| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 引言 | 第10-20页 |
| ·课题的目的和意义 | 第10-11页 |
| ·智能计算概述 | 第11-16页 |
| ·人工神经网络 | 第12-13页 |
| ·遗传算法 | 第13页 |
| ·模拟退火 | 第13-14页 |
| ·粒子群优化算法 | 第14-16页 |
| ·智能计算方法的特点 | 第16页 |
| ·基于智能计算方法的储层预测研究及进展 | 第16-18页 |
| ·主要研究内容及成果 | 第18-20页 |
| ·主要研究内容 | 第18页 |
| ·主要成果及创新点 | 第18-20页 |
| 第2章 基于粒子群优化算法的储层参数反演方法研究 | 第20-50页 |
| ·波阻抗反演技术理论 | 第20-25页 |
| ·波阻抗反演技术概述 | 第20-21页 |
| ·宽带约束反演原理 | 第21-23页 |
| ·弹性阻抗反演方法 | 第23-25页 |
| ·粒子群优化算法原理 | 第25-32页 |
| ·粒子群优化算法描述 | 第26-28页 |
| ·粒子群优化算法收敛性分析 | 第28-32页 |
| ·粒子群优化算法改进及性能测试 | 第32-37页 |
| ·混沌惯性权重调整策略的粒子群优化算法 | 第32-35页 |
| ·混合智能优化算法 | 第35-37页 |
| ·基于粒子群优化算法的储层参数反演 | 第37-49页 |
| ·基于粒子群优化算法波阻抗反演原理 | 第38-39页 |
| ·理论模型测试 | 第39-47页 |
| ·实际资料处理 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第3章 混合学习法前向神经网络储层参数预测方法研究 | 第50-77页 |
| ·基于地震属性的储层参数预测 | 第50-54页 |
| ·地震属性技术概述 | 第50-52页 |
| ·基于地震属性的储层参数预测 | 第52-54页 |
| ·混合学习法前向神经网络 | 第54-69页 |
| ·人工神经网络 | 第54-56页 |
| ·误差反向传播网络及其改进 | 第56-62页 |
| ·混合学习法径向基函数网络 | 第62-69页 |
| ·混合学习法前向神经网络多属性孔隙度预测 | 第69-76页 |
| ·地震属性的提取和优化 | 第70-74页 |
| ·混合学习法前向神经网络多属性孔隙度预测 | 第74-76页 |
| ·小结 | 第76-77页 |
| 第4章 应用实例——川东 DCH 构造储层预测 | 第77-98页 |
| ·研究区概况 | 第77-79页 |
| ·区域地质简况 | 第77-78页 |
| ·勘探开发历程 | 第78-79页 |
| ·DCH 构造飞仙关组地质特征 | 第79-83页 |
| ·地层划分 | 第79页 |
| ·沉积相 | 第79-80页 |
| ·飞仙关组鲕滩储层特征 | 第80-83页 |
| ·DCH 构造飞仙关组鲕滩储层的地球物理特征 | 第83-85页 |
| ·测井特征分析 | 第83-85页 |
| ·鲕滩储层的地震响应 | 第85页 |
| ·DCH 构造飞仙关组鲕滩储层预测 | 第85-96页 |
| ·鲕滩储层速度反演 | 第86-90页 |
| ·鲕滩储层孔隙度预测 | 第90-96页 |
| ·DCH 构造飞仙关组鲕滩储层综合评价 | 第96-97页 |
| ·小结 | 第97-98页 |
| 结论 | 第98-99页 |
| 致谢 | 第99-100页 |
| 参考文献 | 第100-108页 |
| 攻读学位期间取得的学术成果 | 第108页 |