一种基于机器学习的有利区评价新方法

详细信息    查看全文 | 推荐本文 |

英文篇名：A New Method for Favorable Zone Evaluation Based on Machine Learning 作者：李克文 ; 周广悦 ; 路慎强 ; 郭俊 英文作者：Li Kewen;Zhou Guangyue;Lu Shenqiang;Guo Jun;China University of Petroleum (East China);Sinopec Shengli Oilfield Branch Company; 关键词：有利区预测 ; 地震属性 ; 岭回归 ; 逻辑斯谛回归 英文关键词：favorable zone prediction;;seismic attribute;;ridge regression;;logistic regression 中文刊名：TZCZ 英文刊名：Special Oil & Gas Reservoirs 机构：中国石油大学(华东);中国石化胜利油田分公司; 出版日期：2019-03-13 15:57 出版单位：特种油气藏 年：2019 期：v.26;No.134 基金：国家科技重大专项“低渗透储层高精度随钻成像技术”(2016ZX05021-002);; 国家自然科学基金“多尺度概念格的构造与知识发现方法研究”(61673396);; 山东省自然科学基金“网络化软件动态可信性轻量化评估方法研究”(ZR2017MF032) 语种：中文; 页：TZCZ201903002 页数：5 CN：03 ISSN：21-1357/TE 分类号：11-15

摘要

随着勘探技术的发展,有利区预测技术逐渐应用到储层和油藏的研究中。针对预测采用的地震数据存在无关及冗余属性,且地震属性与储层岩性关系不明确的问题,利用岭回归进行属性约简,逻辑斯谛回归进行分类,达到消除无关及冗余地震属性,获取泛化性强的分类模型目的,从而能够找到传统预测方法难以发现的复杂隐蔽油藏。研究结果表明,采用岭回归与逻辑斯谛回归相融合的算法在有利区预测中效果明显,分类准确率达到60. 0%以上。该研究能有效地对有利区进行分类识别,进而能够辅助勘探人员快速圈定有利目标,为准确打井提供依据,避免打空井造成的资源浪费。
        Favorable zone prediction technology is gradually applied in the reservoir characterization with the development of exploration. In view of the irrelevant and redundant attribute of seismic data and the obscure relationship between seismic attribute and reservoir lithology,the ridge regression and logistic regression were used for attribute reduction and classification respectively to eliminate the irrelevant and redundant seismic attributes. The final goal is to obtain the generalized classification model to explore the complex hidden reservoirs that cannot be predicted by traditional methods. Result indicates that the ridge regression combining with logistic regression shows a favorable performance in favorable zone prediction and the accuracy rate of classification exceeds 60%. This research cannot only effectively classify and identify favorable zone and rapidly assist exploration personnel to determine favorable targets,but also provide a basis for well deployment to avoid ineffective investment caused by invalid well drilling.

引文

[1]张运东,薛红兵,朱如凯,等.国内外隐蔽油气藏勘探现状[J].中国石油勘探,2005,10(3):64-68,71.
    [2]毛丹凤.储层地震预测技术及其应用[D].武汉:长江大学,2012.
    [3]李玉君,邓宏文,师振贵,等.地震信息在储层沉积微相随机建模中的应用[J].特种油气藏,2007,14(5):43-48,107.
    [4]王黎明.姬源油田耿179区长2储层综合评价及有利区优选[D].西安:西安石油大学,2016.
    [5]谢青,王建民,江宽,等.鄂尔多斯盆地太阳湾地区长2特低渗储层评价及有利区预测[J].兰州大学学报(自然科学版),2015,51(4):488-495.
    [6]毛凯兰,秦启荣,范存辉,等.车45井区二叠系乌尔禾组储层特征及有利区预测[J].科技通报,2018,34(11):43-47.
    [7]钱恪然.各向异性页岩岩石物理建模及储层脆性评价[D].北京:中国石油大学,2016.
    [8]桑凯恒,张繁昌.基于模糊粗糙集的机器学习储层参数预测[J].CT理论与应用研究,2018,27(4):455-464.
    [9]刘佳乐.基于近似支持向量机的储层分析方法[D].成都:成都理工大学,2016.
    [10]BIN Y,CHUN K L,CHUN S Z,et al.On Support vector machines method to identify oil&gas zone with logging and mudlog information[J].Well Logging Technology,2005,29(6):511-514.
    [11]LIM J S.Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea[J].Journal of Petroleum Science&Engineering,2005,49(3):182-192.
    [12]张艳,张春雷,成育红,等.基于机器学习的多地震属性沉积相分析[J].特种油气藏,2018,25(3):13-17.
    [13]于成龙.基于特征提取的特征选择研究[D].南京:南京邮电大学,2011.
    [14]YAN L I,YUAN L I,SHI WEI Y E.A classification and regression algorithm based on manifold regularization and its application[J].Computer Simulation,2007,24(10):107-109.
    [15]莫惠栋.脊回归技术及其应用[J].作物学报,2002,28(4):433-438.
    [16]YANG S,HOU C,NIE F,et al.Unsupervised maximum margin feature selection via L2,1-norm minimization[J].Neural Computing&Applications,2012,21(7):1791-1799.
    [17]常振海,刘薇.Logistic回归模型及其应用[J].延边大学学报(自然科学版),2012,38(1):28-32.
    [18]李航.统计学习方法[M].北京:清华大学出版社,2012:47-53.
    [19]孙娅楠.梯度下降法在机器学习中的应用[D].成都:西南交通大学,2018.
    [20]卢运梅.SVM-RFE算法在数据分析中的应用[D].吉林:吉林大学,2009.
    [21]刘建伟,崔立鹏,刘泽宇,等.正则化稀疏模型[J].计算机学报,2015,38(7):1307-1325.
    [22]张棪,曹健.面向大数据分析的决策树算法[J].计算机科学,2016,43(增刊1):374-379,383.
    [23]邵丹.基于自适应Context模型的Shearlet变换地震信号增强[D].吉林:吉林大学,2018.
    [24]谢斌.朴素贝叶斯分类在数据挖掘中的应用[J].甘肃联合大学学报(自然科学版),2007,21(4):79-82,91.
    [25]韩启迪,张小桐,申维.基于梯度提升决策树(GBDT)算法的岩性识别技术[J].矿物岩石地球化学通报,2018,37(6):1173-1180.
    [26]李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.