近似支持向量机的AVO类型判别

AVO技术是储层含油气性分析的重要工具,可以定性地描述油气藏。常规储层的AVO分类主要依靠人为判别,致使判别结果不准且工作量大。本文从四类AVO曲线中提取特征参数作为训练集,把近似支持向量机方法引入AVO类型判别;再以四类含气砂岩AVO曲线形态为依据,把叠前地震资料的曲线形态特征作为输入参数,获得工区内储层的AVO类型。将该方法应用于南海碎屑岩气田的AVO类型自动识别,取得了较准确的结果,为储层的AVO类型判别提供了可靠、高效、便捷的工具。     

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。     

随机森林回归在地震储层预测中的应用

针对储层预测的复杂非线性及稳定性问题,将随机森林回归算法引入到地震储层预测中,建立地震属性与储层特征参数之间的非线性关系。以多种不同的地震属性为基础,通过构建井旁道地震属性与特征参数的回归森林模型进行储层预测,以预测值与实际值之间的均方根误差值为评价标准,分析随机森林回归算法在地震储层预测中的特点。将本方法应用于某陆地工区的自然电位预测和某海上工区的自然伽马预测,并与支持向量回归机方法的预测结果进对比,结果表明,尽管地震数据受到较强噪声的影响,随机森林方法仍可较好地刻画出储层的三角洲前缘沉积特征,表现出较好的稳定性和较高准确性。     

AVO技术在碳酸盐岩缝洞型储层预测中的应用

塔里木盆地英买A区碳酸盐岩储层发育,但储层类型多样且非均质性较强,储层含油气性存在较大的差异,给该区油气上产增加了难度。因此本文以地质、测井和地震资料为基础,分析了不同成因储层的地震响应特征,明确了"串珠"和"片状强反射"储层可开展叠前AVO油气检测;进而以岩石物理方法为基础,进行流体替换和正演分析,确定这两类含油气储层的AVO敏感属性为P×G属性,据此开展了这两类储层含油气性的预测。通过实际钻井资料验证,该方法预测结果的准确度高,可以作为该区井位部署的重要依据。     

基于粗糙集——随机森林算法的复杂岩性识别

针对复杂岩性碳酸盐岩储层原有岩性识别方法精度较低、泛化能力不足、结果不稳定等问题,提出基于粗糙集-随机森林算法的复杂岩性识别方法。利用邻域粗糙集的属性约简选取岩性敏感曲线,在不影响岩性识别基础上将不必要曲线删除,能有效去除冗余信息;其次将筛选出的曲线作为随机森林模型输入,建立粗糙集-随机森林算法的岩性识别模型。通过对某区块502块岩心数据处理,该模型岩性判别率稳定到88.3%,比Fisher判别、Bayes判别等方法精度高,且实现简单,有较强泛化能力。该方法可作为复杂岩性储层岩性识别方法,为复杂岩性储层的勘探开发提供帮助。     

基于随机森林算法的泥页岩孔隙度预测

准确、快速地获取泥页岩孔隙度对页岩油空间分布及勘探目标预测具有重要意义。针对利用测井响应方程预测孔隙度精度较低的问题,建立一种基于随机森林算法的孔隙度预测模型,与BP 神经网络、支持向量机和XGBoost 算法进行预测精度对比,并利用SHAP 方法分析测井参数的重要性和影响范围。研究结果表明：随机森林算法可以很好地预测泥页岩孔隙度,且预测效果好于BP 神经网络、支持向量机和XGBoost 算法;基于随机森林算法的泥页岩孔隙度预测在渤海湾盆地某凹陷应用发现,对模型预测孔隙度最重要的前3 项测井参数为补偿中子、自然伽马和普通视电阻率;基于随机森林算法的泥页岩孔隙度预测模型可以快速识别单井孔隙度,不仅可以弥补因无法连续取心而难以获取完整孔隙度分布特征的问题,还能大幅提高孔隙度预测效率与精度。     

基于AVO流体反演的储层孔隙度预测技术

AVO流体反演技术是将统计学与AVO理论结合,统计判别实际地震数据与测井数据正演的AVO响应,定量预测目标储层的含油气概率分布。针对低孔、低渗碎屑岩储层,为求取孔隙度参数,本文将AVO流体反演技术进行了改进,充分利用其统计学分析优势,通过贝叶斯和柯西等概率理论对异常信息进行统计判别,并从中提取出储层的孔隙度信息,实现了X69井区储层的定量预测,减小了预测的多解性。孔隙度预测结果与实际测井值吻合率最高可达到79%,较好刻画出高产井区有效储层空间分布特征。     

