首页--工业技术论文--石油、天然气工业论文--油气田开发与开采论文--气田开发与开采论文--凝析气田开发与开采论文

基于多模型数据融合的凝析气井流量算法研究

摘要第3-4页
ABSTRACT第4-5页
第1章 绪论第9-23页
    1.1 研究目的和意义第9-10页
    1.2 国内外研究现状第10-12页
        1.2.1 虚拟流量计的研究第10-11页
        1.2.2 深水油气田流动保障系统的研究第11-12页
    1.3 数据融合技术第12-18页
        1.3.1 数据融合的基本原理第12-13页
        1.3.2 数据融合的层次第13-15页
        1.3.3 数据融合的方法第15-17页
        1.3.4 数据融合的优越性第17-18页
    1.4 计算结果检验标准第18-20页
    1.5 本文研究内容第20-23页
第2章 单流量模型算法研究第23-49页
    2.1 井筒模型改进算法第23-30页
        2.1.1 井筒传热算法第23-29页
        2.1.2 井筒模型改进算法第29-30页
    2.2 油嘴模型算法第30-36页
        2.2.1 Hydro模型算法第31-35页
        2.2.2 流出系数校正方法第35-36页
    2.3 筒嘴模型算法第36-40页
        2.3.1 两相流过油嘴压降、温降算法第37-39页
        2.3.2 筒嘴模型及校正算法第39-40页
    2.4 跨接管模型算法第40-47页
        2.4.1 跨接管传热计算第41-46页
        2.4.2 跨接管流量模型算法第46-47页
    2.5 本章小结第47-49页
第3章 多模型数据融合流量算法研究第49-72页
    3.1 基于D-S理论的多模型融合流量算法第49-56页
        3.1.1 证据理论的基本原理第49-50页
        3.1.2 D-S理论的合成法则第50-52页
        3.1.3 基于D-S理论的多模型数据融合流量算法第52-56页
    3.2 基于不确定度理论的多模型融合流量算法第56-63页
        3.2.1 不确定度相关理论第56-60页
        3.2.2 基于不确定度理论的多模型融合流量算法第60-63页
    3.3 基于BP神经网络理论的多模型数据融合流量算法第63-71页
        3.3.1 人工神经网络的基本理论第63-66页
        3.3.2 基于BP神经网络的多模型融合算法流程第66-67页
        3.3.3 基于BP神经网络的多模型融合流量算法设计第67-71页
    3.4 本章小结第71-72页
第4章 工程应用分析第72-104页
    4.1 工程背景第72-76页
        4.1.1 虚拟流量计系统简介第72-74页
        4.1.2 现场凝析气田区块介绍第74-76页
    4.2 单流量模型的结果分析第76-82页
        4.2.1 井筒模型改进算法结果分析第76-77页
        4.2.2 油嘴模型结果分析第77-78页
        4.2.3 筒嘴模型结果分析第78-79页
        4.2.4 跨接管模型结果分析第79-81页
        4.2.5 各单流量模型计算结果的对比分析第81-82页
    4.3 多模型数据融合流量算法的结果分析第82-102页
        4.3.1 基于D-S理论的多模型数据融合算法结果分析第83-89页
        4.3.2 基于不确定度理论的多模型数据融合算法结果分析第89-95页
        4.3.3 基于BP神经网络的多模型融合流量算法结果分析第95-100页
        4.3.4 各数据融合算法的结果对比分析第100-102页
    4.4 本章小结第102-104页
第5章 结论与建议第104-106页
    5.1 结论第104-105页
    5.2 建议第105-106页
参考文献第106-111页
致谢第111页

论文共111页,点击 下载论文
上一篇:基于互联网的万达信息医疗卫生信息化业务竞争战略研究
下一篇:泰山旅游景区的游客投诉调处研究