基于支持向量机的储层参数反演.docVIP

基于支持向量机的储层参数反演 朱永才，薛坤林 西南石油大学 研究生院，四川 成都 610500 摘要：支持向量机是基于统计学理论的一种新的数学方法，近几年得到了快速的发展，国内外已将其应用到各个领域。本文应用支持向量回归机的方法，用测井数据、地震属性数据对储集层的储层参数进行了预测，得到了精度较高的储层参数；并通过对实验结果的分析，说明了这种方法的优势。 关键词：支持向量机；测井曲线；孔隙度；砂泥岩百分比；含油饱和度 0 引言 目前利用地震属性以及测井曲线对油气储层参数（砂泥岩百分比、孔隙度等）进行预测已经成为油气预测的一种有效手段，但由于与储层参数敏感的地震属性[1]、测井曲线[2]较多，解释人员难以对其进行全面地考虑，所以预测精度将受到很大程度的影响，而支持向量机方法可以很好地解决这个问题，同时对多种地震属性、测井参数进行训练，综合考虑各种影响因素，从而提高预测精度，极大地降低反演时多解性带来的困扰，提取精度较高的储层参数，为油气勘探、开发提供保障。 1 支持向量回归机 支持向量机 (Support Vector Machine,SVM) [3]是Corinna Cortes和Vapnik8等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力 。 以下以—支持向量回归机为例论述了支持向量回归机的主要步骤： （1） 设已知训练的集，其中，，； （2） 选择适当的正数、和；选择适当的核函数； （3） 构造并求解最优化问题： （1） ， （2） （3） 得到最优解。 （4） 构造决策函数 , （4） 其中按下列方式计算：选择位于开区间中的或。若选到的是，则 ； （5） 若选到的是，则 2 网格搜索法获取支持向量机参数 网格搜索法顾名思义，就是将搜索的各个参数变量的可行域（可以从大到小）划分为一系列的小区间，由计算机或者人工顺序算出个参数对应变量值的组合，找到使得误差最小的一组参数作为最优参数。这种搜索方法工作量较大，搜索出来的最优参数组合不一定是全局最优，但一定是比较优秀的参数组合。本文的支持向量机的最优参数均采用是网格搜索法得到[4]。 图1 网格搜索法得最优参数 图1是在给定理论模型的情况下应用网格搜索法得到最优参数的过程图。图中轴为应用回归模型预测得到的均方误差。因此的最优参数的组合便是图1中的最低点。由此我们可以得到最优参数。 3 利用地震属性预测砂泥岩百分比 利用支持向量回归机对我国渤海某油田1油组储层参数进行预测；由粗糙集理论[5]从41中地震属性[6]中优选出总绝对振幅、均方根振幅、平均谷值振幅、振幅方差、总能量、顶底振幅比、峰谷面积比、波形长度、平均反射强度、突变幅度、高阶谱最大峰值等11种地震属性作为训练样本对砂泥岩百分比进行回归预测。与砂泥岩百分比预测相同，首先优选地震属性[7]，此次由粗糙集理论优选出来的属性有15种，挑选其中11种属性用于孔隙度大小预测：总的能量、总的绝对振幅、总的振幅、平均能量、平均谷值振幅、平均反射强度、波形长度、峰谷面积比、顶底振幅比、高阶谱能量、高阶谱的最大峰值。由网格搜索法得到最优参数分别为：，，和，，。预测的结果如下： 图2 砂泥岩百分比预测示意图 图3 孔隙度预测示意图 从图2、图3中我可以看出工区各个位置的砂泥岩百分比和孔隙度的大小；从而为油气的开发提供有利的知道作用。只要我们保证精度，利用支持向量机对储层参数的预测[7]将会为油田节省经济开支。 4 利用测井参数预测孔隙度 已知国内某油田的三口井的测井数据，分别为井1、 井2 、井3，其中的测井数据选择了深度、自然电位、自然伽玛、冲洗带电阻率、地层真电阻率、中子、密度（等测井曲线），应用网格搜索法得到。在进行参数优选之前我们对以上数据做了归一化[8]，这样做的主要目的是为了避免单位和数量级对预测的影响[9]。预测孔隙度时，我们