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。     

基于最小二乘支持向量机的固井质量预测

提出利用最小二乘支持向量机进行固井质量预测方法,采用小波包分解方法提取地层回波信息信号,并将其作为最小二乘支持向量机的输入量,将样本的固井质量状态作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行固井质量预测。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于现场固井质量预测。     

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。     

基于支持向量机的交互检验储层预测

基于统计学习理论的支持向量机(support vector machine,SVM)是有限样本情况下的机器学习方法,具有严格的理论基础,能较好地解决小样本、非线性、高维数和局部极小点等问题。在地震储层预测中,影响支持向量机应用效果的主要因素在于惩罚因子及核函数参数的设置,其值设置过小或过大,都会使估计函数的泛化能力变差,降低储层预测精度。为提高支持向量机在储层预测中的应用效果,将已知样本随机划分为若干组,依次选其中的一组作为检验样本,其余样本作为学习样本,交互检验惩罚因子及核函数参数对储层预测精度的影响;优选惩罚因子及核函数参数,提高支持向量机储层预测精度。通过实际资料应用,验证了方法的有效性。     

基于G-A-SVM的油田注水动态预测模型

传统的油田注水动态预测方法在描述产油量与各种注水开发影响因素之间的复杂非线性关系时存在困难,引入遗传算法(GA)对支持向量机(SVM)的参数进行优化,建立了油田注水动态的GA-SVM预测模型。该模型利用SVM来建立注水开发影响因素和产油量之间的非线性关系;同时利用GA对SVM参数进行全局寻优,避免参数选择的盲目性。根据学习好的油田注水动态预测GA-SVM模型对1个待判样本进行预测,得到的年产油量值为52.25×104t,与实际产油量的误差为1.8％。     

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。     

利用支持向量机方法求取缝洞型油气藏地层系数

将支持向量机方法应用于缝洞型油气藏地层系数的预测.以国内某典型缝洞型油气藏为例,选取已进行试井分析的12口典型单井资料(包括对应的开发数据)作为学习样本,构建预测地层系数的支持向量机模型,并对模型进行了检验,结果表明,利用支持向量机方法所预测的地层系数与试井解释所得的实际值较为吻合,证实了利用该方法预测、评价缝洞型油气藏地层系数的可行性.     

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。     

基于大数据的页岩气产能预测

参数拟合的传统页岩气井产能预测方法存在一定的局限性,引入基于支持向量机的非参数大数据分析方法进行页岩气井产能预测研究。根据生产数据记录以及井底压力随生产过程的变化规律,建立e-SVR支持向量回归模型,对长宁页岩气某区块实际生产数据分别进行了单井和多井的训练及预测检验,其中单井回归检验的相关度系数达到0. 958 556,体现了该方法优秀的回归能力;多井学习模型在前95 d区间内对单井数据的预测也达到了接近单井回归的效果,体现了该方法在密集数据区间内较好的预测能力,为页岩气产能预测提供了新的思路。     

基于最小二乘支持向量机的低渗透油藏调剖效果预测

调剖效果受油藏地质条件、开发状况和调剖工艺等诸多因素影响,调剖效果预测实质上是解决一个多因素共同作用的复杂非线性问题。常规的数值模预测对地质建模准确性要求高、历史拟合时间长而不能满足实际应用需求。本文提出利用最小二乘支持向量机法构建调剖效果与其主控因素之间的非线性映射模型,将未知井调剖效果预测转化为非线性函数的求解过程。以靖安油田五里湾区块24口调剖井资料为学习样本,建立了计算调剖后井组增油量、降水量的最小二乘支持向量机预测模型并进行了验证。结果表明,计算结果与实际值拟合精度较高、误差较小,该方法可用于矿场调剖效果预测与评价。     

基于支持向量机的二氧化碳非混相驱效果预测

目前国内缺乏一种快速、准确预测CO2非混相驱油效果的方法,为了解决这一问题,选取剩余地层压力与混相压力之比、孔隙度、渗透率、油藏中深、地层平均有效厚度、地层温度、原油相对密度、含油饱和度、原油黏度、渗透率变异系数、注采比、注入速度和水气交替注入比等13个地质及工程参数作为输入参数,平均单井日增油量作为输出参数构建了预测CO2非混相驱效果的支持向量机预测模型.以国内6个CO2非混相驱项目和1个CO2混相驱项目为学习样本,2个CO2非混相驱项目和1个CO2混相驱项目为检测样本检测了支持向量机预测模型的准确度,结果表明,3个检测样本的预测值与实际值的平均相对误差为5.57%,满足工程要求.利用该模型预测了腰英台油田CO2非混相驱井组的增产效果,与实际增产效果相比,相对误差仅为1.30%.这表明,采用支持向量机方法对CO2非混相驱油效果进行预测可行且有效.      

