数据挖掘在油田储层准确建模中的应用研究

研究油田储层的准确建模.利用地震资料进行油田储层建模研究时,由于地震资料覆盖面广、横向采集密度大的特点,使得储层特征数据分布较分散,储层特征不易被提取,传统的建模方法处理大量的地震资料时无法有效提取分散的储层特征数据,造成油田储层建模准确度不高的问题.为此,提出数据挖掘技术应用在油田储层建模中.利用数据挖掘技术处理大量的地震资料,分析数据内在联系以解决储层特征分布分散不易提取的问题,并通过贝叶斯学习方法提取出隐藏的储层特征,根据储层特征数据参数完成储层的准确建模,并进行仿真.仿真结果表明,改进方法能够克服储层特征分布分散不易提取的问题,有效提取出储层特征数据并准确完成储层的建模,为油田储层勘探提供了参考.     

基于PCA与支持向量回归的储层渗透率预测

在测井技术与储层基本特征研究的基础上,对与渗透率相关的测井参数和岩心参数进行了分析,根据传统的储层渗透率预测方法,提出了一种基于主成分分析与支持向量回归的储层渗透率预测方法。应用主成分分析对测井参数和岩心参数进行数据降维,优选出与渗透率最相关的参数,将优选出的测井参数和岩心参数作为支持向量回归模型的输入参数进行渗透率预测。实验结果表明,利用主成分分析算法提取的特征参数与渗透率有较好的相关性,且支持向量回归具有较高的预测精度,显示出主成分分析和支持向量回归在储层渗透率预测中的优势与实际应用价值。     

混合智能系统在测井储层识别中的应用

介绍混合智能系统,并充分利用该系统在学习、自动模式识别和近似推理方面的优势,采用模糊神经混合方法对石油测井中的储层进行识别。该方法通过对测井数据的学习,运用模糊逻辑与神经网络相结合的混合系统对测井数据进行提取和优化;根据来自不同油井的观测数据,采用一个两阶段的策略决定预测模型的结构和参数,进而对测井储层进行识别。给出了该混合方法预测的初步结果,为油井的开发提供了重要的参考。     

基于稀疏诱导特征选择神经网络的储层预测方法研究

常规储层预测方法对地震属性之间的隐含关系挖掘不充分、地震属性种类繁多难以选择.针对以上问题,为提高储层岩性的分类预测精度,提出一种结合特征选择与神经网络的储层预测方法.以DenseNet与SENet为基础,使用正则惩罚项进行网络输入层稀疏化,得到每个输入节点权重,进一步使用ReLU激活函数构建特征选择层,实现地震属性的...     

基于AGA-DBSCAN优化的RBF神经网络构造煤厚度预测方法

在构造煤厚度的预测中,经常出现因各种限制性因素而导致预测精度不高的问题,因此提出了利用自适应遗传算法优化密度聚类(DBSCAN)优化RBF神经网络参数的方法对构造煤厚度进行预测.首先,对采区三维地震属性数据进行预处理,采用主成分分析算法(PCA)对该数据降维并消除变量之间的线性相关性.然后,构建预测构造煤厚度的RBF神经网络模型,并利用DBSCAN获取最佳核心点数据,通过计算得到k-means聚类的初始聚类中心,以此优化k-means算法,进而得到RBF神经网络隐含层基函数最优的中心向量,提高该模型预测的精准性和鲁棒性.同时,针对遗传算法存在容易陷入局部最优的问题,通过随着进化次数的增多自适应地改变交叉率和变异率来改善遗传算法的全局和局部搜索能力,使之逃离局部最优点,获得更优的进化结果.此外,为了增强模型的泛化能力,对模型权重参数加入了L2正则化项,有效避免了噪声对模型泛化能力的影响.最后,将该模型应用到芦岭煤矿II六采区8#煤层中,模型预测构造煤的厚度与实际地质资料具有较高的一致性.因此,所提构造煤厚度预测模型的实际预测精度较高、误差较小,可以推广到实际采区构造煤厚度的预测.     

