| 中文摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-24页 |
| ·研究目的及意义 | 第10-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·中低温地热开发和研究现状 | 第14-15页 |
| ·国内外油井地热开发现状和现存问题 | 第15-16页 |
| ·国内外注水地热开发和数值模拟研究现状和存在问题 | 第16-17页 |
| ·超临界二氧化碳羽流地热系统国内外研究现状和存在的问题 | 第17-19页 |
| ·深度学习研究现状和现存问题 | 第19-20页 |
| ·深度学习理论在注入流体进行油井地热开采方面的研究现状 | 第20页 |
| ·研究内容与技术路线 | 第20-23页 |
| ·研究内容 | 第20-21页 |
| ·技术路线 | 第21-23页 |
| ·论文主要创新点 | 第23-24页 |
| 第2章 采热流体特性与采热数值模拟 | 第24-57页 |
| ·采热流体特性 | 第24-31页 |
| ·水 | 第24页 |
| ·超临界二氧化碳 | 第24-27页 |
| ·两种采热流体的比较 | 第27-31页 |
| ·注入流体开采油井地热的数值模拟 | 第31-55页 |
| ·研究区域的选取 | 第31-33页 |
| ·注水采热数值模拟 | 第33-44页 |
| ·注入超临界二氧化碳热采的模拟 | 第44-54页 |
| ·不同注入流体采热影响因子的选取 | 第54页 |
| ·数值模拟结果讨论 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第3章 深度学习理论与算法 | 第57-92页 |
| ·基本理论 | 第57-66页 |
| ·机器学习 | 第57-60页 |
| ·浅层学习 | 第60页 |
| ·深层学习产生 | 第60-62页 |
| ·深层学习主体思想 | 第62-63页 |
| ·深度学习训练机制 | 第63-64页 |
| ·深度学习分类 | 第64-66页 |
| ·Deep Learning 的常用模型或者方法 | 第66-73页 |
| ·自动编码器（AutoEncoder） | 第66-68页 |
| ·稀疏编码（Sparse Coding） | 第68-69页 |
| ·限制波尔兹曼机（Restricted Boltzmann Machine，RBM） | 第69-72页 |
| ·深度信念网络（Deep Belief Networks，DBNs） | 第72-73页 |
| ·RBM 模型及其训练和评估 | 第73-83页 |
| ·RBM 模型 | 第73-74页 |
| ·RBM 模型训练 | 第74-82页 |
| ·RBM 模型评估方法 | 第82-83页 |
| ·深度信念网络（Deep Belief Networks，DBNs）模型和训练 | 第83-90页 |
| ·DBNs 模型 | 第83页 |
| ·DBNs 训练 | 第83-84页 |
| ·Softmax 回归 | 第84-85页 |
| ·支持向量机（SVM） | 第85-90页 |
| ·本章小结 | 第90-92页 |
| 第四章 两种流体注入采热的回归预测 | 第92-113页 |
| ·地热预测深度学习网络模型 | 第92-94页 |
| ·深度学习网络模型 | 第92-93页 |
| ·模型的参数设置 | 第93-94页 |
| ·预测热采效率 | 第94-106页 |
| ·多井采热预测模型 | 第95-104页 |
| ·单井预测模型 | 第104-106页 |
| ·预测热提取率的变化范围 | 第106-111页 |
| ·模糊集和信息粒化 | 第106-108页 |
| ·利用模糊集的信息粒化对采热效果变化趋势进行预测 | 第108-111页 |
| ·结果与分析 | 第111-112页 |
| ·本章小结 | 第112-113页 |
| 第五章 结论与展望 | 第113-116页 |
| ·结论 | 第113-116页 |
| ·油井地热开采 | 第113页 |
| ·对于油井注水采热和注入超临界二氧化碳采热的数值模拟 | 第113-114页 |
| ·采用深度学习对注入流体采热进行回归预测 | 第114-116页 |
| 致谢 | 第116-117页 |
| 参考文献 | 第117-127页 |
| 附录 | 第127页 |
