塔河油田复杂碎屑岩岩性识别方法

为了准确识别塔河油田石炭系复杂碎屑岩储集层的岩性,研究了基于常规测井资料的岩性识别方法.根据取心资料将储集层的碎屑岩分为砂岩、含泥砂岩、含砾砂岩和含钙砂岩4种类型;从常规测井资料中提取对岩性反映相对敏感的多种信息,并进行归一化处理;采用常规支持向量机方法和最小二乘支持向量机方法对少量已知岩性的取心岩样进行学习,识别碎屑岩岩性,建立了适用于塔河油田石炭系复杂碎屑岩储集层的岩性识别方法.塔河油田X区块的石炭系碎屑岩岩性识别表明,基于最小二乘支持向量机方法的岩性识别符合率比常规支持向量机方法提高10百分点.研究结果表明,基于最小二乘支持向量机的岩性识别方法能有效识别塔河油田石炭系复杂碎屑岩储集层的岩性.      

应用最小二乘支持向量机识别J13井区杜家台油层岩性

J13井区杜家台油层的储层岩性以低孔低渗中砂岩、细砂岩和不等粒砂岩为主,常规交会图法难以识别,无法确保按岩性建立的测井评价模型的配套使用.为此,应用最小二乘支持向量机对储层岩性进行了识别.首先分析了最小二乘支持向量机的方法原理和实现流程;其次随机选取了J13井区部分层段的岩性和测井响应建立了学习样本集,采用网格搜索法确定了参数C和δ,自检结果表明识别正确率可达到94％;最后对J13井区储层岩性做了测井识别,与岩心分析资料进行对比,岩性识别正确率达到87.5％.研究表明,最小二乘支持向量机可满足J13井区岩性识别的需要.     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法一支持向量机,是至今模式识别问题强有力的解决方法之一。依据测井所得到的小样本、不适定性等数据信息进行网格搜索及交叉验证对目标函数寻优,找到最佳参数建立了最小二乘支持向量机分类器模型;针对现有方法在解决油气水层识别问题中的不足,提出了基于最小二乘支持向量机的油气水层识别方法,并将此方法应用于大庆油田某油藏的油气水层识别。结果表明,此方法较人工神经网络和标准支持向量机方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用。表3参7     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。     

测井识别岩性新方法--支持向量机方法

将基于统计学习理论的支持向量机方法引入到测井资料处理和解释中。在测井岩性识别方面研究发现,支持向量机方法克服了神经网络的固有缺陷,提供了一种识别岩性的新方法。应用效果表明该方法具有适应性强、识别精度高的优点。     

辽河盆地东部凹陷中基性火成岩测井曲线特征研究

受郯庐断裂的影响,新生代以来,辽河盆地东部凹陷间断发生了6次构造运动,且均伴随有强度不等的火山喷发活动,火成岩广泛发育。以6口不同的井为例,揭示了东部凹陷内中基性火成岩、致密玄武岩、气孔玄武岩、玄武质火山碎屑岩、粗面岩、粗面质火山碎屑岩和辉绿岩的测井曲线组合特征。选取典型的岩性数据段总结出了该地区火成岩性测井响应特征,并制作了一套适合该地区的岩性识别图版。其中,自然伽马和深侧向电阻率交会图能很好地识别辉绿岩,中子和密度交会图可以很好地区分玄武岩类;利用最小二乘支持向量机建立了火成岩岩性识别模型,识别结果与岩心、岩屑薄片定名对比,符合率较高。交会图版和最小二乘支持向量机结合运用,很好地解决了研究区岩性识别的问题,为进一步开展油气藏的解释奠定了基础。     

PCA&PSO在油气水三相流流型识别中的应用

为了提高油气水三相流流型识别的准确率,提取了对流型变化敏感的多个特征。通过主成分分析将原始特征向量进行降维处理,并将其作为最小二乘支持向量机的输入矢量,建立油气水三相流流型识别模型;对于最小二乘支持向量机模型中参数的选取,采用粒子群优化算法进行寻优。实验结果表明,该模型简化了分类器结构,提高了流型识别精度。     

