支持向量机算法用于水淹层测井识别

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。本文总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测并曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。     

基于主成分分析的离散过程神经网络水淹层动态预测方法

提出了一种利用主成分分析和离散过程神经网络进行水淹层动态预测的方法,对测井曲线信息随油层厚度变化的离散数据进行主成分分析,减少了离散过程神经网络模型的输入参数,排除了各参数之间的相关性.引入了反映深度变化累积效应的输入参数--测井参数曲线层段的不同油层厚度.据此建立的识别模型能够反映出随含水率的上升、深度不同时测井曲线的变化规律.实例研究表明,提出的方法与BP神经网络识别方法、支持向量机方法相比较具有更快的运算速度和更高的识别精度,能够体现出高含水期水淹层的动态变化特征.     

应用支持向量机方法预测储层敏感性

介绍了支持向量机的基本理论;通过单相关分析找出影响储层敏感性的主要因素,应用测井资料提取这些敏感性参数,使用支持向量机算法,以影响敏感性的主要因素作为支持向量机网络的输入层,预测储层的敏感性.分别使用支持向量机和BP神经网络2种方法对×油田的测井资料进行了处理、分析.对比结果表明,用支持向量机得到的速敏、水敏、盐敏的预测结果具有更高的预测精度.这说明支持向量机预测储层敏感性是一种切实可行的方法.     

支持向量机在大庆齐家凹陷测井解释中的应用

在大庆齐家-古龙凹陷葡西地区的含油层系中，薄差油层，低阻油层、高阻水层并存，储层的岩性、孔隙结构复杂多变，开发井的解释符合率较低，远不能满足油田高效开发的要求。为了提高测井解释精度，之前已经采用许多学习算法（如Bayes方法）对该地区的油水层进行划分，但都未能达到理想的效果。为此，以大庆齐家凹陷某口井的测井资料为例，探讨了支持向量机方法在油气识别中的应用。支持向量机方法基于统计学习理论，具有全局优化，泛化能力强等优点，适合对不同模式进行分类，在建立分类模型时仅依赖原始测井数据，无需安全信赖地区经验公式或经验数据，因此减小了由经验带来的误差。利用一口井的测井资料，提取了51层样本作为测试参数，分为两组：一组取27层为训练样本，24层为测试样本；另一组取20导辅导训练样本，31层为测试样本。分别采用支持向量机方法和Bayes方法进行了油气预测，在两种训练样本条件下，支持向量机方法的预测精度分别达到100%和93.5484%，而Bayes方法的预测精度分别为77.7778%t 77.4193%,这表明利用支持向量机方法对未知油气层的属性进行正确识别是可行的。     

一种用于测井油气层综合识别的支持向量机方法

提出了使用支持向量机分类技术在复杂储层中由常规测井、气测录井信息综合识别油气层类型的方法、步骤,重点阐述了输入特征选择、学习算法参数设置和在新疆油气田实际应用效果,并与人工神经网络、神经-模糊、最近邻分类器等3种机器学习模型识别检验结果进行了对比,检验结果表明由支持向量机所建立的油气水识别模型获得了最高的识别检验性能,其次是IncNN、FSM,而kNN相对最低,展示了支持向量机方法在复杂油气藏油气层类型识别应用中的高效性.     

基于支持向量机的煤层气井排采层位水源判识

基于煤层气井产出水微量元素的测试结果,探讨支持向量机技术在煤层气排采层位水源判识中的应用,确定最优支持向量机参数获取方法。利用所构建的二叉树结构层次支持向量机模型识别了煤层气井产出水源,并对比验证了不同识别方法。结果表明支持向量机能够有效识别煤层气井产出水源,准确率高于80%。比较分析支持向量机、灰色关联分析和神经网络等预测模型发现,在煤层气井排采水源判识上,对小样本学习而言,支持向量机的预测准确率显著高于神经网络法,与灰色关联分析相当,但灰色关联分析对样本依赖性较强,其泛化能力取决于样本深度。研究证明支持向量机是一种可行、有效的煤层气井排采层位水源判识方法。     

