AVO分析与基于近似支持向量机的流体识别

发布时间：2021-02-03 16:48

　　AVO（Amplitude Versus Offset）反演可获得多种叠前属性,但单一的属性（或因子）对流体的识别能力较组合因子弱,因此利用多参数或组合因子进行流体识别是目前油藏描述的发展方向之一。本文基于叠前地震资料,在提取多种AVO属性和组合因子的基础上,利用近似支持向量机进行机器学习,以提高流体识别的精度。研究包括以下三个方面:（1）比较了支持向量机（Support Vector Machines,SVM）、近似支持向量机（Proximal Support Vector Machine,PSVM）的原理与优缺点;（2）分析了单个AVO属性、组合因子的流体识别能力,优选了用于PSVM的输入参数;（3）搭建了PSVM的多类分类算法对实际工区进行流体识别的流程框架。首先采用理论数据进行PSVM一系列主要功能的验证,其次利用实际井旁道数据进行学习,最后利用PSVM对整个剖面进行了分类。通过以上研究,得到了以下认识:（1）PSVM方法基于传统的SVM在运算效率上明显提高,且对大样本数据的处理上更加具有优越性。大量的实例研究证明无论是理论数据,还是实际的井旁道数据,PSVM都能用其对应的分类... 

【文章来源】：成都理工大学四川省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

样本集的二维平面表示（邓乃扬等，2004）

≤ （ = ）。从 2-2 的示意图可以到一个点使得这两个凸壳距离最近（用 和一条垂直平分线，那么这条垂直平分线就是只需要通过求解以系数 = ( ,…, ‖ 的极小点 = ,…, ，然个点的表达式 = щ ， = щ 求取出两个凸壳划分线的表达式( д ) ) д ( ) 。（邓乃扬 等，2004）

最大间隔法示意图（邓乃扬等，2004）

【参考文献】：
期刊论文
[1]基于灰色近似支持向量机的加速度计参数预测[J]. 于湘涛,周峰,徐国栋,张吉.  导航定位与授时. 2017(05)
[2]基于近似支持向量机的能见度释用预报研究[J]. 吴波,胡邦辉,王学忠,黄泓,王举.  热带气象学报. 2017(01)
[3]基于近似支持向量机的流体识别方法[J]. 刘佳乐,文晓涛,张瑞,李天,李世凯.  辽宁化工. 2016(04)
[4]基于模糊加权近似支持向量机的Web文本分类[J]. 王平,吴剑.  计算机应用与软件. 2015(05)
[5]岩石物理驱动下地震流体识别研究[J]. 印兴耀,宗兆云,吴国忱.  中国科学:地球科学. 2015(01)
[6]测井岩性识别方法研究[J]. 杨玲,李鹏飞.  中国高新技术企业. 2015(02)
[7]利用弹性参数识别致密砂岩储层流体性质[J]. 边会媛,王飞,岳崇旺,张永浩.  地球科学与环境学报. 2014(04)
[8]多重孔岩石微分等效介质模型及其干燥情形下的解析近似式[J]. 李宏兵,张佳佳.  地球物理学报. 2014(10)
[9]根据AVO响应识别不同流体类型的方法[J]. 佘刚,王光付,竺知新.  科技导报. 2013(17)
[10]复杂气藏AVO属性交会含气性检测应用研究[J]. 王宝江,李美,于强,王大兴,吴汉宁,高静怀.  地球物理学进展. 2013(01)

博士论文
[1]支持向量机分类方法及其在文本分类中的应用研究[D]. 赵晖.大连理工大学 2006
[2]多属性AVO分析及弹性参数反演方法研究[D]. 孙鹏远.吉林大学 2004

硕士论文
[1]深度域AVO叠前同步反演方法[D]. 蒋伟.成都理工大学 2018
[2]深层叠前反演与储层评价[D]. 张瑞.成都理工大学 2017
[3]基于近似支持向量机的储层分析方法[D]. 刘佳乐.成都理工大学 2016
[4]基于支持向量机的非线性AVO反演[D]. 应茜羽.中国海洋大学 2015
[5]基于双相介质的流体识别因子构建及应用[D]. 刘艳秋.吉林大学 2014
[6]近似支持向量机参数选择及稀疏度的研究[D]. 崔芳芳.河北大学 2012
[7]饱含流体介质的AVO数值模拟研究[D]. 胡晓丽.成都理工大学 2011
[8]基于岩石物理的流体识别研究[D]. 盖海洋.中国石油大学 2009
[9]AVO分析与流体识别[D]. 王栋.成都理工大学 2009
[10]弹性AVO反演[D]. 容娇君.成都理工大学 2008



本文编号：3016841