基于机器学习的缝洞识别及多波联合反演方法研究

发布时间：2020-07-25 17:40

【摘要】：随着人工智能和机器学习的快速发展,机器学习已渗透到石油勘探开发的各个环节,对石油地球物理勘探产生了重要的影响,同时也带来了新机遇和新突破。石油地球物理勘探,尤其是测井和地震勘探,在研究过程中通常会遇到一系列的分类问题和回归问题。本文在调研总结石油地球物理勘探中的分类、回归问题的基础上,对分类问题中的裂缝和缝洞充填物识别,以及回归问题中的多波联合反演展开了研究,并分别提出了改进方法。针对裂缝和缝洞充填物识别,本文提出了一种基于最小二乘支持向量机的识别方法。结合FMI电成像测井图像和岩心观测资料,对裂缝和缝洞充填物进行分类;分析裂缝和缝洞充填物的测井响应特征,从众多的测井曲线中挑选出对裂缝和缝洞充填物敏感的测井曲线;由于利用单个测井曲线来识别的效果往往不佳,因此提取对裂缝和缝洞充填物更加敏感的组合参数;利用最小二乘支持向量机方法分别建立裂缝和缝洞充填物的识别模型,并通过粒子群算法对最小二乘支持向量机参数进行优化,以提高裂缝和缝洞充填物的识别精度。实际资料测试中,该方法的识别精度高于BP神经网络方法,识别结果与成像测井、岩心资料具有较好的一致性,说明该方法是可行的且具有一定的实用价值。针对多波联合反演,本文提出了一种基于改进贝叶斯推断和最小二乘支持向量机的非线性反演方法。该方法采用精确Zoeppritz方程进行PP波和PS波正演,避免近似公式在远炮检距和弹性参数纵向变化较大等情况下的误差;利用最小二乘支持向量机方法建立PP波、PS波反射振幅与弹性参数之间的最优非线性模型,以解决多波联合AVO反演的非线性问题;通过改进的贝叶斯推断对最小二乘支持向量机超参数的后验概率进行最大化,获得了最优的超参数,从而提高了多波联合反演的精度。模型试算表明,该方法的反演精度和抗噪能力优于常规方法;该方法的实际资料反演结果与实际测井曲线更加吻合,反演误差更小,表明该方法有着较强的适用性,利用该方法对研究区的实际多波地震资料进行反演是可行的。
【学位授予单位】：中国地质大学(北京)
【学位级别】：博士
【学位授予年份】：2019
【分类号】：P618.13;P631
【图文】：

示意图,神经网络结构,示意图,最小二乘

机器学习算法的本质是求解最优化问题的过程。即利数据进行学习，并构建学习模型，通过不断改进模型的免过拟合（张润，2016）。绍 BP 神经网络、支持向量机以及最小二乘支持向量机种方法进行了比较和分析，最后研究了最小二乘支持向新的参数优化方法，为后续裂缝及缝洞充填物识别、多。网络（Back Propagation Neural Network, BPNN）是一种误差elhart 和 Mcclelland，1986）。它具有三层结构，分别是层都由一个或多个神经元组成，如图 2-1 所示。

支持向量机,结构示意图

传播与误差反向传播的过程，直到输出的误差达到凭借良好的非线性映射能力，可以对任意函数进行拟 BP 神经网络各层神经单元的数量、学习系数等参（潘昊等，2005）。但是 BP 神经网络存在训练时间等问题。机）基于统计学习理论和结构风险最小原理，提出了VM)机器学习方法。该方法在小样本集的条件下，通间的折衷，克服了过拟合问题，获得了较强的泛化回归等问题（苏建龙等，2014）。支持向量机的结构

示意图,最优分类面,支持向量机,分类问题

法首先通过非线性函数，把低维的样本数据转换到次规划问题；最终在高维空间中构建分类决策函数问题。从理论来讲，通过该方法可以得到全局最优问题。下面介绍分类问题和回归问题中的支持向量在原始空间中线性不可分的非线性分类问题，支持间中的非线性分类问题转换为高维空间中的线性分超平面映射回原始空间，从而得到原始空间中的最策函数。

【相似文献】