| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 本课题研究的目的和意义 | 第12页 |
| 1.2 国内外研究含水率传感器现状及发展趋势 | 第12-18页 |
| 1.2.1 国外含水率传感器研究现状 | 第12-14页 |
| 1.2.2 国内含水率传感器研究现状 | 第14-16页 |
| 1.2.3 原油含水率检测方法发展趋势 | 第16-18页 |
| 1.3 本文研究的内容 | 第18-21页 |
| 第2章 基于短波法原油含水率测量系统的设计与实现 | 第21-29页 |
| 2.1 油水两相流含水率测量系统的设计 | 第21-25页 |
| 2.1.1 传感器选择 | 第21-24页 |
| 2.1.2 实验装置与条件 | 第24-25页 |
| 2.1.3 电磁波技术测量原油含水率 | 第25页 |
| 2.2 制定实验方案 | 第25-27页 |
| 2.2.1 实验目的 | 第25-26页 |
| 2.2.2 实验内容设计 | 第26-27页 |
| 2.3 小结 | 第27-29页 |
| 第3章 基于原油含水率的多元回归预测模型 | 第29-47页 |
| 3.1 单因素—温度实验数据分析 | 第29-36页 |
| 3.2 单因素—矿化度实验数据分析 | 第36-38页 |
| 3.3 多因素—温度和矿化度实验数据分析 | 第38-42页 |
| 3.4 原油含水率多元回归模型仿真 | 第42页 |
| 3.4.1 原油含水率回归模型预测结果 | 第42页 |
| 3.5 原油含水率回归模型可靠性分析 | 第42-44页 |
| 3.6 小结 | 第44-47页 |
| 第4章 基于神经网络的原油含水率预测模型 | 第47-61页 |
| 4.1 原油含水率神经网络模型的建立 | 第47页 |
| 4.2 基于标准神经网络的原油含水率预测模型 | 第47-52页 |
| 4.2.1 标准BP算法求解 | 第47-50页 |
| 4.2.2 基于标准BP含水率预测模型仿真结果分析 | 第50-52页 |
| 4.3 基于改进型BP神经网络的原油含水率预测模型 | 第52-55页 |
| 4.3.1 针对过拟合现象提高解决方法。 | 第52页 |
| 4.3.2 针对陷入局部极小值 | 第52页 |
| 4.3.3 针对“假饱和”现象 | 第52页 |
| 4.3.4 基于改进型原油含水率BP神经网络建立 | 第52-55页 |
| 4.4 基于改进BP原油含水率预测模型仿真结果分析 | 第55-57页 |
| 4.5 基于改进BP原油含水率预测模型靠性分析 | 第57-58页 |
| 4.6 小结 | 第58-61页 |
| 第5章 基于遗传算法优化神经网络的原油含水率预测模型 | 第61-75页 |
| 5.1 遗传算法优化神经网络原油含水率预测模型的建立 | 第61-62页 |
| 5.2 GA+BP原油含水率预测模型算法设计 | 第62-67页 |
| 5.2.1 种群初始化 | 第62-63页 |
| 5.2.3 适应度函数的选择 | 第63-64页 |
| 5.2.4 遗传算子的设计 | 第64-67页 |
| 5.3 GA+BP原油含水率预测模型仿真结果分析 | 第67-72页 |
| 5.4 基于GA+BP原油含水率预测模型靠性分析 | 第72-73页 |
| 5.5 小结 | 第73-75页 |
| 第6章 四种原油含水率预测模型对比研究 | 第75-81页 |
| 6.1 四种预测模型样本数据 | 第75-76页 |
| 6.2 回归性比较 | 第76-77页 |
| 6.3 稳定性比较 | 第77-79页 |
| 6.3.1 模型稳定性定量比较 | 第77-78页 |
| 6.3.2 模型稳定性差异性分析原因 | 第78-79页 |
| 6.4 实用性比较 | 第79-80页 |
| 6.5 小结 | 第80-81页 |
| 第7章 结论与展望 | 第81-85页 |
| 7.1 总结 | 第81-82页 |
| 7.2 展望 | 第82页 |
| 7.3 创新 | 第82-85页 |
| 参考文献 | 第85-91页 |
| 攻读硕士期间已发表的论文 | 第91-93页 |
| 附录Ⅰ 单因素—温度实验数据表 | 第93-99页 |
| 附录Ⅱ 单因素—矿化度实验数据表 | 第99-101页 |
| 附录Ⅲ 多因素—温度和矿化度实验数据表 | 第101-105页 |
| 致谢 | 第105页 |
