基于近似支持向量机的裂缝分类方法

对广泛存在于各类岩层中的裂缝带进行精细刻画与综合预测是裂缝型油气藏勘探的关键。为了避免多解性问题,学者们通常采用多属性对其进行综合预测,但如何有效地利用众多地震属性与裂缝带发育程度之间的非线性关系对裂缝带发育状况进行准确分类仍是一大难题。将近似支持向量机算法引入裂缝带的分类识别中,建立了3种刻画储层裂缝带的地震属性与井中裂缝发育信息之间的非线性模型,得出了反映裂缝带特征的最佳判别规则,利用该规则对多个属性进行综合判别,克服了单属性的多解性,提高了储层裂缝带的分类精度。实例应用表明,该算法削弱了依靠单一因素识别储层裂缝带的局限性,为储层内裂缝带发育状况的准确分类提供了新的研究思路。     

弹性模量流体因子在永新工区储层预测中的应用

利用储层弹性模量可以描述不同类型的岩性和流体,但是单一弹性模量在储层预测时通常具有多解性。考虑到弹性模量流体因子(Elastic Modulus Fluid Factor,EMFF)具有体积模量和剪切模量的双重特性,从体积模量K和剪切模量μ的交会出发,引入弹性模量流体因子的概念,解决了单一弹性模量在储层预测时具有多解性的问题,提高了识别流体的能力。在实际应用中,利用叠前弹性参数反演得到弹性模量参数,结合岩石物理分析结果构建弹性模量流体因子,以此为基础即可实现流体识别和储层预测。胜利油田永新工区的应用结果表明,新构建的弹性模量流体因子能够有效地识别含油储层。     

XGBoost算法在致密砂岩气储层测井解释中的应用

传统单一模型的机器学习方法用于致密砂岩气储层测井解释时存在多解性,为此,将XGBoost算法应用于致密砂岩气储层测井解释。基于A工区测井解释资料,以不同种类的测井资料作为输入变量,通过XGBoost算法建立回归预测模型,预测该区孔隙度与渗透率参数,并探讨了XGBoost算法中各类参数的优化。以准确率指标为评价标准,通过XGBoost算法建立的分类预测模型对该区储层类型进行预测,同时与随机森林方法和支持向量机算法进行比较,XGBoost算法的预测效果较好。结果表明XGBoost算法能准确地预测孔隙度、渗透率并对该工区致密砂岩气层进行有效识别。     

利用随机森林算法预测裂缝发育带

裂缝带的预测与刻画对裂缝型油气藏的勘探开发具有重要意义。为了减少单属性预测结果的多解性,通常采用多种地震属性综合预测。裂缝发育程度与地震属性之间主要为非线性关系,为此,首先应用随机森林算法对地震属性特征与裂缝发育程度之间的对应关系进行学习,然后根据学习结果综合判别研究区裂缝发育程度,以提高裂缝带预测精度与准确率。实例表明,随机森林算法对裂缝带预测结果准确度较高,同时该方法也具有较强的普适性。     

普光地区长兴组生物礁气水检测关键因素

普光礁滩储层非均质性强,储层内含流体性质复杂,使得钻遇干井和水井的风险很大,地震识别流体难度较大。针对这一问题,本文依据普光长兴组岩石物理模型,开展了地震含气性影响关键因素与储层参数的关系研究,通过地震叠前道集正演结果,表明利用单一参数(拉梅常数)预测流体性质存在多解性,为此需要构建不同类型储层流体敏感因子气检方法,综合利用多种方法来预测长兴组生物礁的储层含气性。     

利用Stacking模型融合法识别高温、高压储层流体

东方X气田不同流体性质储层的测井响应差异不明显,尤其难以确定不同流体的电阻率下限;利用孔隙度测井曲线识别流体易受物性因素干扰,使不同流体性质的样本数据点存在重叠区域。因此,提出利用Stacking模型融合方法建模,集成了流体识别效果较好的机器学习算法（决策树、支持向量机、随机森林和极端梯度提升）,并利用模型融合方法识别高温、高压储层流体,通过10折交叉验证法对各个算法进行迭代优化,使模型达到最优。相比于单一机器学习算法,Stacking模型融合算法能够考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势。生产测试结论表明,与表现最优的单一模型极端梯度提升树相比,Stacking模型将预测准确率从87.08%提升到92%,具有更强的学习能力,更适用于高温、高压储层流体识别,为测井解释建模提供了新思路。     

基于地震资料的储层流体识别

根据岩石物理模型,分析了油藏流体地震属性的变化规律,提出了新的油藏流体识别因子。基于Gassmann方程和其他有效的岩石物理理论,详细阐述了利用纵波、横波速度(或阻抗)计算新流体识别因子的方法。利用流体识别因子敏感度定量分析方法,对比分析了新流体识别因子的敏感度与传统流体识别因子的差异,并定量分析了储层孔隙度变化对流体识别因子的影响。研究表明,虽然传统的流体识别因子敏感度不同,但都受储层孔隙度变化的影响;而新流体识别因子较传统流体识别因子敏感度更高,且不受储层孔隙度变化的影响。因此,新的流体识别因子对有效降低油藏流体识别的多解性及提高油藏钻探成功率具有重要意义。     

基于随机森林算法的AVO类型判别北大核心CSCD

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

碳酸盐岩储层流体性质综合判别方法

以电性物性特征、声波参数或气测参数等单项信息为依据,针对判别碳酸盐岩储层含油气性存在多解性大的问题提出了基于数学算法,融合测井、气测录井等多项信息的流体性质综合判别方法。分析了多项资料对油气的相对敏感信息,利用开源数据挖掘软件ＷＥＫＡ,将决策树、径向基函数、神经网络、聚类分析４ 种数学算法应用于流体性质综合评判,并通过模型精度的对比分析,优选决策树和神经网络算法模型。冀东探区测试资料证实,该方法较单一信息的判别方法准确性更高,应用效果显著。     

