本文關鍵詞：支持向量機在測井解釋中的應用　出處：《長江大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 支持向量機 巖性識別 孔隙度 滲透率 模型 交叉驗證

【摘要】：在油氣勘探開發(fā)活動日益深化,面臨的勘探對象日趨復雜的情形下,傳統(tǒng)的測井解釋方法在巖性識別、計算孔隙度和滲透率方面的符合率已經(jīng)難以滿足生產(chǎn)需要,本文通過引入在高維、非線性以及小樣本方面有獨特優(yōu)勢的支持向量機法,并且使用交叉驗證法對其關鍵參數(shù)進行尋優(yōu)優(yōu)化,得到模型后進行巖性、孔隙度和滲透率的預測。本文從支持向量機的基礎統(tǒng)計學理論開始介紹,闡述了支持向量機的原理,引出了核函數(shù)的概念,對不同的核函數(shù)性能做了對比。利用工區(qū)的數(shù)據(jù)輸入使用了不同核函數(shù)的支持向量機,根據(jù)預測的值得到準確率最高的核函數(shù)——徑向基核函數(shù)(RBF),利用K折交叉驗證法對關鍵參數(shù)錯誤代價系數(shù)C與核函數(shù)參數(shù)g尋優(yōu)從而用于建立支持向量機模型。在巖性識別預測時,首先對五個工區(qū)的地質情況作分析進行巖性分類,收集整理錄井、薄片鑒定和取心資料,分析地質情況,對五個研究工區(qū)巖性的類型劃分和歸類,將蘇里格蘇東和蘇西地區(qū)巖性劃分為四類:石英砂巖、巖屑石英砂巖、巖屑砂巖和泥巖;潛山地區(qū)劃分為九類巖性:混合花崗巖類、混合片麻巖類、注入混合巖類、淺粒巖類、淺粒質混合巖類、變粒巖類、片麻巖類、角閃巖類、基性侵入巖類;碳酸鹽儲層的X井劃分為五類巖性:砂巖、泥巖、白云巖、石膏和鹽巖,Y井劃分為四類巖性:灰?guī)r、泥巖、石膏和鹽巖。進行測井響應與巖性敏感性分析,在錯綜復雜的測井響應特征中,選擇了可以適用于三類儲層五個研究工區(qū)巖性識別的響應特征再利用測井響應與巖性敏感性分析確定對巖性敏感的響應特征,蘇里格蘇東和蘇西工區(qū)選取對巖性敏感的響應特征光電吸收截面指數(shù)(Pe)和自然伽馬(GR)為支持向量機的輸入特征,潛山地區(qū)選取對巖性敏感的響應特征密度(DEN),中子(CNL)以及自然伽馬(GR)為支持向量機的輸入特征,海外某地區(qū)X井選取對巖性敏感的響應特征發(fā)現(xiàn)測井響應特征密度(RHOZ)、聲波時差(DT)、自然伽馬(GR),Y井選取對巖性敏感的響應特征深側向電阻率(RD)、聲波時差(AC)、自然伽馬(GR)為支持向量機的輸入特征。確定支持向量機的輸入特征后,根據(jù)選取的訓練樣本采用3折交叉驗證對三類儲層五個研究工區(qū)的支持向量機建模所需關鍵參數(shù)尋優(yōu),得到蘇東地區(qū)支持向量機懲罰因子C=1.7411和核函數(shù)參數(shù)g=9.1896,蘇西地區(qū)支持向量機懲罰因子C=3.0314和核函數(shù)參數(shù)g=3.4822。潛山地區(qū)支持向量機懲罰因子C=36.7583和核函數(shù)參數(shù)g=6.9644。X井支持向量機懲罰因子C=222.8609和核函數(shù)參數(shù)g=0.3789,Y井支持向量機懲罰因子C=2.2974和核函數(shù)參數(shù)g=18.3792。尋得關鍵參數(shù)后建立支持向量機模型,同時使用不同方法輸入相同的訓練樣本建立模型與交叉驗證優(yōu)化的支持向量機做對比。蘇東地區(qū)對35組數(shù)據(jù)進行巖性預測得到結果,交叉驗證優(yōu)化的支持向量機法準確率達到94.3%,傳統(tǒng)支持向量機準確率為91.4%,神經(jīng)網(wǎng)絡法準確率88.6%。優(yōu)化后的支持向量機法比傳統(tǒng)支持向量機法準確率高2.9%,比神經(jīng)網(wǎng)絡法準確率高5.7%。蘇西地區(qū)對40組數(shù)據(jù)進行巖性預測后得到結果,交叉驗證優(yōu)化的支持向量機法準確率達到92.5%,傳統(tǒng)支持向量機準確率為90%,神經(jīng)網(wǎng)絡法準確率87.5%。優(yōu)化后的支持向量機法比傳統(tǒng)支持向量機法準確率高2.5%,比神經(jīng)網(wǎng)絡法準確率高5%。在潛山地區(qū)對201組數(shù)據(jù)進行預測,得到結果交叉驗證優(yōu)化的支持向量機準確率為90%,傳統(tǒng)支持向量機準確率為86.6%,神經(jīng)網(wǎng)絡法準確率為82.6%。交叉驗證優(yōu)化的SVM比傳統(tǒng)SVM和神經(jīng)網(wǎng)絡法的準確率分別高3.4%和7.4%。分別對海外某地區(qū)X井和Y井50組數(shù)據(jù)進行預測。X井預測得到結果交叉驗證優(yōu)化的支持向量機準確率為86%,傳統(tǒng)支持向量機準確率為80%,神經(jīng)網(wǎng)絡法準確率為82%。對Y井預測得到結果,交叉驗證優(yōu)化的支持向量機準確率為88%,傳統(tǒng)支持向量機準確率為84%,神經(jīng)網(wǎng)絡法準確率為80%。交叉驗證優(yōu)化的SVM比傳統(tǒng)SVM和神經(jīng)網(wǎng)絡法的準確率分別高。同時對孔隙度進行預測時,利用蘇里格地區(qū)43口取心井資料,3808組物性分析資料,優(yōu)選其中的400組數(shù)據(jù)做訓練樣本,主要采用測井響應特征聲波時差(AC)、補償中子(CNL)和補償密度(DEN)作為輸入特征使用支持向量機回歸算法建立模型,其中參數(shù)尋優(yōu)結果是懲罰因子C=8.2621和核函數(shù)參數(shù)g=0.5637。與對應的統(tǒng)計模型進行對比,對9口井40組不同井的數(shù)據(jù)進行預測得到結果,SVM平均絕對誤差值為0.87低于統(tǒng)計模型的平均相對誤差值0.97,小于一個孔隙度單位符合行業(yè)標準。在對滲透率預測時,利用蘇里格地區(qū)41口取心井,3425組物性分析數(shù)據(jù),優(yōu)選其中的300組數(shù)據(jù)做訓練樣本,主要采用測井響應特征聲波時差(AC)、補償中子(CNL)、補償密度(DEN)、自然伽馬(GR)、電阻率(RT)和光電吸收截面指數(shù)(Pe)作為輸入特征使用支持向量機回歸算法建立模型,其中參數(shù)尋優(yōu)結果是懲罰因子C=12.0325和核函數(shù)參數(shù)g=1.5326。與對應的統(tǒng)計模型進行對比,對7口井58組數(shù)據(jù)進行預測得到結果,SVM平均絕對誤差值為0.15低于統(tǒng)計模型的平均絕對誤差值0.24,平均絕對誤差也是處于較低水平。根據(jù)最后得到的結果比較,得知基于交叉驗證優(yōu)化的支持向量機在巖性識別、孔隙度預測和滲透率預測方面相比于其他方法都具有一定的優(yōu)勢,有良好的應用效果。
[Abstract]:In this paper , we introduce the principle of support vector machine , classify and classify the key parameters by using the cross verification method , and then use the cross verification method to classify and classify the key parameters . A support vector machine model is selected for the support vector machine in Sudong area . The accuracy rate of support vector machine is 91.4 % , the accuracy rate of support vector machine is 91.4 % , and the accuracy rate of neural network method is 86.5 % . The optimized support vector machine method is 2.5 % higher than the traditional support vector machine method , and the accuracy rate of the support vector machine is 5 % higher than that of the traditional support vector machine . Based on the results obtained , it is found that the support vector machine based on cross validation optimization has some advantages over other methods , such as lithology identification , porosity prediction and permeability prediction , and has good application effect .

