基于支持向量机的水平井产能预测方法

近年来水平井技术在国内得到了广泛应用,水平井在油气田开发中的作用越来越显著.水平井产能预测是水平井油藏工程必不可少的研究内容.目前的水平井产能预测方法多是基于解析方法,在假设条件下推导出水平井产能计算公式,各方法计算结果差异较大.在数值模拟研究的基础上,利用支持向量机方法进行了水平井产能计算研究,并将其应用于关家堡开发区水平井产能预测.实践证明该方法预测精度高,具有良好的应用前景.     

基于支持向量机算法的注水管道剩余寿命预测

支持向量机是在统计学习理论的基础上发展而来的一种新的模式识别方法, 在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。鉴于此, 针对注水管道的使用寿命和腐蚀影响因素之间复杂的映射关系, 在注水管道的剩余寿命预测研究中引入基于统计学习理论的支持向量机算法。研究了胜利油田某实验区注水水质腐蚀的影响因素, 应用LibSVM软件建立了注水管道的剩余寿命预测模型, 从而提供了一种预测注水管道剩余寿命的新方法。实际应用结果表明, 用支持向量机算法预测注水管道剩余寿命在样本有限的情况下具有明显优势。     

基于支持向量机的深层地应力预测模型

为解决工程中利用测试或计算的少量地应力资料来反演计算深井地层应力场问题,运用建立在统计学习理论基础上的支持向量机（SVM）理论建立计算模型,利用井场实测的水平最大地应力和孔隙压力场数据进行了拟合,并对拟合计算中核函数的影响进行了对比分析。研究结果表明：SVM预测模型所预测的水平最大地应力值相对真实值的最大误差为5.1%,SVM预测模型所预测的孔隙压力值相对真实值的最大误差为1.553%,模拟结果误差较小;与滑动最小二乘法的模拟结果相对比,SVM预测值与实测数据吻合度较高;拟合计算中RBF核函数计算精度较好。研究结果表明基于支持向量机的深层应力场预测模型的精度可满足工程需求。     

基于支持向量机的压裂效果预测方法研究

压裂效果受多种因素的影响,不同的井况参数和施工参数对压裂效果的影响具有许多非线性的规律。运用基于统计学习理论的支持向量机方法,建立了影响因素与压裂效果之间的预测模型,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,结果表明支持向量机方法能够达到较高的预测精度。把支持向量机的计算结果与灰色关联分析法和模糊神经网络法结果进行对比,显示其预测精度高于后两种方法。实践证明,该方法用于压裂效果预测具有良好的适应性和实用性,可以用来指导压裂选井选层和压裂施工工艺。     

基于支持向量机的调剖措施效果预测模型研究

因调剖措施效果受多种因素的影响,很难在调剖措施效果和各个因素之间建立一种确定的关系。利用支持向量机方法,采用径向基核函数,建立了调剖措施效果与各个因素之间的一种关系模型,分别以无因次增油量、含水率的下降等评价指标建立不同的支持向量机模型,利用已实施的调剖措施作为学习样本来获得相应的模型,分别用于对无因次增油量、含水率的下降等指标进行预测。该模型的检验过程表明,检验样本的平均误差控制在10%以内,具有较高的准确率。     

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。     

基于储层分类的支持向量机渗透率预测

研究区孔隙度、渗透率分布范围广、非均质性强,在进行储层渗透率求取时存在较大误差。根据取心物性资料、测井资料,选用流动层带指标I_(FZ)划分方法将取心井储层划分Ⅰ、Ⅱ、Ⅲ、Ⅳ类,并建立每类储层的储层类型预测模型。根据与渗透率有关的测井属性变量,利用支持向量机技术对每类储层进行训练学习,分别建立各类储层的渗透率预测模型。对研究区取心井测试样本渗透率进行预测,与常规的统计方法以及分类前的支持向量机预测模型相比,分类后的模型预测精度有了明显提高,为研究区的储层评价提供了一种有效的研究途径。     