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。     

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。     

基于随机森林回归的汽油研究法辛烷值预测

针对成品油销售企业汽油辛烷值检测难的问题,提出了一种基于随机森林回归算法的研究法辛烷值（RON）预测方法。该方法基于成品油质量数据库中的实测数据,以汽油烯烃含量、芳烃含量、氧含量、馏程（10%,50%,90%馏出温度及终馏点）和密度作为自变量,研究法辛烷值作为因变量,分别建立92号汽油、95号汽油和（92号+95号）汽油的随机森林回归模型。结果表明,92号模型和95号模型的预测精度更高,两个模型的决定系数均达到0.95以上。应用这两个模型进行汽油RON预测,油品质量升级后,模型仍然保持了较高的精度,可靠性和适应性较好。与中红外光谱检测方法相比,随机森林回归模型超过84%的预测结果的绝对误差不大于0.7个单位,精度显著优于中红外光谱检测方法。该预测方法能够为销售企业汽油辛烷值的质量监控提供有益帮助。     

基于网格搜索-随机森林算法的水合物结构与生成条件预测

水合物的生成会给地面、井筒、地层的油气生产带来诸多安全问题,而气体组分和外部因素是水合物生成的决定因素,因此水合物结构与生成条件的预测对油气的安全生产具有重要意义.针对目前水合物生成条件预测方法的局限性,采用具有分类和回归功能的随机森林算法,对水合物的结构类型和生成温度进行预测.结果表明,对于水合物类型的分类,GS-R...     

基于聚类分析和贝叶斯判别的储层分类评价方法

储层分类评价是气藏开发的重要内容,本文以苏里格气田东区盒8段储层为研究对象,优选储层厚度、储层最大渗透率、储层含气饱和度、储层渗透率均质系数4个评价参数,应用数理统计方法将这些评价参数集合起来进行聚类分析,从而对储层进行分类,在储层分类的基础上,应用贝叶斯判别方法得出储层分类的综合评判函数,建立了储层分类标准。应用该方法对储层进行分类评价,得出的评价结果与试气无阻流量符合率较高,分类评价效果良好。     

基于随机森林算法的叠前流体识别

虽然叠前反演技术能够获得多种流体识别因子,但是仅利用单一的流体识别因子进行储层预测通常会带来多解性问题。目前根据多种流体识别因子对储层进行综合解释已成为一种新的趋势,但大部分方法对专家及其经验存在较强的依赖。鉴于此,将随机森林算法引入储层流体识别。首先基于测井数据优选输入特征(流体识别因子),并分别研究输入特征数量和不同特征组合对算法预测结果的影响;然后利用该算法对输入特征与井中储层信息之间的非线性关系进行学习;最后根据学习结果对储层进行综合判别,实现多种流体识别因子的综合利用。该算法削弱了单一流体识别因子所引起的多解性,提高了储层流体识别的精度与可靠性。应用实例表明,通过随机森林算法对5种流体识别因子与井中储层信息进行综合学习,达到了对含气储层和含水储层进行准确识别的目的。     

基于随机森林的K-近邻算法划分火成岩岩性

针对火成岩油气藏火成岩岩性划分难,岩性划分准确率受薄片鉴定样本数量影响大的问题,利用随机森林(RF)算法分析不同的测井曲线与火成岩岩性相关性,再利用K-近邻(KNN)算法划分小样本薄片鉴定情况下的火成岩岩性。将研究成果应用于川西地区二叠系火成岩地层,结果表明:测井曲线与岩性相关程度从高到低依次为GR、R_t、DEN、CNL、AC;KNN算法划分火成岩岩性,k取值受分类数量和训练样本数量2个因素控制,样本数量较小时后者影响程度大于前者;k为3时,24个火成岩训练样本(5种岩性)KNN法回判准确率为87.5%,14个火成岩(5种岩性)测试样本测试准确率为92.5%。对比图版划分火成岩岩性,KNN算法受人为影响小,参数调节简便。该研究对小样本情况下火成岩岩性划分有重要指导意义。     

基于Fisher和概率法的储层流动单元指数分类判别方法

不同于高孔高渗的砂岩地层,中低孔低渗砂岩储层孔隙结构较为复杂,孔渗关系不再趋向为一条单一的直线,而是随孔隙度变小而发散,单一线性关系式不能满足低渗储层的描述精度,影响储层参数的计算精度,最终导致流体识别符合率降低.从实际资料出发,以现有的物性分析资料为基础,利用数学方法准确求取流动单元指数,实现全井段的流动单元指数计算...     

