采油厂完井单井产能预测分析研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 油田产能预测研究现状 | 第11-12页 |
| 1.2.2 油田产能预测代表性方法 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 产能预测相关方法分析 | 第15-18页 |
| 2.1 产能预测的特点 | 第15页 |
| 2.2 产能影响参数筛选方法 | 第15-16页 |
| 2.3 动态产能预测方法 | 第16-17页 |
| 2.4 本章小节 | 第17-18页 |
| 第三章 基于改进灰色关联分析的产能参数提取方法 | 第18-28页 |
| 3.1 灰色关联分析概述 | 第18-24页 |
| 3.1.1 灰色关联分析基本原理 | 第19-20页 |
| 3.1.2 传统灰色关联分析模型 | 第20-21页 |
| 3.1.3 改进的灰色关联分析具体算法及分析 | 第21-24页 |
| 3.2 产能参数的信息量理论分析 | 第24页 |
| 3.3 实验与结果分析 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于蚁群系统与改进激励函数的BP融合算法 | 第28-43页 |
| 4.1 BP神经网络预测 | 第28-32页 |
| 4.1.1 BP神经网络预测模型 | 第28-31页 |
| 4.1.2 BP神经网络的优缺点分析 | 第31-32页 |
| 4.2 改进激励函数的BP神经网络 | 第32-34页 |
| 4.2.1 激励函数对BP神经网络功能的影响 | 第32-33页 |
| 4.2.2 常用的激励函数 | 第33页 |
| 4.2.3 改进的激励函数 | 第33-34页 |
| 4.3 基于蚁群系统的BP神经网络融合算法研究 | 第34-38页 |
| 4.3.1 蚁群算法 | 第34-36页 |
| 4.3.2 基于蚁群算法的BP神经网络融合算法 | 第36-38页 |
| 4.4 实验与结果分析 | 第38-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 采油厂完井单井产能预测的实现 | 第43-50页 |
| 5.1 系统设计 | 第43-45页 |
| 5.1.1 系统总体设计 | 第43-44页 |
| 5.1.2 系统模块设计 | 第44-45页 |
| 5.2 采油厂完井单井产能预测的实现 | 第45-48页 |
| 5.2.1 产能参数提取分析模块 | 第45-46页 |
| 5.2.2 新井产能预测模块 | 第46-47页 |
| 5.2.3 用户管理模块 | 第47页 |
| 5.2.4 应用效果分析 | 第47-48页 |
| 5.3 本章小结 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 发表文章目录 | 第55-56页 |
| 致谢 | 第56-57页 |
