基于主成分分析的水淹层动态预测方法.pdf

《基于主成分分析的水淹层动态预测方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、大庆石油学院学报第35卷第2期2011年4月JOURNAlOFDAQINGPETROlEUMINSTITUTEVo【．35No．2Apr．2O11基于主成分分析的水淹层动态预测方法钟仪华，李榕，朱海双，张志银(1．西南石油大学理学院，四JII成都610500；2．中国石化西南石油局四川钻井公司，四川德阳618000)摘要：针对高含水期水淹层变化的动态特性，提出一种基于主成分分析的最小二乘支持向量机水淹层动态预测方法．该方法应用数据挖掘方法与改进的支持向量机方法，研究高含水期水淹层的分类识别问题，找到测井参数曲线与水淹级别之间的非线性映射关系，建立适合

2、高含水期水淹特征的动态识别模型．它不仅充分考虑各种影响因素，而且利用主成分分析法准确提取影响水淹级别划分的测井参数曲线，避免模型输入参数间存在相关性导致划分精度低以及模型求解复杂、训练速度慢的缺点．结果表明，该方法较其他方法具有更快的运算速度和更高的识别符合率，其运算速度为43S，识别符合率达到97．0，能体现高含水油田水淹层的动态变化特征．关键词：动态预测；水淹层识别；主成分分析；最小二乘支持向量机中图分类号：TE357．8文献标识码：A文章编号：1000—189l(2011)02—0051—050引言油田进入高含水及后期开发阶段，水淹层识别和评价

3、技术成为储层解释的重要环节之一．地球物理测井技术在识别和评价水淹层中起重要作用，但当油层水淹后其物性、地下流体性质和孔隙结构发生复杂变化时，储层孔隙度、渗透率等地质参数变化规律难以分析，以它为基础的解释方法适应性差、推广程度低．为此，人们提出了基于地球物理测井的计算机自动识别水淹层的定性识别方法，即通过研究测井参数曲线的变化规律，从模式识别角度，找到映射关系，建立水淹层的自动识别模型，如神经网络、支持向量机、灰色系统理论一。等．现有的水淹层计算识别方法在实际应用中效果很好，但存在准确提取测井曲线物性参数变化规律困难，以及含水率上升引起水淹层动态变化复

4、杂等因素，导致模型输入参数与实际情况差异较大，识别符合率不高．最小二乘支持向量机[7](LeastSquaresSupportVectorMachine，LS—SVM)是SVM的一种变形算法．它除具有解决小样本模式识别问题的支持向量机的特点——泛化能力强，能够较好地解决小样本、非线性、高维数、局部极小点等问题；还能将优化问题转化为等式约束的线性系统求解问题，在保证收敛符合率的情况下，使得运算速度更快．笔者应用多元统计分析中的主成分分析法对测井曲线进行预处理，从影响水淹级别划分的多个测井曲线参数信息中提取几个相互独立的主成分来综合反映原参数信息，减少模

5、型输入参数个数的同时降低维数；然后依据得到的主成分信息，建立最小二乘支持向量机的水淹层识别模型；最后将此方法应用于处理高含水期的水淹层识别问题，以提高水淹层计算机自动识别模型性能和识别符合率．1模型原理基于主成分分析法，研究最小二乘支持向量机分类方法，可以排除输入参数信息之间的相关性、减少模型的输入参数个数、降低维数，且能够提高最小二乘支持向量机分类模型的训练速度和测试速度，使其识别精度与速度得到提高．基于主成分分析的最小二乘支持向量机识别模型步骤：收稿日期：2o1o一06—22；审稿人：张继成；编辑：关开澄基金项目：四川省教育厅重点项目资助(07Z

6、A143)作者简介：钟仪华(1965)，女，博士，教授，主要从事石油丁程计算和优化决策方面的研究大庆石油学院学报第35卷2011年(1)收集整理分类或识别对象的相关历史数据，并对获取的历史数据进行标准化处理．(2)确定基于主成分分析的最小二乘支持向量机分类识别系统的输入和输出数据信息．根据支持向量分类机所应用领域的理论，定性分析影响分类效果的影响因素，结合所应用领域的经验知识，最终建立适当的影响因素集．根据步骤(1)构造样本集，并进行归一化处理，然后将样本集分为训练样本集、检测样本集、预测样本集．(3)利用主成分分析对训练样本集进行主成分分析，将多个

7、相互关联的影响因素转化为少数几个互不相关的综合指标．求解主成分的一般步骤：①计算各变量之间的相关矩阵：．②求解>：的特征根≥≥⋯≥≥0，对应的单位特征向量为，，⋯，T，其中转换矩阵u===，第i个主成分y的方差等于：的第i个特征根．，—③选取主成分．称。一√为第k个主成分Y的方差贡献率，若取(m<)个主成分，则称P一一／∑为主成分y，y”，Y的累计贡献率．通常取7rt使得累计贡献率达到85以上，则对k=l应的前个主成分包含P个原始变量所能提供的绝大部分信息，则主成分个数为／Tt．(4)对步骤(3)所求出的个主成分构造相应的LS—SVM模型，并依据主成

8、分对应的历史数据和当前数据对LS—SVM分类器进行训练．(5)LS—SVM核函数和参数的选择．结合实际情况和