最小二乘支持向量机在储层流体识别中的应用.pdfVIP

学兔兔 石油天然气学报 (江汉石油学院学报) 2009年4月 第31卷 第2 期 Journal of Oil and Gas Technology(J．JPI) Apt．2009 Vo1．31 No．2 最小二乘支持向量机在储层流体识别中的应用 魏 聪 (中国石油大学石油工程教育部重点实验室，北京1 02249) 肖玉4犀 (中国石油大学油气资源与探测国家重点实验室，北京1 02249) 董平川 (中国石油大学石油工程教育部重点实验室，北京102249) [摘要]在测井储层流体识别中引入基于统计学-j理论的最小二乘支持向量机 (LS-SVM)算法，它是在 传统的支持向量机 (SVM)基础之上加以改进的一种新算法。LS-SVM采用结构风险最小化原则代替了 传统的经验风险最小化原则，保证了其具有全局最优性和较好的泛化能力，并且它将凸Z-次规划问题转 变成了线性方程组的求解问题．使计算效率大大提高。介绍了LS-SVM方法的基本原理和多分类方法， 通过该法利用少量的测井资料作为学习样本，准确地对油气水层进行了识别。将它与交会图判别法和BP 神经网络方法的预测结果进行比较，表明用LS-SVM方法来进行储层流体识别是可行的，且具有一定的 优越性。 [关键词]最小二乘支持向量机；油气水层识别；核函数；交会图；神经网络 [中图分类号]P631．84 [文献标识码]A [文章编号]1000—9752(2009)02—0275—04 油气水层识别是油气测井评价中的一项重要内容，它直接影响着油气勘探开发的效率。目前，基于 模式识别技术的各类方法在该领域内都得到了广泛的应用，人们使用各种测井响应值的交会图法、模糊 聚类法等进行油气水层的识别，并且已经取得一定的成效n ]。但由于绝大部分油气田的地质条件复杂 多变，多个因素交互重叠，上述方法不能将各类反映储层流体性质的影响因素综合考虑进来，识别的符 合率比较低。神经网络技术[1 由于具有很强的非线性映射和模式识别能力，并且具有高度自学习、自适 应和抗干扰等特点，因而被广泛应用于储层测井解释中。但神经网络存在局部极小点和 “过学习问题”， 使得其泛化能力较低。尤其当用于训练的样本数量较少时，预测精度更会受到影响。 最小二乘支持向量机 (Least Squares Support Vector Machines，LS—SVM)是J．A．K Suykens 在 支持向量机 (Support Vector Machines，SVM)基础上提出的一种改进方法，它用等式约束代替了 SVM中的不等式约束，并且在训练分类时，采用了误差平方和损失函数。这使问题变成求解一个典型 的线性系统，因而计算效率大大高于传统SVM中求解一个凸二次规划问题的效率。基于统计学理论的 LS—SVM具有理论完备、适应性强、全局优化、泛化性能好等优点，适合于解决小样本问题。目前，该 法在模式识别和函数估计方面得到了广泛的应用。因此，将它应用于储层测井评价中，对降低油气勘探 开发成本有着非常重要的意义。 1 最小二乘支持向量机的原理 支持向量机 s (SVM)的基本思想是通过非线性变换将样本空间映射到一个高维特征空间中，然 后在这个新的特征空间中求取最优分类超平面。这种非线性变换是根据结构风险最小化原则定义适当的 内积核函数来实现的。 对于给定的具有N个样本点的训练集S：{(z ，Yk)J k：1，2，…，N)，其中 ∈R ， ∈R分别为 第k个输入和输出数据。在SVM中，若能够通过该训练集找到最优划分的超平面，则该超平面应当满足如 [收稿日期]2009—02—18 [作者简介]魏聪 (1983一)，男，2007年大学毕业，硕士生，现主要从事油藏表征与数值模拟方面的研究工作。 学兔兔 石油天然气学报 (江汉石油学院学报)