不平衡样本集随机森林岩性预测方法

使用基于有监督机器学习分类器的岩性预测方法时,如果样本集中 目标岩性样本过少,而非目标岩性样本过多,在这种不平衡样本集上训练分类器会使预测结果向非 目标岩性偏倚,导致目标岩性的预测准确率较低.为了解决这一问题,提出一种针对不平衡样本集的随机森林岩性预测方法.首先,以录井岩性数据作为岩性样本标签,以井旁道地震属性和岩石弹...     

基于依赖频率AVO反演的高含气饱和度储层预测方法

常规的叠前或叠后反演得到的弹性参数对储层含气饱和度的敏感性很弱,较难识别高含气饱和度有效储层。为此,利用依赖频率的AVO反演得到的频散参数预测高含气饱和度的有效储层。首先引入Refutas公式,分析了饱和度对混合流体黏度的影响,结合动态等效介质理论和Wood公式,分析了含气饱和度对速度频散和衰减的影响;再基于f-μ-ρ反射系数公式,实现了依赖频率的AVO反演,并优选了敏感频散因子。结果表明：①不同流体的频散和衰减程度不同,并且依赖含水（含气）饱和度的变化;②优选的频散属性对流体储层具有很强的敏感性,且受背景干扰小,可以精确地刻画高含气饱和度储层的空间分布位置。     

基于改进的随机森林算法的井曲线填补研究及应用

测井数据是描述油气藏信息的重要途径,但实际勘探中测井曲线往往失真或缺失,其复原问题一直都是油气勘探领域的研究热点和难点。传统的随机森林算法主要受n＿estimators(决策树的个数)和max＿depth(树的最大埋深)这两个参数控制,在实际填补测井数据中并不能很好地训练出理想的模型。本文基于遗传算法(Genetic Algorithm, GA)提出了一种改进的随机森林算法(IRFA)用于测井曲线复原,即用GA来优化随机森林模型参数,进而提高缺失曲线复原的准确性和稳定性。实验结果表明,与传统的随机森林、BP神经网络以及长短期记忆神经网络(LSTM)相比,本文方法模型适应性及泛化能力更好,复原结果精度高且更为稳定。     

基于模糊C均值聚类与Bayes判别的致密油储层分类评价

为解决常规致密油储层因缺乏岩心分析资料而难以进行储层分类评价的难题,通过优选属性参数,应用模糊C均值算法划分致密油储层最优类别,再运用Bayes判别分析法建立储层类别与常规测井属性的关系式,利用常规采油井的测井属性判别储层的类别。现场实践应用表明:利用该方法划分的鄂尔多斯盆地志丹地区长₇Ⅱ⁶、长₇Ⅰ²射孔砂体储层类别与试油结果一致,研究区203口井储层划分吻合率为89.7%。该研究对高效开发致密油藏具有一定的指导意义。     

基于蚁群算法的非线性AVO反演

 求解连续优化问题的蚁群算法的思路为：①根据问题的性质估计下一最优解的范围,并估计出各变量的取值范围;②在变量区域内剖分网格,每一个空间的网格点对应于一个状态,人工蚂蚁在各个空间网格点之间移动,根据各网格点的目标函数值,留下不同的信息量,以此影响下一批人工蚂蚁的移动方向;③循环一段时间后,目标函数值小的网格点信息量较大,据此找出信息量大的空间网格点,并逐步缩小变量范围,在信息量大的空间网格点附近进行人工蚁群移动;④重复前述过程,直到网格的间距小于预先给定的精度,算法终止。本文从蚁群算法的原理出发,将连续域的蚁群算法应用于非线性AVO反演中,并且针对蚁群算法应用过程中容易出现的停滞和扩散问题,对信息素的数量进行了限制。反演结果与理论模型基本吻合,说明了算法的有效性和可靠性,可以应用于其他的地球物理反问题。