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10-17页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 煤层气产能预测研究现状 | 第11-13页 |
1.2.2 粒子群优化算法研究现状 | 第13-14页 |
1.2.3 神经网络研究现状 | 第14页 |
1.3 主要研究内容及研究方法 | 第14-15页 |
1.4 本文的结构安排 | 第15-17页 |
第二章 煤层气产能预测及量子计算概述 | 第17-25页 |
2.1 引言 | 第17页 |
2.2 煤层气产能预测相关技术 | 第17-22页 |
2.2.1 考虑解析过程的储层模拟方法 | 第17-19页 |
2.2.2 物质平衡法 | 第19-21页 |
2.2.3 数值模拟法 | 第21-22页 |
2.3 量子计算基础 | 第22-24页 |
2.3.1 量子比特和矢量空间 | 第22页 |
2.3.2 矢量的矩阵表示 | 第22-23页 |
2.3.3 内积空间 | 第23页 |
2.3.4 张量积 | 第23-24页 |
2.4 本章小结 | 第24-25页 |
第三章 一种新的量子衍生粒子群优化算法 | 第25-37页 |
3.1 引言 | 第25页 |
3.2 粒子群优化基本原理 | 第25-27页 |
3.2.1 基本粒子群算法的概念和进化方程 | 第25-27页 |
3.2.2 粒子群算法的社会行为分析 | 第27页 |
3.3 多比特量子系统和多比特量子旋转门 | 第27-29页 |
3.3.1 量子比特和单比特量子旋转门 | 第27页 |
3.3.2 矩阵张量积 | 第27-28页 |
3.3.3 多比特量子系统和多比特量子旋转门 | 第28-29页 |
3.4 基于多比特概率幅的粒子编码方法 | 第29页 |
3.4.1 量子比特数的确定 | 第29页 |
3.4.2 多比特概率幅粒子群编码方法 | 第29页 |
3.5 基于多比特概率幅的粒子更新方法 | 第29-30页 |
3.6 多比特概率幅编码量子衍生粒子群算法 | 第30-31页 |
3.7 对比实验及分析 | 第31-36页 |
3.7.1 测试函数 | 第31-32页 |
3.7.2 实验方案和参数设计 | 第32-33页 |
3.7.3 实验结果对比 | 第33-36页 |
3.7.4 实验结果分析 | 第36页 |
3.8 本章小结 | 第36-37页 |
第四章 一种混合量子衍生神经网络模型及算法 | 第37-49页 |
4.1 引言 | 第37页 |
4.2 人工神经元模型 | 第37-38页 |
4.3 量子衍生神经网络模型 | 第38-41页 |
4.3.1 量子比特和量子旋转门 | 第38-39页 |
4.3.2 量子衍生神经元模型 | 第39页 |
4.3.3 量子衍生神经网络模型 | 第39-40页 |
4.3.4 量子衍生神经网络算法 | 第40-41页 |
4.4 对比实验 | 第41-45页 |
4.4.1 平面点集分类 | 第41-42页 |
4.4.2 双螺旋线分类 | 第42-43页 |
4.4.3 函数逼近问题 | 第43-45页 |
4.5 MQPAPSO与HQINN的融合 | 第45-47页 |
4.5.1 两种算法融合的基本思想 | 第45-46页 |
4.5.2 网络权值的编码方法 | 第46页 |
4.5.3 MQPAPSO-HQINN的实施方案 | 第46-47页 |
4.6 对比实验 | 第47-48页 |
4.7 本章小结 | 第48-49页 |
第五章 MQPAPSO优化的HQINN在煤层气产能预测中的应用 | 第49-61页 |
5.1 研究区块地质背景介绍 | 第49-50页 |
5.2 主要地貌特征介绍 | 第50-51页 |
5.2.1 煤层封盖条件 | 第50页 |
5.2.2 煤层渗透率 | 第50页 |
5.2.3 煤储层压力 | 第50-51页 |
5.2.4 煤层分布情况 | 第51页 |
5.3 主要地质变量的选择 | 第51-52页 |
5.4 预测模型的应用 | 第52-60页 |
5.4.1 矿场资料数据 | 第52页 |
5.4.2 模型参数设置 | 第52-53页 |
5.4.3 预测结果对比 | 第53-55页 |
5.4.4 参数敏感性分析 | 第55-60页 |
5.5 本章小结 | 第60-61页 |
结论 | 第61-62页 |
参考文献 | 第62-66页 |
发表文章目录 | 第66-67页 |
致谢 | 第67-68页 |