基于支持向量机的复杂碎屑岩储层岩性识别.pdfVIP

第 34卷第 7期 周继宏等 ：基于支持向量机的复杂碎屑岩储层岩性识别 长石岩屑砂岩，其次为岩屑石英砂岩 、岩屑长石砂岩 ，少量为岩屑砂岩、粉砂岩及砾岩等。岩石普遍含 灰质 ，砾岩和砂砾岩多为砂岩间的夹层 。储层岩石碎屑成分主要有石英、岩屑 、长石 ，总体上以石英为 主。长石多为正长石 ，斜长石、微斜长石和条纹长石含量较低 ；岩屑类型以酸性喷出岩、沉积岩岩屑为 主，极少量变质岩 ，并且随着岩屑含量的增加 ，储层的颗粒分选 、磨 圆均变差 ，强烈 的压实作用使颗粒 呈点接触演变为线状 、凹凸接触 。碎屑颗粒 以细粒为主、中粒次之 ，少数粗粒 、粉粒 ，分选好 ～中等， 次圆状为主，少量次棱角状 。胶结物成分以灰质胶结为主，杂基含量较低 ，成分主要为泥质。 2 支持向量机分类方法 建立在统计学习理论和结构风险最小化原理基础上的支持向量机是一种新型学习机模型。其根据有 限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以获得最好 的泛化能力 ，在处理小样本 、 非线性及高维模式识别 问题 中表现出了独特的优势 。自其诞生以来 ，支持 向量机在文本分类、图像识 别、蛋白质同源检测及基因表达等方面的应用已卓有成效。 2．1 最优分类面 基于支持向量机方法 的 2类岩性分类问题如图 1所示。 支持向量机利用结构风险最小化原则设计具有最大间隔的最 优分类线 ，即同时要求分类线不但能将砂岩和泥岩正确分 开 ，而且还要使分类间隔最大，推广到高维空间即为最优分 类超平面。分类面的方程为： ∞ · + b一 0 (1) 式中，27／为岩性样本数据 ；b为分类阈值。 对于给定的P个岩性样本点的训练集 ： 注：·为二维空间中砂岩的数据样本； D 一 {(1z，Y))P；1 (2) 一 为二维空间中泥岩的数据样本； 为分类线；H1、 分别为通过距 式中，i一1，2，…，P；z、Y分别为第i个岩性样本的数据和类 离分类线最近的岩性样本且平行 别 ，z ∈R ，Yi∈ {一1，1}。 于分类线的直线；margin为 、 当最优分类面不能完全把 2类岩性的样本点分开时，则 之间的距离，即分类间隔；∞为 引入松弛因子8≥0，允许错分岩性的存在 ，此时支持向量机 最优分类面系数 在最小化 目标 函数 ll叫lJ。／2中加入惩罚项 c 鬟(其 中， 图 1 二维最优分类面示意 图 0≤ k≤ P；C为 正 常数 ，称 为惩 罚 因子)。最终 ，利 用 Lagrange函数将最优分类面的求解 问题转化为凸二次规划寻优的对偶问题 ： frnax∑a一 ∑∑ Y(z·z) o≤n≤C {IP= 一一 (、3一) 【∑aY一0 式中，O／i为第 i个岩性样本对应的Lagrange乘子 ；z、 分别为2个不 同的岩性样本数据 ；Y。、Y 分别为2个 不同的岩性类别；i、为不同的岩性样本点，i≠ 。通过求解方N_elt(3)，最后所得分类决策函数 (z)为 ： (z)一sgn[∑aiY(·Sci)+b] ’ (4) 式中，a 为最优解 ，不为零时对应的岩性样本 即为支持 向量 ；为随机矢量；b 为分类阈值 。 2．2 核函数 ， 支持向量机利用满足Mercer条件的核函数K(x， )在高维特征空间中设计线性最优分类面，得到 输入空间中的非线性学习算法，即用非线性变换将 维矢量空间中的随机向量z映射Nn ( )维高维 特征空间，在高维特征空间中设计线性学习算法，而计算的复杂度却没有增加