个区块的递减参数需要利用已有递减参数区块得到的关系式求得。
利用表1对11个区块算出递减参数,再利用表2参数应用多元一次回归方法,建立递减指数(Yn)、初始递减(Yd)、有效厚度、孔隙度、渗透率、黏度、流度、储量丰度、含水等地质开发参数的经验关系式:
其他5个区块利用式(10)、式(11)代入相应的地质开发参数可得到所需的递减指数、初始递减。
2 新区产能安排
对待探明区块和新建产能区块的产量安排,可以采用“五率”配产法。“五率”配产法是根据对历年特别是近几年控制储量升级率、探明储量动用率、产能到位率、产能贡献率、两年老井产量递减率,考虑规划期间各种条件的变化对“五率”的影响,给出“五率”的值,从而确定规划期间新投产区块的产量。
根据控制储量升级率和控制储量得到规划期间探明储量,根据探明储量和储量动用率得到动用探明储量,根据动用储量和单井控制储量、单井产能得到新建区块产能,根据新建产能和产能贡献率得到新建区块投产当年的产量,根据新建产能和产能到位率得到新建区块投产后第二年的产量,根据新建产能和新投区块产量递减率得到新建区块全面投产后产量变化。
3 应用实例
以大庆外围油田某油田为例,2010年底,该油田已开发地区年产油26万吨(其中新井产油1.75万吨),2011年在该油田提交探明储量1 000万吨,其中葡萄花油层500万吨,扶杨油层500万吨,2012年提交探明储量1 200万吨,其中葡萄花油层600万吨,扶杨油层600万吨,2013年提交探明储量1 000万吨,2014—2015年每年提交800万吨,其中葡萄花扶杨油层各400万吨,探明储量动用率按三年动用80%考虑,做出该油田“十二五”规划(包括产油和钻建安排)。
老井产油预测qi=24.25,6.86,n=0.5,Di=16%;新区按照探明储量动用率四年80%考虑,葡萄花油层2011—2013年产能速度按1.8%考虑,单井日产按1.8吨考虑,2014—2015年产能速度按1.7%考虑,单井日产按1.7 t计算,油水井数比按3比1考虑,钻井成功率按照98%考虑,扶杨油层2011—2015年产能速度按1.3%考虑, 单井日产按照1.5 t计算,油水井数比按3比1考虑,钻井成功率按照98%考虑,新井当年产能贡献率按照25%计算,葡萄花油层、扶杨油层的产能到位率按照95%、75%计算,以后各年按照双曲递减测算;以上一年措施为基数,该油田每年措施可增油0.5万吨。安排结果如表3、表4。
4 结论
(1) 针对开发规划方案编制的需要,结合大庆长垣外围油田的实际情况,对开发时间较早,目前已经出现较长时间递减的区块或井,采用Arps递减曲线法预测产量;
(2) 对开发时间较短,目前刚进入递减或即将递减的区块或井,采用分类多元回归方法;
(3) 对新投产区块产量预测,采用“五率”配产方法。
摘要：确定规划期的总产量和产量构成是油田开发规划的最主要工作。目前国内从事油田开发规划方面研究的单位积累了一定的经验,但是以产量规模作为主要的规划指标时,指标预测的准确性与可操作性有待提高,规划编制的科学性和自动化程度有待加强。本文根据油田开发实际情况和规划安排需要,可以将产量构成划分为三大部分:一是开发时间较早,目前已经出现较长时间递减的区块或井,采用Arps递减曲线法;二是开发时间较短,目前刚进入递减或即将递减的区块或井,采用分类多元回归方法;三是新投产区块产量预测,采用“五率”配产方法。从而为外围低渗透油田开发规划方案的编制提供科学依据。
关键词：低渗透,产量预测,开发规划
参考文献
[1]曲德斌,武若霞.油田开发规划科学预测的理论和实践.石油学报,2002;23(2):38—40
[2]阳兴华,刘瑛.12种预测油气田产量模型之间的关系.新疆石油地质,2004;25(1):77—79
[3]张威,金佩强,邹亚东.油田开发规划方法.国外油田工程,2002;18(9):38—40
[4]丁显峰,张锦良,刘志斌.预测油气田产量的新模型.石油勘探与开发,2004;31(3):104—105
