基于大数据的钻头选型方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-15页 |
| 1.2.1 钻头使用效果评价法 | 第9-10页 |
| 1.2.2 岩石力学参数法 | 第10页 |
| 1.2.3 综合法 | 第10-13页 |
| 1.2.4 大数据在钻头选型方面的运用 | 第13-15页 |
| 1.3 存在的问题 | 第15页 |
| 1.4 研究思路及内容 | 第15-17页 |
| 第2章 基于大数据的钻头选型原理及方法 | 第17-27页 |
| 2.1 大数据的概念及应用 | 第17-18页 |
| 2.2 基于大数据的钻头选型原理 | 第18-26页 |
| 2.2.1 基于无监督学习的相似地层聚类算法 | 第19-23页 |
| 2.2.2 基于监督学习的待钻地层分类算法 | 第23-26页 |
| 2.3 本章总结 | 第26-27页 |
| 第3章 基于无监督学习的钻头—地层选型标准的建立 | 第27-52页 |
| 3.1 钻头选型方法需求 | 第27-28页 |
| 3.2 地层特性参数分析 | 第28-34页 |
| 3.2.1 测井数据与地层岩石可钻性之间的关系 | 第29-30页 |
| 3.2.2 测井数据与地层岩石碾磨性之间的关系 | 第30-32页 |
| 3.2.3 测井数据与地层岩石非均质性之间的关系 | 第32-34页 |
| 3.3 地层数据分层 | 第34页 |
| 3.4 地层特性参数特征工程 | 第34-39页 |
| 3.4.1 数据清洗 | 第34-37页 |
| 3.4.2 特征数据标准化 | 第37-39页 |
| 3.4.3 特征权重 | 第39页 |
| 3.5 算法模型 | 第39-47页 |
| 3.5.1 K-means算法 | 第39-44页 |
| 3.5.2 mean-shift算法 | 第44-45页 |
| 3.5.3 DBSCAN算法 | 第45-46页 |
| 3.5.4 钻头-地层选型模型综合评判 | 第46-47页 |
| 3.6 聚类效果的工程意义的验证 | 第47-48页 |
| 3.7 钻头使用效果评价 | 第48-51页 |
| 3.8 本章总结 | 第51-52页 |
| 第4章 基于监督学习的钻头选型及其验证 | 第52-62页 |
| 4.1 待钻地层分类方法 | 第52-53页 |
| 4.1.1 K邻近法 | 第52-53页 |
| 4.1.2 中心点距离法 | 第53页 |
| 4.2 模型验证 | 第53-57页 |
| 4.2.1 模型评估方法 | 第54页 |
| 4.2.2 模型评估 | 第54-57页 |
| 4.3 钻头选型模型建立 | 第57-61页 |
| 4.3.1 基于K-NN选型模型建立 | 第57-60页 |
| 4.3.2 中心点法选型模型建立 | 第60-61页 |
| 4.4 本章总结 | 第61-62页 |
| 第5章 钻头选型软件开发 | 第62-73页 |
| 5.1 软件规划与功能 | 第62-68页 |
| 5.1.1 Python介绍 | 第62-64页 |
| 5.1.2 软件需求 | 第64-65页 |
| 5.1.3 软件规划与功能 | 第65-68页 |
| 5.2 应用示例 | 第68-72页 |
| 5.3 本章总结 | 第72-73页 |
| 第6章 钻头选型应用验证 | 第73-78页 |
| 6.1 验证方案 | 第73页 |
| 6.2 验证步骤 | 第73-78页 |
| 6.2.1 数据选择及综合评价 | 第73-76页 |
| 6.2.2 推荐步骤及结果 | 第76-78页 |
| 第7章 总结与展望 | 第78-80页 |
| 7.1 创新点 | 第78页 |
| 7.2 结论 | 第78-79页 |
| 7.3 展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85-90页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第90页 |
