神经网络钻井参数优化
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究的背景和意义 | 第7页 |
| 1.2 钻井参数优化现状与趋势 | 第7-9页 |
| 1.3 神经网络现状与趋势 | 第9-11页 |
| 1.4 论文的研究内容及结构 | 第11-13页 |
| 1.4.1 研究内容 | 第11-12页 |
| 1.4.2 论文的结构 | 第12-13页 |
| 第二章 钻井参数及其优化研究 | 第13-25页 |
| 2.1 钻井参数研究 | 第13-16页 |
| 2.2 钻井参数监测技术 | 第16-19页 |
| 2.2.1 钻井参数监测技术现状 | 第16-17页 |
| 2.2.2 钻井参数监测系统 | 第17-19页 |
| 2.3 钻井参数优化研究 | 第19-24页 |
| 2.3.1 钻井参数的选择 | 第19-21页 |
| 2.3.2 钻井参数优化思想 | 第21-22页 |
| 2.3.3 钻井参数优化架构 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于钻井参数优化的神经网络模型分析 | 第25-35页 |
| 3.1 人工神经网络的基本原理 | 第25-28页 |
| 3.1.1 人工神经元模型 | 第25-26页 |
| 3.1.2 人工神经元网络模型 | 第26-28页 |
| 3.1.3 神经网络的学习方式 | 第28页 |
| 3.2 神经网络学习算法 | 第28-29页 |
| 3.3 神经网络模型的选择 | 第29-34页 |
| 3.3.1 感知器神经网络模型 | 第29-30页 |
| 3.3.2 Hopfield神经网络模型 | 第30-31页 |
| 3.3.3 自组织特征映射神经网络模型 | 第31-32页 |
| 3.3.4 误差反向传播神经网络模型 | 第32页 |
| 3.3.5 小脑模型神经网络模型 | 第32-33页 |
| 3.3.6 神经网络模型选择 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 钻井参数优化设计 | 第35-45页 |
| 4.1 基本原理与思想 | 第35-36页 |
| 4.2 钻井参数优化的网络平台和工具 | 第36-38页 |
| 4.2.1 Python | 第36-37页 |
| 4.2.2 Sk-learn | 第37-38页 |
| 4.2.3 Pandas | 第38页 |
| 4.3 钻井数据清洗 | 第38-43页 |
| 4.3.1 钻井数据的完整性处理 | 第38-41页 |
| 4.3.2 钻井数据的合法性处理 | 第41-43页 |
| 4.4 钻井参数预处理 | 第43-44页 |
| 4.4.1 钻井数据的降维 | 第43页 |
| 4.4.2 钻井参数的归一化 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 钻井参数优化的神经网络实现 | 第45-57页 |
| 5.1 网络设计 | 第45-46页 |
| 5.2 网络训练 | 第46-48页 |
| 5.3 网络测试 | 第48-49页 |
| 5.4 网络改进 | 第49-52页 |
| 5.4.1 网络结构 | 第49-50页 |
| 5.4.2 激活函数 | 第50-52页 |
| 5.5 钻井参数优化现场实现 | 第52-56页 |
| 5.5.1 实验条件 | 第53页 |
| 5.5.2 现场实现 | 第53-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间参加科研情况及获得的学术成果 | 第63-64页 |
