基于最小二乘支持向量机的重复压裂选井选层方法研究

常用的重复压裂选井选层的经验方法是基于矿场统计资料的研究方法,这种方法具有一定的主观性、盲目性和风险性。引入基于统计学习理论的最小二乘支持向量机算法,综合考虑地层地质特征、油气藏特性、物性参数、测试和生产数据等多方面的因素,形成重复压裂选井选层方法。计算证明,该方法对重复压裂选井选层有指导作用。     

基于最小二乘支持向量机的示功图趋势预测

抽油机示功图可以表现出抽油机井的工作状态,通过对示功图的分析可以判断抽油机井是否正常工作。因此,对示功图形状的变化进行预测,提前知道示功图的趋势,就可以预知抽油机的工作状态,有利于油田工作人员对油井的控制,避免事故的发生。基于一种最小二乘支持向量机的预测方法,应用该方法对某油田几口抽油机井进行了示功图趋势仿真预测和验证,得出结论:该方法适用于生产稳定的抽油机井,不适用于间开井。在后续工作中,将对算法进行优化,进一步提升预测的准确性。     

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。     

最小二乘支持向量机在重质燃料油调合中的应用

为解决重质船用燃料油调合中非线性指标预测准确度低的问题,提出了基于最小二乘支持向量机(LSSVM)的非线性指标预测模型的应用。介绍了LSSVM的基本算法以及构建了预测模型,以重质燃料油调合中黏度和密度指标为例,对比一般计算模型,进行指标数据的计算。应用结果表明:基于LSSVM的预测模型,通用性强、预测精度高、自适应能力强,具有较高的应用前景。     

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一支持向量机,是至今模式识别问题强有力的解决方法之一。依据测井所得到的小样本、不适定性等数据信息进行网格搜索及交叉验证对目标函数寻优,找到最佳参数建立了最小二乘支持向量机分类器模型;针对现有方法在解决油气水层识别问题中的不足,提出了基于最小二乘支持向量机的油气水层识别方法,并将此方法应用于大庆油田某油藏的油气水层识别。结果表明,此方法较人工神经网络和标准支持向量机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。表3参7     

基于局部最小二乘支持向量机的潜空间广义预测控制器

针对多变量、非线性、时变的实际工业过程系统,提出了一种基于局部最小二乘支持向量机的潜空间广义预测控制方法。该方法通过偏最小二乘构建潜变量空间,从而将复杂的多变量系统转变成多个单变量子系统,然后在每个采样点利用即时学习选择相关数据样本,在潜空间内在线建立每个单变量子系统(SISO)的局部最小二乘支持向量机(LSSVM)模型,最后利用广义预测控制器对这多个子系统分别实施预测控制。利用即时学习剔除冗余数据样本,提升了LSSVM的鲁棒性,并且使其更适用于实时建模和控制。利用该控制器对四容水箱对象进行仿真研究,验证了算法的有效性。     

基于主成分分析的最小二乘支持向量机岩性识别方法

测井解释过程中的岩性识别实质是多个指标数据的模式识别问题。常规测井解释方法很难表征储层的真实特性。提出一种基于主成分分析的最小二乘支持向量机的岩性识别预测模型（PCA—LSSVM）;介绍了主成分分析法和最小二乘支持向量机原理。通过主成分分析方法对测井数据进行分析并提取影响岩性识别的主要因素．依据分析结果建立基于最小二乘支持向量分类机的岩性识别模型。云南陆良盆地3口井的117个地层的识别结果与实际取心资料的符合率达到92．5％。应用表明,将主成分分析结合最小二乘芰持向量机进行岩性识别．简化了网络结构．具有更快的运算速度和准确率．是一种值得推广使用的方法。     

最小二乘支持向量机在储层流体识别中的应用

在测井储层流体识别中引入基于统计学习理论的最小二乘支持向量机（LS-SVM）算法,它是在传统的支持向量机（SVM）基础之上加以改进的一种新算法。LS-SVM采用结构风险最小化原则代替了传统的经验风险最小化原则,保证了其具有全局最优性和较好的泛化能力,并且它将凸二次规划问题转变成了线性方程组的求解问题．使计算效率大大提高。介绍了LS-SVM方法的基本原理和多分类方法,通过该法利用少量的测井资料作为学习样本,准确地对油气水层进行了识别。将它与交会图判别法和BP神经网络方法的预测结果进行比较,表明用LS-SVM方法来进行储层流体识别是可行的,且具有一定的优越性。     

基于粒子群优化最小二乘支持向量机的非线性AVO反演

为了求解非线性AVO反演问题,本文提出基于粒子群算法和最小二乘支持向量机的非线性AVO反演方法,并用粒子群算法优化最小二乘支持向量机的参数。即首先通过精确Zoeppritz方程正演得到角道集,并进行动校正和部分角度叠加;然后运用最小二乘支持向量机方法建立反射振幅与弹性参数之间的非线性模型;最后以此非线性模型对地震道集数据进行反演。模型数据和实际资料的反演结果表明,该方法克服了常规广义线性AVO反演在远炮检距及弹性参数纵向变化大等情况下的缺陷,可直接从实际地震道集数据中提取较高精度的地层弹性参数,具有快速稳健、抗噪能力强的优点。     

