论文部分内容阅读
石油是一个国家经济发展的战略资源。自上个世纪的60年代,石油已成为世界第一大能源。无论是对发达国家来说还是对发展中国家来说,石油都是工业经济发展不可缺少的动力所在。石油这一资源具有不可再生性,世界上的石油储量又是一定的。石油资源的不断减少和各国经济的不断发展构成了一对矛盾。在解决这项矛盾问题上,为满足各国经济发展需要,改善石油勘探技术,约简勘探指标,提高地下储层类型的识别率等等是重点研究的思路和方法。正是在采集、处理和解释有关数据采用了各种新技术,油气勘探成功率已由20世纪80年代的30%提高到20世纪90年的40%。在某些跨国大石油公司,油气钻井成功率已由1990年初的3%到30%,提高到平均47%。
限于目前我们的观测手段和技术水平,使得能观测到的含油气映象是一个模糊未确知的体系,勘探人员根据自己得到的模糊映象,无法准确回答一个地区的含油性问题。截止2003年,世界各国的油气公司的实际开采量不到探明储量的三分之一。一个很重要的原因是探明储量与石油的客观存在差别甚远,说明传统的勘探手段、分析技术、计算方法急需改进,人们对地下石油储层认识的能力亟待提高。
本文正是在这样的背景下,从改善智能算法,提高准确率的角度展开研究的。一个地区有无石油,有多少石油,本身是地质历史演化的结果,客观上是存在和确定的。但如何借助与储层相关的指标来判断储层类型是石油勘探中的一个大问题。而该类型的问题可归结为石油储层识别的问题。对识别效果有很大影响的主要因素有:选择的指标体系、数据的客观分布、选择的识别算法等。
本文将粗糙集引入到储层属性的约简,达到将高维数据降低到低维数据的目的。在构建的指标体系中,并不是各指标在预测储层类型过程中的作用相同,因此选用适当的算法在指标体系中遴选出对结果影响较大的属性组合即完成特征提取是研究的一个课题。指标太多,会造成属性组合爆炸,严重影响识别的效率和计算上的复杂度;指标太少,不能客观反映储层的信息。在此问题上,本文引入了当前处理不确定信息的新兴工具粗糙集,借助该算法完成属性约简,并与其它方法提取的特征提取结果进行对比。
由指标体系需要探测各个储层类型对应的数据,而得到的数据是对地下储层信息的一种客观反映。这些数据如何分布,一方面影响着这个属性的重要程度,另一方面也在影响着预测的准确率。对数据的处理技术也是数据挖掘研究的大课题。
能够用于模式识别的算法有很多种,本文是在已有的遗传算法、神经网络、模糊逻辑等技术上引入的群智能搜索技术。群智能算法客观上是演化算法的分支,但由于其处理问题的并行性和独立性,受到诸多学者的青睐。本文将群智能算法用于约简后的储层数据,通过与以上智能算法预测结果的对比,显示该类算法在搜索技术上的优越性。由于聚类问题很大程度上受聚类中心的影响,因此改进K均值的很多算法是体现在改善类中心上。而蚂蚁群算法的结果与初始聚类中心的关系不大,蚂蚁群算法考虑到了附近解“外激素”,好的解附近的“外激素”较多,它被选取的概率就大,蚂蚁群算法的迭代次数一般比较少,其方法相对比较有效。特别当模式样本和分类数很大时,用蚂蚁群算法聚类解决多聚类问题确实有效。聚类算法中K-means聚类速度快,但结果受初始设置的类中心影响较大,PSO算法是一种全局搜索算法,搜索范围广,搜索精度高,但对初值也有一定的依赖。因此将粒子群与K-means以不同的方式结合可以改进聚类算法的结果,K-means算法与PSO算法以不同的顺序相结合可以产生精度较高的聚类算法。将K-means的聚类结果作为粒子群的初始粒子的设置,这种算法是K-means+PSO聚类算法;将粒子群聚类的结果作为K-means的初始化的设置,这种算法是PSO+K-means算法;将上述两种融合算法结合起来即K-means+PSO+K-means也是一种算法精度较高的聚类算法。将混沌方程引入到粒子群算法中,增加粒子初始设置的随机性,更有利于粒子群的全局搜索,也是改进粒子群聚类上的一种方法。
第一章介绍了石油储层探测的背景和意义,石油储层识别中的技术现状,给出了群智能算法用于储层识别的必要性.第二章介绍了群智能算法,主要有适应度函数的构造,粒子群算法及蚁群算法的原理、概念、公式及其应用,并对算法的前沿进行了追踪。第三章介绍了粗糙集的概念、理论和基本方法。第四章实证研究,将江汉油田3口探测数据先由粗糙集进行离散化、约简,否将约简属性及对应的值用于群智能识别算法。
末尾,对聚类结果进行了比较分析,并对不足之处提出了展望本论文主要包含两个方面的内容:一方面是智能算法介绍及其改进,另一方面是集成算法在储层识别中的应用,并与已有算法的结论进行对比。