基于概率核主成分分析的属性优化方法及其应用

主成分分析（PCA）是最常用的属性优化分析技术,但存在缺少概率模型和缺失高阶统计量信息的不足。本文基于贝叶斯理论和核主成分分析（KPCA）法,研究了可同时克服PCA两个缺点的方法——概率核主成分分析（PKPCA）。即首先将样本数据映射到高维特征空间,继而在特征空间定义数据的概率模型,最后应用期望最大（EM）估计最佳结果。该方法兼具概率分析和核主成分分析的优点,能有效地适应更复杂储层情况,实现非线性概率分析。实际数据的应用结果表明,基于贝叶斯理论的属性概率优化法提高了属性优化的精度,同时增强了储层预测的准确性和可靠性。     

应用地震属性主成分分析识别古河道

利用曲率、相干等属性刻画河道的效果不明显,对这些属性的主成分分析效果较差。地震纹理、相干能量、谱峰值和分频振幅等属性虽然能较好地识别部分古河道,但是存在古河道刻画不全、识别范围有限等问题。为此,提出了应用地震属性主成分分析(PCA)识别古河道的方法,精细刻画了不同尺度古河道,预测效果优于单一属性,较好地提高了古河道识别精度。获得以下认识：(1)地震纹理、相干能量和谱峰值三种地震属性能够较好地刻画古河道,但是对古河道的识别结果不全面;利用PCA融合了三种地震属性识别河道的有效信息,可突出古河道的展布特征及边界形态。(2)基于分频瞬时振幅剖面对河道变化细节的识别差异,利用PCA融合不同频段瞬时振幅属性,以增强共性细节信息,提高了古河道识别精度。应用所提方法识别川西地区沙溪庙组河道,准确地反映了古河道的具体位置及轮廓。     

基于匹配追踪与核主成分分析的地震信号高分辨率处理方法

分辨率是影响地震资料解释结果的一个重要因素,地震信号分辨率低,将导致小断层、薄互层难以识别。为此,将匹配追踪算法与核主成分分析（KPCA）方法应用于地震资料处理,提出了基于匹配追踪与核主成分分析的地震信号高分辨率处理方法。首先,利用匹配追踪算法通过稀疏分解不断迭代得到地震信号的最有效信息;然后,将子波替换为宽带Ricker子波进行整形处理,有效压制子波旁瓣,提高地震资料分辨率;最后,用核主成分分析方法将原始地震信号非线性映射到高维空间,在高维空间内重建地震信号,消除冗余信息。实际资料应用表明,经所提方法处理后的地震信号,波形更清晰,细节更丰富,处理结果有利于断层识别、薄层刻画,为后续地质资料解释、储层预测提供数据基础。     

缝洞型碳酸盐岩储层地震属性优化方法及应用

 针对塔里木盆地缝洞型碳酸盐岩储层各向异性特征显著、纵横向非均质性强的特点,本文在分析多元逐步判别法和核主成分分析法的基础上,将两种算法有机结合起来用于地震属性的优化,并以塔中45井区为试验区,建立了该区缝洞型碳酸盐岩储层的预测模型。实际应用中,剔除模型中对判别结果不敏感的属性,使各属性变量互不相关,很好地处理了地震属性之间的非线性问题,确保计算结果的稳定性;对模型进行回判检验,总符合率达到90.57%,表明所建模型的可靠性,可为地震属性优化与缝洞型碳酸盐岩储层预测研究提供一种有效的方法。     

基于主成分分析的多属性聚类方法在裂缝预测中的应用

准确预测储层裂缝分布是勘探开发中的重点。地震几何属性对裂缝预测的效果最好,但不同的裂缝属性往往是地下不同裂缝特征的响应。综合考虑多种属性预测结果,提出基于主成分分析的多属性聚类方法,提取多种裂缝属性相互独立的主成分分量,再利用这些分量进行聚类分析,最终获得能够代表多种属性的裂缝预测成果。实际资料表明,该方法具有一定的实用价值。     

基于经验模态分解的属性优化方法

本文提出了一种基于经验模态分解的属性优化新方法,其具体步骤为:首先对某一种地震属性的各个列向量分别进行经验模态分解,得到各个列向量的固有模态分量组;其次分别对每一组固有模态分量的各个分量的权重进行归一化,并将前若干分量分别乘以相应的归一化权重系数后再线性相加得到新的列向量,进而构成优化后的属性矩阵;然后对其他几种参与优化的属性也实行前面两个步骤,分别得到相应的新的地震属性矩阵;最后将得到的新地震属性矩阵进行线性叠加,得到优化后的地震属性矩阵。将经验模态分解方法和主成分分析方法分别应用于相同的实际资料,试验证明前者在保证运行效率的情况下能用更少的主成分(固有模态分量)刻画出更多的原始属性信息,并且提高了原始属性剖面的分辨率。     

