基于支持向量机的电磁波传播测井反演参数约束条件提取方法

多参数阵列电磁传播电阻率测井(EPRL)资料的反演问题中,对每个待反演参数取值范围施加不同、恰当的限制条件,即所谓的约束条件,不仅可以有效地克服反演的多值性,而且可以提高反演的收敛速度.提出了一种基于支持向量机(SVM)的约束条件提取方法,首先,对实际问题可能出现地层进行分类,其次通过测井资料正演模拟得到训练样本,进而利用SVM进行地层类型识别.最后将识别的地层类型转化为反演参数的约束条件.将该方法应用于阵列电磁传播电阻率测井资料径向一维反演参数约束条件提取中,取得令人鼓舞的结果,由此可见这种方法是可行和有效的.     

支持向量机算法用于水淹层测井识别

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。本文总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测并曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。     

支持向量机在复杂岩性测井识别中的应用

针对海拉尔盆地乌南地区岩性复杂、岩性识别难的问题,在岩心分析资料的刻度下,首先采用主成分分析法优化测井输入参数,然后利用支持向量机的方法进行学习预测,并与聚类分析和神经网络的分类结果进行了比较.对比表明,支持向量机具有结构简单、适应性强、全局优化、训练时间短、泛化能力强等优点,尤其是在解决小样本、非线性和高维模式识别等问题方面,表现出其特有的优势.该方法克服了常规统计方法的局限性,可以在有限样本的情况下得到全局最优解.应用效果表明,利用支持向量机方法识别岩性,具有解释精度高,推广性好的特点,为复杂岩性识别提供了一种新方法.     

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     

测井识别岩性新方法--支持向量机方法

将基于统计学习理论的支持向量机方法引入到测井资料处理和解释中。在测井岩性识别方面研究发现,支持向量机方法克服了神经网络的固有缺陷,提供了一种识别岩性的新方法。应用效果表明该方法具有适应性强、识别精度高的优点。     

基于测井曲线的声波重构技术探讨

良好的声波质量是地震波阻抗反演的基础条件。但是受测井环境和地质条件本身的限制,声波很难达到可以直接反演的效果。基于测井曲线重构的拟声波技术可以将砂泥岩的速度完全分开,为后期的波阻抗反演技术奠定基础。     

一种用于测井油气层综合识别的支持向量机方法

提出了使用支持向量机分类技术在复杂储层中由常规测井、气测录井信息综合识别油气层类型的方法、步骤,重点阐述了输入特征选择、学习算法参数设置和在新疆油气田实际应用效果,并与人工神经网络、神经-模糊、最近邻分类器等3种机器学习模型识别检验结果进行了对比,检验结果表明由支持向量机所建立的油气水识别模型获得了最高的识别检验性能,其次是IncNN、FSM,而kNN相对最低,展示了支持向量机方法在复杂油气藏油气层类型识别应用中的高效性.     

基于支持向量机的辫状河测井沉积微相识别

辫状河沉积环境下的单井沉积微相解释工作易受其繁琐性与主观性影响。提出一种基于测井曲线针对辫状河沉积环境的沉积微相自动识别方法,用于单井沉积微相解释,为后续储层精细描述以及地质建模提供依据。以工区内测井曲线为基础,通过对地层单元内的测井数据进行分析,得到统计参数作为支持向量机训练的输入参数,输出对应的沉积微相解释结果。使用鄂尔多斯盆地某区块1 944组沉积微相样本数据对支持向量机进行训练,验证集由另外648组样本数据组成。2组数据集被选用于测试训练后的支持向量机在沉积微相自动识别方面的应用效果,其中第1组由648组样本数据组成,来自与训练集验证集同一区域,用于测试支持向量机对沉积微相识别效果;另外一组数据集由816组来自于不同区域的样本数据组成,用于测试方法的泛化性。结果表明该方法对2组测试集分类的正确率分别能够达到95.4%和93.1%。该方法在单井沉积微相自动识别方面具有足够的准确性与可靠性。     

