基于主成份分析和支持向量机的PCA-SVM储层识别模型研究

储层识别是油气勘探开发中所面临的关键问题和难点之一。针对传统储层识别方法预测精度较低这一问题,提出了基于主成份分析和支持向量机的PCA-SVM储层识别模型,较好地解决了传统学习方法在非线性预测中的小样本、过学习、局部极小点等问题,同时消除了出入变量之间的多重相关性,减少了输入变量的个数,提高了预测精度和收敛速度。通过对长庆中部气田马五1段储层的实例应用,PCA-SVM模型的预测精度达到100%,优于SVM模型(93.6%)和Fisher判别模型(96.3%)。这表明PCA-SVM模型具有更高的预测精度,为致密储层的准确识别探索了又一新方法。     

基于KICA属性优化的支持向量机储层参数预测

为提高储层参数预测的精度,提出一种基于核独立分量分析(KICA)属性优化的支持向量机储层参数预测技术,KICA属性优化技术充分体现属性信息的非线性关系与高阶统计特性,提取出相互统计独立的反映地下储层参数的储层信息。支持向量机技术基于结构风险最小化原理,可解决小样本、高维与局部最小的非线性系统问题,二者有效的结合,能够将繁冗的地震属性空间,结合较少的井数据精确预测出储层的参数分布。通过模型及实际资料研究表明,本文储层参数预测方法的应用效果好,预测精度高。     

基于核主成分支持向量机的火成岩QAPF分类——以青海格尔木地区为例

利用核主成分(KPCA)较强的非线性特征提取能力对Hyperion高光谱数据进行降维及光谱特征提取,将特征信息作为支持向量机(SVM)建模样本的观测数据,建立KPCA-SVM回归模型,利用该模型进行研究区岩石氧化物百分含量反演。同时,依据国际地质科学联合会提出的QAPF火成岩分类方案对区内火成岩进行了岩性划分。研究结果表明:KPCA降维后的高光谱数据反演氧化物含量的效果良好;而基于QAPF模型的火成岩划分结果也十分理想,分类结果对已有地质图进行了有效的补充。KPCA-SVM理论模型为利用高光谱遥感数据进行岩性分类提供了一种快速可行的方法。     

岩溶地下河日流量预测的小样本非线性时问序列模型

针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地...     

W地区储层孔隙度地震预测技术及应用研究

在W地区,储层孔隙度预测技术是将支持向量机方法与分频法相结合构成一种新的地震非线性预测技术.支持向量机是一种基于统计理论的新型机器学习算法,它是建立输入与输出的一个隐形的映射关系,在我们的问题中,应用测井数据作为支持向量机的输入向量,通过支持向量机优选参数,对实际样本数据构造核函数,实现全局最优解.分频法采用短时快速傅利叶变换(SFFT)将地震数据进行时频转换,形成高分辨的分频数据体,作为独立的输入数据体,以提高储层孔隙度反演的分辨率和精度.因此,构成的这种联合预测技术,充分发挥了支持向量机和分频法的优势,这种全新的储层孔隙度预测技术适应储层地质参数高维非线性特点.依据建立的储层孔隙孔隙度预测技术,利用W地区实际地震数据形成的分频数据体和测井数据,对朱海组储层孔隙度进行了预测,获得了高分辨率和高精度储层孔隙度剖面和储层孔隙度数据体.在W地区,预测的朱海组储层孔隙度与测井孔隙度具有良好的一致性,其相关系数值为(0.816～0.945),平均值为0.882,因此,预测的储层孔隙度具有较高的可信度和准确率.在W地区成功应用表明,其方法技术具有通用性和较好的推广性,它的适用面广,预测效果好,易于实现,它将油气储层孔隙度预测推向一个新的发展水平.     

应用灰色过程模式方法进行储层参数的识别与预测

应用灰色过程模式识别与预测方法的目的是为了进行储层参数的识别与预测,识别储层的特征参数,预测有利含油气区块.灰色过程模式储层横向识别技术与以往的点模式识别有很大的不同,它是在点模式的基础上引入动态滑动提取法发展起来的,是在一定时窗间隔内,对时间序列求取多个子序列,通过求取这些子序列的特征参数来组成母时间序列的特征参数向量,在某一地震道提取特征参数时提取一系列的参数集,它比仅取一个平均值具有更好的三维地震特征表征能力.该方法还引进模糊理论与分形理论,使得对于裂缝等具有分形特征的储层物性参数描述更具有实际意义.并基于过井处的已知井建立预测模型进行井间外推预测,与已有钻井的实际地质情况吻合程度高,保证了预测的高精度.本文首次运用该方法对胜利油田义和庄区块碳酸盐岩古潜山储层进行裂缝、溶蚀孔洞发育带等预测,针对碳酸盐岩储层溶蚀和裂缝复杂的特点,通过提取灰色参数、模糊参数和分形维数等对非线性地质体具有较强表现能力的参数来作为预测的控制参数,是预测方面的尝试性进展.     

