本文選題：工況判別 + 鉆探參數(shù)��； 參考：《中國(guó)地質(zhì)大學(xué)(北京)》2016年碩士論文

【摘要】：地質(zhì)鉆探工程孔內(nèi)事故會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失、時(shí)間浪費(fèi),甚至?xí){人的生命安全,地質(zhì)鉆探工程工況判別系統(tǒng)能在第一時(shí)間判斷孔內(nèi)事故類(lèi)型,為處理事故爭(zhēng)取更多時(shí)間,以遏制事故朝著更嚴(yán)重的方向發(fā)展。鑒于地質(zhì)鉆探參數(shù)與工況類(lèi)型間的不確定性關(guān)系,神經(jīng)網(wǎng)絡(luò)具有非線性映射能力,且建�？旖莘奖�,采用神經(jīng)網(wǎng)絡(luò)建立工況判別模型事半功倍,相比其他智能化手段,優(yōu)勢(shì)明顯。根據(jù)地質(zhì)鉆探鉆參儀所能獲得的參數(shù),對(duì)常見(jiàn)工況模式類(lèi)型與鉆探參數(shù)間的相互關(guān)系進(jìn)行了分析,排除了對(duì)工況類(lèi)型判別影響不大、非獨(dú)立的參數(shù),保留了能直接反應(yīng)工況類(lèi)型的鉆探參數(shù):轉(zhuǎn)速、稱(chēng)重、返漿流量、泥漿密度、泵壓、鉆速,使得工況類(lèi)型與鉆探參數(shù)間的映射關(guān)系簡(jiǎn)單有效,并將此6個(gè)鉆探參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。Matlab提供算法編程、調(diào)用函數(shù)名、界面化設(shè)計(jì)三種神經(jīng)網(wǎng)絡(luò)模型創(chuàng)建方法,與前兩者相比,界面化設(shè)計(jì)的建模過(guò)程更簡(jiǎn)單,參數(shù)優(yōu)化更方便,提供了多種神經(jīng)網(wǎng)絡(luò)工具,通過(guò)對(duì)比其中各種神經(jīng)網(wǎng)絡(luò)工具的優(yōu)缺點(diǎn)和適用范圍,排除了線性神經(jīng)網(wǎng)絡(luò)、競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò),優(yōu)選出2種BP神經(jīng)網(wǎng)絡(luò)和4種RBF神經(jīng)網(wǎng)絡(luò),BP、RBF網(wǎng)絡(luò)反應(yīng)迅速、非線性映射能力強(qiáng),非常適合工況模式判別。在此基礎(chǔ)上,利用甘肅陽(yáng)山礦區(qū)實(shí)際施工的歷史數(shù)據(jù)檢驗(yàn)了BP、RBF網(wǎng)絡(luò)性能。首先,對(duì)鉆探施工過(guò)程中鉆探參數(shù)的變化特征進(jìn)行了研究,對(duì)獲取的歷史數(shù)據(jù)進(jìn)行了降噪處理;其次,對(duì)鉆探事故發(fā)生時(shí)鉆探參數(shù)的變化趨勢(shì)進(jìn)行了分析,將參數(shù)變化趨勢(shì)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),提高了神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)性和推廣能力;最后,分別對(duì)不同BP、RBF神經(jīng)網(wǎng)絡(luò)建立模型,BP神經(jīng)網(wǎng)絡(luò)中表現(xiàn)最好的是基于LM、BR算法的Cascade-forward backprop,RBF神經(jīng)網(wǎng)絡(luò)中表現(xiàn)最好的是PNN網(wǎng)絡(luò),通過(guò)對(duì)比兩者的性能差異,最終確定以PNN網(wǎng)絡(luò)建立工況判別模。PNN網(wǎng)絡(luò)反應(yīng)迅速、穩(wěn)定性高、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、無(wú)需訓(xùn)練,經(jīng)過(guò)試驗(yàn)仿真,模型判斷準(zhǔn)確率可達(dá)91%。
[Abstract]:The accident in the geological drilling engineering can cause serious economic loss, time waste and even threaten the life safety of people. The geological drilling engineering condition discriminant system can judge the type of the accident in the first time and strive for more time to deal with the accident, so as to prevent the accident from developing in a more serious direction. The neural network has the ability of nonlinear mapping, the neural network has the ability of nonlinear mapping, and the modeling is fast and convenient. It is more advantageous to use the neural network to establish the working condition discriminant model. Compared with other intelligent means, it has obvious advantages. According to the parameters obtained by the geological drilling drilling parameter, the relationship between the common working mode type and the drilling parameters is related to the parameters obtained by the drilling parameter. The system has been analyzed, and the non independent parameters have been excluded, and the drilling parameters that can react directly to the type of working conditions are retained, such as speed, weight, back slurry flow, mud density, pump pressure and drilling speed, which make the mapping between the working conditions type and drilling parameters simple and effective, and the 6 drilling parameters are used as neural network. The input parameter.Matlab provides algorithm programming, call function name and interface design three neural network model building methods. Compared with the previous two, the modeling process of the interface design is simpler, the parameter optimization is more convenient, and a variety of neural network tools are provided. By comparing the advantages and disadvantages of various neural network tools and the scope of application, the method is excluded. Linear neural network, competitive neural network, feedback neural network, 2 BP neural networks and 4 RBF neural networks, BP, RBF network respond quickly, nonlinear mapping ability is strong, and it is very suitable for working mode discrimination. On this basis, the performance of BP and RBF network is tested by the historical data of the actual construction of Yangshan mining area in Gansu. First, the performance of RBF network is tested. The variation characteristics of drilling parameters during the drilling construction are studied, and the acquired historical data are de-noised. Secondly, the variation trend of drilling parameters during drilling accidents is analyzed, and the variation trend of the parameters is taken as the input data of the neural network, and the adaptability and extension ability of the neural network model are raised. Finally, the model of different BP and RBF neural networks is set up respectively. The best performance of BP neural network is based on LM, BR algorithm Cascade-forward BackProp, and the best performance of RBF neural network is PNN network. By comparing the performance differences of the two networks, the final determination of the PNN network built mode.PNN network is rapid and stable, and the network is stable. The simulation results show that the accuracy of the model is 91%..
【學(xué)位授予單位】：中國(guó)地質(zhì)大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：P634

