基于灰色关联支持向量机的河道预测方法

扶余油层河道预测一直被高度重视,由于扶余油层断裂复杂、岩相相变快等因素影响,常规地震属性预测河道难以达到精度的要求。针对这一薄弱的问题,利用灰色关联分析与支持向量机结合的方法,建立一套适用于复杂地质条件的河流相储层预测技术流程。以大庆油田X试验区扶余油层为例,首先对沉积单元的常规地震属性进行量纲化处理,运用灰色关联分析方法得到的各地震属性关联主因子,关联度越大,说明响应河道的属性概率就越高。在此基础上,对优选关联因子较大的属性数列进行一次累加,生成一阶累加序列,用以作为支持向量机的输入训练样本,从而完成支持向量机河道预测模型的构建。经钻井证实,基于灰色关联支持向量机预测的钻井符合率较高,并结合地震反演预测河道砂边界的优势,辅以岩心、测井、录井等资料,从而完成X试验区扶余油层沉积微相的实现。同时,后钻井进一步证实了预测河道的可靠性,成功获得工业油流井。综合研究表明,此方法用于河道预测精度较高,可作为复杂地质条件下一种较好的河道预测方法。     

地震重构反演在大庆长垣油田X开发区过渡带河道预测的应用

大庆长垣油田已进入特高含水时期,过渡带作为增储潜力区一直备受关注。但由于过渡带构造幅度大、储层薄、沉积环境复杂等原因,常规的储层解释手段难以满足精度的要求。针对这一问题,提出了利用微电极和微球电阻率曲线幅度差重构的方法,建立一套适用于油田过渡带的河流相储层预测技术流程。以大庆油田X开发区过渡带为例,通过量纲化、绝对差值以及幅度差均一化处理方法,实现了研究区测井曲线重构的过程,并通过4个关键反演环节,完成研究区幅度差重构反演的工作。经钻井证实,基于幅度差地震重构反演的预测钻井符合率较高,辅以开发区钻井及地震属性等资料,完成研究区SⅡ油层主力沉积单元沉积微相的实现。结果表明,此方法用于河道预测精度较高,可作为油田下一步过渡带河道预测的有效技术手段。     

基于支持向量机的地震多属性综合解释技术应用研究

给出基于支持向量机方法的储层参数预测流程。以粗糙集理论优选出的地震属性为输入向量,利用支持向量机方法对渤海SZ36-1的砂泥岩百分比、孔隙度与含油饱和度进行预测。实例应用表明,利用此方法预测储层参数的精度较高。     

利用多属性体分类技术预测扇三角洲砂体

对单一地震属性采用神经网络技术进行分类,在低信噪比地区很难准确进行地震相分析和砂体预测.根据地震波形理论,基于Seisfacies的多属性体分类、PCA主成分分析、混合聚比法和自组织人工神经网络技术对层段内多种地震属性体按照相似性原则进行统计聚类分析,并在区域内进行地震相自动划分,得到地震相三维数据体.结合钻井资料,借助三维可视化技术在三维空间中预测储层砂体的空间分布,大大减少了地震相划分的多解性,提高了储层预测的精度和工作效率.对华北油田万庄地区扇三角洲砂体进行预测,在三维空间中精细刻画了沙三中段扇三角洲砂体的边界和空间展布,预测了有利储层的发育区,发现并落实了3个有利的岩性圈闭,部署钻探的T12X、T47等井均获工业油流,效果很好.     

地震属性分析在卡2区块储层预测中的应用

地震属性与储层参数之间并不存在简单直接的对应关系。利用地震属性进行储层预测时,需对所利用的地震属性进行有效分析,给特征明显的属性赋予明确的地质意义。以塔中南坡带卡2区块为例,利用地震属性技术,结合实际钻井和测井资料,对目的层段的生物礁滩体进行预测,预测了该区礁滩型储层的分布范围。     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

河包场地区含油气检测

含油气检测是利用油气层不同于水层或干层的地球物理响应直接识别储集层流体类型的研究。主要方法有地震属性-地质分析、信息分解、多属性优选、多属性综合预测等。河包场地区须家河组砂岩厚度较大,砂地比高,烃源相对不足,储层含水饱和度普遍较高,油气层识别难度大。以钻井油气分布、油田地质情况分析、地震资料为基础,主要运用地震属性提取、多属性综合预测等方法对须二、须四段进行了含油气检测,有效确定了已知油气层含油气范围,预测了有利区,为储量计算、井位部署提供了依据,勘探实际证实该方法在研究区具有一定适用性。     

多属性联合反演方法在桩西潜山地区储层预测中的应用

薄储层的识别一直是地球物理技术预测的难题.在石油勘探中后期地区,为提高储层预测精度,应充分利用已钻井提供的储层参数信息,在横向上利用地震资料提供的反映储层地震反射特征的优势属性分析成果,通过建立已钻井点储层参数与多种优势地震属性之间的函数关系,达到有利储层横向预测的目的.多属性联合反演方法在桩西潜山地区沙四上亚段储层预...     

