| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 本文的主要研究工作 | 第14-16页 |
| 第2章 油田回注水余氯预测的相关理论 | 第16-31页 |
| 2.1 余氯影响因素 | 第16-19页 |
| 2.2 回注水余氯预测的特点分析 | 第19页 |
| 2.3 BP神经网络概述 | 第19-25页 |
| 2.3.1 BP神经网络原理 | 第19-20页 |
| 2.3.2 BP算法 | 第20-24页 |
| 2.3.3 标准BP神经网络的不足 | 第24-25页 |
| 2.4 遗传算法 | 第25-27页 |
| 2.4.1 遗传算法简介 | 第25页 |
| 2.4.2 遗传算法的步骤 | 第25-26页 |
| 2.4.3 遗传算法的不足 | 第26-27页 |
| 2.5 模拟退火算法 | 第27-29页 |
| 2.5.1 模拟退火算法简介 | 第27-28页 |
| 2.5.2 模拟退火算法的步骤 | 第28-29页 |
| 2.5.3 模拟退火算法的不足 | 第29页 |
| 2.6 本章小结 | 第29-31页 |
| 第3章 油田回注水余氯预测模型 | 第31-41页 |
| 3.1 BP神经网络应用于油田回注水余氯预测的可行性 | 第31-32页 |
| 3.2 基于BP神经网络的油田回注水余氯预测模型 | 第32-35页 |
| 3.2.1 输入层及输出层设计 | 第32页 |
| 3.2.2 隐含层及其神经元数的设计 | 第32-34页 |
| 3.2.3 激活函数和训练算法的设计 | 第34页 |
| 3.2.4 学习速率的选取 | 第34-35页 |
| 3.3 基于GA-BP神经网络的余氯预测模型 | 第35-38页 |
| 3.3.1 GA优化BP神经网络模型 | 第35页 |
| 3.3.2 算法流程设计 | 第35-38页 |
| 3.4 基于GASA-BP神经网络的余氯预测模型 | 第38-40页 |
| 3.4.1 SA优化GA-BP神经网络模型 | 第38页 |
| 3.4.2 算法流程设计 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 系统设计与实验分析 | 第41-50页 |
| 4.1 系统总体设计 | 第41-43页 |
| 4.1.1 控制系统的硬件设计 | 第42页 |
| 4.1.2 控制系统软件设计 | 第42-43页 |
| 4.2 实验分析 | 第43-48页 |
| 4.2.1 余氯样本数据选取 | 第43-44页 |
| 4.2.2 数据预处理 | 第44-46页 |
| 4.2.3 实验参数设置 | 第46页 |
| 4.2.4 结果比较 | 第46-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录1 攻读硕士学位期间发表的论文 | 第56-57页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第57页 |