遥感技术在油气非地震勘探中的应用

油气遥感技术是油气非地震勘探中的一种有效方法。其理论依据是油气藏烃类微渗漏理论。本文通过实例表明：①在复杂的地表条件开展油气非地震勘探工作中，遥感微地貌解译可以为研究勘探区地球化学场和地球物理场的分布规律提供科学依据。②通过遥感影像异常内外地物波谱数据与化探多指标数据的因子分析可以进一步探讨影像异常与化探异常的相互关系。③对遥感图像进行特征主成分选择（ＦＰＣＳ）和ＨＳＩ逆变换等计算机处理，可提取与烃蚀变有关的异常，并得到了化探异常的验证。     

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础, 基于数据驱动的机器学习模型虽然能较好地识别储层岩性, 但由于测井数据是特殊的序列数据, 模型很难有效提取数据的空间相关性, 造成模型对储层识别仍存在不足. 针对此问题, 本文结合双向长短期循环神经网络(bidirectional long short-term memory, BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree, XGBoost), 提出双向记忆极端梯度提升(BiLSTM-XGBoost, BiXGB)模型预测储层岩性. 该模型在传统XGBoost基础上融入了BiLSTM, 大大增强了模型对测井数据的特征提取能力. BiXGB模型使用BiLSTM对测井数据进行特征提取, 将提取到的特征传递给XGBoost分类模型进行训练和预测. 将BiXGB模型应用于储层岩性数据集时, 模型预测的总体精度达到了91%. 为了进一步验证模型的准确性和稳定性, 将模型应用于UCI公开的Occupancy序列数据集, 结果显示模型的预测总体精度也高达93%. 相较于其他机器学习模型, BiXGB模型能准确地对序列数据进行分类, 提高了储层岩性的识别精度, 满足了油气勘探的实际需要, 为储层岩性识别提供了新的方法.     

融入受限玻尔兹曼机的偏最小二乘优化方法

偏最小二乘法内部采用主成分分析,不能充分表达数据的非线性特征,对非线性数据的预测精度较低。为此,提出一种融合受限玻尔兹曼机与偏最小二乘的分析预测方法。该方法利用受限玻尔兹曼机对特征空间提取非线性结构,将提取的特征成分取代偏最小二乘中的成分,从而得到适应非线性的模型。实验结果表明,融合受限玻尔兹曼机与偏最小二乘法的分析方法能较好地反映数据的非线性特征。     

粒子群优化混合核极限学习机的构造煤厚度预测方法

在构造煤厚度的预测中,针对预测精度不高的问题,提出利用粒子群优化（PSO）算法优化极限学习机（ELM）的方法来对构造煤厚度进行预测。首先,利用主成分分析（PCA）对三维地震属性进行降维处理,在降低地震属性的维数的同时消除变量之间的相关性。然后,构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机（HKELM）模型,并利用PSO算法优化HKELM的核参数。同时,针对PSO算法存在容易陷入局部最优的问题,在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重,以及基于反向学习的变异操作,使PSO算法可以更容易跳出局部极小值点,得到更优结果。此外,为了增强模型的泛化能力,在核函数的基础上加入L2正则项,有效地避免了噪声和异常点对模型泛化性能的影响。最后,将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中,预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明,利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小,可以推广用于实际采区的构造煤厚度预测。     

计算机技术在储层敏感性预测中的应用

本文以胜利油田X区块为例,采用先进的神经网络算法对储层数据进行建模、训练、预测,将预测结果与实验室数据进行对比,取得良好效果,对以后的钻井工作、设计施工方案等有重大的指导意义。     

利用分形理论进行油气检测

根据地震资料和少量标定井预测油气储层横向变化是油气勘探开发的重要课题，基于分形理论和地质变量具有分形特征，提出了分形模式识别地震储层分析思想，为实现该思想，提出了基于二维分形布朗运动的油气识别方法并将其成功地应用于某油田的油气储层横向预测。     

基于滑动平均预处理的BP网络储层识别方法

在油气勘探开发领域的储层识别研究中,神经网络技术是一种有效的工具。根据BP神经网络的逼近原理,提出了基于滑动平均预处理的BP神经网络储层识别方法。首先对学习样本中的每一组样本数据按照一定规则选取近邻点,然后根据近邻点信息,使用滑动平均的方法进行预处理得到新的样本数据,最后使用新的学习样本训练BP网络,进行储层判识。实验结果表明,该方法具有简单、高效、学习速度快的优点,能极大提高识别速度和预测精度。     

基于在线拉曼光谱仪预测石脑油组成的方法研究

研究石脑油的烃组成预测问题.针对石脑油组分极其复杂和冗余特点,传统的检测方法求解方法复杂、测定时间过长等难题,为了提高准确度,提出一种基于在线拉曼光谱技术结合主成分粒子群算法的预测方法.首先获得石脑油样品的拉曼谱图,利用主成分分析对数据进行降维处理,消除数据间的冗余信息,然后采用粒子群算法对主成分分析后的数据进行预测,得到各个组成成分在石脑油中的质量分数,并将样品预测值与真实值的相关性进行分析.实验结果表明:相对于其他预测方法,该方法准确性高,现场适应性强,测定时间短,是一种高效、实时性好的石脑油组成预测方法.     

