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.     

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.     

基于SEEW-SVM的结构损伤在线识别

在增量式特征向量加权支持向量机(WEVLS-SVM)结构损伤在线识别方法的基础上,提出了自适应特征向量指数加权向量机(SEEW-SVM)识别方法,该方法通过增加样本与修剪算法更新样本,并根据样本贡献量的大小对特征向量自适应进行指数加权。以剪切型结构为例进行了数值模拟分析,结果表明SEEW-SVM方法与WEVLS-SVM方法相比,不仅提高了识别精度,而且大大提高了识别效率,更适用于对结构的时变参数进行在线识别。     

多算法协同分类在致密砂岩流体识别中的应用

储层含气时,岩石的弹性力学参数会发生改变,利用岩石的弹性性质可以对流体性质进行识别.引入流体敏感度评价参数,优选出反映储层含气性敏度高的5个弹性参数,并将这5个弹性参数作为流体识别算法的输入参数.分别利用贝叶斯算法、K近邻算法、广义神经网络算法、主成分分析算法、支持向量机算法对不同流体性质进行识别,并将识别结果采用投票从众的原则,构建多算法协同分类方法(BKGPS).采用BKGPS算法对苏里格气田西部盒8、山1致密砂泥岩储层6口井的75个样本进行判别,样本的识别符合率达到93%,BKGPS识别结果与5种单算法相比,能够提高流体识别的准确性与稳定性.对研究区致密砂岩储层实际资料处理,BKGPS算法处理结果与试气结论一致,验证了该方法的可靠性.     

基于支持向量机与分层遗传算法的斜拉桥全结构损伤分步识别

为了实现斜拉桥全结构的损伤识别,提出一种支持向量机与分层遗传算法相结合的分步识别方法。该方法首先按结构的材料特性将斜拉桥分为主梁、索塔、拉索三类子结构,利用支持向量机的分类特性判定损伤的来源,确定损伤属于某一类子结构;然后,应用分层遗传算法对子结构中的单元进行损伤位置与损伤程度的识别。以实验室独塔斜拉桥模型作为研究对象进行数值仿真,结果表明:采用支持向量机方法能较准确的对主梁、索塔、拉索三类子结构的损伤进行分类,确定损伤的来源;分层遗传算法能快速有效的完成斜拉桥某一子结构中损伤单元的定位与识别;两种算法结合的分步识别方法,实现了斜拉桥全结构的损伤识别,同时分步识别策略减少了支持向量机训练样本与遗传算法中初始种群的规模,提升了寻优效率。     

基于纵横波模量两项反射系数近似方程的叠前地震反演

与叠后波阻抗反演相比,叠前AVO反演能获得较为丰富的信息,因此利用叠前反演提取地层弹性参数并进行流体识别是目前的研究热点.考虑到基于Aki-Richard近似式的三参数反演不稳定性较突出,文章拟从减少参数维数入手,提高反演结果的稳健性.本文首先从宗兆云等人推导的基于纵横波模量的Zeoppritz近似公式出发,合理地对公式中的纵波模量与密度进行幂指数拟合,推导出直接反演纵波模量(M)、横波模量(U)的两项式反射系数近似方程并进行反演.其次,建立纵横波模量与高灵敏度流体识别因子的联系,并求取高灵敏度流体识别因子.模型试算和实例应用均表明,新方法能较好地识别储层内的流体性质.     

基于PSO-SVM的测井岩性识别方法研究——以南图尔盖盆地K油田古生界(Pz)储层为例

南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据.     

基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别

辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题.     

基于连续限制玻尔兹曼机的支持向量机岩性识别方法

基于测井数据分析的岩性识别是油气地球物理勘探的基础性问题之一.支持向量机(SVM)是目前分辨能力最高的岩性识别方法,特征优化可提高SVM的识别正确率,该方法采用主成分分析(PCA)进行目标特征提取,易受特征选取的影响.针对诸如白云岩和灰岩的区分等测井响应差别不明显,岩性区分困难而又必须进行的问题,本文引入概率生成模型连续限制玻尔兹曼机(CRBM)进行测井数据岩性特征提取,然后再运用SVM在提取特征上进行岩性识别.运用所发展的CRBMSVM进行川西海相灰岩及白云岩的识别,正确率达到了81.9%.基于同样的支持向量机,CRBM提取特征识别正确率要高于PCA提取特征.     

