鉆井參數(shù)優(yōu)化是鉆井工程中的一項(xiàng)關(guān)鍵技術(shù)。由于鉆井過程中的不確定因素,鉆井工程中的精確模型很難建立,從而導(dǎo)致仿真的結(jié)果與實(shí)際相差較大;其次,控制系統(tǒng)日趨復(fù)雜,以純數(shù)學(xué)模型來研究鉆井參數(shù)優(yōu)化,各個(gè)環(huán)節(jié)耦合的表示已經(jīng)很復(fù)雜,要對(duì)越來越精密的設(shè)備進(jìn)行優(yōu)化控制必然會(huì)限制該模型的應(yīng)用。新型鉆井技術(shù)的發(fā)展以及鉆井自動(dòng)化水平和監(jiān)測(cè)裝置性能的不斷提高,也為鉆井參數(shù)優(yōu)化研究帶來了新的課題。鉆井參數(shù)優(yōu)化不僅要考慮鉆井速度以及鉆井成本,更要對(duì)鉆井過程中的鉆井參數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化和綜合分析。通過對(duì)鉆井參數(shù)優(yōu)化理論的研究和現(xiàn)場(chǎng)相關(guān)調(diào)研,發(fā)現(xiàn)鉆井現(xiàn)場(chǎng)的反饋都由大量的數(shù)據(jù)組合而成,所以本文嘗試將控制算法轉(zhuǎn)向?qū)W習(xí)算法,提出了由感知層、傳輸層、應(yīng)用層、控制層組成的基于神經(jīng)網(wǎng)絡(luò)的鉆井參數(shù)優(yōu)化架構(gòu)。通過比較分析確定將小腦模型關(guān)節(jié)控制器（Cerebellar Model Articulation controller,CMAC）模型應(yīng)用于鉆井參數(shù)優(yōu)化。提出了基于神經(jīng)網(wǎng)絡(luò)的鉆井參數(shù)優(yōu)化算法。語言使用Python,同時(shí)采用Anaconda作為調(diào)試和編譯的集成開發(fā)環(huán)境（Integrated Development Environment... 

【文章來源】：西安石油大學(xué)陜西省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究的背景和意義
    1.2 鉆井參數(shù)優(yōu)化現(xiàn)狀與趨勢(shì)
    1.3 神經(jīng)網(wǎng)絡(luò)現(xiàn)狀與趨勢(shì)
    1.4 論文的研究?jī)?nèi)容及結(jié)構(gòu)
        1.4.1 研究?jī)?nèi)容
        1.4.2 論文的結(jié)構(gòu)
第二章 鉆井參數(shù)及其優(yōu)化研究
    2.1 鉆井參數(shù)研究
    2.2 鉆井參數(shù)監(jiān)測(cè)技術(shù)
        2.2.1 鉆井參數(shù)監(jiān)測(cè)技術(shù)現(xiàn)狀
        2.2.2 鉆井參數(shù)監(jiān)測(cè)系統(tǒng)
    2.3 鉆井參數(shù)優(yōu)化研究
        2.3.1 鉆井參數(shù)的選擇
        2.3.2 鉆井參數(shù)優(yōu)化思想
        2.3.3 鉆井參數(shù)優(yōu)化架構(gòu)
    2.4 本章小結(jié)
第三章 基于鉆井參數(shù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型分析
    3.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理
        3.1.1 人工神經(jīng)元模型
        3.1.2 人工神經(jīng)元網(wǎng)絡(luò)模型
        3.1.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式
    3.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
    3.3 神經(jīng)網(wǎng)絡(luò)模型的選擇
        3.3.1 感知器神經(jīng)網(wǎng)絡(luò)模型
        3.3.2 Hopfield神經(jīng)網(wǎng)絡(luò)模型
        3.3.3 自組織特征映射神經(jīng)網(wǎng)絡(luò)模型
        3.3.4 誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型
        3.3.5 小腦模型神經(jīng)網(wǎng)絡(luò)模型
        3.3.6 神經(jīng)網(wǎng)絡(luò)模型選擇
    3.4 本章小結(jié)
第四章 鉆井參數(shù)優(yōu)化設(shè)計(jì)
    4.1 基本原理與思想
    4.2 鉆井參數(shù)優(yōu)化的網(wǎng)絡(luò)平臺(tái)和工具
        4.2.1 Python
        4.2.2 Sk-learn
        4.2.3 Pandas
    4.3 鉆井?dāng)?shù)據(jù)清洗
        4.3.1 鉆井?dāng)?shù)據(jù)的完整性處理
        4.3.2 鉆井?dāng)?shù)據(jù)的合法性處理
    4.4 鉆井參數(shù)預(yù)處理
        4.4.1 鉆井?dāng)?shù)據(jù)的降維
        4.4.2 鉆井參數(shù)的歸一化
    4.5 本章小結(jié)
第五章 鉆井參數(shù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)
    5.1 網(wǎng)絡(luò)設(shè)計(jì)
    5.2 網(wǎng)絡(luò)訓(xùn)練
    5.3 網(wǎng)絡(luò)測(cè)試
    5.4 網(wǎng)絡(luò)改進(jìn)
        5.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
        5.4.2 激活函數(shù)
    5.5 鉆井參數(shù)優(yōu)化現(xiàn)場(chǎng)實(shí)現(xiàn)
        5.5.1 實(shí)驗(yàn)條件
        5.5.2 現(xiàn)場(chǎng)實(shí)現(xiàn)
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間參加科研情況及獲得的學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]欠平衡鉆井中的關(guān)鍵技術(shù)分析[J]. 鄭強(qiáng).  中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量. 2017(19)
[2]基于DNN-HMM模型的語音識(shí)別的語音導(dǎo)航系統(tǒng)[J]. 趙永生,徐海青,吳立剛.  新型工業(yè)化. 2017(02)
[3]鉆井參數(shù)優(yōu)化技術(shù)的研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 沙林秀.  石油機(jī)械. 2016(02)
[4]磨料射流在石油鉆井工程中的應(yīng)用研究[J]. 徐依吉,邢雪陽,靳紀(jì)軍,楊勇.  清洗世界. 2015(08)
[5]基于機(jī)械比能理論的復(fù)合鉆井參數(shù)優(yōu)選方法[J]. 崔猛,李佳軍,紀(jì)國(guó)棟,陳永恒.  石油鉆探技術(shù). 2014(01)
[6]人工神經(jīng)網(wǎng)絡(luò)原理、分類及應(yīng)用[J]. 王磊.  科技資訊. 2014(03)
[7]中石油鉆井工程技術(shù)現(xiàn)狀、挑戰(zhàn)及發(fā)展趨勢(shì)[J]. 石林,汪海閣,紀(jì)國(guó)棟.  天然氣工業(yè). 2013(10)
[8]參數(shù)自適應(yīng)模糊控制的自動(dòng)送鉆技術(shù)研究[J]. 郭芙琴,華鵬濤.  西南石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(06)
[9]基于機(jī)械比能理論的鉆井效率隨鉆評(píng)價(jià)及優(yōu)化新方法[J]. 孟英峰,楊謀,李皋,李永杰,唐思洪,張軍,林四元.  中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(02)
[10]川西深井鉆井液技術(shù)難點(diǎn)分析及對(duì)策[J]. 石秉忠,歐彪,徐江,李麗,滕春鳴.  斷塊油氣田. 2011(06)

