火山岩岩性的支持向量机识别

详细信息   

• 责任者：朱怡翔^c中国石油勘探开发研究院^d1960^e博士^f教授级高级工程师 ; 石广仁
• 刊名：石油学报
• 出版年：2013
• 卷期：34^b2
• 关键词：结晶岩类储集层 ; 支持向量机20^a火山岩 ; 回归分析 ; 神经网络系统 ; 地球物理测井 ; 算法30^a岩性划分
• 页码：312～322
• 索书号：P450.66/167
• 图表：^c表4参26插图
• 分类号：0831
• 文摘期号：2013/10/a

摘要

提出了用9种火山岩的岩石类型描述火山岩储层岩性的模型，表达岩性对优质储层的控制作用。基于该模型，选取了对火山岩的岩性、组构、成因和孔隙结构反应灵敏的15种岩石物理测井参数，分别采用多元回归分析(MRA)、人工神经网络(ANN)和支持向量机(SVM)3种机器学习算法，尝试火山岩岩性的识别。在三塘湖盆地马朗凹陷牛东油田的实例中，使用了3口井的数据，其中N9‐10井和N9‐19井的火山岩储层为学习样本，N8‐10井的火山岩储层为预测样本。利用N9‐10井1 361个样本和N9‐19井881个样本(每个样本含15种测井参数及岩性)，通过这3种机器学习算法分别获得预测火山岩岩性的知识；然后，利用N8‐10井961个样本(每个样本仅含15种测井参数)，根据上述学习获得的知识，得到这961个样本的岩性。研究发现：对于学习样本，MRA、ANN和SVM的计算与实际的平均相对误差绝对值分别为51.84%，48.66%和0；对于预测样本，则分别为52.44%，46.31%和6.30%。实例分析表明，只有SVM适用于该实例，是由于火山岩岩性与15种岩石物理测井参数的非线性关系十分强烈。