支持向量机在油田产量预测中的应用.pdfVIP

维普资讯 大 庆 石 油 学 院 学 报 第 29卷 第 5期 2005年 10月 JOURNAIOFDAQINGPETROIEUM INSTITUTE Vo1．29 No．5 OCt． 2005 支持向量机在油田产量预测 中的应用 李 卓 ，刘 斌 ，刘铁男 (1．大庆石油学院 地球科学学院，黑龙江 大庆 163318； 2．大庆石油学院 l乜气信息工程学院，黑龙江 大庆 163318) 摘 要：提出了一种基于支持向量机算法的油田系统建模理论，并且应用原一对偶算法来解决支持 向量机 中的二次 规划问题 ．将支持 向量机应用于预测油井产油量，预测实例表 明，最大泛化相对误差为 5．611％，预测值很接近油井的实 际产量；与其它预测方法相 比，该预测模型具有较高的预测精度． 关 键 词 ：支持向量机 ；原一对偶算法 ；非线性系统建模 ；油 田产量预测 中图分类号 ：TP181 文献标识码 ：A 文章编号：1000—1891(2005)05—0096—02 在油田勘探开发过程中，需要对油Ill系统建模，使油Ill系统模型化，以利于调整部署和确定油田生产 投资的规模与决策方向．目前，建立非线性系统模型并没有统一的方法，用的较多的有神经网络及遗传算 法等技术．但是，这些算法的有效性都是建立在训练样本量 比较大的基础之上．目前，多数有关支持向量 机的研究仅仅局限于理论和仿真，因此 ，将该理论应用于解决实际问题的研究具有重要意义．笔者在研究 其它预测模型的基础上，提出了一种基于支持向量机的油 田产量预测 的方法． 1 基本思想 支持 向量机 (SupportVectorMachine，简称 SVM)是在统计学 习理论[3](StatisticalLearning Theory，简称SLT)的基础上发展起来的一种机器学习方法．SVM又称为支持向量网络，具有理论完备、 适应性强、全局优化 、训练时间短 、泛化性能好等优点．SVM是从线性可分情况下的最优分类超平面发展 而来的．SVM 的基本思想就是通过非线性变换将输入空间变换到一个高维特征空间，在这个特征空间中 求取最优分类超平面，使得在原输入空间不可分的数据变得线性可分． SVM 的另一重要思想是引入核函数的概念．根据 Mercer定理 ，则有 K( ， )一(( )，( ))．常 用的核函数主要有：(1)线性核函数，K(x，^，)一( ～，)；(2)多项式核函数，K(x，，)一[( ，，)+1]，式 中d为参数 ，一1，2，…；(3)Gauss径 向基核函数 ，K ( ， )一exp{一 ll 一 ll／ }，其 中 为参数 ； 1 (4)Sigmoid核函数，K(x，xj)一再 苦而 · 使用 e一不敏感损失函数的支持向量机回归机 ，与之相对应的对偶优化问题为 1 l l ． min告∑(a一a)(—a)K(，J)+∑Oi／(e—yi)+∑a(e+ )， (1) i．J 1 i= 1 l= 1 s．t．：(a—Oi／*)一0，a，a ∈[0，c]， (2) 式 中：C为对产生错误进行惩罚的程度 ，C越大，表示对错误的惩罚程度越大 ；e为损失函数 中的参数，e没 有