数据挖掘在油田措施规划中的建模研究

论文摘要

随着油田开发的不断深入,为保证企业在稳产的前提下取得较好的生产效益,急需对油田措施进行合理规划。油田措施规划的关键是建立科学合理的规划预测模型。目前常用的均为固定数学模型,预测精度低。措施效果预测的本质是一个复杂的非线性系统建模问题,数据挖掘中的人工神经网络具有高度的非线性映射能力,能够较好的解决这类问题。本文在对BP算法进行了深入研究并作了适当改进后,建立了高精度措施规划预测模型,并以该模型为基础对油田措施效果进行预测,取得了较好的效果。在研究过程中,针对遗传算法存在早熟及稳定性差等问题,提出了基于非线性调整的自适应遗传算法（NLSAGA）,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整;针对传统的BP算法收敛速度慢,易陷入局部极小等缺点,提出了基于跳跃梯度的LMBP算法,给出了局部极小点的判断条件及梯度增加的速率等规则。然后提出了综合利用NLSAGA的全局寻优能力和LMBP算法的快速收敛能力改进学习算法并优化网络结构的两种策略。最后利用已有的实验数据样本训练神经网络,验证了本文提出的预测模型,结果显示基于NLSAGA-LMBP2算法建立的模型预测精度更高。

论文目录

• 中文摘要
• 英文摘要
• 第1章 前言
• 1.1 选题背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 措施规划的国内外研究现状
• 1.2.2 数据挖掘的国内外研究现状
• 1.3 课题研究内容及思路
• 1.4 论文的组织结构
• 第2章 数据挖掘技术理论研究
• 2.1 数据挖掘的定义与功能
• 2.2 数据挖掘的过程分析
• 2.2.1 数据挖掘的步骤
• 2.2.2 数据挖掘的体系结构
• 2.3 数据挖掘的常用算法和技术研究
• 2.4 本章小结
• 第3章 面向数据挖掘的BP网络模型研究
• 3.1 标准BP神经网络模型及算法
• 3.1.1 BP网络的结构
• 3.1.2 标准BP网络的学习算法
• 3.2 面向数据挖掘的BP神经网络关键技术研究
• 3.2.1 训练样本集的前置处理
• 3.2.2 BP神经网络结构参数的确定
• 3.2.3 BP神经网络结构的设计
• 3.2.4 网络的训练与测试
• 3.3 标准BP网络存在的局限性
• 3.4 本章小结
• 第4章 基于非线性调整的自适应遗传算法
• 4.1 简单遗传算法（SGA）
• 4.1.1 运算流程
• 4.1.2 遗传操作
• 4.1.3 编码方式
• 4.1.4 适应度函数
• 4.2 基于非线性调整的自适应遗传算法的改进（NLSAGA）
• 4.2.1 算法改进策略
• 4.2.2 实验验证及分析
• 4.3 本章小结
• 第5章 BP神经网络全局优化策略的研究与改进
• 5.1 基于跳跃梯度的LMBP算法优化策略
• 5.1.1 LMBP（Levenberg-Marquardt）算法
• 5.1.2 基于跳跃梯度的LMBP算法的改进
• 5.1.3 实验结果及分析
• 5.2 基于NLSAGA的LMBP全局自适应优化策略
• 5.2.1 算法策略与流程
• 5.2.2 实验结果及分析
• 5.3 算法适应性分析
• 5.4 本章小结
• 第6章 改进的BP神经网络在油田措施规划预测中的应用
• 6.1 模型的描述
• 6.2 模型的参数选择系统
• 6.3 模型样本的数据预处理
• 6.4 模型的构造与预测系统
• 6.5 模型的比较分析
• 6.6 本章小节
• 第7章 总结与展望
• 7.1 本文的研究总结
• 7.2 进一步的工作
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果