基于精确Zoeppritz方程的时移地震流体动态监测

储层流体动态定量评价能够为剩余油开发提供重要信息.流体因子作为一种重要流体表征参数,能有效识别流体位置和类型,理论上可根据油藏开发引起的流体因子变化量实现流体动态监测.通常,流体因子变化量可以利用常规弹性参数间接计算或基于近似公式直接反演得到.但间接计算引入的累积误差及近似公式较低的精度会严重影响其预测精度和分辨率.因此,为了在发挥流体因子优势的同时克服上述问题,本文研究了一种基于精确Zoeppritz方程的时移地震流体因子变化量反演方法.首先,推导包含流体因子的新形式精确Zoeppritz方程;然后,借助泰勒级数展开推导基于上述新方程的时移地震差异数据正演方程;最后,利用该差异数据正演方程构建贝叶斯框架下的目标函数,并通过引入服从微分拉普拉斯分布的块约束项提升反演结果对储层边界的刻画能力.合成数据和实际数据测试表明,新方法能够从差异数据中合理地估计流体因子变化量并实现储层流体动态监测,充分验证了方法的可行性和有效性.     

基于最近邻支撑向量特征线融合算法的核爆地震识别

为增强核爆地震模式分类器的泛化能力以提高对核爆炸事件的准确识别能力,论文提出了一种选择支撑向量样本集来表征训练样本集的最近邻支撑向量特征线分类算法,用以训练时扩展核爆地震的训练样本库,提高分类器的泛化能力.该算法用于核爆炸和地震的识别结果发现,和最近邻特征线分类器相比,提出的算法降低了计算复杂度,但识别能力却有些许降低.对新算法的分析发现,纯粹的支撑向量集不能完全代表原始样本空间集,支撑向量比例在其中有重要作用,为发挥支撑向量比例的作用以提高核爆分类器的识别能力,提出了最近邻支撑向量特征线融合算法.最后以核爆地震数据库对上述算法进行了检验和分析,理论分析和识别结果证实,在相同的训练样本选择条件下,最近邻支撑向量特征线融合算法对于核爆炸的识别来说具有较好的泛化能力,正确识别率达到90.3%,且优于支持向量机算法和最近邻特征线算法.     

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。     

基于超宽带雷达及支持向量机的灾后人体呼吸信号识别方法与试验研究

与常规雷达相比,超宽带雷达具有距离分辨力高、近距离盲区小、穿透性强、目标识别率高等特点,已被广泛应用于灾后搜寻、救援工作中,以对受困生命体征目标进行生命探测。为实现使用超宽带雷达对受困生命体征目标的识别定位,本研究提出基于信号多特征提取技术及支持向量机模型的人体呼吸信号识别方法。首先,使用经验模态分解、变分模态分解及希尔伯特变换提取雷达探测信号的微多普勒特征,使用傅里叶变换提取宏观频谱特征,使用相关分析获取相关性特征;然后,以提取的信号特征为输入,使用支持向量机模型对信号进行分类,进而对人体呼吸信号进行识别,对人体位置进行定位。不同障碍物场景下的试验结果表明,本方法可有效识别砖墙、建筑楼板等遮挡物下的受困生命体征目标,并提供其位置信息。     

