论文部分内容阅读
地震属性技术广泛地应用于油气勘探与开发领域,为了得到高精度的储层参数,需要寻找一种适合的机器学习算法来最大限度地挖掘地震和地质信息。传统的机器学习方法大部分都是单变量、线性的算法,但是地质参数多是高维的、非线性的,传统的机器学习方法难以满足一些勘探程度低的地区的研究需要。因此,针对钻井资料少的勘探区域,为获得可靠的地质信息,提高钻井成功率,减少勘探开发的风险,选择一种支持小样本的储层预测技术显得十分必要。本文以统计学理论为基础,充分利用支持向量机的优势,发挥其优秀的机器学习能力,从而得到储层预测的结果。支持向量机的主要技术方法是建立输入与输出的一个隐形的映射关系,通过对支持向量机相关参数的优选,采用叠加核函数,更好地解决小样本问题。通过对支持向量机性质的研究,提出了训练样本选取的原则。在支持向量机的参数选取上,通过实际数学模型总结,采用枚举法优选最优参数。在核函数的研究方面,着重研究局部核函数和全局核函数,并尝试将局部核函数和全局核函数加权叠加,以此得到叠加核函数,最终构建叠加核函数法支持向量机模型。根据建立的支持向量机模型,利用实际工区地震属性数据和井数据,应用两种支持向量机方法分别对工区砂泥岩百分比、孔隙度和含油饱和度进行预测。储层预测结果显示,支持向量机预测的研究工区的砂泥岩百分比、孔隙度和含油饱和度等储层参数平面分布特征与已知样本插值结果吻合程度较高。应用测井数据作为支持向量机的输入向量来预测孔隙度参数,预测的结果与Forward软件测井解释结果相似。应用两种支持向量机模型得到预测结果的准确率(相对误差在10%以内的数据比例)达到75%以上。本文研究结果表明,支持向量机是一种建立在理论基础上的实用技术,能够有效地解决油气勘探中的实际问题,特别对钻井资料较少的地区储层预测具有很强的实用性。随着支持向量机参数优选方法进一步完善,各类核函数的叠加更加合理,支持向量机预测储层的精度将进一步提高。