向量支持向量机的测井数据预测储层渗透率方法

支持向量机的测井数据预测储层渗透率方法

摘要本文将支持向量运用到测井数据预测储层渗透率中,利用测井属性作为学习样本进行预测。并通过试验与常用的BP网络进行比较,实际运用表明该方法有效可靠,预测精度高。

关键词支持向量机;地震属性;BP网络;

地球物理探测的目的是利用获取的各种物理信息对地质体进行定性和定量评价。前者是根据采集的地球物理信息寻找有利油气藏存在的地带和层位,后者是根据测量的各种地球物理资料估算出地层的几个定量参数,如孔隙度,饱和度渗透率等,储层参数是含油气性的一个重要标志,储层岩石渗透率和孔隙度分布的不均匀性直接影响油气分布、运移和开采。对于勘探区块,可以提高钻井成功率,减少勘探成本;对于开发区块,则为优化钻采方案提供了必要条件。因此,许多地质工作者致力于储层参数的研究和预测。 由于储层分布的多相性和非均匀性,因此无论是直接或间接的测量孔隙度和渗透率都是一个非常困难和代价昂贵的工作。在传统方法中,判别分析和回归分析技术是一种常用的、受欢迎的方法,由于储层参数与测井曲线或地震数据之间关系是非线性的,没有明确的一一对应关系,而判别分析与回归分析是一种线性分析方法,虽然简单,但需要把非线性关系线性化,所以误差较大很难取得令人满意的效果。

自从1995年Vap nik及其合作者提出支持向量机的思想以来,该算法已经在模式识别领域得到了广泛的应用,并且已经在文本分类、 图像识别、手写字识别、蛋白质同源检测及基因表达等方面取得了巨大的成功,对于小样本的分类问题,SVM具有调节参数较少,运算速度快等优点。通过地震或测井等信息进行油气预测是一种典型的非线性分类器设计问题,它具有已知样本数较少等特点。 目前国内有少量学者已开始致力于支持向量机预测含油气性这一领域的研究,其中最早的有:姚凯丰,李衍达;乐友喜,袁全社,张彦周其中这些预测所选择的核函数是多项式核。本文在此基础上针对某工区特殊的地质分布,主要运用高斯核函数来预测,并研究如何选择支持向量机的参数,已实现最优的预测效果,同时将此预测方法与神经网络方法进行比较。

1回归估计的支持向量机方法基本原理

由统计学习理论知,对于回归估计,实际风险和经验风险之间以至少的概率满足