基于支持向量机法识别砂岩中流体类型

砂岩储层孔隙中的流体识别一直是石油勘探开发过程中重要的环节,传统方法主要依赖于测井数据,但是在测井数据缺失的条件下较难得到准确的流体识别结果.本文提出一种只依靠地震数据的砂岩中流体识别的新方法,并选择地球物理方法可测或可求的地球物理参数σ、ρλ和ρμ作为流体识别因子,然后进行模型实验.首先,设置典型流体状态,用Gassmann方程进行流体替换,将得到的流体识别因子作为支持向量机的训练集数据,并定义支持向量机的分类标签;之后,设置随机流体状态,利用Gassmann方程计算流体因子,将得到的结果作为支持向量机的测试集数据.将训练集、测试集数据集输入支持向量机,进行分类,得出测试集数据的分类结果.模型实验分类结果表明,支持向量机法可以判别砂岩孔隙中流体的主要属性.     

支持向量机及其在地震预报中的应用前景

统计学习理论(SLT)是研究小样本情况下机器学习规律的理论。支持向量机(SVM)基于统计学习理论,可以处理高度非线性分类和回归等问题,不但较好地解决了小样本、过学习、高维数、局部最小等实际难题,而且具有很强的泛化(预测)能力。本文介绍了支持向量机的分类、回归方法,分析了这一方法的特点,讨论了该方法在地震预报中的应用前景。     

利用相关因子预测中国大陆强震的支持向量机方法

中国大陆地震活动与太阳活动、地球自转和全球地震活动之间存在较强的非线性关系。文中以太阳黑子数、地球自转速率变化数据和全球7级以上地震总应变释放量作为预测因子,使用支持向量机分类方法建模预测中国大陆年度地震强度,预测效果较好,表明支持向量机分类方法是一种较好的预测中国大陆地震活动强度的方法。     

基于支持向量机回归的宁夏地震前兆综合预测模型研究

将支持向量机方法应用于宁夏及其邻近区域的地震综合预测研究中,通过建立基于多种地震前兆异常的地震综合预测模型,初步探讨了支持向量机方法在宁夏地震综合预测中的应用情况。研究结果表明利用支持向量机形成的地震综合预测模型对宁夏及周边地区可能发生的地震震级具有一定的预测能力。     

半监督最小二乘支持向量机的研究及其在海上油田储层预测中的应用（英文）

勘探开发初期海上油田钻井少、井间距离大,在应用地震多属性分析技术预测储层参数的过程中,直接采用监督最小二乘支持向量机算法预测精度较低。本文将最小二乘支持向量机与半监督学习理论结合,提出基于最小二乘支持向量机协同训练的半监督回归模型,并在模型训练过程中引入矩阵迭代求逆的方法,提高模型训练速度。利用UCI数据集实验研究,对比了半监督与监督最小二乘支持向量机模型,结果表明,半监督学习机制能够有效地提高最小二乘支持向量机的泛化性能,且随着训练样本的减小,效果更加明显;同时对比了半监督最小二乘支持向量机与半监督k-临近算法,结果显示,在小样本建模中,半监督最小二乘支持向量机有着更高的预测精度。最终将半监督最小二乘支持向量机运用于锦州工区,预测该区的砂体及储层孔隙度的分布,获得了较好的地质效果。     

基于多源地球物理数据的机器学习方法在地质体分类中的应用——以黑龙江多宝山矿集区为例

为适应多源地球物理大数据地质解释的需要,同时也为了在地质体物性存在交叠情况下快速有效地实现多源地球物理数据的地质解释,本文提出应用机器学习的支持向量机方法对多源地球物理数据进行地质解释的新思路,并给出了利用物性三体(密度、磁化率、电阻率)进行地质体圈定与分类方法.阐明了参数归一化、参数寻优对模型训练与学习及分类结果的影响与作用.本文将黑龙江多宝山矿集区物性三体与矿集区的区域地质、矿床地质及钻井资料相结合,利用所提出的方法对地下地质体进行了圈定与分类,对分类结果经过交叉检验,正确率达81.6%,表明了训练模型具有较高的可信度.经对预测模型填充已知物性参数正演的重磁异常与实测重磁异常对比,证明两者在整体和细节上均有高度的相似性,间接说明对地质体圈定与分类结果的可靠性,进一步表明利用多源地球物理数据,采用支持向量机方法圈定地质体及对地质体进行岩性识别方面的合理性与有效性.多源地球物理数据机器学习的支持向量机方法在多宝山矿集区地质体圈定与分类所取得较好的应用效果,为多源综合地球物理的地质解释提供了可借鉴的成功经验,也提供了多源地球物理资料地质解释的一种新型的技术手段,开辟了应用人工智能方法进行...     

地下水观测数据拟合与预测的支持向量机方法

影响地下水位变化因素有很多,在正常情况下,地下水位的变化实际上反应了气压、固体潮和降雨这些因素的变化,但是这些影响因子与地下水位之间有着较强的非线性关系。该文使用支持向量机方法建立起崇明中学观测站地下水位与气压、固体潮和降雨这些因素之间的非线性关系模型,并用于地下水观测数据拟合与预测,得到了较理想的结果,明显优于逐步回归方法。研究结果表明,支持向量机方法在地震前兆数据处理中有着广泛的应用前景。文中还对支持向量机方法在实际应用中的有关问题进行了讨论。     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

一种新型的地下含水层涌水量预测模型

针对目前电法勘探预测地下含水层单孔单位涌水量方法中存在要求大样本、易出现过学习和局部极小等缺陷,基于支持向量回归机(Support vector regression,SVR)具有小样本、推广能力强、全局最优算法等优点,又可避免现有预测模型中的过学习和推广能力差等问题.本文利用支持向量回归机模型,由电测深法观测到的电阻率和激发极化等参数建立了预测地下含水层单孔单位涌水量模型,在已知抽水试验的井孔上与以往预测模型对比表明,该预测模型不但提高了预测精度,而且还具有很好推广能力和应用前景.