基于近似支持向量机的储层分析方法

发布时间：2017-10-05 00:29

  本文关键词：基于近似支持向量机的储层分析方法

  更多相关文章： 近似支持向量机 判别 地震属性 AVO曲线 储层分析

【摘要】：自地震勘探技术产生以来,不断有新的方法被提出和应用。伴随着这些新方法的提出,许多新的参量也顺势而生。因此,人们已经不仅仅局限于利用单一的参数信息来分析储层,而是结合多种信息来综合性地描述现有数据与目标特征之间的关联性,从而提高预测的准确度。目前,多数研究者一般采用两种方式来分析数据与目标之间的关联性:一是挑选出两到三种参数进行交会,通过交会图中不同目标数据的分布特征差异来识别特定的目标体;二是通过多种属性切片或剖面来综合地反映已知目标的特定特征,研究区中与目标属性特征一致的区域就是潜在目标。从实际的应用效果来看,以上方法能够取得较好的效果,但也存在一些不足之处:第一,待判别目标具有多个属性,属性差异的大小也不同,所以不同的交会组合对于待判别目标的区分效果有好有坏。如何结合多个属性特征来进行综合性地识别是一亟待改进之处。第二,判别式在制定时容易受到人为因素影响,由于表达式一般较为简单,导致方法的灵活性不高,准确性不够。自上世纪90年代中后期支持向量机理论快速发展以来,该理论在地震勘探领域中也得到了较多的应用。支持向量机一种有监督的机器学习方法,它基于结构风险最小化原则提出,得到的是全局最优解且能够规避欠学习或过学习的风险,因此相比神经网络及传统模式识别等方法而言该方法可靠性高。近年来,近似支持向量机理论逐步得到了发展,在判别的准确度不低于传统支持向量机的前提下极大地提高了运算性能。因此,在地震勘探中采用近似支持向量机就可以带入更多的属性和训练样本,通过数据量的大量增加来减少错误数据所占比重,从而提高判别准确率,这也使一些采用大数据量的支持向量机方法得以突破计算效率的瓶颈。基于以上原因,可以通过采用近似支持向量机方法来结合多个属性对目标进行判别分类,从而解决参与判别的属性种类数少以及判别准确度低的问题。本文的研究内容和成果大致如下:首先,介绍了支持向量机、近似支持向量机的发展历程、研究现状以及优势特点,进而提出采用该方法的研究目的和意义。第二,详细介绍了支持向量机、近似支持向量机的方法原理,通过实例分析总结出近似支持向量机的应用优势和特点。将近似支持向量机方法与井数据结合,通过将该方法应用到岩性判别和流体识别中,取得了较好的判别效果,进而证明近似支持向量机理论在实际应用中的可行性。第三,将近似支持向量机方法的应用从井所代表的“点”拓展到地震数据所代表的“面”上。将属性进行优选并生成训练集,利用近似支持向量机对待判别区域的属性体进行判别,预测含有利区,效果较好。另外,通过从四类含气砂岩模型的AVO曲线提取出极值点、斜率等多个描述曲线形态特征的参数形成训练集,最终将训练结果用于实际目标层的含气类型的判别,可以实现较好的判别效果。因此,通过在属性和AVO判别上的应用,证明了近似支持向量机理论的有效性,能够在储层分析中较好地发挥识别作用。
【关键词】：近似支持向量机 判别 地震属性 AVO曲线 储层分析
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P631.4
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 引言10-16
• 1.1 选题依据及意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 支持向量机与近似支持向量机理论的研究与进展12-13
• 1.2.2 地震属性及AVO技术的相关研究进展13-14
• 1.3 研究内容14-15
• 1.4 研究成果及认识15-16
• 第2章 近似支持向量机分类原理16-32
• 2.1 统计学习理论与支持向量机16-26
• 2.1.1 统计学习理论16-19
• 2.1.2 分类问题与训练集的构成19-20
• 2.1.3 线性分类方法20-22
• 2.1.4 支持向量机分类22-23
• 2.1.5 核函数理论及非线性划分23-26
• 2.2 近似支持向量机26-32
• 2.2.1 近似支持向量机原理26-30
• 2.2.2 近似支持向量机多类分类30-32
• 第3章 近似支持向量机分类功能的验证与分析32-42
• 3.1 利用理论数据验证各项分类功能32-35
• 3.1.1 线性与非线性分类32-34
• 3.1.2 多属性分类34
• 3.1.3 多类分类34-35
• 3.2 基于近似支持向量机的分类方法在流体识别方面的应用35-39
• 3.2.1 训练集与划分方式的选择35-36
• 3.2.2 基于近似支持向量机的气水划分36-39
• 3.3 基于近似支持向量机的分类方法在岩性预测方面的应用39-42
• 3.3.1 二属性与多属性判别对比分析39-40
• 3.3.2 同一口井中未知区域的岩性预测40
• 3.3.3 同区域中不同井之间的岩性判别40-41
• 3.3.4 跨区域井的岩性判别41-42
• 第4章 基于近似支持向量机的属性分析方法42-49
• 4.1 地震属性42-43
• 4.2 基于类可分性度量的属性优选方法43-46
• 4.2.1 类的可分性度量43-44
• 4.2.2 基于类可分性度量的属性优选方法44-46
• 4.3 基于近似支持向量机的属性方法预测含油储层分布46-49
• 4.3.1 数据简介及预测方法46-47
• 4.3.2 近似支持向量机判别及结果分析47-49
• 第5章 基于近似支持向量机的AVO判别49-57
• 5.1 AVO基础理论49-50
• 5.2 基于近似支持向量机的AVO判别50-57
• 5.2.1 基于近似支持向量机的AVO判别原理50-53
• 5.2.2 四类含气砂岩的判别实例53-57
• 结论与认识57-58
• 致谢58-59
• 参考文献59-63
• 攻读学位期间取得学术成果63

【参考文献】

中国期刊全文数据库 前10条

1 杨玲;李鹏飞;;测井岩性识别方法研究[J];中国高新技术企业;2015年02期

2 佘刚;王光付;竺知新;;根据AVO响应识别不同流体类型的方法[J];科技导报;2013年17期

3 王宝江;李美;于强;王大兴;吴汉宁;高静怀;;复杂气藏AVO属性交会含气性检测应用研究[J];地球物理学进展;2013年01期

4 王凤波;潘仁芳;刘珊禄;余翠明;;元坝地区含气砂岩AVO正演模型研究——以元坝地区须二段储层为例[J];长江大学学报(自科版);2013年02期

5 周怀来;李录明;罗省贤;王明春;;各向异性含气砂岩模型正演及AVO响应特征分析[J];勘探地球物理进展;2010年03期

6 侯伟;杨宇;周文;黄东杰;杨勇;;子洲气田气水层测井识别方法[J];岩性油气藏;2010年02期

7 贺振华;王栋;;扩展流体识别因子及应用[J];矿物岩石;2009年04期

8 程学云;;PSVM多类分类及其应用[J];信息技术;2009年04期

9 邓友茂;李录明;;含气砂岩AVO正演模型研究[J];内蒙古石油化工;2007年10期

10 宁忠华;贺振华;黄德济;;基于地震资料的高灵敏度流体识别因子[J];石油物探;2006年03期

，

本文编号：973770