基于机器学习的地质统计学随机建模方法研究

发布时间：2020-05-05 10:15

【摘要】：地质统计学随机建模方法是进行地质属性模拟的重要技术之一。其核心思想是通过已知测井数据计算实验变差函数,然后按照随机路径构建并求解克里金方程进行插值模拟,来重现地质模型可能的样子。在传统地质统计学随机建模中一般存在如下问题:传统地质统计学随机建模方法通常不考虑地震相的划分对随机建模过程的影响,导致建模结果不能全面整体地反映地质空间结构特征,为解决此问题产生了相控随机建模方法。但传统相控随机建模方法仍然存在不足:1)传统相控随机建模方法在对地震相进行分类时,往往要处理大量地质属性数据点,计算速度非常缓慢;2)传统相控随机建模中在插值时采用的仍然是传统克里金方法,该方法构建出的克里金方程在对未知点进行插值时只考虑了属于同类地震相已知数据点的影响因素,未考虑来自不同地震相的已知数据点对待插值点的影响因素。我们有理由认为,哪怕属于不同地震相的数据点之间的相关性小于属于同类地震相数据点之间的相关性,仍然有必要将这种相关性考虑进去。为解决以上问题,本文引入机器学习分类技术中的稀疏表示谱聚类方法对地震相进行加速聚类,并且在考虑属于不同地震相的已知数据点的影响下进行地质属性变量的随机建模。在地震相分类过程中往往需要处理大规模地质属性数据,其计算量和复杂度在实际研究中通常让人难以接受。为此本文在传统谱聚类算法的基础上,提出基于真实测井数据的稀疏表示谱聚类方法,来加速计算过程。通常情况下加速聚类的代价,是聚类效果的损失,但本文提出的基于真实测井数据的稀疏表示方法在一定程度上可以减少这种损失。同时,在随机建模的插值过程中,本文对传统简单克里金方程进行一定程度的改进,在方程中引入属于不同地震相的点之间的相关性,使得建模结果可以更全面地展现空间地质结构特征。地震相对于地质分析具有重要参考意义。本文力求对地震相进行快速准确划分,在对未知点进行插值时尽量考虑属于不同地震相的点相互之间的相关性,对传统相控随机建模方法分别在相划分和插值方面进行了一定改进,对地质勘探和地质储层预测具有一定意义。
【图文】：

云图,变差函数,云图

特征来描述其变化规律会更方便些，，即变差函数。变差函数 ( h)的定义是指相距为h 的两点，其函数值之差的平方的平之一，我们可以根据已知数据按照式(2-3)直接计算变差函数值：21( ) {[ ( ) ( )] }2 h E Z x h Z x函数具有增函数形式，平稳条件下变差函数图像显然是翻转过来的协方。事实上可以推导出式(2-4)的等价关系：22 21( ) {[ ( ) ( )] }21{[ ( ) ] [ ( ) ]22[ ( ) ][ ( ) ]}(0) ( )z zz zz zh E Z x h m m Z xE Z x h m Z x mZ x h m Z x mC C h 2 实验变差函数的计算与拟合

示意图,变程,块金,基台

对这些点按下列方式求取平均值：把定的区间段，之后对落在每一个区间段中的变差值求取的平均值与相应区间段的中点对应起来，这起来，所得的连线即为实验变差函数曲线。数为我们提供了关于空间区域化随机变量特性的最重要的工具就是变差函数，它可以解决很多问题的意思正是变差函数，它描述了空间上两点之间的提到过地质统计学中研究的区域化空间变量具有点与点之间的相关性很弱甚至消失。我们用变程程之后，我们根据变差函数云图拟合的变差函数曲。首先指出，随机变量平稳的重要特征是它的变差台值（如图 2-2 所示）。这里需要提醒一下，两点直方图的高斯形式是其平稳性的第一个特征。图 2变差函数的不连续性导致的非零值[21]，这种效应空间中相邻两点的数据值往往相差很大。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;P628.2

【参考文献】