支持向量机测井数据预测储层渗透率方法.docVIP

支持向量机测井数据预测储层渗透率方法 　　摘要 本文将支持向量运用到测井数据预测储层渗透率中,利用测井属性作为学习样本进行预测。并通过试验与常用的BP网络进行比较,实际运用表明该方法有效可靠,预测精度高。 　　关键词 支持向量机;地震属性;BP网络; 　　中图分类号 P223文献标识码 A文章编号 1674-6708(2009)05-0083-03 　　 　　地球物理探测的目的是利用获取的各种物理信息对地质体进行定性和定量评价。前者是根据采集的地球物理信息寻找有利油气藏存在的地带和层位,后者是根据测量的各种地球物理资料估算出地层的几个定量参数,如孔隙度,饱和度渗透率等,储层参数是含油气性的一个重要标志,储层岩石渗透率和孔隙度分布的不均匀性直接影响油气分布、运移和开采。对于勘探区块,可以提高钻井成功率,减少勘探成本;对于开发区块,则为优化钻采方案提供了必要条件。因此,许多地质工作者致力于储层参数的研究和预测。由于储层分布的多相性和非均匀性,因此无论是直接或间接的测量孔隙度和渗透率都是一个非常困难和代价昂贵的工作。在传统方法中,判别分析和回归分析技术是一种常用的、受欢迎的方法, 由于储层参数与测井曲线或地震数据之间关系是非线性的,没有明确的一一对应关系,而判别分析与回归分析是一种线性分析方法,虽然简单,但需要把非线性关系线性化,所以误差较大很难取得令人满意的效果。 　　自从1995年Vapnik及其合作者提出支持向量机的思想以来,该算法已经在模式识别领域得到了广泛的应用,并且已经在文本分类、图像识别、手写字识别、蛋白质同源检测及基因表达等方面取得了巨大的成功,对于小样本的分类问题,SVM具有调节参数较少,运算速度快等优点。通过地震或测井等信息进行油气预测是一种典型的非线性分类器设计问题,它具有已知样本数较少等特点。目前国内有少量学者已开始致力于支持向量机预测含油气性这一领域的研究,其中最早的有:姚凯丰,李衍达;乐友喜,袁全社,张彦周其中这些预测所选择的核函数是多项式核。本文在此基础上针对某工区特殊的地质分布,主要运用高斯核函数来预测,并研究如何选择支持向量机的参数,已实现最优的预测效果,同时将此预测方法与神经网络方法进行比较。 　　 　　1 回归估计的支持向量机方法基本原理 　　 　　由统计学习理论知,对于回归估计,实际风险和经验风险之间以至少 的概率满足 　　其中为维,为样本数。即实际风险受限于经验风险和置信范围 2 部分,置信范围与学习机器的 VC 维及训练样本数有关。统计学习理论固定经验风险,使VC 维最小(以最小化置信范围值),这样才能取得较小的实际风险,对未来数据具有好的泛化能力,这是结构风险最小化准则的基本思想。 　　训练样本集假定为,其中输入值为为对应的目标值,为样本数。定义不敏感损失函数为 　　其中为通过对样本集的学习而构造的回归估计函数,为对应的目标值,0为与函数估计精度直接相关的设计参数,该不敏感损失函数形象地比喻为管道。学习的目的是构造,使与目标值之间的距离小于,同时函数的 VC 维最小,这样对于未知样本,可最优地估计出对应的目标值。 　　其中特征空间维数为的维数。有统计学习理论知结构风险最优化原则等价于下面的优化问题。 　　其中为惩罚系数,越大表示对超出管道数据点的惩罚越大。 　　其中称为核函数,相应的回归估计函数为 　　其中为 　　几点说明: 　　1)损失函数的引入使损失函数据油料鲁棒性,但对于设计参数C和的选择,存在同样问题。C取得小,则对样本数据中超出管道的样本惩罚就小,使训练误差变大,系统的泛化能力变差。C取得大,相应地(即VC 维)的权重就少,系统的泛化能力变差,时问题趋于无约束的最小二乘法。同样,,为最小二乘法。选小,回归估计精度高,但支持向量数量增多,选大,回归估计精度降低,支持向量数量少,SVM 的稀疏性大。在实际问题求解时,如何合适选取这些参数,目前没有有效的方法,一般通过交叉验证法选取适当的参数。 　　2)地质上常用的协克里金方法实际上是一种反演方法,它是反映储层参数空间整体分布规律,但就提到某一点并不能放映该点的真实值,其理论实质是支持向量中二次不敏感损失函数中式的一种特殊情况,但不具有鲁棒性和解的稀疏性。 　　3)核函数的选择是很重要的问题。常见的核函数有: 　　多项式核, 　　高斯核, 　　多层感知器核。 　　采用支持向量机求解回归估计问题时,需要选择一个核函数。尽管只要满足条件的函数在理论上都可选为核函数,但对于特定问题,由不同的核函数得到的回归估计也会有很大不同。因此,针对某一特定问题,如何选择核函数是至关重要的。 　　 　　2技术路线 　　 　　支持向量机的学习模型是一种监督学习过程,由测井数据预测储层参数最常用的过