首页--工业技术论文--石油、天然气工业论文--钻井工程论文--钻井理论论文

基于遗传算法和神经网络的钻井参数估计和岩性识别的研究

中文摘要第1-4页
英文摘要第4-9页
第一章 绪论第9-16页
 1.1 引言第9-10页
 1.2 非线性参数估计技术研究现状第10-11页
 1.3 遗传算法研究现状第11-13页
 1.4 岩性识别技术研究现状第13-15页
 1.5 本文完成的主要内容第15-16页
第二章 基于遗传算法的非线性变参数估计的研究第16-26页
 2.1 引言第16页
 2.2 非线性系统变参数估计问题描述第16-17页
 2.3 遗传算法第17-23页
  2.3.1 遗传算法基本机理及特征第17-18页
  2.3.2 基本遗传算法第18-22页
  2.3.3 遗传算法的改进第22-23页
 2.4 非线性变参数估计的遗传算法第23页
 2.5 本章小结第23-26页
第三章 基于遗传算法的钻井参数估计第26-37页
 3.1 引言第26页
 3.2 钻井参数估计问题描述第26-27页
 3.3 基于遗传算法的钻井参数估计第27-29页
  3.3.1 编码方案确定第27页
  3.3.2 初始化种群组(解空间)的构成第27-28页
  3.3.3 适应度函数的确定第28-29页
 3.4 应用实例第29-33页
  3.4.1 改进遗传算法对估计结果的影响第29-30页
  3.4.2 遗传算法控制参数对估计结果的影响第30-33页
 3.5 应用实例效果分析第33-36页
 3.6 本章小结第36-37页
第四章 神经网络模式识别方法研究第37-57页
 4.1 引言第37-39页
 4.2 基于BP神经网络的模式分类器第39-43页
  4.2.1 BP神经网络基本结构与特征第39-40页
  4.2.2 BP神经网络学习算法第40-42页
  4.2.3 BP学习算法的改进与实现第42-43页
 4.3 基于ART-2神经网络的模式分类器第43-50页
  4.3.1 ART-2神经网络的工作方式第43-46页
  4.3.2 ART-2神经网络学习算法第46-49页
  4.3.3 ART-2神经网络的算法改进第49-50页
 4.4 基于模糊自适应Hamming网络的模式分类器第50-55页
  4.4.1 模糊自适应Hamming网络的结构及原理第50-52页
  4.4.2 模糊自适应Hamming网络的学习算法第52-54页
  4.4.3 模糊自适应Hamming网络的动态特性分析第54-55页
 4.5 本章小结第55-57页
第五章 基于神经网络的钻井过程岩性识别第57-72页
 5.1 引言第57页
 5.2 钻井曲线的岩性特征分析第57-58页
 5.3 训练样本数据库的建立第58页
 5.4 预处理第58-59页
 5.5 随钻岩性识别分类器的设计第59-60页
 5.6 基于误差反传BP网络的钻井过程岩性识别第60-65页
  5.6.1 训练样本数据库的建立第60页
  5.6.2 BP网络结构设计第60页
  5.6.3 网络训练第60-62页
  5.6.4 实验结果第62-65页
 5.7 基于ART-2网络的钻井过程岩性识别第65-66页
  5.7.1 ART-2网络结构设计第65页
  5.7.2 ART-2网络分类器的训练样本数据库第65页
  5.7.3 实验结果第65-66页
 5.8 基于模糊自适应Hamming网络的钻井过程岩性识别第66-67页
  5.8.1 模糊自适应Hamming网络结构设计第66页
  5.8.2 训练样本数据库的建立第66-67页
  5.8.3 实验结果第67页
 5.9 三种识别方法的性能比较第67-71页
 5.10 本章小结第71-72页
结论第72-74页
致谢第74-75页
参考文献第75-79页

论文共79页,点击 下载论文
上一篇:提高负压实型铸造低铬白口铸铁综合性能的研究
下一篇:高吸水树脂的合成与性能表征