基于机器学习和测井数据的碳酸盐岩孔隙度与渗透率预测

准确预测碳酸盐岩储层孔隙度和渗透率对于碳酸盐岩油气藏储层评价具有重要意义。碳酸盐岩储层裂缝与溶孔广泛发育,基于经验公式从测井曲线预测储层孔隙度和渗透率具有较大误差。以中东某碳酸盐岩油藏为研究对象,选取914块取心井岩心,测定孔隙度与渗透率,利用随机森林（RF）、K-近邻（KNN）、支持向量机（SVM）和长短期记忆网络（LSTM）4种不同机器学习方法,通过测井数据进行孔隙度与渗透率预测,优化机器学习参数,筛选出适用于碳酸盐岩油藏的测井孔隙度与渗透率预测方法。研究结果表明：4种机器学习方法预测储层孔隙度结果差异不大,通过调整输入参数种类,可进一步提高孔隙度与渗透率预测效果,当以补偿中子（NPHI）、岩性密度（RHOB）和声波时差（DT）3种测井参数数据作为输入时,基于LSTM的储层孔隙度预测精度最高,孔隙度预测结果均方根误差（RMSE）为4.536 2;由于碳酸盐岩储层的强非均质性,基于机器学习的测井储层渗透率预测效果较差,相对而言,仅以NPHI作为机器学习输入参数时,基于RF的储层渗透率预测精度最高,渗透率预测结果的RMSE为45.882 3。     

基于支持向量机的降雨-径流预测研究

本文探讨了支持向量机方法在降雨-径流预测中的应用.该方法采用结构风险最小化准则,弥补了人工神经网络在预测应用中的不足,较好地解决了小样本,非线性、高维数和局部最小点等实际问题.并且本研究通过与人工神经网络预测方法、传统的回归分析预测方法比较研究,得出支持向量机能取得更高精度的降雨-径流预测值.     

一种基于Kozeny-Carmen方程改进的渗透率预测新方法

在计算复杂孔隙结构储层渗透率时,常规采用的孔渗指数方法或流动单元分类方法几乎很难准确评价渗透率。针对这一问题,本文提出一种引入修正迂曲度因子的改进的Kozeny-Carmen方程渗透率计算新方法。首先引入迂曲度因子修正Kozeny-Carmen方程,迂曲度因子可以表达为孔隙度与岩电参数的函数;然后对改进的Kozeny-Carmen方程进行推演变换,得到新的流动单元指数,能够更好地将储层进行分类;最后利用自适应神经模糊推理系统建立取心段岩心渗透率与测井曲线的模型,并将此模型应用到非取心段的渗透率评价中。岩心渗透率与预测渗透率的对比验证了该方法的正确性与有效性,且渗透率计算精度较常规孔渗指数方法和流动单元分类方法有较大提高。该方法在南海西部海域莺歌海盆地东方气田储层评价中应用效果良好。     

基于SVM的煤岩破裂与失稳预测模型

煤岩破裂与失稳的定量化实验是准确预测预报采空区动力学灾害的基础研究。基于采空区上覆煤岩破裂与动力学失稳相似材料模拟实验,利用支持向量机方法对煤岩破裂的不同阶段进行预测,找出大尺度采空区煤岩介质断裂与突然失稳的应力-位移-声发射“预警值(区)”,对开采中诱发动力灾害的危险源辨识及预警提供了定量化的依据,为工程现场准确、及时预报采空区煤岩断裂失稳规律提供了有效依据。     

基于混合核函数PSO-LSSVM的边坡变形预测

支持向量机（SVM）的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法（PSO）对最小二乘支持向量机（LSSVM）超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。     

基于对应分析的支持向量机回归在地震储层厚度预测中的应用

储层厚度的预测是油气藏描述的一项关键技术,然储层厚度和地震信息之间的关系是非线性的,其他的数学方法很难拟合.解决这一难点用到了一种新的数学统计方法--支持向量机.笔者介绍了对应分析和支持向量回归机算法原理,在此基础上以实际的数据为例子成功地对储层参数-厚度进行了预测,取得了实际的应用效果,得出了该方法切实可行的结论.     

基于InSAR监测和PSO-SVR模型的高填方区沉降预测

基于小基线集干涉测量技术（small baseline subsets interferometric synthetic aperture radar, SBAS-InSAR）和机器学习知识对高填方区域进行地表沉降监测及预测,对工程项目的施工、检修、运营等工作都具有重要的指导意义。文章以重庆东港集装箱码头为研究对象,选取2018—2019年覆盖研究区的31景Sentinel-1A数据,利用SBAS-InSAR技术获取该区域的地表沉降数据,并进行内外精度评定;通过信息量模型分析地表沉降易发地地势特点,选择预测点位;通过灰色关联分析计算动态影响因素与沉降量之间的灰色关联度,使用主成分分析法从影响因素中提取出主成分,构建训练集和测试集,通过粒子群算法-支持向量机法（particle swarm optimization-support vector regression, PSO-SVR）预测模型对测试集数据进行预测。为验证该模型在高填方区域沉降预测的可靠性和优异性,将自回归差分整合移动平均模型（autoregressive integrated moving average model,...     

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.     

煤体瓦斯渗透率的PSO-LSSVM预测模型

结合有关煤体渗透率的众多研究成果,总结出影响煤体渗透率的3个主要因素为有效应力、温度和瓦斯压力。采用粒子群优化算法(PSO)对最小二乘支持向量机(LSSVM)的参数进行优化选择,并以上述3个因素和抗压强度为输入值,以渗透率为目标输出值,建立煤体瓦斯渗透率的PSO-LSSVM预测模型。利用25组数据进行PSO-LSSVM模型与BP神经网络及支持向量机的比较实验,PSO-LSSVM预测结果与实际值拟合程度优于其他两个模型,且具有更小的误差。实验结果表明,采用PSO-LSSVM模型可由有效应力、温度和瓦斯压力对渗透率进行较高精度的预测。     

基于光谱相似尺度的支持向量机蚀变信息提取

文章提出一种基于光谱相似尺度(spectral similarity scale-SSS)的支持向量机(support vector machines-SVM)遥感数据矿化蚀变信息提取的新方法.该方法选择青海两兰地区作为遥感矿化蚀变信息典型研究区,利用该区域的Landsat7ETM遥感影像结合地面实况调查数据,从图像上选取少量具有代表性的样本点的光谱作为参考光谱,利用SSS方法提取训练样本,然后应用SVM算法进行遥感矿化蚀变信息提取.试验结果经野外检查和验证,效果良好.