萨尔图油田砂体连通性评价方法及其应用

摘要

将砂体连通方式分为横向连通性、纵向连通性及内部连通性三种模式。选取了砂地比、井距、渗透率、夹层频率、渗透率变异系数等多个地质参数作为连通性评价参数；在特征选择处理及模型参数寻优的基础上，分别建立了基于支持向量机的砂体横向、纵向及内部连通性评价模型，其预测精度分别达到87.8%、91.7%、92.4%；相同的条件下利用BP神经网络建立连通性评价模型，其平均的预测精度也达到86%。表明将模式识别方法运用于砂体连通性评价可行，并且支持向量机方法比BP神经网络更具优势。

目录

声明

第一章 前言

1.1 研究目的及意义

1.2 国内外研究现状

1.2.1 河道砂体接触模式研究

1.2.2 砂体连通性分析研究

1.2.3 砂体连通性影响因素研究

1.2.4 模式识别理论及其在地质领域的应用

1.3 研究内容及技术路线

1.3.1 研究内容

1.3.2 研究思路及技术路线

第二章 区域地质概况

2.1 构造特征

2.2 沉积特征

2.3 储层岩性及物性特征

2.3.1 岩性特征

2.3.2 物性特征

第三章 河道砂体的连通方式研究

3.1 河流相砂体横向连通性

3.1.1 不同河道砂体间连通关系

3.1.2 河道砂与河间砂之间连通关系

3.2 河流相砂体纵向连通性

3.2.1 不同单元砂体间无泥质隔夹层

3.2.2 不同单元砂体间存在Ⅲ类夹层

3.2.3 不同单元砂体间存在Ⅱ类或Ⅰ类夹层

3.3 河流相砂体内部连通性

2.3.1 砂体内部非均质性对连通性的影响

2.3.2 砂体内部建筑结构对连通性的影响

第四章 支持向量机算法原理

4.1 支持向量机算法原理

4.1.1 最大边缘超平面

4.1.2 二类分类线性SVM

4.1.3 线性不可分情况与惩罚参数

4.1.4 非线性支持向量机与核函数

4.1.5 多分类问题

4.2 支持向量机的算法优化

4.2.1 特征选择

4.2.2 支持向量机的核函数选择

4.2.3 支持向量机的模型参数寻优

第五章 基于支持向量机的砂体连通性评价

5.1 样本数据的构建

5.1.1 河道砂体连通程度级别划分

5.1.2 砂体连通程度影响因素选择

5.1.3 砂体连通性样本集的建立

5.2 样本数据预处理

5.2.1 数据归一化处理

5.2.2 数据降维处理

5.3 支持向量机模型的建立

5.3.1 模型参数寻优

5.3.2 SVM评价模型的建立

5.4. 支持向量机模型的应用与检验

5.4.1 砂体横向连通性评价

5.5.2 砂体纵向连通性评价

5.5.3 砂体内部连通性评价

5.4.4 SVM模型应用效果

5.5 支持向量机与BP神经网络的应用对比

5.5.1 BP神经网络简介

5.5.2 BP神经网络构建

5.5.3 BP神经网络模型的建立与检验

5.5.4 BP神经网络与支持向量机的方法对比

结论与认识

参考文献

致谢