基于储层分类的支持向量机渗透率预测

研究区孔隙度、渗透率分布范围广、非均质性强,在进行储层渗透率求取时存在较大误差。根据取心物性资料、测井资料,选用流动层带指标I_(FZ)划分方法将取心井储层划分Ⅰ、Ⅱ、Ⅲ、Ⅳ类,并建立每类储层的储层类型预测模型。根据与渗透率有关的测井属性变量,利用支持向量机技术对每类储层进行训练学习,分别建立各类储层的渗透率预测模型。对研究区取心井测试样本渗透率进行预测,与常规的统计方法以及分类前的支持向量机预测模型相比,分类后的模型预测精度有了明显提高,为研究区的储层评价提供了一种有效的研究途径。     

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.     

基于特征选择、遗传算法和支持向量机的水淹层识别方法

支持向量机是识别水淹层的有效方法,但其预测性能受多种因素的影响。研究提出一种水淹层识别新方法,采用Relief-F算法进行自动化特征选择,通过遗传算法优化模型参数以及使用加权支持向量机改善样本类数据分布不平衡对分类准确率的影响。将该方法应用于克拉玛依油田六中区克下组砾岩油藏水淹级别划分中,结果表明效果良好,增强了支持向量机的预测能力,进一步提高了水淹层解释的精度。     

基于支持向量机的分层注水效果预测模型设计与实现

将影响分层注水效果的井控储量、渗透率变异系数、连通率、原油粘度、月产油量、含水率、连通油井数、分注的分段数作为输入参数,将评价分层注水效果好坏的无因次增油量作为输出参数,建立了基于支持向量机的分层注水效果预测模型。选用油田实施井例建立了支持向量机的学习样本和检验样本,使用支持向量机的回归训练算法对学习样本进行学习训练,然后对检验样本进行预测运算,结果表明支持向量机方法能够达到较高的预测精度。与油藏数值模拟法和BP神经网络法计算结果进行对比,表明了支持向量机方法的预测精度高于其他两种方法,可以用来预测分层注水的效果,指导油田进行分层注水选井工作。     

基于支持向量机的调剖措施效果预测模型研究

因调剖措施效果受多种因素的影响,很难在调剖措施效果和各个因素之间建立一种确定的关系。利用支持向量机方法,采用径向基核函数,建立了调剖措施效果与各个因素之间的一种关系模型,分别以无因次增油量、含水率的下降等评价指标建立不同的支持向量机模型,利用已实施的调剖措施作为学习样本来获得相应的模型,分别用于对无因次增油量、含水率的下降等指标进行预测。该模型的检验过程表明,检验样本的平均误差控制在10%以内,具有较高的准确率。     

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。     

基于支持向量机的裂解炉燃料气热值软测量

针对裂解炉出口温度前馈控制需要快速准确的燃料气热值,提出一种基于支持向量机(Support Vector Machine)的燃料气热值软测量建模方法。该方法通过支持向量机算法确定模型的结构,然后运用交叉验证法确定模型的最优参数。分析了裂解炉燃料气热值的影响因素,并用支持向量机算法建立裂解炉燃料气热值软测量模型。利用某厂的裂解炉燃料气热值数据,对文中所提方法进行仿真研究。仿真结果表明:该方法能够准确地预测出燃料气热值,具有较高的热值预测精度,适于燃料气系统的热值建模。     

A Support Vector Machine Approach for the Prediction of Drilling Fluid Density at High Temperature and High Pressure

Abstract

A support vector machine (SVM) approach was presented for predicting the drilling fluid density at high temperature and high pressure (HTHP). It is a universal model for water-based, oil-based, and synthetic drilling fluids. Available experimental data in the literature were used to develop and test this SVM model. Good agreement between SVM predictions and measured drilling fluid density values confirmed that the developed SVM model had good predictive precision and extrapolative features. The SVM model was also compared with the most popular models such as the artificial neural network (ANN) model, empirical correlations, and analytical models. Results showed that the SVM approach outperformed the competing methods for the prediction of drilling fluid density at HTHP.     

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.