A Support Vector Machine Approach for the Prediction of Drilling Fluid Density at High Temperature and High Pressure

Abstract

A support vector machine (SVM) approach was presented for predicting the drilling fluid density at high temperature and high pressure (HTHP). It is a universal model for water-based, oil-based, and synthetic drilling fluids. Available experimental data in the literature were used to develop and test this SVM model. Good agreement between SVM predictions and measured drilling fluid density values confirmed that the developed SVM model had good predictive precision and extrapolative features. The SVM model was also compared with the most popular models such as the artificial neural network (ANN) model, empirical correlations, and analytical models. Results showed that the SVM approach outperformed the competing methods for the prediction of drilling fluid density at HTHP.     

支持向量回归机在气井产能预测中的应用

气井产能预测是气藏工程研究中用于指导气田合理生产的重要工作和任务, 它在气田的整体评价和高效开发进程中具有很强的预见性和主动性。以测井解释结果为基础, 引入近年来预测效果较好的支持向量回归机技术, 建立了气井产能预测的基本模型, 用来对无动态资料的气井进行产能预测。实例分析表明, 该方法预测精度与传统的神经网络技术方法相比有明显提高, 它是一种较为适用和可靠的气井产能预测评价方法。     

应用支持向量机方法预测砾石充填防砂井产能

影响砾石充填防砂井产能的因素很多。关系非常复杂．常规理论方法难以建立准确、适用的预测模型。为此,对防砂井产能的主要影响因素进行分析。引入支持向量机方法,与自然产能比方法相结合。建立了防砂井产能预测模型。该模型通过有限经验数据的学习。能够导出防砂前后采油指数与其影响因素的非线性关系。分别使用支持向量机模型和BP神经网络模型对砾石充填防砂井产能进行预测对比结果表明,支持向量机模型有着更高的预测精度．在小样本的模式识别方面,有着自身独特的优势。     

支持向量机的发展与应用

基于统计学习理论的支持向量机（SVM）是一种新型的机器学习方法，描述了SVM在模式识别和回归估计中的基本思想。在大训练样本情况下，用传统的方法求解SVM问题计算复杂，针对该问题探讨了一系列的SVM训练算法，并对其进行了比较。SVM由于其良好的泛化能力和全局最优性能．在模式识别、数据挖掘、非线性系统建模和控制等领域中展现出广泛的应用前景。     

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。     

基于支持向量机的裂解炉燃料气热值软测量

针对裂解炉出口温度前馈控制需要快速准确的燃料气热值,提出一种基于支持向量机(Support Vector Machine)的燃料气热值软测量建模方法。该方法通过支持向量机算法确定模型的结构,然后运用交叉验证法确定模型的最优参数。分析了裂解炉燃料气热值的影响因素,并用支持向量机算法建立裂解炉燃料气热值软测量模型。利用某厂的裂解炉燃料气热值数据,对文中所提方法进行仿真研究。仿真结果表明:该方法能够准确地预测出燃料气热值,具有较高的热值预测精度,适于燃料气系统的热值建模。     

基于柔度矩阵和支持向量机的井架损伤识别技术

与频率和振型相比,柔度矩阵是结构损伤检测的有力工具.支持向量机是在统计学理论上发展出的一种学习机器,具有优秀的回归特性.以柔度矩阵为检测指标,利用支持向量机的回归算法,提出了一套基于支持向量机和柔度矩阵的损伤识别技术,并对JJ160/41-K型石油井架进行了损伤识别和仿真计算,结果表明该技术可有效识别结构损伤的程度及位置.     

基于支持向量机的去噪在电法勘探中的应用

提出了一种基于支持向量机的去噪方法。借助支持向量机在小样本情况下良好的推广能力，利用支持向量机回归逼近数据去除噪声。使用该方法对大地电磁测深视电阻率进行了处理，应用效果良好。