| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题的背景与意义 | 第9页 |
| ·多相流概述 | 第9-13页 |
| ·多相流概念和分类 | 第9-10页 |
| ·多相流主要参数 | 第10-13页 |
| ·多相流测量方法的研究现状与分析 | 第13-15页 |
| ·传统的多相流动参数检测技术 | 第14页 |
| ·基于现代信号处理技术的多相流动参数检测技术 | 第14页 |
| ·基于新型传感技术的多相流动参数检测技术 | 第14-15页 |
| ·本文研究的主要内容 | 第15-17页 |
| 第二章 垂直井内多相流测试实验与数据处理研究 | 第17-31页 |
| ·油水气三相流模拟井装置 | 第17-19页 |
| ·油水气三相流模拟井装置的工作原理 | 第17页 |
| ·油水气三相流模拟井装置的组成 | 第17-19页 |
| ·同轴线相位法找水仪 | 第19-26页 |
| ·同轴线相位法含水率计测量原理 | 第19-20页 |
| ·同轴线传感器原理 | 第20-22页 |
| ·涡轮流量计工作原理及其构造 | 第22-23页 |
| ·布伞集流器 | 第23-26页 |
| ·数据采集方法与特点分析 | 第26-29页 |
| ·数据采集方案 | 第26页 |
| ·基于同轴相位法找水仪的油水气三相流数据采集 | 第26-27页 |
| ·基于同轴线相位法找水仪的水气两相流数据采集 | 第27页 |
| ·数据特点分析 | 第27-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于人工神经网络的多相流预测模型研究 | 第31-54页 |
| ·人工神经网络网络原理 | 第31-34页 |
| ·人工神经网络概述 | 第31-32页 |
| ·BP 神经网络 | 第32-34页 |
| ·小波神经网络 | 第34-42页 |
| ·小波神经网络概述 | 第34-36页 |
| ·小波分析 | 第36-40页 |
| ·小波神经网络算法 | 第40-42页 |
| ·模型设计 | 第42-44页 |
| ·模型数据预处理 | 第44-53页 |
| ·常用的信号去噪方法及其原理 | 第45-46页 |
| ·去噪问题的描述 | 第46页 |
| ·小波去噪的种类 | 第46-47页 |
| ·小波阈值去噪原理与算法 | 第47-49页 |
| ·多相流数据的小波阈值去噪 | 第49-52页 |
| ·分析及讨论去噪结果 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 气液未分离含水率预测模型研究 | 第54-65页 |
| ·基于BP 神经网络的垂直井内气液未分离预测模型研究 | 第54-58页 |
| ·垂直井内多相流含水率BP 神经网络模型建立 | 第54-55页 |
| ·训练样本的选取与模型的建立 | 第55-58页 |
| ·基于小波神经网络的原油含水率预测模型的研究 | 第58-62页 |
| ·垂直井内多相流含水率小波神经网络模型建立 | 第58-59页 |
| ·训练样本的选取与模型的建立 | 第59-62页 |
| ·模型预测结果对比分析 | 第62-64页 |
| ·整体含水率预测模型预测分析 | 第62-63页 |
| ·分段含水率预测模型预测分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 气液分离含水率预测模型的研究 | 第65-75页 |
| ·水气两相流中溢气型集流伞和普通集流伞测量对比分析 | 第65-68页 |
| ·数据来源 | 第65-66页 |
| ·实验所得数据图表与分析 | 第66-68页 |
| ·基小波神经网络的气液分离状态原油含水率模型的研究 | 第68-71页 |
| ·整体对含水率建立预测模型 | 第69-70页 |
| ·分段对含水率建立预测模型 | 第70-71页 |
| ·气液分离与气液未分离小波网络模型预测结果对比分析 | 第71-74页 |
| ·整体含水率预测模型预测分析 | 第71-72页 |
| ·分段含水率预测模型预测分析 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| ·研究工作总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 作者在攻读硕士学位期间发表的论文 | 第80-81页 |
| 致谢 | 第81页 |
