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。     

基于风险矩阵和支持向量机的套管寿命预测

普通预测方法无法有效预测套管寿命,为此,建立了套管寿命预测模型。该模型基于支持向量机方法建立,通过对32个套管失效因素的影响等级及相应因素发生概率等级的定量分析,求得各因素对于套管失效影响的风险矩阵,并确定了油气井套管8种失效形式的危险性能指标。对60口非训练样本的套损井寿命进行预测,通过寿命预测值与现场实际寿命值的对比分析表明,该套管寿命预测方法对中长寿命油气井套管具有较高的预测精度。     

基于统计学习理论的山前构造带推覆带钻具失效预测

山前构造带推覆带钻具失效影响因素多,隐蔽性强。应用统计学习理论和支持向量机技术,建立了基于统计学习理论的山前推覆带钻具失效学习模型,通过对小样本数据的学习进行优化,分析钻具失效问题。应用该模型对现场钻井数据进行模拟,获得了和实际情况相一致的预测结果。     

基于支持向量机的稳健单井成本估计

传统的单井成本估计是基于输入时间和成本的确定的计算程序,或者采用概率方法.很多情况下,成本估计决定是否钻井,因此估计的可靠性十分关键.本文描述了基于应用的支持向量机的发展.除了成本估计,它还体现了预测的精度,从而证明了成本预测的可靠性.提出的方法使钻井工业有效估计了单井规划和钻井风险,模型的分析基于不同钻井变量的约束.进行了大量的模拟和验证,包括两个单井成本估计的实例.支持向量机成功预测了完井风险.     

支持向量机及其在石油勘探开发中的应用综述

支持向量机（SVM）是20世纪90年代中期发展起来的机器学习技术，与传统的人工神经网络不同，前者基于结构风险最小化原理，后者基于经验风险最小化原理。SVM在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势，适用于函数预测，模式识别和数据分类领域。将SVM应用于石油勘探开发领域是一个重要的研究方向，具有广阔的应用前景。     

基于层级支持向量机的石油价格预测

本文针对石油价格预测中数据选择不当、数据没有预处理和预测方法单一等问题,提出了层级支持向量机模型(SVM),予以解决。模型的第一层通过Gauss径向基核的支持向量回归机(SVR)对输入数据进行了预处理;模型的第二层对模型第一层所确定的输入数据进行融合,并做出最终的预测,最后用油价波动趋势进行了拟合分析。实例研究表明,层级SVM方法比SVR模型和BP神经网络的性能指标更优,具有很好的应用前景。     

基于支持向量机的钻井工况实时智能识别方法

钻井时效分析通常是依靠人工进行事后分析,具有主观性和随意性,不能及时准确地反映真实的现场情况。为了实时准确地对钻井工况进行自动判别,提高钻井效率,提出了一种基于支持向量机（SVM）的用数据驱动的钻井工况实时识别方法,建立了多个智能识别模型,并对其中的核函数进行分析比较,得出了模型参数的最优值。采用4口井的录井数据验证了模型的准确性,识别结果与实际工况基本一致,6种工况的识别正确率均达到95%以上。钻井时效分析与应用表明,钻井过程中应用工况识别结果,减少了不可见非生产时间。支持向量机实现了钻井工况的实时智能识别,提高了钻井时效,符合油田数字化和智能化发展的要求。      

基于支持向量机回归的机械钻速智能预测

塔里木盆地深层油气资源丰富,但随着井深的增加地层可钻性降低、研磨性升高,导致机械钻速低,钻井成本高等难题,亟需钻井优化技术.机械钻速预测是优化钻井的关键技术之一,准确的机械钻速预测可以为钻井参数优化、钻井工具优选等提供重要依据.利用钻井现场可实时获得的录井数据,基于决策树回归算法、随机森林回归算法、支持向量机回归算法和...     

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。     

螺杆钻具失效情况统计分析

通过统计长庆石油勘探局钻井二处所属油田硬地层螺杆钻具使用的失效情况，分析引起失效的原因，指出了生产厂家设计计算中宜需改进的地方。     

基于独立分量分析和支持向量机的管道泄漏识别方法

将独立分量分析(ICA)方法应用到管道泄漏检测压力信号的降噪中。分析了压力波信号源的独立性,探讨了运用ICA方法的可行性。利用现场采集的压力信号对该方法进行降噪效果检验。结果表明,该方法较好地保留了泄漏拐点信息且降噪效果明显。将支持向量机(SVM)方法应用到泄漏检测的识别过程中,首先采取微分进化算法优化了SVM模型参数,然后利用现场泄漏实验数据,验证了基于SVM方法的识别模型具有很好的识别准确率和泛化能力。在实验的基础上,对噪声源合并和泄漏信号源不可分问题作了初步讨论。     

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。     

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。     

基于支持向量机的早期聚合物驱动态预测研究

海上稠油油田由于受到开采时间的限制,一般在含水率达到40%之前进行聚合物驱,以提高油藏采油速度和开发效果,开发动态与陆上油田高含水期聚合物驱存在较大差异。文中应用统计方法,分析海上稠油油田早期聚合物驱的生产动态,从数据序列分析的角度研究其动态规律,认识不同动态参数之间的内在联系;基于支持向量机方法,建立时间与含水率、采出程度等动态参数之间的变化关系,并根据实际动态资料及时修正,进而建立能够反映早期注聚合物规律的预测方法。利用建立的预测模型,对渤海油田典型聚合物驱油藏进行实例计算分析。结果表明,建立的模型能够实现时间序列的多步预测,且预测结果满足精度要求,为早期聚合物驱开发指标预测和动态适时调控提供了一种有效的方法。     

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。     

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。     

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。     

支持向量机在多地质因素分析中的应用

将支持向量机、人工神经网络、多元回归分析及参数乘积判别法4种算法分别应用于鄂尔多斯盆地塔巴庙地区40个致密砂岩储层的含气性评价,其预测结果与试气结果的平均相对误差绝对值分别为:0,4.63%,29.71%,18.75%。该实例表明:前两种非线性算法远比后两种线性算法优越;非线性算法中,支持向量机比人工神经网络优越;线性算法中,参数乘积判别法比多元回归分析优越。其根本原因在于:含气性与其相关地质因素(孔隙度、渗透率、含气饱和度)之间存在着复杂的非线性关系。因此,当描述一个研究目标与多个相关地质因素的复杂关系时,应提倡采用非线性算法,特别是在耗时巨大、多次反复进行多地质因素分析的数据处理作业中,应提倡采用支持向量机。因为它与人工神经网络相比,具有计算速度快、计算结果精度高的特点。另外,参数乘积判别法也具有简明、快速的优点,其精度远高于多元回归分析;而多元回归分析不仅计算速度快,而且还具有能表达研究目标与其相关地质因素之间亲疏关系的优点,可作为辅助手段。     

基于支持向量机的腐蚀管线应力软测量方法

针对含腐蚀凹坑管线的应力计算问题 ,提出了基于支持向量机的软测量分析方法。通过对影响管线应力的因素进行分析 ,运用支持向量机建立含腐蚀凹坑管线的管线应力支持向量机模型。由腐蚀管线应力模型可以看出 ,用SVM建立模型比较简单 ,对原始数据不需要处理即可直接输入 ,避免了繁琐的计算公式和计算过程。由于SVM是通过一个凸二次规划来求解 ,因此得到的解是全局最优解 ,结果具有很高的精度 ,在工程上有广泛的应用前景