摘要 | 第4-5页 |
ABSTRACT | 第5页 |
创新点摘要 | 第6-9页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-12页 |
1.2.1 产能建设项目后评价研究现状 | 第10-11页 |
1.2.2 产能建设项目后评价指标体系构建现状 | 第11-12页 |
1.3 本文主要研究内容 | 第12-13页 |
1.4 本文组织结构 | 第13-14页 |
第二章 相关理论 | 第14-22页 |
2.1 粗糙集理论 | 第14-15页 |
2.1.1 粗糙集理论的提出 | 第14-15页 |
2.1.2 粗糙集特征 | 第15页 |
2.2 支持向量机回归 | 第15-19页 |
2.2.1 支持向量机的基本原理 | 第15-17页 |
2.2.2 支持向量机回归的基本原理 | 第17-18页 |
2.2.3 支持向量机回归的核函数 | 第18页 |
2.2.4 支持向量机回归损失函数 | 第18-19页 |
2.3 粒子群优化算法 | 第19-21页 |
2.3.1 粒子群优化算法的产生 | 第19页 |
2.3.2 量子粒子群优化算法的产生 | 第19-20页 |
2.3.3 量子粒子群优化算法的流程 | 第20-21页 |
2.4 小结 | 第21-22页 |
第三章 基于粗糙集的油田产能建设项目后评价指标体系构建 | 第22-37页 |
3.1 基于信息熵与粗糙集的后评价指标体系离散化 | 第22-29页 |
3.1.1 粗糙集离散化算法 | 第22-23页 |
3.1.2 信息熵描述 | 第23-24页 |
3.1.3 基于信息熵的粗糙集离散化算法 | 第24-26页 |
3.1.4 实验数据集 | 第26-28页 |
3.1.5 相关实验及结果分析 | 第28-29页 |
3.2 基于遗传算法与粗糙集的评价指标体系约简 | 第29-36页 |
3.2.1 遗传算法描述 | 第29-31页 |
3.2.2 基于粗糙集属性依赖度的属性约简 | 第31-33页 |
3.2.3 基于改进遗传算法的粗糙集属性依赖度属性约简 | 第33页 |
3.2.4 相关实验及结果分析 | 第33-36页 |
3.3 本章小结 | 第36-37页 |
第四章 基于 QPSO 优化 SVR 油田产能建设项目后评价方法 | 第37-47页 |
4.1 SVR 模型 | 第37-38页 |
4.1.1 SVR 模型的结构 | 第37页 |
4.1.2 SVR 核函数选取 | 第37-38页 |
4.1.3 SVR 模型的参数分析 | 第38页 |
4.1.4 SVR 应用缺点 | 第38页 |
4.2 QPSO 算法 | 第38-40页 |
4.2.1 QPSO 算法的优势 | 第38-39页 |
4.2.2 基本 QPSO 算法描述 | 第39-40页 |
4.3 基于 QPSO 算法优化 SVR | 第40-41页 |
4.3.1 基于 QPSO 优化 SVR 算法流程 | 第40-41页 |
4.3.2 基于 QPSO 优化 SVR 算法描述 | 第41页 |
4.4 相关实验 | 第41-46页 |
4.4.1 实验环境和实验数据 | 第41-42页 |
4.4.2 实验方法 | 第42-45页 |
4.4.3 结果分析 | 第45-46页 |
4.5 小结 | 第46-47页 |
第五章 产能建设项目后评价模型在吉林油田的应用 | 第47-57页 |
5.1 油田产能建设项目后评价业务流程与方法 | 第47-49页 |
5.1.1 油田产能建设项目后评价业务流程 | 第47-48页 |
5.1.2 产能建设项目后评价方法 | 第48-49页 |
5.2 油田产能建设项目后评价模型的应用 | 第49页 |
5.3 油田产能项目后评价辅助系统的实现 | 第49-54页 |
5.3.1 目标实现程度后评价 | 第50页 |
5.3.2 地质油藏工程后评价 | 第50-51页 |
5.3.3 生产运行后评价 | 第51-52页 |
5.3.4 投资与经济效益后评价 | 第52-53页 |
5.3.5 综合后评价及成果展示 | 第53-54页 |
5.4 实际应用效果分析 | 第54-55页 |
5.4.1 测试数据 | 第54页 |
5.4.2 项目进行后评价结果 | 第54页 |
5.4.3 应用效果分析 | 第54-55页 |
5.5 小结 | 第55-57页 |
结论 | 第57-58页 |
参考文献 | 第58-61页 |
发表文章目录 | 第61-62页 |
致谢 | 第62-63页 |
详细摘要 | 第63-72页 |