基于粒子群优化最小二乘支持向量机的裂缝及缝洞充填物识别

发布时间：2018-01-14 13:32

本文关键词：基于粒子群优化最小二乘支持向量机的裂缝及缝洞充填物识别　出处：《大庆石油地质与开发》2017年02期 　论文类型：期刊论文

【摘要】：碳酸盐岩储层中发育的缝洞是油气的主要储集空间和渗流通道,缝洞充填物影响着储层的渗流能力和储集能力,碳酸盐岩储层中裂缝及缝洞充填物的识别对于此类储层的勘探开发具有重要意义。基于常规测井资料对裂缝和缝洞充填物的响应特性,提出综合应用粒子群算法(PSO)和最小二乘支持向量机(LSSVM)的裂缝及缝洞充填物识别方法 (PSO-LSSVM),并将该方法和BP神经网络分别应用于滨里海盆地东缘石炭系碳酸盐岩储层裂缝及缝洞充填物的识别。对比分析两种方法的识别结果,PSO-LSSVM的识别效果比BP神经网络好。利用PSO-LSSVM方法得到的识别结果与FMI电成像测井图像及岩心资料得到的结果有较好的一致性。
[Abstract]:The fractures and cavities developed in carbonate reservoirs are the main reservoir space and percolation channel of oil and gas, and the fracture-cavity filling material affects the percolation ability and reservoir capacity of the reservoir. The identification of fractures and fracture-cavity fillings in carbonate reservoirs is of great significance for the exploration and development of such reservoirs. This paper presents a new method for the identification of fractures and crevices filled with PSO (particle swarm optimization) and LSSVM (least squares support vector machine). The method and BP neural network are applied to the identification of fractures and fracture-cavity fillings in Carboniferous carbonate reservoirs in the eastern margin of the BinCasi Basin, and the results of the two methods are compared and analyzed. The recognition effect of PSO-LSSVM is better than that of BP neural network. The recognition results obtained by PSO-LSSVM method are in good agreement with those obtained from FMI electrical imaging logging images and core data. Sex.
【作者单位】：中国地质大学(北京)地球物理与信息技术学院;中国石化石油工程地球物理有限公司胜利分公司;大庆油田有限责任公司第六采油厂;中国石化石油勘探开发研究院;
【基金】：国家高技术研究发展计划项目(2013AA064201) 国家科技重大专项课题(2016ZX05003-003)联合资助
【分类号】：P618.13
【正文快照】： 缝洞型碳酸盐岩储层是非常重要的储层类型之一,此类储层的油气储集能力和渗透能力取决于缝洞的发育程度、充填物类型及其充填程度[1]。因此,正确识别裂缝及缝洞充填物是碳酸盐岩储层勘探开发的关键,对储层的综合评价具有举足轻重的作用。目前,国内外学者对碳酸盐岩储层主要集

【参考文献】