对于传统的储层参数预测模型,大部分是利用经验公式,或者是普通的回归公式进行预测。由于地层内部结构复杂,各地质条件互相影响、交叉,导致地层参数多维数、非线性、相关性大。而油田开发非常耗费人力、财力,因此我们有必要建立一套更加准确精细的储层参数预测方法,以满足实际油田生产的需要。本文研究了支持向量机技术的基本模型,并做了相应改进,即基于偏最小二乘法及最小二乘支持向量机算法,并在储层参数预测上进行应用。支持向量机于20世纪90年代中期由vapnik等人提出,它是基于统计学习理论的机器学习模型。同神经网络算法不同,支持向量机是以严格的数学推论作为基础,最终收敛于全局最优点,避免了神经网络算法中的局部最优解的缺点。并且在解决高维非线性问题中,支持向量机有着传统回归方法无法比拟的优势。在以往的数据分析中,我们一般采用统计学里的回归分析进行预测解释。这些回归分析都是基于经验风险最小化原则,如多元线性回归、最小二乘回归、逐步线性回归等。在多维变量的情况下,自变量间的多重相关性会严重干扰预测公式。通过将最小二乘多元回归、主成分分析以及典型相关分析相结合,我们得到了偏最小二乘法,并引入相关系数、t检验和F检验来进行模型的显著性分析。我们将偏最小二乘法和最小二乘支持向量机相结合,通过偏最小二乘法消除数据的相关性,再由最小二乘支持向量机将多维、非线性数据映射到高维空间,得到相应的拟合公式。这样得到的公式不但要好于单独使用其中任何一者的结果,还能避免使用神经网络算法带来的局部最优解的问题,具有很强的适应能力。孔隙度、饱和度和渗透率是油田测井中非常至关重要重要的三个参数,他们由测井曲线如中子、密度、声波时差等来反映。当使用经验公式甚至是普通的回归分析进行预测时,由于储层参数同测井曲线参数关系非常复杂,并且测井曲线间含有多重相关性以及高维数,使得预测结果具有较差的精度和泛化性。本文将偏最小二乘法与最小二乘支持向量机相结合,并成功应用于储层参数预测中。经过实验论证,我们拟合出来的公式具有很高的精度和泛化性,达到了理想的目的。