【學位授予單位】：長江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P618.13;P631.81

【相似文獻】

相關期刊論文 前10條

1 鄒斌,李落清;支持向量機回歸與v-支持向量機分類解的關系[J];湖北大學學報(自然科學版);2004年01期

2 馮劍豐;王洪禮;李勝朋;;基于支持向量機的浮游植物密度預測研究[J];海洋環(huán)境科學;2007年05期

3 蔡佳;陳洪;;ν-支持向量機的收斂性[J];湖北大學學報(自然科學版);2005年04期

4 唐萬梅;;基于灰色支持向量機的新型預測模型[J];系統(tǒng)工程學報;2006年04期

5 熊宇虹;溫志渝;梁玉前;陳勤;張波;劉妤;向賢毅;;基于支持向量機的模型傳遞方法研究[J];光譜學與光譜分析;2007年01期

6 左林;;一個新的稀疏支持向量機模型[J];山西師范大學學報(自然科學版);2008年03期

7 赫英明;王漢杰;;支持向量機在積雪檢測中的應用[J];南京氣象學院學報;2009年01期

8 賈亮;王禮力;;支持向量機在上市公司財務預警模型中的應用[J];淮陰工學院學報;2010年02期

9 郎宇寧;藺娟如;;基于支持向量機的多分類方法研究[J];中國西部科技;2010年17期

10 謝福民;;支持向量機理論研究[J];科技廣場;2011年01期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1406154