| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 有杆泵采油过程概述 | 第15-21页 |
| 1.2.1 有杆泵采油过程工艺流程 | 第15-16页 |
| 1.2.2 有杆泵抽油系统组成及工作原理 | 第16-18页 |
| 1.2.3 有杆泵采油系统装备发展现状 | 第18-21页 |
| 1.3 有杆泵采油过程建模与优化研究现状 | 第21-25页 |
| 1.3.1 采油过程建模研究现状 | 第21-23页 |
| 1.3.2 采油过程优化研究现状 | 第23-25页 |
| 1.4 本文主要工作 | 第25-28页 |
| 第二章 采油过程机理建模 | 第28-46页 |
| 2.1 引言 | 第28-29页 |
| 2.2 有杆泵抽油系统模型 | 第29-34页 |
| 2.2.1 游梁式抽油机的运动特性分析 | 第29-31页 |
| 2.2.2 抽油机井下抽油杆柱预测模型 | 第31-34页 |
| 2.2.2.1 抽油杆柱纵向振动数学模型 | 第31-33页 |
| 2.2.2.2 抽油杆柱振动差分仿真模型 | 第33-34页 |
| 2.3 采油整体产液量和单位产液量能耗机理模型 | 第34-44页 |
| 2.3.1 区块整体产液量模型 | 第36-39页 |
| 2.3.1.1 井筒模型 | 第36-39页 |
| 2.3.1.2 油井产能协调方程 | 第39页 |
| 2.3.2 单位产液量能耗模型 | 第39-44页 |
| 2.3.2.1 抽油系统输入功率模型 | 第40页 |
| 2.3.2.2 悬点载荷仿真模型 | 第40-44页 |
| 2.4 模型验证 | 第44-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第三章 基于LS-SVM的采油过程混合建模 | 第46-62页 |
| 3.1 引言 | 第46-47页 |
| 3.2 数据预处理 | 第47-48页 |
| 3.2.1 数据过失误差处理 | 第47-48页 |
| 3.2.2 数据标准化 | 第48页 |
| 3.3 支持向量机(SVM) | 第48-51页 |
| 3.3.1 机器学习基本问题 | 第49页 |
| 3.3.2 支持向量机回归算法 | 第49-51页 |
| 3.4 最小二乘支持向量机回归(LS-SVM) | 第51-53页 |
| 3.5 LS-SVM模型参数选取 | 第53-55页 |
| 3.5.1 粒子群优化算法(PS) | 第53-54页 |
| 3.5.2 基于PSO算法的模型参数辨识步骤 | 第54-55页 |
| 3.6 基于LS-SVM误差补偿混合模型 | 第55-58页 |
| 3.6.1 混合模型基本结构 | 第55-57页 |
| 3.6.2 基于LS-SVM误差补偿混合模型整体框架 | 第57-58页 |
| 3.6.3 LS-SVM误差模型 | 第58页 |
| 3.7 仿真实验及结果分析 | 第58-61页 |
| 3.8 本章小结 | 第61-62页 |
| 第四章 采油过程混合模型自适应校正策略 | 第62-86页 |
| 4.1 引言 | 第62-63页 |
| 4.2 模型性能评价 | 第63-69页 |
| 4.2.1 高斯混合模型(GMM) | 第64-67页 |
| 4.2.2 模型性能评价指标构建 | 第67-69页 |
| 4.2.3 混合模型的性能监测 | 第69页 |
| 4.3 混合模型自适应校正策略 | 第69-77页 |
| 4.3.1 模型偏差输出校正 | 第70页 |
| 4.3.2 参数自适应更新的LS-SVM模型校正 | 第70-74页 |
| 4.3.3 粒子群优化(PSO)的机理模型参数校正 | 第74-77页 |
| 4.4 混合模型自适应校正实施步骤 | 第77-78页 |
| 4.5 模型仿真验证 | 第78-85页 |
| 4.6 本章小结 | 第85-86页 |
| 第五章 多目标优化方法研究 | 第86-112页 |
| 5.1 引言 | 第86-87页 |
| 5.2 多目标问题描述及相关概念 | 第87-88页 |
| 5.3 多目标优化方法 | 第88-90页 |
| 5.3.1 传统的多目标优化方法 | 第88页 |
| 5.3.2 多目标进化算法 | 第88-90页 |
| 5.4 混合梯度算子的混沌非支配排序遗传算法(IG-NSGA-Ⅱ) | 第90-111页 |
| 5.4.1 标准NSGA-Ⅱ算法基本理论 | 第90-93页 |
| 5.4.1.1 快速非支配排序 | 第90-91页 |
| 5.4.1.2 拥挤度和拥挤度排序 | 第91-92页 |
| 5.4.1.3 NSGA-Ⅱ算法流程 | 第92-93页 |
| 5.4.2 基于混合混沌映射模型的种群初始化 | 第93-96页 |
| 5.4.3 基于梯度的混合操作算子 | 第96-98页 |
| 5.4.3.1 基于梯度的操作算子 | 第96-97页 |
| 5.4.3.2 基于梯度的混合操作算子 | 第97-98页 |
| 5.4.4 混沌备用种群替换操作 | 第98-99页 |
| 5.4.5 IG-NSGA-Ⅱ算法的操作流程及复杂度分析 | 第99-102页 |
| 5.4.6 算法性能测试 | 第102-111页 |
| 5.5 本章小结 | 第111-112页 |
| 第六章 采油过程的多目标优化 | 第112-122页 |
| 6.1 引言 | 第112页 |
| 6.2 采油过程优化模型建立 | 第112-115页 |
| 6.2.1 目标函数的确定 | 第113页 |
| 6.2.2 决策变量的选取 | 第113-114页 |
| 6.2.3 约束条件 | 第114-115页 |
| 6.2.4 多目标优化模型 | 第115页 |
| 6.3 基于IG-NSGA-Ⅱ算法的多目标优化模型求解 | 第115-117页 |
| 6.4 仿真研究 | 第117-121页 |
| 6.5 本章小结 | 第121-122页 |
| 第七章 结论与展望 | 第122-126页 |
| 7.1 结论 | 第122-123页 |
| 7.2 展望 | 第123-126页 |
| 参考文献 | 第126-136页 |
| 致谢 | 第136-138页 |
| 攻读博士学位期间论文情况及参与课题 | 第138-140页 |
| 个人简介 | 第140页 |