煤层气储层物性影响因素和预测方法综述与展望

为了解决煤储层物性的预测方法问题,本文基于大量的文献调研,梳理了煤储层孔隙性和渗透性的影响因素和预测方法,并进行了预测技术展望.研究表明,孔隙性影响因素主要有煤层埋深、压实作用、变质程度和显微组分等,孔隙度预测方法主要有双侧向迭代法、阿尔奇公式裂缝孔隙度估算法、双侧向数值模拟法、相关分析方法及支持向量机等方法;渗透性影响因素主要有煤层埋深、储层压力、煤的变质程度、煤体结构、煤岩组分、应力状态、基质收缩作用和裂隙系统发育程度等,渗透性预测方法主要有F-S计算方法、基于达西定律的计算方法、相关分析法及多层次模糊综合评判法等其他方法.本文认为遵循“地质约束测井、岩心刻度测井”的原则,加强煤层气储层岩石物理研究和物性影响因素分析是基础;常规测井信息与测井新技术信息结合,“多尺度信息融合”建立煤岩孔隙度和渗透率解释新模型,充分发挥多种非线性数学方法的优势构建煤岩物性非线性数学预测方法有一定的实际意义.     

基于SVM与SRM耦合的抗剪强度参数随机场模拟

实验数据表明土体参数具有很大的空间变异性,而随机场理论为模拟土体参数空间变异性提供了有效途径。因为传统的谱表示法(SRM)无法正确模拟多维多元随机场参数间的互相关性,提出支持向量机法(SVM)与SRM耦合的方法。SVM是基于统计学习理论和结构风险最小化原理基础上的通用机器学习方法,它在解决小样本、非线性和高维模式识别问题中表现出诸多优势。以土体抗剪强度参数:黏聚力c和内摩擦角φ为例,通过实验证明二者之间存在天然负相关性,即为二维二元随机场。结果表明,在样本数量较少的条件下,基于耦合算法模拟随机场不仅能有效地描述变量的自相关性,而且能够准确地描述变量间的互相关性,为解决小样本条件下模拟多维多元随机场提供了一种有效的方法。     

我国大陆强震预测的支持向量机方法

统计学习理论是研究小样本情况下机器学习规律的理论. 支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法. 它不但较好地解决了以往困扰很多学习方法的小样本、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,其预测效果通常优于人工神经网络. 我国大陆强震与全球主要板块边界的强震活动之间具有一定的关系,但是这种关系具有较强的非线性. 尽管这种关系还不清楚, 但是通过支持向量机可以很好地进行建模, 并对我国大陆强震进行预测.      

Support vector machine method for forecasting future strong earthquakes in Chinese mainland

Statistical learning theory is for small-sample statistics. And support vector machine is a new machine learning method based on the statistical learning theory. The support vector machine not only has solved certain problems in many learning methods, such as small sample, over fitting, high dimension and local minimum, but also has a higher generalization （forecasting） ability than that of artificial neural networks. The strong earthquakes in Chinese mainland are related to a certain extent to the intensive seismicity along the main plate boundaries in the world, however, the relation is nonlinear. In the paper, we have studied this unclear relation by the support vector machine method for the purpose of forecasting strong earthquakes in Chinese mainland.     

基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

基于改进多分类孪生支持向量机的测井岩性识别方法研究与应用

岩性识别是认识地层及求解储层参数的基础,受地质环境复杂性和非均质性影响,测井曲线间存在着大量的信息冗余,数据集类间分布不平衡,常用的分类算法无法满足实际需求.针对常用分类算法容错性差,识别岩性单一和无法有效解决类间不平衡的问题,本文改进合成少数过采样技术(Synthetic Minority Over Sampling Technique,SMOTE)来处理数据集,可得到类间平衡的新数据集,并提出一种新的模糊隶属度函数改进模糊孪生支持向量机,在北美Hugoton油气田实际测井数据的基础上,用改进多分类孪生支持向量(Improve Multi Class Twin Support Vector Machine,IMCTSVM)综合自然伽马(GR)、电阻率(RL)、光电效应(PE)、中子密度孔隙度差异(DPHI)和平均中子密度孔隙度(PHIND)五种测井参数,以及相对位置(RELPOS)和非海洋/海洋指标(NM_M)两种地质约束变量,识别出9种岩性.将识别结果与传统支持向量机、深度神经网络等方法进行对比与分析,发现IMCTSVM算法优于上述两种分类算法,取得了较好的识别效果.