基于随机森林算法的AVO类型判别

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

减压馏分黏度指数的近红外预测研究

为了实现减压馏分油（VGO）黏度指数的快速预测，以70个VGO样品的近红外光谱及黏度指数数据为基础，利用随机森林回归算法建立了黏度指数的近红外预测模型。以随机森林算法中对各特征的重要性度量为依据，通过递归特征消除法对近红外光谱进行波长变量选择。优选出10个波长变量作为模型的输入特征，利用10折交叉验证法确定模型的超参数（回归树数量nt为150和节点分裂的特征数nv为5），构建一个更加稳健的随机森林预测模型。对于7个预测集的样本，其黏度指数的预测标准偏差RMSEP为2.28，决定系数R2为0.98，表明模型具有较高的准确度和泛化能力。     

鄂尔多斯盆地庆城油田页岩油水平井产能主控因素及开发对策优化

受储层特征、水平段长度、压裂规模等多种地质因素和工程因素影响,庆城油田长7段页岩油体积压裂水平井单井产能存在较大差异,然而主控因素不明确。为此,以庆城油田180余口水平井为样本,采用灰色关联法、随机森林算法系统分析了地质、压裂施工等参数对产能的影响程度,明确单井产能的主控因素。研究表明：孔隙度、含油饱和度、脆性指数、有效水平段长度、压裂段数、单段加砂量、入地液量是影响页岩油水平井单井产能的主控因素。基于上述认识,优化了地质井位部署和压裂施工参数,对低油价背景下页岩油的高效开发具有较好的指导意义。     

流体识别因子试验分析及应用

利用地震资料对储层中的流体进行识别是储层预测的重要内容之一。基于流体识别因子实现对流体的识别是对储层中流体进行识别的重要方法之一。为了对储层中的流体进行更好的识别,首先从Gassmann公式出发,分析了填充不同流体时岩石对速度和波阻抗的影响,在此基础上进一步提出了一个新的流体识别因子。利用Hilterman统计出的3种砂岩的参数资料分析了几种流体识别因子,结果表明,新的流体识别因子比其它流体识别因子对流体更为敏感,对砂岩的识别能力更强。将流体识别因子应用于QL地区实际地震资料的反演,结果表明,新的流体识别因子的识别能力好于其它因子,能够在一定程度上识别流体。     

强容噪性随机森林算法在地震储层预测中的应用

地震数据和测井数据中的噪声与有效信号难以有效界定,决定了地震储层预测需采用强容噪性算法。通过训练样本中加入随机噪声证实随机森林算法具有较好容噪性,但不能据此推知它在地震储层预测中仍有很强容噪性。基于F3工区实际数据,从噪声较强的原始地震数据中提取含噪样本,由经过倾角中值滤波处理的地震数据提取去噪样本,建立多种地震属性与孔隙度参数之间的随机森林回归模型;由构建的含噪模型和去噪模型分别与原始地震数据去噪前后两个数据体进行运算,得到4种不同情况下的孔隙度数据体。结果表明：由含噪模型得到的两个预测结果受噪声干扰较大;去噪模型的两个预测结果受噪声影响较小,能有效刻画储层特征,表现出强容噪性。随机森林模型对异于样本数据的异常值具有强的容忍度。可知随机森林算法应用于地震储层预测的关键是样本数据不含噪声,而估算过程中地震数据体是否做了去噪处理对预测结果影响较小。     

基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过 95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。     

页岩气水平井高产主控因素定量评价及应用

针对相同地质条件或施工工艺下,页岩气水平井产能差异较大的问题,以威远页岩气田WH平台为例,筛选出12项参数,利用主成分分析法,明确产量主控因素。结果表明:利用主成分分析法提取的2个主成分综合反映了原始参数94.09%的信息;压裂长度、优质储层厚度、压裂段数、压裂液用量、优质储层钻遇长度和优质储层压裂长度为WH平台水平井高产主控因素。以优质储层厚度、优质储层压裂长度和压裂液用量为代表构建了一种同时考虑SRV 3个维度的综合性参数“SRV因子”,通过与产量进行标定,建立了气井产量预测模型,实现产量快速准确预测。该研究为气井精细施工、产量预测及合理开发技术制订提供了参考。     

基于测井地质“四性”关系谱的储层评价方法

探索基于谱信息的测井相在多主控成因的东部油田深层储层测井综合评价中的应用。通过改进常规雷达图技术,利用归一化后的常规测录井资料按照一定的排列方式构建测井地质"四性"关系谱。利用测井地质"四性"关系谱及通过谱信息提取的敏感因子,在复杂砂岩岩性识别及多主控成因的储层流体判别方面,与实验、测试结果对比均有较高的符合率。实现了测录井资料由一维单一曲线信息向二维综合信息的有效结合,能够直观反映不同深度测井相特性,可为中深层复杂砂岩储层特征综合评价提供新思路和新方法。     

低渗透储层测井分类和产能预测技术

依据储层特点和生产的需求,在流体性质识别的基础上,采用大量的测井和投产初期测试资料,利用统计学原理,提出储层参数厚度加权平均值概念,建立含油层测井储层参数与井投产产量之间关系,研究综合评价指数储层产能等级分类法,符合率达90.0%以上。在储层分类的基础上,分析储层产能的影响因素,利用平面径向稳态渗流原理,建立低孔隙度低渗透率储层压裂后产能预测模型及其参数计算方法,注重不同类别储层对井产能的贡献率,解决了低渗透储层压裂后投产产能测井预测难题,及其预测符合率达80.0%以上,形成低渗透储层产能预测技术。