预测封堵影响产量比例的新方法

大庆油田二类油层开始聚驱后,水聚驱共采一套层系,为避免影响聚合物驱效果,水驱目的层要进行封堵.预测水驱封堵影响产量成为老井产量预测的主要因素.目前预测封堵影响产量的方法主要有砂岩厚度比例法、多元线性回归法和数值模拟法.砂岩厚度比例法简单易操作但预测误差在10％以上,多元线性回归法由于样本数量少难以达到预测精度要求.因些提出了一种新的预测封堵影响产量的基于支持向量机的预测方法.该方法是利用17个区块的实际封堵数据,选取递减率等6个参数作为输入量,建立了支持向量机网络模型,针对3种核函数进行了优选并对预测结果进行了检验,最大误差为7.23％,最小仅为0.41％,证实了支持向量机方法的可行性.     

基于支持向量机的调剖效果预测方法研究

在统计分析大量已实施的调剖效果基础上,提出了基于支持向量机的调剖效果预测方法。通过分析影响调剖效果因素,运用支持向量机理论建立调剖效果预测模型。检验结果表明,基于支持向量机的调剖效果预测方法准确率较高,科学可行,应用前景广泛。     

基于层级支持向量机的石油价格预测

本文针对石油价格预测中数据选择不当、数据没有预处理和预测方法单一等问题,提出了层级支持向量机模型(SVM),予以解决。模型的第一层通过Gauss径向基核的支持向量回归机(SVR)对输入数据进行了预处理;模型的第二层对模型第一层所确定的输入数据进行融合,并做出最终的预测,最后用油价波动趋势进行了拟合分析。实例研究表明,层级SVM方法比SVR模型和BP神经网络的性能指标更优,具有很好的应用前景。     

GM（1，1）与支持向量机组合模型在特高含水期油田产量预测中的应用

在灰色预测理论的基础上引入支持向量机理论。建立了GM（1,1）与支持向量机组合模型。该组合模型先利用灰色理论模型弱化了原始序列中随机扰动因素的影响。再用支持向量机建模预测产量。该组合模型预测精度优干单个模型及BP神经网络模型。该组合模型兼有灰色预测和支持向量机预测的优点,克服了原始数据少．数据波动性大对预测精度的影响。同时也增强了预测的自适应性。最后通过实例对比分析,说明了组合模型的有效性及可应用性。     

复杂储层测井评价数据挖掘方法研究

数据挖掘是应对石油勘探开发未来挑战的10项关键技术之一。提出了一种将预测性数据挖掘技术应用于复杂储层测井评价的方法。将遗传算法应用于特征子集选择和建模参数优化,利用重复交叉验证得到泛化误差的无偏估计,并从选定的多学习算法建模结果中优选出最终预测模型。以克拉玛依油田六中区克下组油藏水淹级别划分为例,在该方法框架内对比研究了8种特征子集方案和决策树、神经网络、支持向量机、贝叶斯网络、组合学习等5种分类方法12种预测模型。结果表明支持向量机预测准确率最高,达91.47%,选择其作为最终预测模型,而决策树模型容易理解,作为辅助参考模型。利用该数据挖掘方法解决油、气、水层识别和岩性划分等问题时,能够获得高性能的分类模型,从而将有效地提高解释精度和符合率。     

Quantitative evaluation methods for water-flooded layers of conglomerate reservoir based on well logging data