基于灰色关联分析和支持向量回回归机组合模型的我我国畜产品消费量预测

我国是畜产品生产消费的大国。随着畜产品种类的日益丰富,畜产品消费结构也悄然变化,为了避免市场供需失衡,研究预测我国畜产品消费量对引导制定较为合理的生产计划有着十分重要的意义。基于此,构建了基于灰色关联分析和支持向量回归机的畜产品消费量组合预测模型。灰色关联分析为组合预测提供了选取单项预测模型的依据,确保了参与组合预测的单项预测模型的质量,支持向量回归机以其良好的学习泛化能力用于组合预测中,可以对复杂环境下的事物做出较为准确的预测。在上述理论与方法研究的基础上,将基于灰色关联分析和支持向量回归机的组合预测模型综合应用于我国猪肉消费量的预测实践中,通过实验结果比较分析,验证了研究成果的有效性。     

基于地震波形聚类储集砂体边界识别与预测

板桥斜坡BS37区块沙一下段储集砂体具有单层厚度薄、横向变化快的特点,传统的单属性地震储层预测精度低,识别难度大。通过典型井的测井响应与地震响应相结合,应用地震波形聚类技术能准确预测砂体分布。研究认为,BS37区块含油气砂体地震反射特征可划分为丘状反射型、平直反射型、下切反射型等类型。针对含油气砂岩反射特征精确标定井震关系,提取样本子波,应用约束条件下神经网络算法对研究区目的层地震波形进行相似性迭代聚类分析,有效地识别出主河道、河道侧翼等不同叠合模式砂体边界,为钻探部署提供了决策依据。     

基于蚁群和支持向量机的microRNA预测方法

由于microRNA在生物体系统中起着重要的调控功能,对microRNA进行快速有效的预测很有必要.本文通过使用蚁群算法和支持向量机相结合的思想,结合microRNA的前体pre-miRNA序列特征和结构特征,构造了一种microRNA的预测方法.通过采集Sanger和UCSE数据库中的人类阳性和部分阴性数据集进行学习和测试,同时使用J48和BP神经网络两种机器学习方法进行对比,实验结果显示,使用蚁群算法和支持向量机的方法预测pre-miRNA的识别率达97.471％,与另外两种方法相对比,识别率分别提高了8.736％和10.575％,预测的准确性有显著提高.     

三塘湖油田湖218地区地震多属性与地震相在沉积相预测中的应用

三塘湖油田湖218区块西山窑组地震反演以及单一地震属性储层预测效果差，砂体展布规律认识不清，制约着油田的开发效果。针对研究区储层预测现状，采取三步走的策略实现了三角洲储层的有效预测：首先分析地震属性与砂地比的关系，优选相关性较高的地震属性，通过多属性拟合得到砂地比展布图，明确沉积相宏观边界特征；其次分析各井沉积微相与地震波形的关系，建立6种典型的地震相识别图版；最后结合宏观边界特征与沉积微相地震识别图版绘制研究区沉积微相分布图。结果表明，采用地震多属性拟合与地震相相结合的方法可从宏观和微观两个层次体现沉积微相的展布特征。     

改进的支持向量机算法在短时交通流预测中的应用

把交叉验证和网格搜索算法引入支持向量机预测算法,建立了改进的支持向量机预测模型,并将其应用于短时交通流预测进行实证分析。以某城市道路的实时数据来对模型进行验证,预测结果表明了该模型的有效性。     

冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。     

非一致性时移地震属性分析及储层预测

在油田开发过程中,由于储层中的油气被开采,储层的性质或储层参数必然会发生一系列变化。在非一致性重复采集时移地震资料处理基础上,充分利用已有的地震及测井资料,结合工区内的地质特征,从5大类地震属性中提取相关的信息进行分析处理,对地震属性特征进行交会分析对比优选,利用K-L变换进行属性优化组合,最终基于优选出的基础地震属性以及监测地震属性分析对比,并结合工区累积产油量来预测目的层的含油气藏。     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

Sedimentary microfacies of the H8 member in the Su14 3D seismic test area

The distribution of sedimentary microfacies in the eighth member of the Shihezi formation (the H8 member) in the Sul4 3D seismic test area was investigated. A Support Vector Machine (SVM) model was introduced for the first time as a way of predicting sandstone thickness in the study area. The model was constructed by analysis and optimization of measured seismic attributes. The distribution of the sedimentary microfacies in the study area was determined from predicted sandstone thickness and an analysis of sedimentary characteristics of the area. The results indicate that sandstone thickness predictions in the study area using an SVM method are good. The distribution of the sedimentary microfacies in the study area has been depicted at a fine scale.