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 |