基于测井数据的岩性识别方法研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1.绪论 | 第7-13页 |
| ·引言 | 第7页 |
| ·测井技术发展现状 | 第7-8页 |
| ·岩性识别技术的研究现状 | 第8-9页 |
| ·神经网络技术在岩性识别中的应用情况 | 第9-10页 |
| ·本课题研究内容及意义 | 第10-13页 |
| ·主要研究内容 | 第10-12页 |
| ·本文研究的实际意义 | 第12-13页 |
| 2.测井数据预处理 | 第13-24页 |
| ·测井资料的解读 | 第13-16页 |
| ·LIS 格式数据架构 | 第13-14页 |
| ·LIS 数据结构 | 第14-15页 |
| ·LIS 数据格式的面向对象解析 | 第15-16页 |
| ·测井曲线预处理 | 第16-22页 |
| ·测井曲线深度校正 | 第16-17页 |
| ·测井曲线的平滑滤波处理 | 第17-22页 |
| ·测井曲线的环境校正 | 第22页 |
| ·测井数据的标准化处理 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3.测井相分析 | 第24-35页 |
| ·测井曲线自动分层 | 第24-32页 |
| ·测井曲线自动分层的方法 | 第24-25页 |
| ·多源信息融合的测井曲线自动分层 | 第25-30页 |
| ·实例分析 | 第30-32页 |
| ·测井相-岩性数据库的构建 | 第32-34页 |
| ·测井相 | 第32-33页 |
| ·测井相分析的过程 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4.基于神经网络的岩性识别方法研究 | 第35-66页 |
| ·遗传 BP 神经网络 | 第35-46页 |
| ·传统 BP 网络结构与算法分析 | 第35-39页 |
| ·BP 算法的改进—遗传 BP | 第39-42页 |
| ·基于遗传 BP 神经网络的岩性识别应用 | 第42-46页 |
| ·FCM_PNN 神经网络 | 第46-51页 |
| ·PNN 的网络结构 | 第46-47页 |
| ·FCM 对 PNN 网络结构的优化 | 第47-49页 |
| ·FCM_PNN 在岩性识别中的应用 | 第49-51页 |
| ·遗传优化 RBPNN 神经网络 | 第51-64页 |
| ·径向基函数神经网络 | 第51-53页 |
| ·RBPNN 网络结构 | 第53-55页 |
| ·RBPNN 学习算法分析 | 第55-57页 |
| ·遗传优化 RBPNN 网络 | 第57-61页 |
| ·遗传优化 RBPNN 在岩性识别中的应用 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 5.岩性自动识别系统 | 第66-71页 |
| ·岩性识别系统设计与实现 | 第66-69页 |
| ·岩性识别系统模块设计 | 第66-67页 |
| ·岩性自动识别系统实现 | 第67页 |
| ·系统主要模块介绍 | 第67-69页 |
| ·应用实例 | 第69-71页 |
| ·三种神经网络在岩性识别中的应用对比 | 第69-70页 |
| ·结论分析 | 第70-71页 |
| 6.总结与展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76页 |