支持向量机方法在低阻油层流体识别中的应用

在H油田含油层系中，低阻油层与高阻水层并存，储层的岩性和孔隙结构复杂多变，粘土矿物普遍存在，在电性上直接区分油水层比较困难，常规测井解释符合率较低。为此，在认真分析工区低阻油层地质特征的基础上，引入模式识别领域应用较好的支持向量机（SVM）方法，探索了该方法在油水层划分中的应用。首先综合常规测井资料和试油资料构建57个油水层样本（学习样本34个，预测样本23个），并进行数据归一化处理，然后根据训练样本的分布和实验结果选择核函数类型，利用网格搜索寻优法得到模型最优参数，建立起低阻油层目的层段流体识别模型。利用该模型对23个预测样本进行识别，结果正确的有21个，预测精度达91．3％，其中2个误判样本是将油水同层判识为水层。对34个建模样本进行回判，准确率达100％。对某井4号层位（1476～1481m井段）射孔试油结果产油63．7m^2／d，无水，与预测结果一致。由此表明利用支持向量机方法对未知流体属性的正确识别是可行的。     

利用磁梯度张量识别地下小型目标体

针对地下小型磁性目标体提出基于磁梯度张量和支持向量机（SVM）的形状识别方法。首先利用不同形状、不同姿态的地下目标体磁异常模型，建立磁梯度数据样本库；然后分析并选取磁梯度张量矩阵的9个属性参量，构造支持向量机模式识别的特征向量；最后建立基于量子粒子群算法的支持向量机（QPSO-SVM）识别模型，对测试数据进行模式识别。仿真和实验证明利用本文方法能够有效识别地下小型目标体的形状，识别准确率达到90%以上。     

基于最小二乘支持向量机的油气水层识别方法

测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。     

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。     

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。     

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。     

基于支持向量机的辫状河测井沉积微相识别

辫状河沉积环境下的单井沉积微相解释工作易受其繁琐性与主观性影响。提出一种基于测井曲线针对辫状河沉积环境的沉积微相自动识别方法,用于单井沉积微相解释,为后续储层精细描述以及地质建模提供依据。以工区内测井曲线为基础,通过对地层单元内的测井数据进行分析,得到统计参数作为支持向量机训练的输入参数,输出对应的沉积微相解释结果。使用鄂尔多斯盆地某区块1 944组沉积微相样本数据对支持向量机进行训练,验证集由另外648组样本数据组成。2组数据集被选用于测试训练后的支持向量机在沉积微相自动识别方面的应用效果,其中第1组由648组样本数据组成,来自与训练集验证集同一区域,用于测试支持向量机对沉积微相识别效果;另外一组数据集由816组来自于不同区域的样本数据组成,用于测试方法的泛化性。结果表明该方法对2组测试集分类的正确率分别能够达到95.4%和93.1%。该方法在单井沉积微相自动识别方面具有足够的准确性与可靠性。     

基于支持向量机的地震储层参数预测方法初探

支持向量机方法基于结构风险最小化原理,克服了常规统计方法的局限性,能够在有限的样本集基础上兼顾模型的通用性和推广性,具有较高的预测精度。本文利用支持向量机方法对地震储层参数进行了预测,并与BP神经网络预测结果进行了对比分析。结果表明,支持向量机方法预测效果好,值得推广使用。     

一种基于支撑向量机学习预测井眼轨迹的新方法

对影响井眼轨迹的几个主要因素进行了分析,提出了一种利用小样本统计学习理论中的支撑向量机来进行井眼轨迹预测的新方法,介绍了用于非线性回归估计的支撑向量机的基本原理,通过对一口或几口已钻井的轨迹数据、钻进方式和底部钻具组合结构参数进行学习训练支撑向量机,建立了井眼轨迹的支撑向量机预测模型,并利用多口实钻井的轨迹数据进行了验证。结果表明,这种新方法的预测精度远高于传统的定曲率几何预测方法。