| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-24页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-22页 |
| 1.3.1 致密砂岩储层特征与储层损害特征研究现状 | 第11-12页 |
| 1.3.2 致密砂岩储层损害评价方法研究现状 | 第12-16页 |
| 1.3.3 数学模型储层损害预测方法的研究现状 | 第16-19页 |
| 1.3.4 人工智能储层损害预测方法的研究现状 | 第19-22页 |
| 1.4 研究内容及技术路线 | 第22-24页 |
| 1.4.1 主要研究内容 | 第22-23页 |
| 1.4.2 技术路线 | 第23-24页 |
| 第2章 人工智能方法原理及优选 | 第24-34页 |
| 2.1 支持向量机 | 第24-27页 |
| 2.2 人工神经网络 | 第27-28页 |
| 2.3 专家系统 | 第28-29页 |
| 2.4 遗传算法 | 第29-30页 |
| 2.5 粒子群算法 | 第30-31页 |
| 2.6 蚁群算法 | 第31-32页 |
| 2.7 基于小样本条件的人工智能方法优选 | 第32-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第3章 致密砂岩储层损害预测方法的搭建 | 第34-51页 |
| 3.1 方法搭建的技术路线 | 第34-35页 |
| 3.2 数据预处理方法 | 第35-41页 |
| 3.2.1 归一化方法 | 第35-38页 |
| 3.2.2 数据降维方法 | 第38-41页 |
| 3.3 适用于小样本的支持向量机预测方法 | 第41-44页 |
| 3.4 支持向量机参数优选方法 | 第44-50页 |
| 3.4.1 基于网格搜寻算法和交叉验证的寻优计算 | 第44-46页 |
| 3.4.2 基于遗传算法的寻优计算 | 第46-48页 |
| 3.4.3 基于粒子群算法的寻优计算 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 致密砂岩储层损害预测系统的开发 | 第51-67页 |
| 4.1 需求分析 | 第51-52页 |
| 4.2 系统概要设计 | 第52-54页 |
| 4.2.1 系统主体架构 | 第52-53页 |
| 4.2.2 系统主要功能 | 第53-54页 |
| 4.2.3 系统编写语言、运行环境及特点 | 第54页 |
| 4.3 系统详细设计 | 第54-56页 |
| 4.4 代码编写 | 第56页 |
| 4.5 系统功能测试和界面展示 | 第56-66页 |
| 4.5.1 打开程序与用户登录功能 | 第57-58页 |
| 4.5.2 数据输入及处理功能 | 第58-61页 |
| 4.5.3 SVM参数寻优功能 | 第61-63页 |
| 4.5.4 SVM预测储层损害功能 | 第63-65页 |
| 4.5.5 其他功能 | 第65-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第5章 致密砂岩储层损害预测系统应用与分析 | 第67-81页 |
| 5.1 水锁损害预测应用 | 第67-76页 |
| 5.1.1 实例一 | 第67-70页 |
| 5.1.2 实例二 | 第70-73页 |
| 5.1.3 实例三 | 第73-76页 |
| 5.2 敏感性损害预测应用 | 第76-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第6章 结论及建议 | 第81-83页 |
| 6.1 结论 | 第81-82页 |
| 6.2 建议 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 附录 | 第90-101页 |