博士論文
[1]大數(shù)據(jù)處理技術(shù)與系統(tǒng)研究[D]. 顧榮.南京大學(xué) 2016
[2]虛擬強(qiáng)度指數(shù)法優(yōu)化鉆井技術(shù)的研究與應(yīng)用[D]. 陳志學(xué).西南石油大學(xué) 2012
[3]準(zhǔn)噶爾盆地白家海地區(qū)侏羅系地層巖性油氣藏成藏規(guī)律研究[D]. 況昊.長(zhǎng)江大學(xué) 2012
[4]幾類神經(jīng)網(wǎng)絡(luò)的分析與優(yōu)化及其應(yīng)用研究[D]. 張莉.西安電子科技大學(xué) 2012
[5]鉆井過程實(shí)時(shí)狀態(tài)監(jiān)測(cè)與診斷技術(shù)研究[D]. 廖明燕.中國(guó)石油大學(xué) 2010

碩士論文
[1]深度學(xué)習(xí)算法的研究及心音深度識(shí)別系統(tǒng)的構(gòu)建與優(yōu)化[D]. 楊賀.南京郵電大學(xué) 2016
[2]基于深度學(xué)習(xí)的文本特征表示及分類應(yīng)用[D]. 梁軍.鄭州大學(xué) 2016
[3]基于相關(guān)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D]. 李義.哈爾濱工業(yè)大學(xué) 2015
[4]基于改進(jìn)的粒子群算法的鉆進(jìn)參數(shù)多目標(biāo)優(yōu)化研究[D]. 何素素.西安石油大學(xué) 2015
[5]基于粒子群算法的鉆進(jìn)參數(shù)多目標(biāo)優(yōu)化研究[D]. 張棟棟.西安石油大學(xué) 2014
[6]鉆井參數(shù)優(yōu)化及其知識(shí)建模的研究[D]. 王正.西安石油大學(xué) 2013
[7]鉆井復(fù)雜情況與事故診斷專家系統(tǒng)研究[D]. 胡睿.中國(guó)石油大學(xué) 2010
[8]CMAC神經(jīng)網(wǎng)絡(luò)概念映射及學(xué)習(xí)算法研究與應(yīng)用[D]. 李鋒.哈爾濱工業(yè)大學(xué) 2007
[9]ARM9200嵌入式系統(tǒng)在數(shù)字化井場(chǎng)中的應(yīng)用[D]. 楊寧華.華中科技大學(xué) 2007
[10]基于免疫算法的神經(jīng)網(wǎng)絡(luò)解耦控制及其研究[D]. 韓貴金.西安理工大學(xué) 2006



本文編號(hào)：2934099