最小二乘支持向量机在低孔低渗油藏油水识别中的应用

低孔低渗油藏油水关系复杂,测井响应特征不明显,常规的人工经验性油水解释已不能满足实际开发需要。研究采用最小二乘支持向量机分类理论,选取多种相对独立的测井参数对低孔低渗储层流体性质识别分析,以工区试油已证实含油水类型的层位作为训练样本进行训练,建立不同流体性质储层的分类器相应支持向量机和分类面,通过已建立分类器的分类函数,可对待识别的层位进行识别分析。通过对工区的样本学习和预测,并与实际试油资料进行对比,符合率达到91.7%,从而表明,最小二乘支持向量机在油水识别中可获得良好的应用。     

PCA＆PSO在油气水三相流流型识别中的应用

为了提高油气水三相流流型识别的准确率,提取了对流型变化敏感的多个特征.通过主成分分析将原始特征向量进行降维处理,并将其作为最小二乘支持向量机的输入矢量,建立油气水三相流流型识别模型;对于最小二乘支持向量机模型中参数的选取,采用粒子群优化算法进行寻优.实验结果表明,该模型简化了分类器结构,提高了流型识别精度.     

支持向量机在复杂岩性测井识别中的应用

针对海拉尔盆地乌南地区岩性复杂、岩性识别难的问题,在岩心分析资料的刻度下,首先采用主成分分析法优化测井输入参数,然后利用支持向量机的方法进行学习预测,并与聚类分析和神经网络的分类结果进行了比较.对比表明,支持向量机具有结构简单、适应性强、全局优化、训练时间短、泛化能力强等优点,尤其是在解决小样本、非线性和高维模式识别等问题方面,表现出其特有的优势.该方法克服了常规统计方法的局限性,可以在有限样本的情况下得到全局最优解.应用效果表明,利用支持向量机方法识别岩性,具有解释精度高,推广性好的特点,为复杂岩性识别提供了一种新方法.     

基于支持向量机的辫状河测井沉积微相识别

辫状河沉积环境下的单井沉积微相解释工作易受其繁琐性与主观性影响。提出一种基于测井曲线针对辫状河沉积环境的沉积微相自动识别方法,用于单井沉积微相解释,为后续储层精细描述以及地质建模提供依据。以工区内测井曲线为基础,通过对地层单元内的测井数据进行分析,得到统计参数作为支持向量机训练的输入参数,输出对应的沉积微相解释结果。使用鄂尔多斯盆地某区块1 944组沉积微相样本数据对支持向量机进行训练,验证集由另外648组样本数据组成。2组数据集被选用于测试训练后的支持向量机在沉积微相自动识别方面的应用效果,其中第1组由648组样本数据组成,来自与训练集验证集同一区域,用于测试支持向量机对沉积微相识别效果;另外一组数据集由816组来自于不同区域的样本数据组成,用于测试方法的泛化性。结果表明该方法对2组测试集分类的正确率分别能够达到95.4%和93.1%。该方法在单井沉积微相自动识别方面具有足够的准确性与可靠性。     

多元地震属性分析提高薄储层预测精度

针对叠后地震属性预测薄储层信息时存在属性单一、多解性及定性表征等问题,文中提出了基于主成分分析-支持向量机算法(PCA-SVR)对多种地震属性进行定量表征预测薄储层的方法。以松辽盆地某井区葡I4层为例,利用主成分分析法对9种地震属性进行降维分析,优选累计贡献率大于90%的3种主成分,利用支持向量回归机算法,建立了薄储层预测模型。对井区内葡I4层砂岩厚度进行预测,预测结果与实际钻遇砂岩厚度吻合程度较好。研究结果表明,预测结果与实际钻遇砂岩厚度的相对误差,与目的层段内砂岩发育层数相关,随着发育砂岩的层数增多,平均相对误差逐渐增大。     