针对薄互层储集特点的地震属性优化技术及应用效果

利用地震资料属性信息预测油气储层的相关参数已在实践中见到了较好效果,但如何优化地震属性,如何更精确地预测薄砂岩储层特征是地质及地球物理勘探家们不懈的追求.在借鉴主成分分析思想的基础上,提出一种新的地震属性优化方法——约束主成分分析。理论模型计算及油田应用结果表明,该方法不仅能提高储层预测的精度,而且具有更强的适用性。     

基于核主成分分析-半监督极限学习机的钻井溢流诊断方法

溢流是钻井作业中最常见的事故之一,如果对溢流监测与诊断不及时,可能导致严重的井控风险,甚至井喷。钻井现场监测数据较多,直接采用这些数据作为溢流诊断模型的输入会增加模型的复杂度,影响模型的准确率,并且在诊断模型建立过程中存在溢流样本数据标记代价较高的问题。为此建立了基于核主成分分析-半监督极限学习机（KPCA-SSELM）的钻井溢流诊断方法。首先利用核主成分分析（KPCA）算法对钻井各参数进行信息整合,提取其主成分以反映原数据的核心信息,然后选用半监督极限学习机（SSELM）算法进行模型训练,最后利用现场钻井数据与SSELM和KPCA-ELM等模型进行对比实验,验证模型的有效性。结果表明,基于KPCA-SSELM的模型较其他模型具有较高的溢流诊断率及模型泛化能力,采用半监督极限学习机算法能够在钻井数据标记样本比较少的情况下充分挖掘无标签样本所包含的信息训练网络,进一步提高模型的性能,具有很好的应用前景。     

核主成分分析法在测井浊积岩岩性识别中的应用

在复杂岩性油气藏储层评价中,如何合理利用测井曲线信息判别岩性是一个难题,东营凹陷董集洼陷浊积岩岩性复杂,采用常规交会图法以及主成分分析法都难以有效地识别岩性。为了解决这一问题,基于粒子群算法以及核函数理论,结合该区的测井响应特征,采用核主成分分析法,建立新的主成分计算方法,选取该区实测的自然伽马测井（GR）、声波时差测井（AC）、中子孔隙度测井（CNL）、密度测井（DEN）、原状地层电阻率（RT）构建出五个主成分变量,其中前两个主成分变量累积贡献率达到了93.83%,可以有效地代替原始多维测井信息。实例分析结果表明,利用前两个主成分变量主成分进行交会分析,可以有效地识别浊积岩的岩性,并将该方法在研究区进行了试验,岩性识别准确率达到了90%,较传统方法具有更高的岩性识别精度,取得了良好的应用效果。     

储层地震属性优化及属性体解释

地震属性与所预测对象之间的关系十分复杂。不同工区和不同储层有不同的敏感地震属性;同一工区、同一储层不同预测对象对应的敏感地震属性也有差异。为此,引入了地震属性优化及属性体解释方法。文章论述了地震属性优化的基本原理,简要介绍了其优化方法,给出了两个地区、两种预测对象、4种优化属性体解释的实例。     

基于灰关联和遗传算法的地震属性优化方法

 利用地震属性进行储层物性参数（孔隙度）的预测研究,其精度和准确性一直是油气田勘探开发期间所关注的问题,而属性优化方法是其中的关键环节。本文从优化方法入手,将灰关联、遗传算法和BP网络有机结合,以提高储层物性参数（孔隙度）的预测能力。首先依据反演成果开展精细储层解释,并进行沿层相关属性提取和灰关联分析,寻找较敏感的属性;然后利用遗传算法和BP网络进行属性组合优化,获取最优属性组合,最终达到预测储层物性参数（孔隙度）的目的。应用实例表明,此法的储层预测精度较高。     

井聚类地震属性优化方法在古708区块的应用

讨论了利用地震属性优化方法在齐家北地古708区块进行储层预测的过程，针对单纯地震属性优化方法储层预测符合率低的实际，运用井资料聚类联合地震属性优化进行储层预测的方法．取得了较好效果，该方法对提高外围油田扶余油层储层预测精度具有一定意义。     

