基于最小二乘支持向量机的油气水层识别方法.docxVIP

学兔兔 www.xuet ut ·15 · 第32卷 第3期 天然气勘探与开发 基于最小二乘支持向量机的油气水层识别方法* 李 榕 钟仪华 (西南石油大学) 摘 要 测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代 小样本学习算法一支持向量机，是至今模式识别问题强有力的解决方法之一。依据测井所得到的小样本、不适定 性等数据信息进行网格搜索及交叉验证对目标函数寻优，找到最佳参数建立了最小二乘支持向量机分类器模型； 针对现有方法在解决油气水层识别问题中的不足，提出了基于最小二乘支持向量机的油气水层识别方法，并将此 方法应用于大庆油田某油藏的油气水层识别。结果表明，此方法较人工神经网络和标准支持向量机方法具有更快 的运算速度和准确率，是一种值得进一步研究及推广使用。表3参7 关键词 油气水层识别 测井解释 最小二乘支持向量机 网格搜索 交叉验证 0 引言 样本、非线性、高维数、局部极小点等难题外，还能 将优化问题转化为等式约束的线性系统求解问题， 油气水层识别是依据测井中所测得的数据判 在保证收敛精度的情况下，运算快速、简便。因此， 断油气藏类型、测试井类型和井底完善程度的一个 本文依据测井所得到的小样本、不适定性等条件， 重要环节。准确识别油气水层提高解释符合率可 针对现有方法在解决油气水层识别问题中的不足， 对井筒储层的流体性质进行准确的识别评价，为制 提出了基于最小二乘支持向量机(LSSVM) 的油气 定合理的试油压裂设计方案提供依据，而且对减少 水层识别方法。 勘探风险、提高勘探效益有着重要的意义。 1 标准支持向量机(SVM) 和最小二 了储、质 乘支持向量机(LSSVM) 分类器 性。因此，使用非线性信息处理技术来揭示储层非 1.1 标准支持向量机和标准最小二乘支持向量机 均质性特征，表征出其分布规律，才能更好地适应 支持向量机[6](Support Vector Machine,SVM) 油气藏勘探开发的需求，而常规线性、经验性测井 是在统计学理论基础上发展起来的新的机器学习 解释技术表现能力不足[1。尽管近年来已有研究 方法。它的基本思想是：选择一非线性映射g(x), 者将人工神经网络、支持向量机等方法应用于油气 把l维样本向量(x?,y?),…,(x?,y;)∈R” 从原空间 R”映射到高维特征空间，在此空间中利用结构风险原则构造最优分离超平面，通过引入核函数 R”映射到高维特征空间，在此空间中利用结构风 险原则构造最优分离超平面，通过引入核函数 K(x?,x) 的概念，得到最优线性决策函数： 仍然有不足之处：人工神经网络方法在局部最优、 维数灾难、数据样本小时，较难以给出满意结果；支 持向量机虽能克服神经网络方法的不足，可运算速 度较低。 最小二乘支持向量机是支持向量机的一种改 最小二乘支持向量机[”(Least Squares Support 进方法。它除具有解决小样本模式识别问题的支 Vector Machine,LSSVM)是 SVM 的一种变形算法。 持向量机的特点一泛化能力强，能够较好地解决小 由于SVM 的训练是一个有约束的二次规划问题， *基金项目：四川省教育厅重点项目(07ZA143)资助 作者简介 李榕，女，1983年出生，陕西韩城人；2006年毕业于渭南师范大学信息与计算科学专业，现为西南石油大学在读硕士，主要从事 石油工程计算和优化决策研究。地址：(610500)四川省成都市新都区西南石油大学研究生院硕07级9班。电话 E-mail: Irrongshu@163.com 学兔兔 www.xuet ut 天然气勘探与开发 2009年7月出版 且约束数目等于样本容量，导致训练时间较长，尤其 当样本容量较大时训练时间有时会过长。于是 suyken 将上述优化目标函数中误差5;变为误差5; 的二范数，且ξ可以是负数，5;≥1,则x; 被错分；5; ≤1,x; 被正确分类。与SVM求解方法类似最终可 得LSSVM 的分类函数： 1.2 最小二乘支持向量机多分类器 构建多元分类的LSSVM 方法是将多元分类器 看成若干二元分类器的集成。考虑多类的训练样本 形式{x,y} ,其中l为训练样本数；m 为内 置二元分类器个数，即m 类分类问题；y:(是指第h 个