[5]杨军.一种产量预测的新方法.特种油气藏,2006;13(3):56—62
[6]王美石.用于油田产量预测的多元线性回归和自回归模型.石油规划设计,2005;16(3):19—21
蚕茧产量预测方法 篇3
在油田的生产中, 通过对油气藏动态的研究, 预测油气田的未来生产的产量, 并且在此基础上对开发方案进行设计和调整, 用于指导油气田的整体开发, 具有非常重大的意义[1]。因此, 如何利用各种方法对油田产量进行预测, 是十分重要的工作内容。目前, 比较常见的油气田产量预测方法有常规油藏工程方法、数学模型法、数值模拟方法等, 其中最为普遍的是递减曲线法、水驱曲线法和数值模拟法。
但是, 由于对地下油藏性质认识的不确定性, 导致了油田的各动态指标确定以及产量预测的难度较大:水驱曲线法无法表征产量与时间的关系;数值模拟法的计算过程过于复杂且参数要求多而且严格;递减曲线法无法考虑到其他参数对产量的影响等[2]。
将数理统计应用于油气田的产量预测, 能够有效地反映地层的不确定性, 准确反映地层产量的变化趋势, 从而在所需信息少、可考虑影响因素、且不需大量计算的前提下, 快速准确的对油气田产量进行预测。
2 数理统计方法预测油田产量
2.1 常见数理统计方法在油田产量预测的应用
目前, 在油田产量预测工作中, 已经先后出现了很多数理统计预测模型, 非常著名的有时间序列模型, 生命总量有限体系预测模型例如翁氏模型、Arps递减模型, 灰色系统理论模型, 灰色系统理论和时间序列分析组合模型等。其中灰色系统理论是动态趋势预测理论中的一部分, 时间序列分析是统计学中的重要内容, 其组合模型的预测能力十分准确, 在油气田产量预测中有着非常重要的应用价值。
2.2 灰色系统理论预测油田原油产量
灰色系统是指在该系统中, 某些信息明确、某些信息不明确, 这样的系统即称为灰色系统[3]。在油气田开发中, 油田的开发数据大多为有一定变化趋势且不为零的非稳定时间序列, 其中受诸多生产因素的影响, 部分生产因素明确, 部分不明确, 因此可看做灰色系统。
依据灰色系统理论, 可依据油田生产建立系统特征数据序列[4], 包括产量时间序列{x1}和相关影响因素序列{x2}, {x3}……{xn}。
其中, {x1}表示时间序列;{x1, 2, …n} (1) 表示累加生成值;a表示油田发展指数;b1, 2, …, n-1表示油田驱动指数。
然后利用最小二乘法进行参数求解, 即可得到预测模型。
2.3 灰色系统理论产量预测方法在某油田的应用
以下表1为某油田原始生产数据资料。根据油田实际情况, 将该油田油井井数和年平均含水率作为其参考因素。
根据灰色理论预测, 通过最小二乘法计算可得中, a=2.889, b1=-3.623, b2=0.439。再考虑其他影响因素, 采用残差修正模型进行修正, 得到预测结果如图1所示。根据灰色理论预测, 通过最小二乘法计算可得:中, a=2.889, b1=-3.623, b2=0.439。再考虑其他影响因素, 采用残差修正模型进行修正, 得到预测结果如图1所示。
分析可得, 修正前平均相对误差为0.09, 修正后平均相对误差为0.03, 说明预测为一级精度, 预测结果准确可信, 该预测方法可以广泛应用于各油田产量预测工作中。
3结论
在油田的生产中, 通过对油气藏动态的研究, 预测油气田的未来生产的产量, 是指导油气田的整体开发十分重要的工作内容。目前, 比较常见的油气田产量预测方法由于对地下油藏性质认识的不确定性, 其各动态指标确定以及产量预测的难度较大。
在油田产量预测工作中, 已经先后出现了很多数理统计预测模型, 在油气田产量预测中有着非常重要的应用价值。其中灰色系统理论所需信息少、可考虑影响因素、且不需大量计算的前提下, 快速准确的对油气田产量进行预测, 其组合模型的预测能力十分准确可信, 可以广泛应用于各油田产量预测工作中。
参考文献
[1]李宇峰, 陈祥光.油田产量预测系统的研制[J].微计算机信息:嵌入式与SOC, 2006, 22 (2) :191-192.
