基于最小二乘支持向量机的固井质量预测

提出利用最小二乘支持向量机进行固井质量预测方法,采用小波包分解方法提取地层回波信息信号,并将其作为最小二乘支持向量机的输入量,将样本的固井质量状态作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行固井质量预测。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于现场固井质量预测。     

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。     

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。     

基于支持向量机的气井新井产能预测

运用基于统计学习理论的支持向量机方法,建立了影响因素与气井新井产能之间的预测模型,利用其训练算法对模型进行训练,然后对检验样本进行预测。与传统的神经网络方法预测结果进行对比表明,支持向量机方法能够达到较高的预测精度,是一种有效的预测气井新井产能的数据建模方法。     

基于灰狼算法优化的支持向量机产能预测

针对常规的线性回归以及经验公式等油井初期产能预测方法应用范围有限、预测误差较大,并且难以表征初产在多因素影响下的非线性变化规律等问题,提出了基于机器学习算法的产能预测方法。以某特低渗油田为例,从地质、开发和工程3个方面,选择了影响初期产能的10种因素,采用皮尔逊相关关系分析了各因素之间的线性相关性,使用随机森林方法确定了初期产能的主控因素,首次采用灰狼算法（GWO）优化的支持向量机（SVM）建立了油井初期产能的预测模型。结果表明：特低渗油田初期产能的主控因素为：压裂加砂量,射孔段厚度,初始含水饱和度,油层有效厚度和加砂强度;与多元线性回归模型和网格寻优的支持向量机模型相比,灰狼算法优化的支持向量机初期产能预测模型精度高而且运算速度快。研究结果可为油井初期产能评估提供参考。     

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。     

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。     

基于支持向量机的水平井产能预测方法

近年来水平井技术在国内得到了广泛应用,水平井在油气田开发中的作用越来越显著.水平井产能预测是水平井油藏工程必不可少的研究内容.目前的水平井产能预测方法多是基于解析方法,在假设条件下推导出水平井产能计算公式,各方法计算结果差异较大.在数值模拟研究的基础上,利用支持向量机方法进行了水平井产能计算研究,并将其应用于关家堡开发区水平井产能预测.实践证明该方法预测精度高,具有良好的应用前景.     

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。     

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。