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低孔低渗油藏油水识别中的应用

低孔低渗油藏油水关系复杂,测井响应特征不明显,常规的人工经验性油水解释已不能满足实际开发需要。研究采用最小二乘支持向量机分类理论,选取多种相对独立的测井参数对低孔低渗储层流体性质识别分析,以工区试油已证实含油水类型的层位作为训练样本进行训练,建立不同流体性质储层的分类器相应支持向量机和分类面,通过已建立分类器的分类函数,可对待识别的层位进行识别分析。通过对工区的样本学习和预测,并与实际试油资料进行对比,符合率达到91.7%,从而表明,最小二乘支持向量机在油水识别中可获得良好的应用。     

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——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。     

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。     

支持向量机在小样本预测中的应用

支持向量机方法是一种有坚实理论基础的、新颖的小样本学习方法,可以用于处理高度非线性回归和分类问题.与现有的统计方法不同,它采用了结构风险最小化原理,因而预测精度较高;而且基本上不涉及概率测度及大数定律,最终的决策函数只由少数的支持向量所确定,因而其计算的复杂性仅仅取决于支持向量的数目,而非样本空间的维数.油气田开发工程中,往往需要根据小样本来预测某种方法或措施的效果,通过引入支持向量机方法,措施效果预测的精度有了明显的提高.     

支持向量机算法在地质录井中的应用

在地质录井油气水层识别研究中引入基于统计学习理论的支持向量机算法,对气测录井和地化录井中得到的各项参数及其导出参数之间的关系进行研究,并应用LibSVM软件建立了地质录井的油气水层识别模型,从而提供了一种新的地质录井油气水层识别方法。该方法在新疆某油田的实际应用结果证明,用支持向量机算法进行地质录井油气水层识别具有简单可靠、适应性强和识别精度较高等一系列优点。     

用灰色支持向量机进行储层油气、水模式识别

在石油天然气开发中,储层油气、水判别属于典型的模式识别问题。为了克服传统的学习方法存在的过于简单、对经验较强的依赖、涉及人为因素多、易陷入局部最小值、存在过学习问题等缺陷,同时也为了适应油气储层样本属性特征差异小,属性特征信号信噪比不够高的特点,在研究灰色关联和支持向量机原理的基础上提出灰色支持向量机模型,用于储层油气、水模式识别。与单纯的支持向量机识别方法相比较该模型判别油气、水属性的正确率高。研究结论可用于油气勘探储层精细评价和油气勘探二次开发。     

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。     

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.