PCA与SVM耦合模型在储层参数预测的应用.docVIP

PCA与SVM耦合模型在储层参数预测的应用 　　【摘要】本文提出主成分分析(PCA)和支持向量机(SVM)耦合来建立储层参数预测模型。该方法利用PCA对影响储层参数诸因数进行知识约简,降低了支持向量机的输入维数,同时也克服诸因数的多重相关性问题。利用SVM建模可以较好地解决非线性的储层参数预测问题。实例证明该方法在复杂地层带储层参数预测中具有较好的效果。 　　【关键词】主成分分析支持向量机储层参数预测 　　【中图分类号】O29【文献标识码】A【文章编号】1006-9682(2010)3-0038-02 　　【Abstract】In this paper, principal component analysis(PCA)and Support Vector Machine(SVM)coupling to build predictive models of reservoir parameters. This method makes use of various reservoir parameters affecting the PCA factor of knowledge reduction, reduced support vector machine input dimension, but also to overcome the multiplicity of factors related to various issues. The use of support vector machine modeling can be solved non-linear prediction of reservoir parameters. Examples prove that the method in complex formation with a prediction of reservoir parameters with good results. 　　【Key words】Principal components analysisSupport vector machineReservoir parameter prediction 　　 　　一、引 言 　　利用地震属性来进行储层参数预测一直以来都是油气勘探的一个重要依据,如何采用地震属性来提高储层参数的预测精度和可靠性一直是地质专家关心的焦点,因此如何最大限度地挖掘和利用已有的地震与测井信息,而地震属性有几十甚至上千个,如何从这些属性中选取较优的属性对储层参数预测是一个重要课题。基于此本文中笔者尝试利用PCA对地震属性参数进行优化提取,不但达到特征约减和信息综合的目的,而且也剔除了由于地震属性彼此之间相关性而造成信息冗余,并就优化提取的结果用于储层参数预测。目前应用于储层参数的预测较为广泛的主要有多元回归和神经网络的数学方法,并且在一定的范围内取得较好的效果,但是在复杂地层带尤其十分有限样本数据条件下其预测精度和可靠性还是值得商榷,因而其推广受到了一定的限制。近年来,随着人们对数据的机器学习研究深入,基于统计学习理论和优秀的机器学习以及推广性能的支持向量机。已经成为了国际上机器学习领域新的研究热点,并且在许多尖端领域取得了成功的应用,也为研究基于测井信息的储层参数预测这一复杂课题提供了一个崭新的方向。为此笔者在本文中建立了一个以PCA与SVR耦合的储层参数预测模型,并以川东南嘉陵江组储集层实例应用来验证其可行性。 　　二、主成分分析 　　主成分分析理论(principal component analysis,简称PCA)由英国数学家Pearson于1901年提出,经过100多年的发展逐步完善起来。PCA是考察多个变量间相关性的一种多元统计分析方法,它是研究如何通过少数几个主成分(即原始数据的线性组合)来解释多个变量。具体说是求出几个主成分,使其尽量多的保留了原始变量的信息,且彼此线性无关,这使得它在特征选取、数据压缩等方面都有极为重要的应用。PCA算法具体步骤如下: 　　1.对原始数据进行标准化处理。为消除变量之间在数量级或量纲上的不同,需要把原始数据标准化处理。设xij表示第i(i=1,2,…,n)个样本j(j=1,2,…,m)变量的对应的值,则xij的标准化值为: 　　 , 　　其中 , 。X是经 　　过标准化变换后得到的数据矩阵为:X*=(x*ij)n×m。 　　2.求标准化数据的相关矩阵: 　　R=(rij)m×m, 　　3.计算相关矩阵R=(rij)m×m的特征λ1≥λ2≥…≥λm 　　≥0(满足 )和其对应的特征向量(u1,u2,…,um)。 　　4.确定主成分个数。找出前p个主成分,使 满足在