偏最小二乘神经网络在储层识别和产能预测中的应用--以陕甘宁盆地中部气田马五1储层为例

针对致密储层中气水干层识别和产能预测准确率较低这一难题，提出偏最小二乘神经网络方法：用偏最小二乘方法对输入自变量集进行主成分提取预处理，消除重叠的输入信息，用可变学习速率反向传播算法（VLBP）和附加动量方法（AMOBP）构建BP储层识别和产能预测的网络模型。以陕甘宁盆地中部气田马五。储层气、水、干层识别问题为例，选用19口井分层测试的92个已知样本，在提取物性、测井和储渗特征等方面的14个特征参数后，通过偏最小二乘方法提炼得到电阻率（Rlld）、声波时差（△t）、产能系数（kh）、储渗因子（KФs）、介质类型因子（EE）等5个主成分控制特征参数，消除了信息的重叠。以此为神经网络输入元，以样本储层的类型与产能级别为输出，用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率迭100％，均方误差比传统三层网络降低约50％。表明该模型的计算收敛速度快。精度高，为致密储层的准确识别探索了又一新的方法。     

基于粒子群算法的模糊优选神经网络储层识别模型

针对致密储层中气水干层识别准确率较低这一难题,提出基于粒子群算法(particle swarm optimization,PSO)的模糊优选神经网络识别模型.其基本思路:首先对所有的变量进行分析,提取反映储层本质的主要属性,消除重叠信息的输入,然后将粒子群算法与模糊优选神经网络相结合,构建基于粒子群算法的模糊优选神经网络识别模型.以陕甘宁盆地中部气田马五1储层气水干层识别问题为例,选用十九口井分层测试的92个已知样本(其中八十个用于模型构建,十二个用于精度检验),对物性、测井和储渗特征等方面的十个特征参数进行分析,从中提炼出电阻率、自然伽玛、产能系数、储渗因子、介质类型因子等五个主成份控制特征参数,消除重叠信息的影响.并以此作为神经网络输入层的输入,以样本储层的产能赋值作为输出,构建基于粒子群算法的模糊优选神经网络模型.模型的识别正确率达到100%,标准误差比传统模糊神经网络降低了60%.这表明该模型具有更高的识别精度,为致密储层的准确识别探索了又一种新方法,对同类地区的研究在一定程度上具有指导作用.     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。      

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

非线性支持向量机在油气预测中的应用

油气预测的传统方法通常是基于经验风险最小化准则,但在有限样本情况下,预测效果并不理想.研究引入基于结构化风险最小化准则的非线性支持向量机方法,通过对推广误差界的最小化达到最大的泛化能力和全局最优,时于小样本数据,该方法具有可靠的预测能力.在对四川观音场构造面新统上部碳酸盐岩储层数据处理中.通过实例试算,结果表明该方法有效可靠,预测精度高,与已知结果吻合较好.     

地下结构孕险环境危险性预警的改进SVM模型

针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。     

基于多核模式的隧道沉降预测

为提高支持向量机的预测精度,提出一种基于自适应多核学习模型的预测方法。自适应多核学习算法中采用树形筛选结构,通过生枝、剪枝操作完成核函数间的相加、相乘处理,增强了多核函数的非线性与多样性。采用网格遍历和粒子群算法对核参数、权重系数及模型参数进行寻优处理,弥补了训练样本缺少先验知识对参数赋值产生的偏差。将多核学习方法用于地铁隧道沉降预测,并与单核函数的预测数值进行对比。试验结果表明,自适应多核学习模型有效提高了预测模型的预测精度及泛化性能。     

致密砂岩气储层有效性识别和定量评价 ——以鄂尔多斯盆地东南部上古生界山西组一段为例

储层有效性识别和定量评价是制约致密砂岩油气勘探的关键难题。以鄂尔多斯盆地东南部上古生界山西组一段为研究对象,从储层非均质性研究入手,开展砂岩微观—岩芯—测井尺度的细致观测,将含气储层砂岩划分为三种主要的岩石相,其中贫塑性颗粒岩屑石英砂岩构成了物性和含气性相对较好的有效储集岩石。运用薄片和岩芯数据标定不同岩石相的常规测井响应,建立了基于主成分统计分析的有效储集岩石测井识别模型,认识了有效储层的空间分布规律。将储层有效性研究从微观尺度的岩石相描述拓展到宏观尺度的量化表征,实现了致密砂岩气有效储集空间分布的定量评价。     

地震多属性综合解释的支持向量机方法研究

能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。     

基于支持向量机的地震属性优选及煤层气预测

为了充分发挥地震属性分析技术的优势,针对地震勘探中的小样本事件,阐述了支持向量机原理,开展了基于支持向量机的煤田地震属性非线性优选的方法研究,并在煤层气含量预测中取得了良好的效果。结果表明:基于支持向量机(SVM)属性优选的煤层气预测效果比运用钻孔插值的效果更精确,较好地解决了小样本的学习问题,可作为煤层气预测的一种有效方法。      

基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型

页岩气总有机碳(TOC)含量是评价岩性气藏的关键指标,受复杂地质及岩芯采集等多种因素的影响,常规室内测试分析获得的TOC含量的数据有限且结果有失准确。为合理准确预测页岩气TOC含量,本文首先通过对页岩气储层TOC含量测井资料综合分析选取8条测井曲线,并结合主成分分析法(Principal Component Analysis,PCA)提取四个主成分;其次基于贝叶斯正则化(Bayesian Regularization)改进的BP神经网络方法建立页岩气TOC含量预测的BR-BP模型;最后利用该模型对研究区A区页岩气TOC含量进行预测,并与常规的LM-BP神经网络模型的预测结果进行对比。结果表明：BR-BP模型有较强的非线性拟合能力,能够真实地反映出页岩气TOC含量与各测井参数之间的非线性关系,其模型预测结果与实际值基本吻合,与常规的LM-BP神经网络模型相比,其数据敏感性增强,预测精度有所提高,该研究方法具有一定的理论意义和参考价值,为我国TOC含量预测提供了一种新的技术方法和手段。