基于深度学习的油井功图智能识别
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题研究的目的及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·本文研究内容 | 第10-12页 |
| 第2章 基本概念与理论分析 | 第12-20页 |
| ·有杆抽油系统的组成及工作原理 | 第12-14页 |
| ·油井功图的概念 | 第14-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 深度学习 | 第20-32页 |
| ·深度学习简介 | 第20-22页 |
| ·深度学习的提出 | 第20-21页 |
| ·深度学习的基本思想 | 第21-22页 |
| ·深度学习模型分类 | 第22-23页 |
| ·深度信念网络 | 第23-26页 |
| ·DBN网络模型 | 第23页 |
| ·受限玻尔兹曼机(RBM) | 第23-26页 |
| ·DBN网络的训练 | 第26页 |
| ·卷积神经网络 | 第26-31页 |
| ·CNN网络的基本思想 | 第27-28页 |
| ·CNN网络结构 | 第28-30页 |
| ·CNN网络的训练 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于深度学习的油井功图识别模型 | 第32-38页 |
| ·油井功图的预处理 | 第33-34页 |
| ·功图数据的标准化 | 第33页 |
| ·功图对应工况类别与网络输出的定义 | 第33-34页 |
| ·基于DBN的油井功图识别模型 | 第34-35页 |
| ·基于CNN的油井功图识别模型 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第5章 实验分析与应用 | 第38-52页 |
| ·实验平台与实验样本 | 第38页 |
| ·基于DBN的功图识别实验 | 第38-41页 |
| ·DBN结构及参数选择 | 第38-40页 |
| ·DBN功图识别结果 | 第40-41页 |
| ·基于CNN的功图识别实验 | 第41-42页 |
| ·CNN结构及参数选择 | 第41-42页 |
| ·CNN功图识别结果 | 第42页 |
| ·基于深度学习与支持向量机混合模型的功图识别方法 | 第42-45页 |
| ·SVM的基本原理 | 第43页 |
| ·改进模型的结构及训练方法 | 第43-44页 |
| ·SVM参数选择方法 | 第44页 |
| ·改进模型的识别结果 | 第44-45页 |
| ·实验结果与分析 | 第45-48页 |
| ·DBN实验结果分析 | 第45-46页 |
| ·CNN实验结果分析 | 第46-47页 |
| ·深度学习与支持向量机混合模型的实验结果分析 | 第47页 |
| ·实验结果对比与分析 | 第47-48页 |
| ·工程应用 | 第48-51页 |
| ·油井故障诊断系统简介 | 第48-49页 |
| ·软件开发 | 第49-50页 |
| ·基于深度学习的故障诊断系统应用实例 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录A DBN识别功图部分程序 | 第58-59页 |
| 附录B CNN识别功图部分程序 | 第59-60页 |
| 附录C DBN-SVM识别功图部分程序 | 第60-62页 |
| 附录D DBN-SVM识别功图部分程序 | 第62-64页 |
| 附录E 油井工况监控服务器软件程序流程图 | 第64-65页 |
| 附录F 油井工况监控客户端软件程序流程图 | 第65-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间的研究成果 | 第67页 |
