| 摘 要： | 目前有岩石物理、地质统计学及地震多属性三类方法预测孔隙度和饱和度。第一类应用广泛且物理意义明确，但预测结果具有一定局限性。第二类可以获得较常规方法分辨率更高的预测结果，但在构造复杂区域预测储层参数存在一定困难。第三类中的支持向量机算法（Support Vector Machine,SVM）的计算复杂度随着样本增加而增加，且难以评估预测结果的不确定性；第三类中的相关向量机算法（Relevance Vector Machine,RVM）没有明确的理论指导核参数选取。为此，利用粒子群算法（Particle Swarm Optimization,PSO）指导核参数选取，在获取最优核参数基础上定量预测储层参数；同时考虑到变异系数可消除量纲的影响，引入变异系数评估预测结果的不确定性，结合逐步回归算法优选地震属性，提出了一种基于粒子群优化的相关向量机算法（PSORVM）的孔隙度与饱和度定量预测方法。数值模拟和实际数据应用结果表明：(1)PSO-RVM具有较好的学习性能和泛化能力，且具备一定的抗噪能力；PSO-RVM预测结果的均方根误差低于RVM，预测精度更高，说明PSO可以有效指导RVM核参数选择，...
|
