本文選題：工況判別 + 鉆探參數　； 參考：《中國地質大學(北京)》2016年碩士論文

【摘要】：地質鉆探工程孔內事故會造成嚴重的經濟損失、時間浪費,甚至會威脅人的生命安全,地質鉆探工程工況判別系統(tǒng)能在第一時間判斷孔內事故類型,為處理事故爭取更多時間,以遏制事故朝著更嚴重的方向發(fā)展。鑒于地質鉆探參數與工況類型間的不確定性關系,神經網絡具有非線性映射能力,且建�？旖莘奖�,采用神經網絡建立工況判別模型事半功倍,相比其他智能化手段,優(yōu)勢明顯。根據地質鉆探鉆參儀所能獲得的參數,對常見工況模式類型與鉆探參數間的相互關系進行了分析,排除了對工況類型判別影響不大、非獨立的參數,保留了能直接反應工況類型的鉆探參數:轉速、稱重、返漿流量、泥漿密度、泵壓、鉆速,使得工況類型與鉆探參數間的映射關系簡單有效,并將此6個鉆探參數作為神經網絡的輸入參數。Matlab提供算法編程、調用函數名、界面化設計三種神經網絡模型創(chuàng)建方法,與前兩者相比,界面化設計的建模過程更簡單,參數優(yōu)化更方便,提供了多種神經網絡工具,通過對比其中各種神經網絡工具的優(yōu)缺點和適用范圍,排除了線性神經網絡、競爭型神經網絡、反饋型神經網絡,優(yōu)選出2種BP神經網絡和4種RBF神經網絡,BP、RBF網絡反應迅速、非線性映射能力強,非常適合工況模式判別。在此基礎上,利用甘肅陽山礦區(qū)實際施工的歷史數據檢驗了BP、RBF網絡性能。首先,對鉆探施工過程中鉆探參數的變化特征進行了研究,對獲取的歷史數據進行了降噪處理;其次,對鉆探事故發(fā)生時鉆探參數的變化趨勢進行了分析,將參數變化趨勢作為神經網絡的輸入數據,提高了神經網絡模型的適應性和推廣能力;最后,分別對不同BP、RBF神經網絡建立模型,BP神經網絡中表現(xiàn)最好的是基于LM、BR算法的Cascade-forward backprop,RBF神經網絡中表現(xiàn)最好的是PNN網絡,通過對比兩者的性能差異,最終確定以PNN網絡建立工況判別模。PNN網絡反應迅速、穩(wěn)定性高、網絡結構簡單、無需訓練,經過試驗仿真,模型判斷準確率可達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%..
【學位授予單位】：中國地質大學(北京)
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P634

【相似文獻】

相關期刊論文 前10條

1 劉彩紅;唐萬梅;;基于組合神經網絡的教師評價模型研究[J];重慶師范大學學報(自然科學版);2008年04期

2 鐘義信;;神經網絡:成就、問題與前景[J];科學;1992年02期

3 莫恭佑;;神經網絡及其在英國的應用[J];國際科技交流;1992年03期

4 閔志;;神經網絡:使計算機具有快速學習功能[J];國際科技交流;1992年03期

5 馮建峰,錢敏平;神經網絡中的退火——非時齊情形[J];北京大學學報(自然科學版);1993年03期

6 唐功友;離散Hopfield神經網絡的穩(wěn)定性[J];青島海洋大學學報;1994年S2期

7 靳蕃;;中國神經網絡學術大會在西南交通大學隆重召開[J];學術動態(tài)報道;1996年04期

8 彭宏,張素;帶有時滯的神經網絡的穩(wěn)定性[J];杭州大學學報(自然科學版);1997年04期

9 陳新,孫道恒,黃洪鐘;結構分析有限元系統(tǒng)與神經網絡[J];起重運輸機械;1999年06期

10 成宇;神經網絡是怎么搭建的?[J];百科知識;2005年16期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經網絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經網絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經網絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經網絡的新機遇——紀念中國神經網絡10周年[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經網絡與圖論[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數值預報產品的神經網絡釋用預報應用[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經網絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經網絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經網絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

8 劉力;我半導體神經網絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經網絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經網絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經網絡的混沌性及幾類時滯神經網絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經網絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經網絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經網絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

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

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經網絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經網絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;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;2015年

4 陳彥至;神經網絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經網絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經網絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經網絡的上證指數預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經網絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經網絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經網絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1980770