支持向量机组合方法在砂泥岩储层岩性识别中的应用.pdf

《支持向量机组合方法在砂泥岩储层岩性识别中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第30卷第1期地质找矿论丛VoI．3ONo．12015年3月：l16—120ContributionstoGeologyandMineralResourcesResearchMar．2015：ll6一l2Odoi：106o53／jissn．1001—1412．2015．01．017支持向量机组合方法在砂泥岩储层岩性识别中的应用滕新保，张宏兵，曹呈浩，但志伟。，肖伟(1．河海大学地球科学与工程学院，南京210098；2．中海油能源发展工程技术物探技术研究所。广东湛江524000)摘要：岩性是表征储油物性、建立各类地质模型的重要参数，其与测井参数的函数关系很复杂

2、。基于支持向量机一类对一类法对岩性识别分类精度不高的现状，结合二叉树法初始分类精度较高、分类速度快等优点，提出了一种新的组合方法——一类对一类法与二叉树法的结合应用。该方法对样本数据较少的类别设置权重系数，减少样本不平衡的影响，并利用几何平均准确率作为评价岩心识别效果的指标，其对岩性的分类效果远优于单一方法。具体步骤为：首先对不均衡的样本设置相应的权重系数，然后利用二叉树法将易于与砂泥岩区分的灰岩区分开来，再利用一对一分类法将剩下的砂泥岩样本进行分类。运用此方法对某油田测井数据进行岩性分类，分类的整体准确率以及几何平均准确率均有很大的提高。关键词：支持向量机

3、；岩性识别；多分类不平衡样本中图分类号：0234；P618．130文献标识码：A同类样本数目平衡性要求很高；神经网络法对学习0引言样本的数量、分布均有很高的要求；因支持向量机具有良好的理论基础和高度的非线性_7]，刘跃辉等人岩性识别率的提高对储量的估计、钻井技术的提出一对一分类支持向量机的方法对岩性进行识提高及采收率的增加具有重要意义[。由于复杂的别[8。]，但预测精度仍不能满足实际需求。地质条件、非均质性的地层分布以及录井资料的不本文基于储层物性参数，结合二叉树法的初始准确性等对岩性识别率影响很大，传统岩性识别方分类精度较高、分类速度快等优点，提出一类对法

4、已不能满足油田的实际需要。目前测井曲线为岩一类法与二叉树法的结合应用，并对少类样本添加性识别的一种有效手段，但由于与储层参数相关的适当的权值系数。该方法综合考虑岩性的多分测井曲线较多，解释人员难以对其进行全面考虑，且类和样本的不平衡因素，有助于提高预测精度，可为解释人员的经验各不相同，预测准确率受到很大程提取精度较高的储层参数、油气勘探、油气开发提供度的影响。岩性分类存在的不足主要有：样本岩性保障。的种类较多，属于多分类问题；样本中过渡岩性不易区分；不同种类岩性的样本数量差距很大[2]，对分类1支持向量机效果产生很大影响。为此，前人做了大量研究，如张涛等口提

5、出模糊聚类的方法，金明霞等]提出利支持向量机(SVM)是Vapink等依据结构风险用BP神经网络预测岩性的方法等。这些方法各有最小化原则和统计学理论提出的一种算法。利用优点，一定条件下可取得满意的预测效果，但也存在SVM分类预测的基本思路是：通过非线性变换将输一些不确定性。如模糊聚类法对样本的可分性和不入变量转化到某个高维空间中，在高维空间中求收稿日期：2Ol4—04—16；改回日期：2014一O4—29；责任编辑：赵庆作者简介：滕新保(199卜～)，男，硕士研究生，主要从事地震属性方向的研究。通信地址：江苏省南京市鼓楼区西康路1号；邮政编码210098；E

6、—mail：644968553@qq．com第3o卷第1期滕新保等：支持向量机组合方法在砂泥岩储层岩性识别中的应用1l7解最优分类面，最终获得决策函数。设样本集为(，)，(i一1，⋯，z)，32∈R，∈{一1，+1}，同时引入松弛变量和惩罚因子C，以允许部分错分样本的存在。当分类面为(Y．U，．27>+b一0时，为使两类样本的几何间隔最大，可将支持向量机的原型写为：minll∞ll+c∑8r1、S．t．yi(叫·z+6)≥1—8，⋯8>／0，i一1，⋯，ZSVM可很好地解决传统方法中“维数灾难”的图1一类对一类分类法Fig．1Diagramofonevers

7、usoneclassification问题，具有对样本需要少、解为全局最优解及推广能method力强等优点，广泛应用于分类和预测等领域，成为继BP人工神经网络之后机器学习领域的又一研究热点。1．1多分类方法支持向量机最初是针对二分类问题提出的，但实际应用中多涉及多分类问题，需构造多个二分类器，通过某种规则组合在一起间接实现多分类。目前支持向量机多分类方法主要有二叉树法(BT)、一类对一类法(0VO)、一类对多类法以及有向无环图分类法。(1)一类对一类法。在样本训练时每2个类别图2二叉树分类法之间构造分类器，这样K个类别可构造K(K一1)／2Fig．2Diag

8、ramofBinarytreeclassificat