支持向量机方法识别储集层流体性质

在储集层流体识别中首次引入了支持向量机(SVM)方法,对测井得到的各种测量参数和综合解释参数与油、气、水等流体之间的复杂关系进行研究,借助于支持向量机方法,建立了测井参数识别油、气、水等储集层流体的识别模型。实际应用效果表明,支持向量机方法识别储集层流体类型是一种比较切实可行的方法,提高了测井解释油气水的精度,为储集层流体识别提供了一种简单可靠、识别精度高的新方法。     

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。     

基于支持向量回归的重油催化裂化产物建模及优化

催化裂化反应的产物分布与反应原料组成及反应条件具有复杂的函数关系,以三种重油多个条件下的催化裂化实验结果为训练样本,利用支持向量回归方法建立汽油、柴油产物的产率模型。对于催化裂化回炼油,利用模型的泛化能力对不同操作条件下的汽油、柴油产率进行模拟仿真。以轻质油（汽油、柴油）产率最大为优化目标,利用粒子群算法寻找回炼油反应的最优操作条件。结果表明：模型对各反应条件下的实验结果有良好的拟合效果,模拟仿真的三维图可以直观显示各个反应条件对汽油、柴油产率的影响。优化得到的回炼油最佳反应条件为温度530 ℃,剂油质量比7.5,空速8 h-1。在最佳反应条件下,轻质油产率模拟值为42.3%,实验值为41.8%,相对误差为1.20%。     

基于支持向量机的属性优选和储层预测

本文采用基于支持向量机(SVM)的特征选择方法进行地震属性优选,根据油井的产油气情况将油井分为高产井和低产井,利用SVM对这些样本进行训练,然后根据每个属性对应的权值进行筛选,便可以选取对油气敏感的属性,进而更好地预测储层。具体过程为:①提取一定量的地震属性;②根据已知井的信息,获得训练样本,训练线性SVM;③计算各个特征的权值;④选取较大权值绝对值对应的多个属性;⑤将支持向量回归机(SVR)应用于优选出的属性,获得储层预测的结果。实际资料应用结果表明,文中方法不仅能筛选出有效的地震属性,还能够有效地预测储层。     

基于支持向量机的虚拟测井声波速度重构技术研究

对只有地震层速度的待钻井，为精确推算各种地质参数，可利用已钻井地震层速度和测井资料的映射关系，重构待钻井虚拟测井声波速度。在这个过程中采用支持向量机理论（SVM）解决了已钻井地震层速度和测井资料的非线性映射问题，重构了虚拟测井声波速度。采用该方法在准噶尔盆地永字号井进行了虚拟测井声波速度重构。模拟结果与BP网络方法、RBF网络方法相比，在绝对误差、相对误差、相关系数以及数据方差方面都是较优的。通过该方法可以获得高分辨率虚拟测井声波速度剖面，提高钻井模拟质量和钻井工程设计的水平。     

基于支持向量机的储层厚度预测方法及应用

储层厚度的预测是隐蔽圈闭识别、油气藏描述中的一项关键性技术,而储层厚度和地震信息之间的非线性关系是通常的数学统计方法难以拟合的。支持向量机方法能够解决小样本情况下非线性函数拟合的通用性和推广性问题,是求复杂的非线性拟合函数的一种有效的技术。模型及实例表明,该方法对储层厚度的预测是有效的。     

基于粒子群和支持向量机的裂缝识别

裂缝识别是裂缝性储层勘探和开发研究中所面临的关键问题和难点之一。基于常规测井资料对裂缝的响应特征,提出粒子群优化算法(PSO)和支持向量机(SVM)相结合的裂缝识别方法(PSO-SVM)。以麻黄山西区块延安组和延长组储层为例,应用交会图技术分析能较好响应裂缝的常规测井参数,用粒子群优化算法对模型参数进行全局优化选取,从而建立起研究区裂缝识别模型。用建立起的模型对研究区单井进行裂缝识别研究,将识别结果与取心照片和测井曲线进行对比,绘制出综合柱状图。实际分析表明,基于粒子群优化算法和支持向量机的裂缝识别方法的识别结果与实际地质情况相符,能较好地反应裂缝发育情况。     

基于支持向量机的甲醇精馏预测控制器设计

针对甲醇精馏过程动态反应慢、机理复杂、参数间耦合严重等问题,设计了一种基于支持向量模型的预测控制器。通过建立支持向量机模型的结构,利用历史数据对模型进行训练,模型训练完成后作为系统的控制器。通过Matlab软件对该模型进行仿真,试验结果表明:该方法控制精度高,具有良好的抗干扰性能,同时该模型具有自学习能力,可以更快地提供甲醇产品估算值,改善控制效果,对解决甲醇精馏控制中遇到的系统复杂、非线性高、机理建模误差大的问题,有一定的改善作用。     

基于支持向量机的钻井风险实时预测方法

钻井过程具有高度的复杂性、井下状态的不确定性以及一些参数测量的不准确性,导致对于钻井过程的状态和潜在的风险无法及时作出正确的判断,有时甚至导致重大的事故。文中提出一种基于支持向量机的钻井过程风险预测方法。统计学习理论是基于小样本的统计学习方法。支持向量机是统计学习理论中最有效的方法,可以通过较小的样本建立准确度较高的数学模型,有很强的现实意义。通过支持向量机方法将钻井过程中实测的各种参数进行数据融合并训练相应的风险预测数学模型,通过此模型实现钻井过程中实时状态监测的目的。以某钻井过程的16个数据样本为例,其中8个数据样本作为训练样本,8个数据样本作为测试样本,验证结果说明了文章提出的基于支持向量机的钻井过程风险预测方法的有效性。     

基于支持向量机的低阻油层识别方法及应用

随着油田油气勘探的深入,低阻油层的勘探开发具有重要的意义.由于低阻油层的测井响应特征不明显,导致常规的测井解释方法识别低阻油层的正确率较低.低阻油层的识别其实质是一个复杂的模式识别问题,研究采用支持向量机分类理论,选取多种相对独立的测井参数对低阻油层进行识别分析.以工区试油已证实含油气性类型的层位作为训练样本进行训练,建立其油层、油水同层和水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.实例分析结果表明,基于支持向量机的低阻识别方法对数据量没有太高的要求,且操作简单,识别效果良好.