| 内容提要 | 第1-8页 |
| 第1章 绪 论 | 第8-13页 |
| ·选题的目的和意义 | 第8页 |
| ·目前研究状况 | 第8-10页 |
| ·论文研究内容及取得的主要成果 | 第10-13页 |
| ·研究区的概况 | 第10页 |
| ·本文主要研究内容 | 第10-11页 |
| ·研究的技术路线 | 第11页 |
| ·取得的成果及创新点 | 第11-13页 |
| 第2章 火山岩储层的次生孔隙与测井曲线特征 | 第13-18页 |
| ·火山岩储层的次生孔隙特征 | 第13-15页 |
| ·裂缝的类型 | 第13页 |
| ·裂缝的分布特征 | 第13-14页 |
| ·孔洞的特征 | 第14-15页 |
| ·火山岩储层裂缝的测井响应特征 | 第15-16页 |
| ·裂缝发育程度与岩性的关系 | 第16-18页 |
| 第3章 基于ECS 和常规测井曲线计算次生孔隙度的方法 | 第18-29页 |
| ·ECS 测井识别火山岩储层的岩性 | 第18-23页 |
| ·ECS 测井基本原理 | 第18-19页 |
| ·ECS 测井识别火山岩储层的岩性 | 第19-23页 |
| ·基于 ECS 确定火山岩储层不同岩性的骨架参数 | 第23-25页 |
| ·常规测井曲线计算火山岩储层次生孔隙度 | 第25-29页 |
| ·孔隙度测井曲线法计算次生孔隙度 | 第25-27页 |
| ·双侧向测井响应计算火山岩次生孔隙度 | 第27-29页 |
| 第4章 利用成像测井资料计算次生孔隙度 | 第29-34页 |
| ·井壁微电阻率成像数据处理 | 第29-31页 |
| ·预处理 | 第29-30页 |
| ·转化为强度图像 | 第30-31页 |
| ·井壁成像测井图上的裂缝特征 | 第31-32页 |
| ·成像测井资料提取裂缝孔隙度 | 第32-34页 |
| 第5章 遗传BP 神经网络模型的建立 | 第34-47页 |
| ·BP 神经网络基本原理 | 第34-39页 |
| ·人工神经网络的概念和特点 | 第34-35页 |
| ·BP 神经网络结构模型和特征 | 第35页 |
| ·BP 神经网络学习算法 | 第35-38页 |
| ·BP 神经网络存在的缺陷 | 第38-39页 |
| ·遗传算法基本原理 | 第39-42页 |
| ·遗传算法的特征 | 第39页 |
| ·遗传算法控制参数的设定 | 第39-40页 |
| ·遗传算法的实现步骤 | 第40-42页 |
| ·遗传 BP 神经网络模型的基本思想 | 第42-47页 |
| ·训练样本的准备 | 第42-43页 |
| ·GA-BP 神经网络拓扑结构及训练参数的设定 | 第43-44页 |
| ·GA-BP 神经网络模型的建立及算法流程 | 第44-45页 |
| ·遗传优化BP 神经网络的权值和阈值 | 第45-47页 |
| 第6章 基于GA-BP 网络模型预测次生孔隙度的应用实例 | 第47-59页 |
| ·训练样本的来源 | 第47-48页 |
| ·传统 BP 神经网络预测次生孔隙度的效果分析 | 第48-51页 |
| ·GA-BP 神经网络预测次生孔隙度的效果分析 | 第51-55页 |
| ·程序的介绍 | 第51-52页 |
| ·实例评价与分析 | 第52-55页 |
| ·常规测井方法与 GA-BP 网络预测次生孔隙度的对比分析 | 第55-56页 |
| ·常规测井方法的介绍 | 第55页 |
| ·评价结果及分析 | 第55-56页 |
| ·基于 GA-BP 网络模型预测次生孔隙度的实例 | 第56-59页 |
| 第7章 结 论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间发表学术论文及取得的科研成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 摘要 | 第65-67页 |
| Abstract | 第67-68页 |
