基于机器学习的多孔介质渗透率预测研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文研究内容及技术路线 | 第18-21页 |
| 第二章 机器学习算法 | 第21-30页 |
| 2.1 机器学习背景 | 第21-22页 |
| 2.2 机器学习方法介绍 | 第22-29页 |
| 2.2.1 线性回归 | 第22-23页 |
| 2.2.2 人工神经网络 | 第23-25页 |
| 2.2.3 决策树与随机森林 | 第25-26页 |
| 2.2.4 支持向量机 | 第26-27页 |
| 2.2.5 卷积神经网络 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 三维结构获取与格子玻尔兹曼模拟 | 第30-41页 |
| 3.1 多孔介质的结构获取 | 第30-35页 |
| 3.1.1 背景介绍 | 第30-31页 |
| 3.1.2 随机多孔结构的生成 | 第31-34页 |
| 3.1.3 孔隙特征参数提取 | 第34-35页 |
| 3.2 格子玻尔兹曼模拟 | 第35-40页 |
| 3.2.1 原理介绍 | 第35-36页 |
| 3.2.2 D3Q19格子模型 | 第36-38页 |
| 3.2.3 渗透率计算 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于机器学习的渗透率预测研究 | 第41-55页 |
| 4.1 机器学习模型的步骤设计 | 第41-45页 |
| 4.1.1 数据预处理与划分 | 第41-43页 |
| 4.1.2 模型的选择 | 第43-44页 |
| 4.1.3 模型的配置与训练 | 第44页 |
| 4.1.4 模型的性能度量 | 第44-45页 |
| 4.2 模型的架构介绍 | 第45-46页 |
| 4.3 案例研究 | 第46-53页 |
| 4.3.1 基于孔隙特征参数的渗透率预测 | 第46-49页 |
| 4.3.2 基于原始结构数据的渗透率预测 | 第49-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 主要结论与创新点 | 第55-56页 |
| 5.2 不足与未来展望 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 作者简介 | 第64页 |