融入深度学习的偏最小二乘优化方法

偏最小二乘在多元变量分析中得到了广泛的应用。但偏最小二乘方法内部采用主成分分析,不能充分表达数据的非线性特征,对非线性数据的预测精度较低。提出了一种融入深度学习的偏最小二乘优化方法,该方法利用深度学习的稀疏自编码器对特征空间提取非线性结构,将提取的特征成分取代偏最小二乘中的成分,从而形成能适应非线性的模型。分别采用大承气汤、麻杏石甘汤、葛根芩连汤和UCI数据集的数据进行分析处理,实验结果表明,融入深度学习的偏最小二乘优化方法能较好反映中医药数据的特征。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

基于多粒度时序结构表示的异常检测算法在储层含油性检测中应用

传统储层含油性勘测方法利用地震波穿过地层时产生的相关地震属性和地质钻井资料结合传统地球物理方法进行综合研判,但该类勘测方法往往存在研判成本高且对专家先验知识依赖性强的问题。针对该问题,以江苏油田苏北盆地的地震资料为基础,并结合含油样本的稀疏性和随机性,提出了一种基于多粒度时序结构表示的异常检测算法,直接利用叠后地震道数据进行预测。该算法首先对于单个地震道数据提取多粒度时序结构并形成独立特征表示;其次,在提取多个粒度时序结构表示的基础上进行特征融合,以形成对地震道数据的融合表示;最后,通过对融合后的特征采用代价敏感方法进行联合训练和判别,从而得到对于该地震数据的含油性勘测结果。所提算法在江苏油田实际原始地震资料上进行了实验仿真,实验结果表明：所提算法相比长短期记忆（LSTM）和门控循环单元（GRU）算法在曲线下方的面积（AUC）指标上均提升了10%。     

基于PCA 的LS-SVM 预测模型应用

油气储层的识别和预测是当今热门的研究课题。本文以实地测井数据为基础,提出基于PCA的LS-SVM预测模型对储层油气进行分类预测,并与人工神经网络预测模型对比。结果表明,该模型的性能优于其它模型,具有一定的应用价值。     

基于危险理论的地震预测方法

采用机器学习算法进行地震预测存在过拟合且需要大量训练集的问题。为此,将危险理论引入地震预测的应用中,在分析大量地震历史源数据和结合领域专家经验知识的基础上,提出一种利用地震学获取特征指标的地震预测方法。通过Gutenberg-Ricthter规则、特征地震震级分布和近期地震预测研究的结论提取9个地震特征指标,采用具有动态性的危险理论预测未来一个月内发生大地震事件的概率。同时,通过分析四川省地震历史数据,应用危险理论对地震特征指标进行分析和预测,并与现有的地震预测方法 BP神经网络进行比较。实验结果表明,该方法的检查概率、准确率及R得分均高于BP神经网络,表明在采用较少的样本集时其可靠度更高。     

基于物联网和PCA支持向量机的交通流量预测系统

为了解决已有交通流量监测系统存在的数据采集分散、车辆识别度低、实时性差和流量预测误差大等问题,设计了一种基于物联网技术和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的交通流量预测系统;首先,描述了系统原理和部署模型,然后对系统的硬件即车载传感器节点和Sink节点进行了设计,同时对系统的软件流程进行了描述,通过在监控中心执行PCA主成分分析方法实现对采集数据提取独立主成分,消除无关冗余数据,在此基础上采用LSSVM实现道路交流流量预测;最后,在十字路口布置实验环境,实验结果表明:文章方法能实时精确地实现交通流量预测,与其它方法相比,具有拟合精度高和的泛化能力强的优点,具有很强的实用性。     

The APPlication of Band Ratio ComPosite And Feature一oriented PrinciPal ComPonent Seleetion in the Extraction of Oil一gas Signature

根据烃类徽渗漏性变物质的波谱特性，在TM影像上研究了三种计算机提取油气信息的方法:(1)比值合成法;(2)六波段特征主成分选择~IHS逆变换~彩色合成;(3)四波段特征主成分选择~IHS逆变换~彩色合成。利用这些方法有效地提取了油气信息，取得了较好的实际效果。