隨著我國傳統(tǒng)能源的日益枯竭,作為新能源的煤層氣因其儲量豐富、環(huán)�？煽俊⑷紵龔氐椎葍�(yōu)點越來越受到重視,但由于排采不當而造成煤層氣資源的過度浪費,因此構(gòu)建適合煤層氣產(chǎn)能的預測模型對煤層氣井產(chǎn)能進行可靠、科學的預測勢必為煤層氣的開采工作提供一定的便利,從而一定程度上提高煤層氣的排采效率本文首先對傳統(tǒng)淺層神經(jīng)網(wǎng)絡中的經(jīng)典BP神經(jīng)網(wǎng)絡的理論以及學習過程進行介紹,利用BP神經(jīng)網(wǎng)絡的非線性回歸預測能力構(gòu)建適合研究區(qū)塊的煤層氣產(chǎn)能預測模型,但BP預測模型在訓練過程中存在容易陷入局部最優(yōu)值,以及增加隱含層的層數(shù)引發(fā)梯度彌散的缺陷,接著利用遺傳算法的搜索尋優(yōu)能力對BP神經(jīng)網(wǎng)絡的閾值及權(quán)值進行優(yōu)化,雖然一定程度上避免了上述缺陷,但仍然存在淺層模型在面臨多維數(shù)據(jù)時精度低的問題針對上述問題,本文將深度信念網(wǎng)絡與共輒梯度法相結(jié)合的模型應用于煤層氣井的產(chǎn)能預測上,利用共軛梯度法對DBN網(wǎng)絡的權(quán)重矩陣進行優(yōu)化,從而加快訓練速度以及提高預測精度,同時結(jié)合研究區(qū)塊的地質(zhì)背景以及主要地質(zhì)風貌,對采集到的原始數(shù)據(jù)統(tǒng)一進行歸一化處理消除不同指標之間的量綱影響,并采取實驗的方法確定DBN模型的最優(yōu)結(jié)構(gòu)以及權(quán)重的更新方式。本文結(jié)合... 