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。     

基于近似支持向量机的裂缝分类方法

对广泛存在于各类岩层中的裂缝带进行精细刻画与综合预测是裂缝型油气藏勘探的关键。为了避免多解性问题,学者们通常采用多属性对其进行综合预测,但如何有效地利用众多地震属性与裂缝带发育程度之间的非线性关系对裂缝带发育状况进行准确分类仍是一大难题。将近似支持向量机算法引入裂缝带的分类识别中,建立了3种刻画储层裂缝带的地震属性与井中裂缝发育信息之间的非线性模型,得出了反映裂缝带特征的最佳判别规则,利用该规则对多个属性进行综合判别,克服了单属性的多解性,提高了储层裂缝带的分类精度。实例应用表明,该算法削弱了依靠单一因素识别储层裂缝带的局限性,为储层内裂缝带发育状况的准确分类提供了新的研究思路。     

利用模糊ISODATA聚类方法确定大孔道级别

高含水油田进入开发后期,大孔道的存在严重影响着油田的高效开发,如何选择需要调堵的油水井才能得到最佳的调堵效果成为一个关键问题。目前选井决策方法过于依赖主观判断,人为干扰因素很大。文中提出了一套适合于调剖堵水的指标体系,利用ISODATA聚类分析方法,根据油水井不同的动态数据特征,判断出每口油水井是否存在大孔道及大孔道的级别。对于判断存在大孔道的油水井,建议采取调剖堵水措施;对于不存在大孔道的油水井,应进一步观测其动态变化。该方法克服了过于依赖主观判断的缺陷,计算过程中没有人为因素的干扰,并且很好地解决了界限值合理性问题,从而为调剖堵水的选井提供了理论依据。     

基于SVM的注水机组状态预示技术研究

油田大型注水机组在连续运转过程中,由于其自身的因素以及受外界条件的干扰,其运行常处于非线性非平稳状态。在充分研究和比较多种设备状态预示方法的基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的状态预测新方法。该方法应用最终预报误差(FinalPrediction Error,FPE)准则确定样本的嵌入维数。通过比较SVM预测模型与自回归预测模型的单步和多步预测结果,证明基于SVM的预测方法在较长区间内具有良好的预测效果。用SVM预测大庆油田旋转注水机组时域的振动烈度,取得了较好预测效果,证明该算法能有效提高预测精度。     

Integrating genetic algorithm and support vector machine for polymer flooding production performance prediction

Quantitative characterization models of oil increment and water-cut change in polymer flooding called Hou's models are established in the paper. The mathematic models are concise and characteristic parameters have specific physical meanings and are easy to determine. Automatic solution method based on real-coded genetic algorithm (GA) is presented. Based on numerical simulation of polymer flooding, quantitative prediction model of production performance in polymer flooding is established through the combination of orthogonal design and support vector machine (SVM) methods, in which the combination effect of factors is considered. Taking Shengli oilfield as an example, the history matching and prediction of polymer flooding are carried out, it is indicated that there exists a good matching between the quantitative characterization model and the field data, and this model can be extrapolated. Regardless of the limited sample set, the quantitative prediction model can give consideration to both universality and generalization to meet the requirements of engineering computation application. The characterization model or prediction model can be alternatively used according to whether there is a dynamic tendency of the polymer flooding unit or not. Therefore, the models can guide the scheme programming and dynamic adjustments of polymer flooding.     

基于支持向量机的射孔枪结构优化设计方法

针对石油射孔枪结构的非线性因素导致其建模困难的问题,利用基于Hilbert变换的动力学系统非线性检测因子作为加权因子,提出了一种改进的加权最小二乘支持向量机非线性建模方法。利用有限元分析得出的数据对模型进行校验,最后利用改进的遗传算法对射孔枪结构进行优化。有限元仿真验证表明,优化结果与有限元结果最大的相对误差为2.6%,也说明基于改进的加权最小二乘支持向量机和遗传算法的优化方法用于射孔枪结构优化是十分有效的。     

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。     

Using a support vector machine method to predict the development indices of very high water cut oilfields

Because the oilfields in eastern China are in the very high water cut development stage, accurate forecast of oilfield development indices is important for exploiting the oilfields efficiently. Regarding the problems of the small number of samples collected for oilfield development indices, a new support vector regression prediction method for development indices is proposed in this paper. This method uses the principle of functional simulation to determine the input-output of a support vector machine prediction system based on historical oilfield development data. It chooses the kernel function of the support vector machine by analyzing time series characteristics of the development index; trains and tests the support vector machine network with historical data to construct the support vector regression prediction model of oilfield development indices; and predicts the development index. The case study shows that the proposed method is feasible, and predicted development indices agree well with the development performance of very high water cut oilfields.     

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。     

基于支持向量机方法的烷烃辛烷值预测

基于定量结构-性质相关(QSPR)原理,研究化学物质的结构与性能之间的关系,应用支持向量机(SVM)回归方法,建立了根据分子结构预测烷烃马达法辛烷值的数学模型,分别采用内部和外部验证的方式对模型性能进行了验证。结果表明,模型具有较高的稳定性以及预测能力。该方法的提出为工程上提供了一种根据分子结构有效预测烷烃马达法辛烷值的新方法。     

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。