[2]范海军, 陈月明.用组合模型预测油田产油量[J].石油大学学报:自然科学版, 1998, 22 (3) :54-55.
[3]邓聚龙.灰色预测与决策[M].武汉:华中理工大学出版社, 1988:49-134.
蚕茧产量预测方法 篇4
1 神经网络及其预测原理
1.1 BP神经网络与Elman神经网络
BP神经网络的模型结构如图1所示。网络采用三层结构,第一层是输入层,第二层是隐含层,第三层是输出层。其中X=(x1,x2,…,xm)为神经网络的m个输入端,Y=(y1,y2,…,yn)是神经网络的n个输出端,而隐含层的神经元个数待定。
除了输入层的神经元外,隐含层和输出层神经元的净输入是前一层神经元输出的加权和。
Elman神经网络是在BP神经网络的隐含层中增加了一个承接层,作为一步延迟算子,达到记忆的目的。它含有四层:输入层、隐含层、承接层和输出层。Elman神经网络结构如图2所示。
BP神经网络与Elman神经网络的训练算法都采用误差反向传播BP学习算法,网络输出误差的度量采用均方差准则,即:
其中yk表示输出层上第个神经元的实际输出,表示输出层上第k个神经元的期望输出。
1.2 神经网络预测原理
神经网络预测原理可以表述为:设有L个输入输出对(X(1),X(2),…,X(L))和(Y(1),Y(2),…,Y(L))。对于第k个输入输出对,首先根据网络当前的内部表达,对样本输入模式X(k)作前向传播,计算网络的实际输出,与期望输出Y(k)进行对比。然后将误差反向传播,即按照使网络输出值与期望值之差e的平方和为最小的原则,反向计算,对网络各相邻节点的连接权值进行调整,经过多次学习训练,网络权值收敛于最佳权值,此时e的变化达到稳态。网络训练、校验完成之后,就可以根据预测点的输入,得到该点的输出[1]。
2 数据及其处理方法
2.1 茶叶产量数据
某国1990年到2009年的茶叶产量如表1所示。本文采用Matlab对表1中的茶叶产量进行建模与仿真,以1990年到2007年的数据作为训练样本分别对BP神经网络和Elman神经网络进行训练,而以2008年到2009年的数据作为检测样本对模型进行检测[2]。
2.2 数据预处理
为了使网络能够快速收敛,神经网络的学习方法要求输入层的输入值和输出层的输出值在[0,1]之间。因此,必须对茶叶产量数据进行归一化处理,其运算表达式如下[3]:
其中,min(x)和max(x)分别为样本分量的最小值和最大值,x(i)为第i个样本的分量值,y(i)为x(i)对应的归一化值。
经过归一化处理后,神经网络的预测值仍然是归一化的数据,因此,必须要进行反归一化处理,才能得到真实值。反归一化处理方法如下[4]:
2.3 滚动预测法
滚动预测法是一种利用神经网络对时间序列进行动态预测的方法。假如要使用过去的N个数据预测未来M个时刻的值,其方法是建立一个宽度为N+M的移动窗口,每个窗体包含连续的N+M个研究数据作为神经网络的一个样本。当移动窗口逐项向右移动时,就可以由己知的一个动态数列构造出若干个训练和检验网络的样本数据。其中,前N个数据作为网络系统的输入,后M个数据作为网络系统的输出,如表2所示[5]。本文采用滚动预测法,对茶叶产量进行建模与预测。
3 BP网络的建模与预测
经过反复实验,选取BP网络的结构如下:隐含层神经元个数为30,输入层三个输入端,输出层一个输出端。网络的训练函数取默认函数trainlm()。权值和阈值的BP学习算法取默认学习函数learndm()。网络的性能函数取默认函数mse()。
