PSO-LSSVM分类模型在岩性识别中的应用.pdfVIP

2010年 1月 西安石油大学学报 (自然科学版) Jan．20l0 第25卷第 1期 JournalofXianShiyouUniversity(NaturalScienceEdition) V01．25No．1 文章编号 ：1673-064X(2010)01-0096-04 PSO—LSSVM 分类模型在岩性识别 中的应用 程国建，郭瑞华 (西安石油大学 计算机学院，陕西 西安710065) 摘要：为了精确解决测井岩性识别问题，提出了一种将粒子群优化算法(PSO)与最小二乘支持向量 机(LSSVM)相结合对实际测井资料进行岩性识别的方法．首先使用粒子群优化算法对 LSSVM建 模过程中的重要参数进行优化调整，然后利用参数优化调整后得到的具有较优分类效果的PSO— LSSVM模型对某油田的测井资料进行岩性识别．实验结果表 明：同基于交叉验证的支持 向量机模 型以及单隐层的BP神经网络模型相比，该方法能够很好描述测井数据和岩性类别之间的非线性 映射关系，识别精度高，并提高了算法的自动化程度． 关键词 ：岩性识别；测井资料 ；最小二乘支持 向量机 ；粒子群优化算法 中图分类号 ：TP18；TE319 文献标识码 ：A 岩性识别是把储集岩分类成不同单元的过程， 在统计学习理论基础上发展起来的一种实用算法， 这些单元是经过相似的地质条件和相似的成岩改造 SVM是基于结构风险最小化原则，能够较好地解决 得到的沉积物．如果岩石能够被适当地分类和定义， 模式识别、回归函数估计、预测等实际问题．最小二 那么就会通过油藏数值模拟模型获得储层的真正动 乘支持 向量机 (LeastSquaresSupportVectorMa— 态特性．测井参数值是地下岩石的矿物成分、结构和 chines，LSSVM)是一种新型支持 向量机方法，它采 孔隙度的综合反映．对于一组特定的测井曲线，就必 用最小二乘线性系统作为损失函数，代替标准的支 然对应该地层中的某一种或某几种岩性 ，所 以测井 持 向量机采用的二次规划方法，简化了计算复杂性． 资料是岩性分析的基础资料． 传统的LSSVM参数选取都是通过反复的实验来获 传统的岩性识别方法主要有交会图快速识别方 得的，存在着人为选择的随机性，而且工作量非常 法和统计学方法等．但 由于实际储层的非均质性 ，测 大，耗费时间等诸多不便．为了实现 LSSVM参数 自 井响应和实际油气储层之间的非线性关系，用线性 动选择以及更好的进行测井岩性识别工作，本文提 测井响应方程和统计经验公式很难表征储层的真实 出基于粒子群优化的LSSVM模型对测井资料进行 特性，从而导致结果的人为性和不精确性．目前，随 岩性识别，既解决了LSSVM参数选择的难题，又提 着计算智能技术的发展，神经网络被大量运用在测 高了识别精度． 井资料岩性识别和油气水层识别领域中…，由此也 提高了识别准确率．但是神经网络也存在一些局限 1 理论与算法 性，比如：网络优化过程 中容易陷入局部极值、网络 结构的设计依赖于设计者的先验知识和经验等． 1．1 粒子群优化算法 支持向量机 (SupportVectorMachines，SVM)是 粒子群优化算法 (ParticleSwarm Optimization， 收稿 日期：2009-06—17 基金项 目：国家 自然科学基金项 目(编号 资助 作者简介：程国建 (1964一)，男，副教授，博士 ，主要从事神经网络 、进化计算、软计算方法研究 E—mail：guoruihuavivin@ 126．com 程国建等：PSO—LSSVM分类模型在岩性识别中的应用