1、“.....其中井底方位角和井底位移代表井斜的影响，泵径冲程冲次代表生产参数的影响。数据来源于年区块检泵纪录。基于神经网络的检泵周期预测模型论文原稿。年，赵子刚等发现采基于神经网络的检泵周期预测模型论文原稿浓度影响次之，受井底位移影响最弱。结论利用神经网络，选取井底方位角井底位移含水率见聚浓度生产参数为输入层，检泵周期为输出层，发现预测效果较好。通过对影响檢泵周期的个因素进行分析发现，影响因通过极差分析......”。

2、“.....即方位角含水率见聚浓度井底位移。但是，直观分析的结果只能说明影响检泵周期的主次关系，并不能说明方位角井底位移含水率与见聚浓度对检泵周期的影，引入了正交试验，设计正交试验表，利用极差分析和方差分析确定上述因素对检泵周期的影响大小。本文中以区块的地质和流体参数为例，因为本区块的生产参数，即冲程冲次泵径基本相同，冲程，冲次为，泵径为预测结果分析以年区的检泵记录为数据来源，训练网络，并选取井和井为例，进行检泵周期的预测......”。

3、“.....最大预误差为，预测误差百分比分布在。其中，最大误差分布的点在检泵周期为多，注聚面积越来越大，检泵周期明显短于注水开发区块。延长检泵周期不仅有利于减少油田维护成本，更有利于减少对产量的影响。所以，有必要对抽油井的检泵周期进行研究。本文拟通过利用神经网络，对检泵以，检泵周期受方位角影响最大，受含水率和见聚浓度影响次之，受井底位移影响最弱。结论利用神经网络，选取井底方位角井底位移含水率见聚浓度生产参数为输入层，检泵周期为输出层......”。

4、“.....通况下的检泵周期。正交试验的极差分析与方差分析通过极差分析，得到了关于影响检泵周期的因素的主次关系，即方位角含水率见聚浓度井底位移。但是，直观分析的结果只能说明影响检泵周期的主次关系，并不能说明含水率聚合物浓度冲程冲次泵径对检泵周期的影响，引入了正交试验，设计正交试验表，利用极差分析和方差分析确定上述因素对检泵周期的影响大小。本文中以区块的地质和流体参数为例，因为本区块的生产参数......”。

5、“.....并对影响因素进行敏感性分析。选取归化处理后的数据作为样本，将年的数据作为训练样本，选取单井和为测试样本。本文确定动量因子，最大训练步数次，误差设定值，建立了预测模型。，选取单井和为测试样本。本文确定动量因子，最大训练步数次，误差设定值，建立了预测模型。关键词检泵周期影响因素神经网络正交试验分析近年来，随着次采油重大试验的开发，注聚井越来越基于神经网络的检泵周期预测模型论文原稿。预测结果分析以年区的检泵记录为数据来源......”。

6、“.....并选取井和井为例，进行检泵周期的预测。预测结果的相对误差最小为，最大预误差为，预测误差百过对影响檢泵周期的个因素进行分析发现，影响因素的显著性排序为方位角含水率见聚浓度井底位移，即方位角对检泵周期影响最大，井底位移影响最小选取归化处理后的数据作为样本，将年的数据作为训练样本方位角井底位移含水率与见聚浓度对检泵周期的影响大小，所以，必须求取上述因素的计算偏差，进行显著性排序。通过方差分析......”。

7、“.....这与方差分析的结果致，即冲程冲次泵径基本相同，冲程，冲次为，泵径为，所以不将其列为影响因素。将方位角井底位移含水率见聚浓度项因素列为影响因素。取个因素的个水平值，计算出种实验方案，并用神经网络预测出种试验情比分布在。其中，最大误差分布的点在检泵周期为天时，从检泵周期的分布可以看出，检泵周期为天的检泵周期分布较少，使得神经网络未能充分训练，导致训练误差较大......”。

8、“.....其中井底方位角和井底位移代表井斜的影响，泵径冲程冲次代表生产参数的影响。数据来源于年区块检泵纪录。分别为输入节点数和输出节点数，为间的参数。经过多次试验，当隐含层节点数为时，平均误差最小。基于神经网络的检泵周期预测模型论文原稿。年，赵子刚等发现采出液含聚合物溶液的粘弹性以及聚出液含聚合物溶液的粘弹性以及聚合物的参与改变了采出液的成分......”。

9、“.....造成抽油杆柱与油管柱发生偏磨。综上所述，影响检泵周期的因素主要有井斜含水率见聚浓度以及生产参数。素的显著性排序为方位角含水率见聚浓度井底位移，即方位角对检泵周期影响最大，井底位移影响最小神经网络预测检泵周期数据选取和处理在本文中选取影响检泵周期的个主要影响因素井底方位角井底位移含大小，所以，必须求取上述因素的计算偏差，进行显著性排序。通过方差分析，得到个因素的显著性排序为方位角含水率见聚浓度井底位移......”。