BP网络的训练过程如下:
网络训练速度很快,只经过6轮训练,就达到了最小梯度。BP网络的仿真曲线如图3所示。
在图3中,“﹡”号表示茶叶产量值,“○”表示网络仿真输出值,而“●”表示2008和2009两年的预测值。符号“○”和“﹡”的位置关系表达的是网络的数据拟合能力,而符号“●”和“﹡”的位置关系表达的则是网络的数据预测能力。
模型的平均绝对误差的计算结果:MAE=2.700247433059151e-014
模型的均方差的计算结果:MSE=1.337483806468321e-027
可见MAE和MSE这两个评价指标值非常小,说明模型的拟合精度非常高。
现对2008年和2009年的产量进行测试:
预测输出向量L=[0.90439526040988 0.994894479262225]
对L进行去归一化处理,得到2008年和2009年的茶叶产量预测值分别为:1280382.6371吨和1354462.7637吨。
4 Elman网络的建模与预测
为了对比起见,选取Elman网络的结构与BP网络相同。
Elman网络的训练过程如下:
与BP网络相比,Elman网络训练速度相对较慢,这是因为增加了一层承接层的缘故。Elman网络的仿真曲线如图4所示。
在图4中,“﹡”号表示茶叶产量值,“○”表示网络仿真输出值,而“●”表示2008和2009两年的预测值。
模型的平均绝对误差的计算结果:MAE=0.019568925092903
模型的均方差的计算结果:MSE=0.000486409026385
可见MAE和MSE这两个评价指标值比较小,说明模型有一定的拟合精度。
现对2008年和2009年的产量进行测试:
预测输出向量L=0.893708860977705 1.060184541114166
对L进行去归一化处理,得到2008年和2009年的茶叶产量预测值分别为:1271635.0497吨和1407907.3802吨。
5 两种网络的预测性能对比
BP网络与Elman网络的预测性能对比如表3所示。
从表3中显示的预测结果来看,对于2008年茶叶产量预测,Elman网络预测的准确度较高,而对于2009年的茶叶产量预测,BP网络预测的准确度较高,可谓两种网络在茶叶产量的预测方面各有千秋。
6 结论
本文分别采用BP神经网络和Elman神经网络对茶叶产量进行了建模,并对它们的建模性能进行了对比。建模样本的处理采用滚动预测法。研究表明,从建模速度来看,BP网络速度较快。从拟合性能来看,BP网络和Elman网络都获得了较小的MAE和MSE值,两种网络都具有很高的拟
合性能。但相比之下,BP网络拟和性能相对更佳。从预测性能来看,BP网络和Elman网络都获得了较小的预测相对误差,预测精度都较高。因此,采用BP神经网络和Elman神经网络对茶叶产量进行建模与预测,其方法是可行的。
参考文献
[1]胡广义,张秋文,张勇传.基于BP人工神经网络的分布式降雨量插值估算[J].华中科技大学学报:自然科学版,2009,37(4):107-109,110.
[2]吴萍,迟道才,王殿武,等.Elman反馈型神经网络模型在灌溉用水量预测中的应用[J].沈阳农业大学学报,2007,38(4):586-589.
[3]姜平,石琴,陈无畏,等.基于Elman型回归神经网络的公交客流预测[J].合肥工业大学学报:自然科学版,2008,31(3):340-342,369.
[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.