基于智能信息处理技术的原油含水率预测模型研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 第1章 前言 | 第10-17页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·原油含水率测量技术的现状 | 第11-13页 |
| ·人工测量 | 第11页 |
| ·在线测量 | 第11-13页 |
| ·原油含水率在线测量存在的几个问题 | 第13-15页 |
| ·影响测量的主要原因 | 第13-14页 |
| ·测量仪表存在的主要问题 | 第14-15页 |
| ·本课题的主要工作和预期结果 | 第15-17页 |
| 第2章 原油含水率测量系统的设计与实现 | 第17-29页 |
| ·油水两相流的理论基础 | 第17-19页 |
| ·油水乳浊液的介电常数研究 | 第17-18页 |
| ·温度对油水介电常数的影响 | 第18页 |
| ·矿化度对油水介电常数的影响 | 第18-19页 |
| ·油水两相流含水率测量系统设计 | 第19-22页 |
| ·实验装置与条件 | 第19-20页 |
| ·电磁波谐振技术测量原油含水率 | 第20-22页 |
| ·实验研究与数值模拟 | 第22-29页 |
| ·实验内容设计 | 第22-23页 |
| ·数值模拟研究 | 第23-29页 |
| 第3章 基于多维回归分析法的原油含水率模型 | 第29-37页 |
| ·实验数据预处理 | 第29-30页 |
| ·异常数据剔除 | 第29页 |
| ·Savitzky-Golay滤波器设计 | 第29-30页 |
| ·实验数据归一化处理 | 第30页 |
| ·多维回归分析法 | 第30-33页 |
| ·多维回归分析法的基本思想 | 第30-31页 |
| ·基于样本矩阵非线性变换的多维回归分析 | 第31-32页 |
| ·样本矩阵非线性变换改进回归分析模型 | 第32-33页 |
| ·原油含水率回归模型仿真研究 | 第33-34页 |
| ·模型自变量与因变量选择 | 第33页 |
| ·原油含水率回归模型的建立 | 第33-34页 |
| ·原油含水率回归模型的评价 | 第34页 |
| ·原油含水率分段回归模型仿真研究 | 第34-35页 |
| ·小结 | 第35-37页 |
| 第4章 基于神经网络法的原油含水率预测模型 | 第37-47页 |
| ·问题的提出 | 第37-38页 |
| ·神经网络基本理论 | 第38-41页 |
| ·基于神经网络的原油含水率预测模型 | 第41-46页 |
| ·原油含水率神经网络模型建模思想 | 第41页 |
| ·原油含水率神经网络模型的建立 | 第41-44页 |
| ·原油含水率神经网络模型仿真研究 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第5章 基于多遗传神经网络组合的原油含水率模型 | 第47-59页 |
| ·问题的提出 | 第47-48页 |
| ·遗传算法的基本理论 | 第48-49页 |
| ·遗传神经网络模型的建立 | 第49-54页 |
| ·建模思想 | 第49-50页 |
| ·算法设计 | 第50-54页 |
| ·多遗传神经网络模型的组合 | 第54-55页 |
| ·多模型组合的构建 | 第54页 |
| ·多专家决策的加权组合 | 第54-55页 |
| ·模型仿真研究与评价 | 第55-57页 |
| ·小结 | 第57-59页 |
| 第6章 基于模式识别的原油含水率智能预测模型 | 第59-75页 |
| ·问题的提出 | 第59-60页 |
| ·粗糙集基本理论 | 第60-63页 |
| ·粗糙集的基本概念 | 第60-61页 |
| ·连续属性离散化 | 第61-62页 |
| ·决策表简化 | 第62-63页 |
| ·粗糙集决策规则 | 第63页 |
| ·支持向量机基本理论 | 第63-66页 |
| ·基于粗糙集-支持向量机的模式识别技术 | 第66-67页 |
| ·基于模式识别的原油含水率智能组合预测模型 | 第67-74页 |
| ·原油含水率智能组合预测模型建模思想 | 第67-68页 |
| ·原油含水率智能组合预测模型的建立 | 第68-72页 |
| ·原油含水率智能组合预测模型仿真研究 | 第72-74页 |
| ·小结 | 第74-75页 |
| 第7章 结论与展望 | 第75-78页 |
| ·结论 | 第75-76页 |
| ·展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 个人简历、在学期间的研究成果 | 第84页 |