The rapid changing near source, multi-stream depositional environment of conglomerate reservoirs leads to severe heterogeneity, complex lithology and physical properties, and large changes of oil layer resistivity. Quantitative evaluation of water-flooded layers has become an important but diffi cult focus for secondary development of oilfields. In this paper, based on the analysis of current problems in quantitative evaluation of water-flooded layers, the Kexia Group conglomerate reservoir of the Sixth District in the Karamay Oilfield was studied. Eight types of conglomerate reservoir lithology were identifi ed effectively by a data mining method combined with the data from sealed coring wells, and then a multi-parameter model for quantitative evaluation of the water-flooded layers of the main oil-bearing lithology was developed. Water production rate, oil saturation and oil productivity index were selected as the characteristic parameters for quantitative evaluation of water-flooded layers of conglomerate reservoirs. Finally, quantitative evaluation criteria and identification rules for water-flooded layers of main oil-bearing lithology formed by integration of the three characteristic parameters of water-flooded layer and undisturbed formation resistivity. This method has been used in evaluation of the water-flooded layers of a conglomerate reservoir in the Karamay Oilfield and achieved good results, improving the interpretation accuracy and compliance rate. It will provide technical support for avoiding perforation of high water-bearing layers and for adjustment of developmental programs.     

注水开发油田水淹层混合液电阻率求取新方法

注水开发油田水淹层混合液的电阻率是求取剩余油饱和度的重要参数,但现有计算水淹层混合液电阻率的独立并联导电模型和充分混合导电模型未得到试验验证。为此,通过模拟储层温度压力条件下的岩心水驱油试验,证实水淹过程中注入水与原生束缚水混合情况介于完全独立与充分均匀混合2种状态之间的基础上,对独立并联导电模型进行了改进,并利用试验数据拟合了混合液电阻率与当前含水饱和度的函数关系,与印度尼西亚公式结合,建立了水淹层混合液电阻率和含水饱和度的数学模型,给出了求解方法及步骤。利用建立的数学模型求取了W油田X井水淹层混合液的电阻率和含水饱和度,结果表明,利用改进的并联导电模型计算出的含水饱和度与密闭取心分析结果吻合良好,平均绝对误差为-0.3%,与独立并联导电模型和充分均匀混合导电模型的计算结果相比,计算精度得到较大地提高,而含水饱和度是根据混合液电阻率求取的,这也说明水淹层混合液电阻率的计算精度得到了提高。研究结果表明,利用改进的并联导电模型能够准确计算注水开发油田水淹层混合液的电阻率和含水饱和度,可进行推广应用。      

克拉玛依油田三区砾岩油藏水淹模式研究

水淹模式的系统总结是油藏水淹层快速识别和水淹级别准确判断的基础和关键。以克拉玛依油田三区克下组砾岩油藏为研究对象,分析水淹储层地球物理响应变化特征,依据区域测井资料研究水淹层岩石物理响应机理和测井响应特征,归纳出克下组砾岩油藏的5种水淹模式。利用电阻率径向幅度差确定水淹级别的模式有2种,结合2种水淹模式和试油结论制作砾岩油藏水淹级别定性评价的电性图版。砾岩油藏岩性复杂多变和非均质性严重,储层绝对电阻率对水淹级别不是很敏感,深中电阻率的差值可以有效判断水淹级别。基于储层沉积韵律和电性曲线判断水淹部位和水淹强度的模式有2种。沉积环境的变化导致储层纵向上物性和渗流性存在差异,注入水对储层流体的驱替就有选择性,水淹部位和水淹强度也会不同。依据自然电位基线偏移识别水淹部位的模式有1种,不同的泥岩基线偏移代表着储层不同部位的水淹情况。5种水淹模式的综合应用提高了三区砾岩油藏水淹层评价的精度。     

A new diagnostic method for identifying working conditions of submersible reciprocating pumping systems

The submersible pumping unit is a new type of pumping system for lifting formation fluids from onshore oil wells, and the identification of its working condition has an important influence on oil production. In this paper we proposed a diagnostic method for identifying the working condition of the submersible pumping system. Based on analyzing the working principle of the pumping unit and the pump structure, different characteristics in loading and unloading processes of the submersible linear motor were obtained at different working conditions. The characteristic quantities were extracted from operation data of the submersible linear motor. A diagnostic model based on the support vector machine (SVM) method was proposed for identifying the working condition of the submersible pumping unit, where the inputs of the SVM classifier were the characteristic quantities. The performance and the misjudgment rate of this method were analyzed and validated by the data acquired from an experimental simulation platform. The model proposed had an excellent performance in failure diagnosis of the submersible pumping system. The SVM classifier had higher diagnostic accuracy than the learning vector quantization (LVQ) classifier.     