最小二乘支持向量机在储层流体识别中的应用

在测井储层流体识别中引入基于统计学习理论的最小二乘支持向量机（LS-SVM）算法,它是在传统的支持向量机（SVM）基础之上加以改进的一种新算法。LS-SVM采用结构风险最小化原则代替了传统的经验风险最小化原则,保证了其具有全局最优性和较好的泛化能力,并且它将凸二次规划问题转变成了线性方程组的求解问题．使计算效率大大提高。介绍了LS-SVM方法的基本原理和多分类方法,通过该法利用少量的测井资料作为学习样本,准确地对油气水层进行了识别。将它与交会图判别法和BP神经网络方法的预测结果进行比较,表明用LS-SVM方法来进行储层流体识别是可行的,且具有一定的优越性。     

基于ICA、PCA与SVM方法的沉积微相定量识别

利用测井资料快速准确地确定沉积微相是油田勘探开发中急需研究解决的问题.沉积微相特征在测井曲线上有所反映,将常规测井资料及其解释成果中的地质资料同岩心资料相结合,分别通过主成分分析(PCA)和独立分量分析(ICA)提取反映沉积微相变化的特征,利用支持向量机(SVM)建立沉积微相的判别模型,根据该模型对未取心井段的沉积微相...     

基于GWO-LSSVM算法的海底管道腐蚀预测模型研究

目的 针对海底管道腐蚀影响因素存在信息叠加与相互耦合、作用机理复杂、腐蚀速率预测难度大的问题,提出一种灰狼优化(GWO)算法优化最小二乘支持向量机(LSSVM)的腐蚀速率预测新模型.方法 该模型利用灰狼优化算法对最小二乘支持向量机的核参数与惩罚因子进行迭代寻优,减少参数选择的盲目性,提升预测精度,应用该模型对海水挂片腐...     

主成分分析法在泥页岩地层岩性识别中的应用

泥页岩地层岩性复杂,非均质性强,利用常规测井交会图法识别岩性往往具有多解性和不确定性。依据主成分分析理论,建立多条测井曲线的主成分计算模型,主成分Y_1,Y_2,Y_3的累积方差贡献率可达91.39%,能够准确反映原测井曲线的全部有效信息。研究结果表明,主成分分析法能够有效识别泥页岩地层的浅灰色泥岩、黑色泥岩、灰色粉砂岩及细砂岩等多种岩性,回判率达90.37%。与常规测井交会图法相比,主成分分析法可靠性更高,在泥页岩储层研究领域具有较广泛的应用前景。     

基于XGBoost算法的复杂碳酸盐岩岩性测井识别

碳酸盐岩储层在形成过程中受到多种因素的影响，储层岩性复杂多样，基于测井资料对碳酸盐岩岩性识别具有重要意义。为了解决传统的测井岩性识别方法和机器学习方法对于复杂碳酸盐岩岩性识别准确率不高的问题，以廊固凹陷北部奥陶系碳酸盐岩为例，将XGBoost算法应用于复杂碳酸盐岩岩性识别，并将模型的性能与决策树C4.5算法和支持向量机算法进行对比。结果表明，采用的XGBoost算法的岩性识别模型对研究区碳酸盐岩岩性识别的准确率达到了88.18%，相较于决策树C4.5算法和支持向量机算法准确率均提高了10%左右，且由于XGBoost算法采用多线程和分布式计算的方法，使得训练时间大大缩短。基于XGBoost算法建立的岩性识别模型能够有效地识别复杂碳酸盐岩岩性，为复杂碳酸盐岩岩性的测井识别提供了新的思路。     

最优化方法在复杂岩性储层测井解释中的应用

在综合分析多种测井解释方法的基础上,通过将测井响应方程线性化,建立多矿物地层组份测井解释模型,用Householder变换求解超定线性方程组的最小二乘解,将每一个最小二乘解作为共轭梯度优化迭代的初始值进行运算,求取复杂岩性地层组份.根据此原理用Visual C++ 6.0编程,并处理某地区复杂岩性的碎屑岩地层和碳酸盐岩地层的测井资料,结果表明,处理100 m的井段所用时间不足1 s,处理1 000 m的井段所用时间不足10 s,计算的孔隙度与岩心分析孔隙度有很好的一致性,效果良好.