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。     

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     

基于最小二乘支持向量机的大孔道定量计算方法

大孔道的发育造成大量注入水低效、无效循环,降低了开发效果,如何定量计算大孔道已成为高含水期油田开发中亟待解决的问题。为此文中提出利用最小二乘支持向量机方法定量计算大孔道参数。从大孔道形成前后的动、静态响应特征出发,选取了大孔道的控制因素作为最小二乘支持向量机的输入,对应的大孔道参数定量解释结果作为最小二乘支持向量机的输出,通过统计训练学习,建立了大孔道与控制因素相关的定量计算模型,进而得到大孔道的定量计算结果。结果表明,支持向量机模型的计算结果与样本值拟合精度较高,能较好且客观地反映各控制因素对大孔道的影响。在岔15断块试验区应用后发现,模型的计算结果与实际监测值误差较小,满足矿场应用要求,具有较高的应用价值。     

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。     

基于模糊支持向量机方法的岩性识别

针对复杂岩性识别中存在的模糊性,提出一种基于模糊支持向量机方法的岩性识别方法。该方法在传统支持向量机方法中引入样本对岩性类别的隶属度,充分考虑储层岩性划分的模糊性和相同岩性对应的特征参数值范围很大等问题。在模糊支持向量机方法中,依据样本的重要性给不同的样本赋予相应的隶属度,使各样本在构造最优分类面时起不同的作用,从而使基于模糊支持向量机的岩性识别方法具有更好的抗噪性能及分类能力。应用效果表明该方法具有适应性强、识别精度高的优点。     

基于支持矢量机的聚驱井压裂选层方法

聚驱井压裂效果评价是压裂优化设计中的重要环节.提出了筛选压裂效果影响因素的主成分分析方法,通过主成分分析可以筛选出关键影响因素组合,减少参数间多重相关性,降低问题复杂性.根据统计学习理论建立了聚驱井压裂效果评价的统计学习模型,与模糊数学和人工神经网络等模型相比,该模型具有更好的对已知数据的综合能力和对未知数据的推广能力.使用支持矢量机算法进行数值计算,最终得到压裂设计的优化方案.     

基于支持向量机催化裂化轻柴油凝点软测量

介绍了一种支持向量机与遗传算法相结合的方法，并通过实测数据建立催化裂化轻柴油凝点数学模型，在线计算轻柴油油气分压和装置在线验证，模型具有泛化能力，并将其作为软仪表用来实时优化工艺操作。     

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。     

基于变异函数及支持向量机测井曲线插值方法

将支持向量机和变异函数结合,提出一种新的空间插值方法,改进支持向量机法.该方法将变异函数作为支持向量机目标函数的约束条件,利用了变异函数的空间相关结构重建能力,保留了支持向量机较强的非线性回归能力.为了评价该方法的插值精度,将它和4种已存在的加权距离反比法、径向基函数法、克里金法和支持向量机法等空间插值方法应用于测井的地温场数据、煤层厚度数据以及测井声波时差曲线的插值重构,结果表明,改进支持向量机算法相对其他插值重构算法具有较高的插值精度和较好的相似度,能够很好地实现对空间区域变量的插值重构.     

基于阶梯式广义预测控制的钢球磨煤机控制系统

钢球磨煤机制粉系统,存在大滞后、大惯性、强耦合等特点,难以实现自动控制。针对某电厂钢球磨煤机制粉系统,对现场运行数据进行分析,建立数学模型。通过分析磨煤机的工作特性,提出了基于阶梯式广义预测控制(SGPC)的控制方案,通过3个回路分别实现磨机负荷、出口风温度、入口负压的控制,运用前馈补偿来减少各个回路之间的耦合,并分别对各个回路设计了阶梯式广义预测控制器。仿真分析表明,采用前馈补偿时,各个回路间耦合降低,控制性能较好。该控制方案在电厂钢球磨煤机制粉系统中的运行结果表明,控制方案具有较高的控制精度和自动投运率。     

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。