纯化油田沙四下亚段水淹层测井响应特征研究

水淹层识别技术已成为油田开发调整方案的重要方法。针对纯化油田古近系沙河街组沙四下亚段储层薄、物性差、非均质性强、注入水类型复杂等特点,按照不同的水淹类型总结出水淹层的测井响应特征,提出了利用自然电位、感应电导率、4m底部梯度电阻率等测井资料进行水淹层识别的方法和利用高频感应测井划分薄层及进行水淹层识别的方法。该方法可以按照不同的水淹类型得出其测井响应特征,提高了水淹层评价的成功率。     

致密砂岩油藏水淹层测井识别方法及影响因素研究

针对准噶尔盆地二叠系致密砂岩油藏测井响应特征复杂多变,水淹层难以识别等难题,运用测井原理和方法建立水淹层的测井解释模型,提取含油饱和度、地层流动指数等水淹特征参数,并建立一套致密砂岩裂缝性油藏水淹层定量表征技术,能准确识别水淹层的测井响应特征。现场应用结果表明：该技术在实际油井应用中效果较好,方案实施后油井含水率由98%急剧下降至40%,日产油由0.5 t/d增至5.2 t/d,产能提高了近10倍,开发效果明显。研究成果为准噶尔盆地水淹层有效识别以及定量提供了技术支撑,为同类油藏水淹层识别及有效开发提供了参考。     

模糊聚类判别综合分析法识别和划分水淹层方法研究

针对高含水开发期,在套管井中水淹层识别和水淹级别划分难的问题,以PND(脉冲中子衰减能谱测井仪)测井参数和裸眼井参数为研究对象,提出了模糊聚类判别综合分析法。首先利用模糊聚类分析和生产数据,提取出建模样本点,再利用判别分析建立水淹层和水淹级别判别模型。该方法解决了样本点不足和样本点分类模糊的情况下建立模型的问题。用该方法所建模型处理实际资料,效果良好,达到了在套管井中识别水淹层和划分水淹级别的目的。     

改变注汽尾管下入深度提高剖面动用程度

吞吐注汽时吸汽层段的位置取决于注汽尾管的下入深度,而产液层段又取决于吸汽层段,即取决于注汽尾管下入深度,注汽尾管所在油层段为主要动用层段.每轮注汽吞吐时,主要动用层段的厚度是有限的,其上限值一般为10m,而且厚度不随时间的延长而上下移动和扩大,可通过改变注汽尾管下入深度来改善油层动用状况,提高吞吐效果.克拉玛依油田九区用该方法取得了每井轮次增产26.9%的好效果.     

基于过程神经网络的水淹层自动识别系统

针对油田开发中、后期的水淹层判别问题,提出了一种基于过程神经元网络的自动识别方法.过程神经网络是由若干过程神经元和一般非时变神经元按一定拓扑结构组成的一种连续神经网络,其输入和权值可以是过程函数.过程神经网络能够自动提取输入函数的曲线形态和幅值特征,并将多条曲线特征加以组合,形成类别输出.考虑到实际测井资料为随深度变化的离散采样数据,采用一种基于离散Walsh变换的方法对测井数据进行转换,实现了原始测井数据向网络的直接输入.根据取心井分析资料和专家解释结果确定了区块油层水淹类型,建立了水淹层标准模式库.在进行学习样本筛选时,考虑小层沉积微相类型和旋回特性对油层水淹状况的影响,模式库中包含了研究区块内各类具有沉积特征代表性的典型水淹油层样本.所建立的过程神经网络判别模型稳定,有较强的推广应用价值.对大庆萨北油田具有试油资料或投产初期分层测试资料的加密井进行了实际处理,取得了较好的结果.