基于PCA与K-SVD的地震数据去噪方法

噪声干扰严重影响地震信号的质量,研究优秀的地震数据去噪方法是地震勘探领域一项具有挑战的任务。针对传统字典学习K-SVD去噪算法在处理地震数据时的局限性,文中提出了一种结合主成分分析（PCA）和K-SVD的地震数据去噪方法。首先,利用PCA对地震数据降维处理,将高维地震数据转换到更低维度的特征空间,有效提取地震信号的主要特征,减少数据冗余,降低计算复杂度;其次,通过PCA与K-SVD联合将信号表示为一组稀疏的基向量线性组合,捕获地震信号的稀疏性质,有效去除噪声;最后,在模拟数据和实际地震数据集上对比三种方法的有效性。数据试算和实际数据试验结果表明,基于PCA与K-SVD的地震数据去噪方法在去除地震数据中噪声的同时,能够保留地震信号的重要特征,显著提高了地震数据的信噪比,与传统KSVD算法相比,不仅有更低的计算成本,而且能够实现更好的去噪效果,为地震数据的去噪处理提供了一种新思路。     

地震属性奇异值分解法降维的应用

在地震属性领域中,从地震资料中提取的地震属性可达上百种,大多情况是凭解释人员的经验来完成地震属性挑选的,不但增加了工作量,人为因素也难以避免,为解决这一困难,需要把数据挖掘技术引入地震属性领域。数据降维就是数据挖掘的一种,本文将奇异值分解降维方法应用到地震属性降维中,通过与钻井、试油的对比结果来看,在储层含油气预测方面数据降维方法是一种有效的分析方法。     

地震多属性RGBA颜色融合技术的应用研究

利用数学工具和计算机图形能力将众多的地震属性映射为低维数的数据进行解释,可以提高地震属性分析的效率。地震多属性PCA-RGBA颜色融合技术是一种基于视觉的属性分析方法,其原理是,将多个地震属性通过主成分分析(PCA)技术进行降维,并将主分量按特征值由大到小排序,取前3个(或4个)主分量利用RGBA(Red-Green-Blue-Alpha)颜色融合原理获得一张融合图;再结合实际地质资料,在融合图像上依据颜色的区域性和突变异常等视觉特征,进行地质目标解释。在渤海SZ油田,应用该方法对常规地震属性数据进行了处理,在辅助断层识别、油藏流体时移变化区域判定等方面获得了良好的效果。     

基于主成分分析的距离判别分析方法在岩性识别中的应用

针对复杂储层岩性识别难度较大的情况,本文引入基于主成分分析的距离判别分析方法,将测井资料来划分岩性,看作是一种类别判别问题,通过计算样本到各个类的距离大小来判别样品类别的归属;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际结果相比较具有较好的一致性,实验表明,基于主成分分析的距离判别分析方法在岩性识别问题中有着一定的应用前景。     

基于地震多属性的裂缝检测技术

针对构造变形为主控因素的裂缝型储层,开展了以叠后地震属性分析为主要手段的裂缝识别和预测研究。通过采用单属性与多属性综合识别和预测相结合的方式,总结研究区属性优选及分析方法,结合实际地震资料,建立了一套多属性裂缝预测的有效流程。     

地震多属性综合分析的应用研究

由于地震属性与储层特征对应关系复杂,利用地震单一属性进行储层预测往往存在多解性。然而随着地震属性研究的深入,地震属性的数量和分类也更为细化,因此地震多属性的优化组合与综合分析成为必然。为此总结了多属性综合分析的技术流程并将其应用于实际数据分析。其主要步骤为：①不同种类的属性提取和分析;②属性的预处理,即剔除异常值并进行滤波等处理;③结合钻井、采油资料寻找和筛选敏感属性;④利用K—L变换来对优选出的地震属性进行降维处理;⑤利用线性、非线性等综合分析技术进行储层预测。将该分析技术应用于CN工区某一储层的含油气性预测中,然后利用波阻抗反演结果对研究成果进行相互验证,发现综合分析结果有效地减少了预测目标的多解性,取得了较为理想的预测效果。     

基于主成分分析的砂砾岩储层孔隙度计算方法研究

新疆某油田X井区砂砾岩储层具有岩石结构复杂、储层非均质性强、低孔隙性和低渗透性特点。利用主成分分析法,提取反映孔隙度变化的测井响应成分建立的孔隙度模型,既考虑了多种解释参数同时又抑制了无关信息的干扰;用该方法所计算的孔隙度与岩心分析孔隙度符合程度更好,比单纯利用一个参数所建立的孔隙度模型以及多元回归所建立的模型精度要高,在该井区得到了比较理想的应用效果,为含油饱和度的评价奠定了基础。