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.     

东营凹陷红层地球物理特征分析及有利储层预测

东营凹陷深部储层是干燥沉积环境下的一套红层,其中的孔一中储层厚度大、钻遇井少,具有较大勘探潜力。但目标区地层结构复杂,埋深从南到北逐渐变大,井震关系一致性不好,储层预测有很大难度。通过综合分析井震特征、优选地震属性、建立井震厚度关系,使用单一最佳属性法、多元线性回归法、基于学习型的非线性储层预测法,得出以下认识与结论：1）研究区红层具有薄互层典型特征,频率较上覆和下伏地层高,地震反射具有中振、低连、低信噪比特征;2）新研发的基于优势频率的流度因子具有最好的厚度相关性,最大振幅、均方根振幅、过零点数、能量半时也较好;3）无论是多元线性回归还是非线性支持向量机,优化的五属性储层预测效果要好于七属性;4）基于交叉验证的支持向量机方法十分适合深部储层小样本储层厚度预测,效果好于单一最佳属性法和多元线性回归法。     

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。      

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。     

核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法.     

基于PSO-SVM非线性时序模型的隧洞围岩变形预报

现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。     

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ICA-SVM的超长大直径钢管桩承载力预测

基于支持向量机（SVM）和独立分量分析（ICA）建立了超长大直径钢管桩极限承载力的预测模型。先采用独立分量分析FastICA算法从实际工程的超长大直径钢管桩试桩的实测数据样本中抽取相互独立的分量,这些分量不仅去除了相关性,还保持统计独立,并服从非高斯分布,能更好地表现数据间的本质结构;然后,确定支持向量机作为分类器,以抽取的独立分量作为支持向量机模型的输入参数,建立超长大直径钢管桩的承载力预测模型ICASVM_Q;最后,采用某大桥的工程数据对预测模型进行测试。结果表明,ICASVM_Q的预测效果明显优于以原始数据作为支持向量机模型输入的SVM_Q模型的预测效果。可见,采用将独立分量分析与支持向量机相结合的方法建模预测超长大直径钢管桩的承载力是可行的,ICASVM_Q模型的预测结果可用于超长大直径钢管桩承载力的设计参考,具有一定的工程应用价值。这种方法还可以用于其他领域的智能预测研究中。     

基于地震属性优化和机器学习的煤层厚度预测方法

煤层精准定位是无人采煤的关键技术,煤层厚度预测是煤田地震资料解释的重要研究内容之一。参考实际地层厚度及物性参数,构建含楔形煤层的正演模型,通过地震剖面正演和地震属性提取、优化,对比分析信噪比和多种回归方法对煤层厚度预测的影响。研究结果表明：部分地震属性与煤厚相关性较强,可以用于煤厚预测;地震属性间的信息冗余不可忽略,但基于主成分分析和多维标度的地震属性优化结果无本质区别;当信噪比较低(10 dB)时,随机森林回归算法的均方根误差最小(1.07),支持向量机回归算法的误差居中(1.15),多元线性回归算法的误差最大(1.84);当信噪比较高(25 dB)时,支持向量机回归算法的误差最小(0.05),随机森林回归算法的误差居中(0.11),多元线性回归算法的误差最大(0.20);输入数据信噪比对煤厚预测有明显影响,信噪比越高、预测效果越好。基于地震属性优化及支持向量机回归的煤厚预测方法,是实现薄煤层厚度高精度解释的一种有效途径。     

基于遗传支持向量机的地下工程裂隙岩体注浆量预测

提出了地下工程裂隙岩体注浆量预测的遗传支持向量机方法,通过支持向量机对实际注浆数据样本进行学习,建立注浆量及其影响因素之间的非线性映射关系,基于这种关系实现注浆量的预测。模型建立过程中,考虑到支持向量机惩罚因子和核参数对预测精度的影响,以预测误差为适应度,采用遗传算法对最佳参数进行搜索。结果表明,本文方法计算快速,预测精度高,是一种注浆量预测的好方法。     

基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

边坡稳定性与其影响因素之间存在着复杂的非线性关系。通过分析影响边坡稳定性的主要因素,采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用连续蚁群算法对其进行优化选择,从而提出边坡稳定性预测的蚁群优化支持向量机模型。锦屏一级右岸拱肩槽部位谷坡为顺向坡,绝大部分基岩裸露,自然边坡为大理岩边坡,现状稳定。结合锦屏一级右岸拱肩槽边坡,采用蚁群优化支持向量机模型对其稳定性进行预测分析,预测结果与实际情况吻合较好,说明蚁群优化支持向量机模型在边坡稳定性分析中具有良好的实际应用价值。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

岩质边坡稳定性评价的粗糙集－支持向量机方法

结合粗糙集和支持向量机两种智能算法,建立了基于粗糙集与支持向量机的岩质边坡稳定性评价模型。首先根据有限的经验数据建立属性决策表,通过属性约算法找出影响边坡稳定性的关键因素;然后将所提取的关键信息训练支持向量机。本文以铁路沿线边坡为例,进行边坡稳定性验算,结果表明算法能有效降低边坡稳定性影响因素集数据维数及支持向量机的复杂程度,提高训练速度和泛化能力。     

一种基于核学习的储集层渗透率预测新方法

基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。     

基于多重分形的信息融合技术在琼东南盆地深水区油气勘探中的应用

为解决常规地震属性预测储层时效果差、精度低而导致的预测多解性问题,采用基于多重分形的信息融合技术预测琼东南盆地深水区有利储层区域。根据分形谱函数曲线形态提取优势属性,然后采用多重分形技术进行信息融合。融合后的谱函数计算结果显示,多重分形融合的曲线形态不同于任何一种单一属性的谱函数形态,说明信息融合的结果不是任何单一属性能够代替的。多重分形考虑了属性与属性之间的非线性边界问题及地震属性的非线性特征差异,有效地刻画了局部细节。将该技术应用于琼东南盆地陵南斜坡区崖城组储层预测,结果表明,有利储层区域分布于陵水29A、陵水30A、陵水29B、陵水35A和陵水35B区块,从属性融合结果得知,通过多重分形法圈出的这5个有利储层区域的储层优于永乐1区块,同时结合该区石油地质条件的综合分析,最后确定陵水29A、陵水30A和陵水29B区块为有利储层目标区,为下一步的靶区优选提供了依据。     

基于邻域粗糙集和支持向量机的固结系数预测

采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。     

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。     

庐枞矿集区科学钻探的岩性识别方法

庐枞矿集区科学钻探钻遇岩性复杂,岩性亚种类别繁多,利用测井资料识别岩性存在较大的技术难度。笔者采用网格搜索法、粒子群优化和遗传算法三种方法优选支持向量机的核函数参数γ和惩罚因子C,其中基于遗传算法优选的支持向量机参数准确率最高。利用测井,结合岩芯、录井等资料,基于遗传算法建立支持向量机岩性自动识别模型,该模型实际数据预测总体符合率为86.86%,优于BP神经网络,全井岩性识别与岩芯录井相符,取得了好的应用效果。