基于粗糙集与支持向量机的储层参数预测

摘要

储层参数是反映储集层油气储量的重要参数，储层参数的准确预测对评价地层有着十分重要的意义。而测井资料是最接近地层的数据，通过测井资料能够更好的预测储层参数，所以利用测井资料对储层参数进行预测是目前最经济有效的方法。但是当前的储层参数预测模型已经不能满足目前探井的需求，迫切需要预测精度更高的模型。 本文通过研究，系统分析了当前储层参数预测模型的局限性，在继承前人研究成果的基础上，将粗糙集和最小二乘支持向量回归有机地结合起来，提出了基于粗糙集和最小二乘支持向量回归的预测模型，应用于储层参数预测，并在matlab平台中实现该模型。 经过实验分析，粗糙集约减后的回归结果和运行时间都要优于约减前；从而反映出经过粗糙集约减可以删除测井属性中的冗余信息，剔除了影响储层参数预测的噪声；回归的输入数据得到了精简，使得回归运行时间得到缩减。无论是非线性方法中的神经网络还是最小二乘支持向量回归，其结果均优于线性回归的结果，从而进一步验证了储层参数与测井属性之间的关系并非简单的线性关系。对神经网络和最小二乘支持向量回归的结果进行比较，可以看出，最小二乘支持向量回归的结果基本上是优于神经网络的结果，虽然存在部分较好的神经网络回归结果，但是它是以大量的运行时间为代价的；而最小二乘支持向量回归基于自身的理论优势，可以在较短的时间内找出全局最优值，成功克服了神经网络的缺点，因而将最小二乘支持向量回归用于储层参数预测是可行的。 实验结果表明将粗糙集应用于测井属性约减，减少了输入该模型的冗余信息，减少了回归模型的运行时间；针对输入样本多，使得支持向量机的二次规划变得复杂，本文采用最小二乘支持向量回归解决了该问题。实验证明该模型与传统的储层预测模型相比较具有较高的预测精度，值得加以深入研究和推广。

目录

文摘

英文文摘

声明

第1章绪论

1.1选题依据及研究意义

1.2国内外研究现状

1.2.1回归方法研究现状

1.2.2属性约减方法研究现状

1.3.研究内容及结构安排

1.3.1研究内容

1.3.2论文结构安排

1.3.3论文取得成果与认识

第二章 粗糙集

2.1粗糙集的基本思想

2.2粗糙集(RS)基本特点

2.3粗糙集的基本理论与方法

2.3.1 RS的基本概念

2.3.2知识的约减

第三章 统计学习理论与支持向量机

3.1机器学习问题与经验风险最小化

3.2统计学理论

3.2.1学习过程的一致性

3.2.2学习机器推广能力的界和VC维

3.2.3结构风险最小化原则

3.3支持向量机

3.3.1最大间隔分类超平面

3.3.2支持向量机

3.4核函数

3.5支持向量回归

3.6最小二乘支持向量回归

3.7参数选择

3.7.1交叉确认(CV)法

3.7.2网格搜索法

3.8本章小结

第四章模型建立及其应用

4.1提取数据及数据预处理

4.1.1提取测井数据和岩心分析数据

4.1.2数据预处理

4.2基于粗糙集的数据约减

4.3回归方法的应用比较及结果

4.3.1线性回归

4.3.2神经网络

4.3.3最小二乘支持向量回归

4.4结果分析

结论

致谢

参考文献