论文部分内容阅读
在油气勘探开发活动日益深化,面临的勘探对象日趋复杂的情形下,传统的测井解释方法在岩性识别、计算孔隙度和渗透率方面的符合率已经难以满足生产需要,本文通过引入在高维、非线性以及小样本方面有独特优势的支持向量机法,并且使用交叉验证法对其关键参数进行寻优优化,得到模型后进行岩性、孔隙度和渗透率的预测。本文从支持向量机的基础统计学理论开始介绍,阐述了支持向量机的原理,引出了核函数的概念,对不同的核函数性能做了对比。利用工区的数据输入使用了不同核函数的支持向量机,根据预测的值得到准确率最高的核函数——径向基核函数(RBF),利用K折交叉验证法对关键参数错误代价系数C与核函数参数g寻优从而用于建立支持向量机模型。在岩性识别预测时,首先对五个工区的地质情况作分析进行岩性分类,收集整理录井、薄片鉴定和取心资料,分析地质情况,对五个研究工区岩性的类型划分和归类,将苏里格苏东和苏西地区岩性划分为四类:石英砂岩、岩屑石英砂岩、岩屑砂岩和泥岩;潜山地区划分为九类岩性:混合花岗岩类、混合片麻岩类、注入混合岩类、浅粒岩类、浅粒质混合岩类、变粒岩类、片麻岩类、角闪岩类、基性侵入岩类;碳酸盐储层的X井划分为五类岩性:砂岩、泥岩、白云岩、石膏和盐岩,Y井划分为四类岩性:灰岩、泥岩、石膏和盐岩。进行测井响应与岩性敏感性分析,在错综复杂的测井响应特征中,选择了可以适用于三类储层五个研究工区岩性识别的响应特征再利用测井响应与岩性敏感性分析确定对岩性敏感的响应特征,苏里格苏东和苏西工区选取对岩性敏感的响应特征光电吸收截面指数(Pe)和自然伽马(GR)为支持向量机的输入特征,潜山地区选取对岩性敏感的响应特征密度(DEN),中子(CNL)以及自然伽马(GR)为支持向量机的输入特征,海外某地区X井选取对岩性敏感的响应特征发现测井响应特征密度(RHOZ)、声波时差(DT)、自然伽马(GR),Y井选取对岩性敏感的响应特征深侧向电阻率(RD)、声波时差(AC)、自然伽马(GR)为支持向量机的输入特征。确定支持向量机的输入特征后,根据选取的训练样本采用3折交叉验证对三类储层五个研究工区的支持向量机建模所需关键参数寻优,得到苏东地区支持向量机惩罚因子C=1.7411和核函数参数g=9.1896,苏西地区支持向量机惩罚因子C=3.0314和核函数参数g=3.4822。潜山地区支持向量机惩罚因子C=36.7583和核函数参数g=6.9644。X井支持向量机惩罚因子C=222.8609和核函数参数g=0.3789,Y井支持向量机惩罚因子C=2.2974和核函数参数g=18.3792。寻得关键参数后建立支持向量机模型,同时使用不同方法输入相同的训练样本建立模型与交叉验证优化的支持向量机做对比。苏东地区对35组数据进行岩性预测得到结果,交叉验证优化的支持向量机法准确率达到94.3%,传统支持向量机准确率为91.4%,神经网络法准确率88.6%。优化后的支持向量机法比传统支持向量机法准确率高2.9%,比神经网络法准确率高5.7%。苏西地区对40组数据进行岩性预测后得到结果,交叉验证优化的支持向量机法准确率达到92.5%,传统支持向量机准确率为90%,神经网络法准确率87.5%。优化后的支持向量机法比传统支持向量机法准确率高2.5%,比神经网络法准确率高5%。在潜山地区对201组数据进行预测,得到结果交叉验证优化的支持向量机准确率为90%,传统支持向量机准确率为86.6%,神经网络法准确率为82.6%。交叉验证优化的SVM比传统SVM和神经网络法的准确率分别高3.4%和7.4%。分别对海外某地区X井和Y井50组数据进行预测。X井预测得到结果交叉验证优化的支持向量机准确率为86%,传统支持向量机准确率为80%,神经网络法准确率为82%。对Y井预测得到结果,交叉验证优化的支持向量机准确率为88%,传统支持向量机准确率为84%,神经网络法准确率为80%。交叉验证优化的SVM比传统SVM和神经网络法的准确率分别高。同时对孔隙度进行预测时,利用苏里格地区43口取心井资料,3808组物性分析资料,优选其中的400组数据做训练样本,主要采用测井响应特征声波时差(AC)、补偿中子(CNL)和补偿密度(DEN)作为输入特征使用支持向量机回归算法建立模型,其中参数寻优结果是惩罚因子C=8.2621和核函数参数g=0.5637。与对应的统计模型进行对比,对9口井40组不同井的数据进行预测得到结果,SVM平均绝对误差值为0.87低于统计模型的平均相对误差值0.97,小于一个孔隙度单位符合行业标准。在对渗透率预测时,利用苏里格地区41口取心井,3425组物性分析数据,优选其中的300组数据做训练样本,主要采用测井响应特征声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)、自然伽马(GR)、电阻率(RT)和光电吸收截面指数(Pe)作为输入特征使用支持向量机回归算法建立模型,其中参数寻优结果是惩罚因子C=12.0325和核函数参数g=1.5326。与对应的统计模型进行对比,对7口井58组数据进行预测得到结果,SVM平均绝对误差值为0.15低于统计模型的平均绝对误差值0.24,平均绝对误差也是处于较低水平。根据最后得到的结果比较,得知基于交叉验证优化的支持向量机在岩性识别、孔隙度预测和渗透率预测方面相比于其他方法都具有一定的优势,有良好的应用效果。