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題的研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
    1.3 本文主要工作與結(jié)構(gòu)安排
2 煤層氣產(chǎn)能預測理論基礎(chǔ)
    2.1 神經(jīng)網(wǎng)絡理論
        2.1.1 神經(jīng)元模型
        2.1.2 人工神經(jīng)網(wǎng)絡的互連結(jié)構(gòu)
        2.1.3 人工神經(jīng)網(wǎng)絡的主要學習方式
    2.2 BP神經(jīng)網(wǎng)絡的理論基礎(chǔ)以及優(yōu)缺點
        2.2.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
        2.2.2 BP算法的原理
        2.2.3 BP算法的訓練步驟
        2.2.4 BP神經(jīng)網(wǎng)絡的優(yōu)點
        2.2.5 BP神經(jīng)網(wǎng)絡的缺點
    2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡
        2.3.1 遺傳算法的基本思想
        2.3.2 遺傳算法的基本流程
        2.3.3 遺傳算法的優(yōu)點
        2.3.4 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的流程圖
    2.4 玻爾茲曼機
        2.4.1 玻爾茲曼機的網(wǎng)絡結(jié)構(gòu)
        2.4.2 玻爾茲曼機的學習算法
    2.5 受限玻爾茲曼機(RBM)
        2.5.1 受限玻爾茲曼機的訓練過程
        2.5.2 對比散度算法
    2.6 深度信念網(wǎng)絡的理論基礎(chǔ)
        2.6.1 DBN的網(wǎng)絡結(jié)構(gòu)
        2.6.2 DBN的學習過程
    2.7 本章總結(jié)
3 基于DBN的煤層氣井產(chǎn)能預測模型構(gòu)建
    3.1 研究區(qū)塊地質(zhì)背景介紹
    3.2 主要地貌特征介紹
        3.2.1 滲透率
        3.2.2 煤儲層壓力
        3.2.3 臨界解吸壓力
        3.2.4 水文地質(zhì)條件
    3.3 主要地質(zhì)變量的選擇
    3.4 數(shù)據(jù)的預處理
    3.5 預測模型的構(gòu)建過程
        3.5.1 DBN網(wǎng)絡結(jié)構(gòu)的確定
        3.5.2 BP網(wǎng)絡最優(yōu)結(jié)構(gòu)的確定
        3.5.3 共軛梯度法加速
    3.6 性能評價與對比模型
    3.7 本章總結(jié)
4 實驗結(jié)果與分析
    4.1 實驗環(huán)境
    4.2 礦區(qū)資料數(shù)據(jù)
    4.3 DBN模型的構(gòu)建
        4.3.1 DBN的最優(yōu)結(jié)構(gòu)
        4.3.2 DBN的權(quán)重更新方式
    4.4 對比模型的預測與仿真分析
        4.4.1 BP神經(jīng)網(wǎng)絡的預測與仿真分析
        4.4.2 GA優(yōu)化BP的預測與仿真分析
    4.5 DBN模型的預測與仿真分析
    4.6 本文預測模型與對比模型在誤差評價方面的對比分析
    4.7 本章總結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡預測高含水層對SAGD開發(fā)效果的影響[J]. 但松林,劉尚奇,羅艷艷,梁光躍,楊朝蓬.  大慶石油地質(zhì)與開發(fā). 2019(02)
[2]基于共軛梯度法的空間譜估計算法的實現(xiàn)[J]. 李磊,秦云.  信息技術(shù). 2019(02)
[3]基于并行回火受限玻爾茲曼機算法的電力IEC61850數(shù)據(jù)預測[J]. 尹根,徐曦.  科技視界. 2019(04)
[4]基于深度信念網(wǎng)絡和多信息融合的復雜機電裝備故障診斷方法[J]. 劉秀麗,徐小力.  機床與液壓. 2019(01)
[5]基于共軛梯度法和全變差正則化的圖像復原[J]. 張彬,孫菁聰,王勝文.  中國傳媒大學學報(自然科學版). 2018(06)
[6]基于受限玻爾茲曼機的個體行為預測模型的研究[J]. 任春霞,李金寶.  黑龍江大學自然科學學報. 2018(06)
[7]基于人工神經(jīng)網(wǎng)絡的路面使用性能評價及預測[J]. 李瀅瀅.  信息通信. 2018(11)
[8]阜康市白楊河礦區(qū)煤層氣成因研究[J]. 馬何龍,張偉,毛德雷.  中國煤層氣. 2018(01)
[9]基于深度信念網(wǎng)絡的PM2.5預測[J]. 鄭毅,朱成璋.  山東大學學報(工學版). 2014(06)
[10]基于時間序列BP神經(jīng)網(wǎng)絡的煤層氣井排采制度優(yōu)化[J]. 吳財芳,姚帥,杜嚴飛.  中國礦業(yè)大學學報. 2015(01)

博士論文
[1]粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預測中的應用研究[D]. 徐慧.中國礦業(yè)大學 2013

碩士論文
[1]基于遺傳算法的網(wǎng)絡視頻流特征選擇與識別研究[D]. 岳全濤.南京郵電大學 2018
[2]基于BP神經(jīng)網(wǎng)絡的煤熱解特性及煤灰熔融特性研究[D]. 謝良才.西北大學 2018
[3]無人駕駛汽車夜視環(huán)境防碰撞技術(shù)研究[D]. 孫騁.西安工程大學 2018
[4]基于BP-GA優(yōu)化算法預測我國商業(yè)銀行的影子銀行業(yè)務風險[D]. 林瑞霞.暨南大學 2017
[5]基于SVM煤層氣井井底流壓預測方法研究[D]. 高翔.西安科技大學 2017
[6]基于SVM的入侵檢測算法研究及其在農(nóng)產(chǎn)品電商中的應用[D]. 王月康.安徽農(nóng)業(yè)大學 2017
[7]量子粒子群算法及其在煤層氣產(chǎn)能預測中的應用[D]. 李濱旭.東北石油大學 2017
[8]基于模糊深度學習網(wǎng)絡算法的短期股價預測[D]. 劉慶玲.哈爾濱工業(yè)大學 2016
[9]阜康礦區(qū)煤層氣開發(fā)區(qū)塊劃分與潛力評價[D]. 王建濤.河南理工大學 2016
[10]基于深度信念網(wǎng)絡的股票價格預測研究[D]. 崔東東.華中科技大學 2016



本文編號：3683837