改进LSSVM在水平井产能预测中的应用

在水平井开发可行性论证及水平井优化设计中,产能预测是重要依据,常规产能预测方法,由于样本较少和影响因素多,预测精度难以保证。为此,采用最小二乘支持向量机方法回归出预测模型进行水平井产能预测。最小二乘支持向量机对标准支持向量机进行了改进,把不等式约束改为等式约束,把误差平方和损失函数作为训练集的经验损失,把解二次规划问题转化为求解线性方程组问题,较好地解决了水平井产能预测样本少、影响因素多的问题。引入粒子群优化算法来优选最小二乘支持向量机中的参数组合,〖JP〗既克服了交叉验证法耗时长的缺点,又发挥了最小二乘支持向量机的小样本学习能力强和计算简单的特点。以大庆油田某一区块10口水平井的生产资料作为样本,采用最小二乘支持向量机方法回归出预测模型,对该区块两口水平井的产能进行了预测,结果表明,预测产能与实际产能的最大相对误差小于15%,能够满足工程需要。      

基于最小二乘支持向量机的低渗透油藏调剖效果预测

调剖效果受油藏地质条件、开发状况和调剖工艺等诸多因素影响,调剖效果预测实质上是解决一个多因素共同作用的复杂非线性问题。常规的数值模预测对地质建模准确性要求高、历史拟合时间长而不能满足实际应用需求。本文提出利用最小二乘支持向量机法构建调剖效果与其主控因素之间的非线性映射模型,将未知井调剖效果预测转化为非线性函数的求解过程。以靖安油田五里湾区块24口调剖井资料为学习样本,建立了计算调剖后井组增油量、降水量的最小二乘支持向量机预测模型并进行了验证。结果表明,计算结果与实际值拟合精度较高、误差较小,该方法可用于矿场调剖效果预测与评价。     

基于局部最小二乘支持向量机的潜空间广义预测控制器

针对多变量、非线性、时变的实际工业过程系统,提出了一种基于局部最小二乘支持向量机的潜空间广义预测控制方法。该方法通过偏最小二乘构建潜变量空间,从而将复杂的多变量系统转变成多个单变量子系统,然后在每个采样点利用即时学习选择相关数据样本,在潜空间内在线建立每个单变量子系统(SISO)的局部最小二乘支持向量机(LSSVM)模型,最后利用广义预测控制器对这多个子系统分别实施预测控制。利用即时学习剔除冗余数据样本,提升了LSSVM的鲁棒性,并且使其更适用于实时建模和控制。利用该控制器对四容水箱对象进行仿真研究,验证了算法的有效性。     

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...     

利用支持向量机方法求取缝洞型油气藏地层系数

将支持向量机方法应用于缝洞型油气藏地层系数的预测.以国内某典型缝洞型油气藏为例,选取已进行试井分析的12口典型单井资料(包括对应的开发数据)作为学习样本,构建预测地层系数的支持向量机模型,并对模型进行了检验,结果表明,利用支持向量机方法所预测的地层系数与试井解释所得的实际值较为吻合,证实了利用该方法预测、评价缝洞型油气藏地层系数的可行性.     

基于深度学习的地震多属性储层预测模型

本文提出基于蜻蜓算法和最小二乘向量机的地震多属性储层预测模型,利用蜻蜓算法对最小二乘支持向量机的惩罚系数和核系数进行优化,从复地震道类、振幅统计类、频谱特征类和吸收衰减类中优选出12种地震属性作为输入变量,选取储层厚度作为输出变量。以渤海X油田为例开展了实证分析,预测结果与PSO-LSSVM、FOA-LSSVM模型预测结果进行对比分析。研究结果表明:基于蜻蜓算法和最小二乘向量机的地震多属性储层厚度预测模型计算精度高,对油田勘探开发具有一定指导意义。     

柴油十六烷值快速分析技术研究

基于上千个柴油样本建立了测定柴油十六烷值的近红外光谱数据库,采用一次性空瓶解决了光谱快速采集的问题,通过向数据库中添加少量样本的方式改进了模型在某石化企业的适用性,通过偏最小二乘法、支持向量机法和最小二乘支持向量机法将不同类型的柴油建立了统一的分析模型,并比较了不同算法建模的准确性。结果表明：使用PLS,SVM,LSSVM算法建立的校正模型对柴油样本十六烷值的预测标准偏差分别为1.6,1.4,1.3,满足快速评价要求。本研究节约了建模成本,减少了数据库的维护工作量。     

基于支持向量机的分层注水效果预测模型设计与实现

将影响分层注水效果的井控储量、渗透率变异系数、连通率、原油粘度、月产油量、含水率、连通油井数、分注的分段数作为输入参数,将评价分层注水效果好坏的无因次增油量作为输出参数,建立了基于支持向量机的分层注水效果预测模型。选用油田实施井例建立了支持向量机的学习样本和检验样本,使用支持向量机的回归训练算法对学习样本进行学习训练,然后对检验样本进行预测运算,结果表明支持向量机方法能够达到较高的预测精度。与油藏数值模拟法和BP神经网络法计算结果进行对比,表明了支持向量机方法的预测精度高于其他两种方法,可以用来预测分层注水的效果,指导油田进行分层注水选井工作。     