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉彩紅;唐萬(wàn)梅;;基于組合神經(jīng)網(wǎng)絡(luò)的教師評(píng)價(jià)模型研究[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

2 鐘義信;;神經(jīng)網(wǎng)絡(luò):成就、問(wèn)題與前景[J];科學(xué);1992年02期

3 莫恭佑;;神經(jīng)網(wǎng)絡(luò)及其在英國(guó)的應(yīng)用[J];國(guó)際科技交流;1992年03期

4 閔志;;神經(jīng)網(wǎng)絡(luò):使計(jì)算機(jī)具有快速學(xué)習(xí)功能[J];國(guó)際科技交流;1992年03期

5 馮建峰,錢(qián)敏平;神經(jīng)網(wǎng)絡(luò)中的退火——非時(shí)齊情形[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);1993年03期

6 唐功友;離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];青島海洋大學(xué)學(xué)報(bào);1994年S2期

7 靳蕃;;中國(guó)神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)在西南交通大學(xué)隆重召開(kāi)[J];學(xué)術(shù)動(dòng)態(tài)報(bào)道;1996年04期

8 彭宏,張素;帶有時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];杭州大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

9 陳新,孫道恒,黃洪鐘;結(jié)構(gòu)分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡(luò)[J];起重運(yùn)輸機(jī)械;1999年06期

10 成宇;神經(jīng)網(wǎng)絡(luò)是怎么搭建的?[J];百科知識(shí);2005年16期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹(shù)德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類(lèi)大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋(píng);復(fù)雜網(wǎng)絡(luò)幾類(lèi)同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類(lèi)時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：1980770