基于PSO-FCM算法的碳酸盐岩储层流体识别

针对碳酸盐岩储层流体识别问题,提出了基于优化粒子群改进的模糊C均值聚类(PSO-FCM)的方法,根据测井参数的流体指示系数,对标准化测井参数进行加权,提高测井参数对流体的敏感性;选取模糊C均值聚类(FCM)算法的目标函数作为优化粒子群(PSO)算法的适应度函数,得到全局最优解,从而改进FCM算法受初值影响较大的缺点,应用PSO-FCM算法结合试采资料,确定样本的流体聚类中心,进而计算储层的流体概率;根据交会图法确定水层和气水同层、气层和气水同层的流体概率阈值,建立流体识别标准。将该方法应用于研究区礁滩气藏流体识别中,样本回判符合率达93.2%,非样本储层解释符合率达90.6%。该方法流体识别准确度较高,为利用常规测井曲线解决碳酸盐岩储层流体识别问题提供了有益参考。     

改进蚁群聚类算法在火山岩岩性识别中的应用

提出了一种基于蚁群算法和模糊聚类算法的改进蚁群聚类算法对火山岩岩性进行识别。介绍了蚁群算法的原理、K-均值聚类算法的实现过程及改进蚁群聚类算法的实现过程。用该方法对火山岩样本数据点进行训练和学习,获得最佳的岩性聚类中心,根据加权信息素浓度和的大小,识别实际测井数据点的岩性。对松辽盆地430个火山岩薄片的实际处理表明,与自组织神经网络及K-均值聚类算法相比,该方法识别准确率高、运算速度快,是一种有效的岩性识别手段。     

模糊聚类在三维地震参数处理中的应用

三维地震参数是一个庞大的三维数据体，能从不同侧面反映储集层的特征。通过对三维地震参数的分析，可以评估油藏表征的参数（沉积相、构造、生长历史、流体饱和度等）。针对传统的聚类方法不能很好地综合考虑各个参数之间的相似程度，提出了用模糊C-均值聚类（fuzzy c-means clustering，简称FCM）对三维地震参数进行处理。从三维地震参数和油藏表征参数之间的关系出发，采用模糊C-均值聚类方法对三维地震参数进行处理，依此评估油藏表征的参数。测试结果表明，模糊C-均值聚类方法能够对三维地震参数进行较为准确的分类，并为储集层的研究提供了很好的依据。     

基于模糊灰色理论的压缩机转子系统故障诊断

根据压缩机转子系统故障与征兆之间的模糊和灰色特征,提出了将模糊聚类和灰色关联分析相结合的综合诊断方法。由振动信号提取反应转子系统状态的8个特征;采用模糊C-均值方法将转子系统40个故障样本聚成4类,并将聚类中心矩阵作为标准故障模式矩阵;对待诊故障模式矩阵与标准故障模式矩阵进行灰色关联度分析,确定故障类型。该方法准确地识别出了转子系统的不平衡状态,具有实用性。     

油气层解释评价技术建模方法研究与实践

气测录井解释评价方法多种多样,然而对不同地区、不同油气层的解释结果不尽相同,究其原因是不同解释方法具有地区适应性问题,也就是说方法形成的基础条件具有地域性的特点,寻找一种建立适用予任何区域解释评价方法的途径已引起人们的关注。针对此间题,从统计学的角度出发,以准噶尔盆地克拉美丽气田为例,在分析不同天然气烃组分特征的基础上．以C1／∑C1-5和C3／∑C1-5两个突出反映烃组分关系特征的比值为分析对象并作为聚类中心,探讨了采用统计学中的模糊C均值聚类算法（FCM）建立以这两项比值为横、纵坐标的气测录井解释评价模型的数学分析方法。该数学分析方法适用于任何地域解释评价模型的建立,应用该方法所建立的解释评价图板在准噶尔盆地克拉美丽气田的初步应用中取得了较理想的效果。     

模糊C均值地震属性聚类分析

 地震多属性聚类分析是进行储层预测的有效工具。本文提出了基于模糊C均值的地震属性聚类方法，该方法可以将多种地震属性进行分析从而生成有效的特征图，它可以寻找各个类的最优聚类中心，并给出样本点属于每一类的隶属度。此算法是一个简单迭代过程，且算法的关键取决于两个参数：其一是聚类数要远小于聚类样本的总个数；其二是加权参数要适中，过大或过小均不利于聚类效果的改善。模型试验和实际资料的应用表明了该方法原理简单且算法鲁棒性好，具有很好的实际应用价值。     

基于改进K均值算法的输油管道工况聚类研究

由于输油管道工况变化复杂和先验知识缺乏,K均值聚类算法存在一定的局限性。为此,基于模拟退火思想和Metropolis准则改进K均值算法,实现基于全局最优解的动态聚类,解决了K均值聚类时产生的局部最优解问题,避免了初始划分对聚类结果的影响;引入分类数评估函数,准确计算样本集的最优划分,克服了K均值聚类时依靠人为指定分类数的缺点。应用改进K均值算法对输油管道工况聚类,聚类准确率达到100%。     

地震倒谱特征参数谱聚类地震相分析方法

常用的地震相分析方法有随机模拟、神经网络、聚类算法和深度学习等.随机模拟结果易受随机模型影响,而且在地质结构复杂地区难以准确划分地震相.神经网络和深度学习具有较强的容错性和泛化能力,但需要海量训练样本数据,同时训练网络的计算量巨大.K均值聚类、C模糊聚类等经典聚类算法在简单数据集上均获得了理想的聚类结果,但对于非凸数据...     

基于模糊C均值聚类的流动单元划分方法——以克拉玛依油田五3中区克下组为例

流动单元的划分方法直接影响着储层性质的评价及油藏后期开发.针对常用的流动单元评价方法--流动带指标法容易出现聚类指标优劣交叉的问题,提出了基于模糊C均值聚类模型划分流动单元的方法.该方法通过分析多种储层属性,寻找各类的最优聚类中心,并给出样本点属于每一类的隶属度,更准确地标定出每个样品的聚类域.以克拉玛依油田五3中区克下组油藏为例,通过在聚类过程中有效地实施人工干预,解决了流动单元划分指标不匹配的问题,在生产实际中取得了较好的应用效果.     

基于相对熵改进模糊C均值聚类的溢流预警研究

钻井过程中溢流的早期发现非常重要，目前国内外基于人工智能的溢流预警模型普遍使用大量先验知识或训练数据，其准确性、实时性、可靠性完全受限于先验知识和训练数据，文章提出了基于相对熵改进模糊C均值聚类的溢流预警模型，采用相对熵理论改进模糊C均值聚类算法，克服传统模糊C均值聚类时聚类数目由用户主动给出的缺点，并结合溢流故障的发生与立压、套压的变化趋势具有相关性的特点，建立了早期溢流智能预警模型，实现对早期溢流的及时发现。通过对现场数据的仿真分析表明，该预警模型能够通过立压和套压的斜率变化及时准确地判断是否发生溢流。