基于最小二乘支持向量机的大孔道定量计算方法

大孔道的发育造成大量注入水低效、无效循环,降低了开发效果,如何定量计算大孔道已成为高含水期油田开发中亟待解决的问题。为此文中提出利用最小二乘支持向量机方法定量计算大孔道参数。从大孔道形成前后的动、静态响应特征出发,选取了大孔道的控制因素作为最小二乘支持向量机的输入,对应的大孔道参数定量解释结果作为最小二乘支持向量机的输出,通过统计训练学习,建立了大孔道与控制因素相关的定量计算模型,进而得到大孔道的定量计算结果。结果表明,支持向量机模型的计算结果与样本值拟合精度较高,能较好且客观地反映各控制因素对大孔道的影响。在岔15断块试验区应用后发现,模型的计算结果与实际监测值误差较小,满足矿场应用要求,具有较高的应用价值。     

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。     

基于RS-LSSVM水驱井组采出程度计算模型——以渤海黄河口凹陷为例

针对海上水驱井组采出程度预测影响因素多,各影响因素之间相互关联、样本信息采集困难等问题,提出了基于粗糙集理论融合最小二乘支持向量机方法的采出程度计算模型。结果表明,该模型计算结果与样本值拟合精度较高,能较好的反映各控制因素对采出程度的影响,满足矿场应用要求。利用该模型对X油田某井组的采出程度进行计算分析,认为该井组具备细分层系的储层条件,新增3口调整井,目前开发形势较好,为海上油田增储上产提供理论指导。     

预测封堵影响产量比例的新方法

大庆油田二类油层开始聚驱后,水聚驱共采一套层系,为避免影响聚合物驱效果,水驱目的层要进行封堵.预测水驱封堵影响产量成为老井产量预测的主要因素.目前预测封堵影响产量的方法主要有砂岩厚度比例法、多元线性回归法和数值模拟法.砂岩厚度比例法简单易操作但预测误差在10％以上,多元线性回归法由于样本数量少难以达到预测精度要求.因些提出了一种新的预测封堵影响产量的基于支持向量机的预测方法.该方法是利用17个区块的实际封堵数据,选取递减率等6个参数作为输入量,建立了支持向量机网络模型,针对3种核函数进行了优选并对预测结果进行了检验,最大误差为7.23％,最小仅为0.41％,证实了支持向量机方法的可行性.     

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。     

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。     

基于主成分分析的最小二乘支持向量机岩性识别方法

测井解释过程中的岩性识别实质是多个指标数据的模式识别问题。常规测井解释方法很难表征储层的真实特性。提出一种基于主成分分析的最小二乘支持向量机的岩性识别预测模型（PCA—LSSVM）;介绍了主成分分析法和最小二乘支持向量机原理。通过主成分分析方法对测井数据进行分析并提取影响岩性识别的主要因素．依据分析结果建立基于最小二乘支持向量分类机的岩性识别模型。云南陆良盆地3口井的117个地层的识别结果与实际取心资料的符合率达到92．5％。应用表明,将主成分分析结合最小二乘芰持向量机进行岩性识别．简化了网络结构．具有更快的运算速度和准确率．是一种值得推广使用的方法。     

地层可钻性级值预测新方法

对测井资料与地层可钻性级值的关系进行了分析,提出了一种基于粒子群优化支持向量机算法预测地层可钻性级值的新方法,利用测井声波时差、地层密度、泥质质量分数和地层深度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(PSO-SVM)参数进行优化,建立了预测地层可钻性级值的支持向量机模型。应用该方法对准噶尔盆地庄2井的地层可钻性级值进行了预测,并将该方法的预测结果与BP神经网络方法的预测结果进行了比较。结果表明,该方法优于BP神经网络方法,具有预测精度高、收敛速度快、推广能力强等优点。     

基于支持向量机的煤层气井排采层位水源判识

基于煤层气井产出水微量元素的测试结果,探讨支持向量机技术在煤层气排采层位水源判识中的应用,确定最优支持向量机参数获取方法。利用所构建的二叉树结构层次支持向量机模型识别了煤层气井产出水源,并对比验证了不同识别方法。结果表明支持向量机能够有效识别煤层气井产出水源,准确率高于80%。比较分析支持向量机、灰色关联分析和神经网络等预测模型发现,在煤层气井排采水源判识上,对小样本学习而言,支持向量机的预测准确率显著高于神经网络法,与灰色关联分析相当,但灰色关联分析对样本依赖性较强,其泛化能力取决于样本深度。研究证明支持向量机是一种可行、有效的煤层气井排采层位水源判识方法。     

应用支持向量机方法预测砾石充填防砂井产能

影响砾石充填防砂井产能的因素很多。关系非常复杂．常规理论方法难以建立准确、适用的预测模型。为此，对防砂井产能的主要影响因素进行分析。引入支持向量机方法，与自然产能比方法相结合。建立了防砂井产能预测模型。该模型通过有限经验数据的学习。能够导出防砂前后采油指数与其影响因素的非线性关系。分别使用支持向量机模型和BP神经网络模型对砾石充填防砂井产能进行预测对比结果表明，支持向量机模型有着更高的预测精度．在小样本的模式识别方面，有着自身独特的优势。