论文部分内容阅读
定量地刻画储层特征,是揭示油气运移规律,选择开发层系,指导油田开发生产,提高油气采收率最基础的工作之一。测井曲线和地震属性与储层特征有密切关系,且大部分情况下这种关系是高度非线性的。随着油气勘探开发的深入,传统的基于线性假设的储层参数预测方法已经不能满足储层特征的精细描述要求。支持向量机方法是一种适合于解决非线性问题的新型机器学习算法,是当前国内外智能方法的一个研究热点。粗糙集理论是一种处理不确定性的数学工具,近年来在许多科学与工程领域获得了广泛应用。本文以测井曲线和地震属性为基础,将粗糙集理论与支持向量机方法相结合,通过优选预测参数与建立预测模型,为储层参数预测研究探索一种新的方法。论文主要结果与认识如下:(1)评述了支持向量机在储层参数预测中的应用以及粗糙集理论方法的研究现状,在此基础上,指出支持向量机应用于储层参数预测的适用条件、关键问题及今后的研究方向。(2)选择运用最广泛的径向基函数为核函数,分析了用于支持向量机参数寻优的网格搜索法、自适应粒子群算法以及自适应遗传算法的机理和算法流程,为利用支持向量机方法进行储层参数预测模型构建奠定了理论和应用基础。(3)根据粗糙集理论的基本概念、属性约简机理与方法,运用粗糙集属性约简方法,分别优选了研究工区内与对应的储层参数关系密切的测井曲线和地震属性。(4)将优选的测井曲线作为支持向量机输入端,分别采取三种方法优选支持向量机参数,预测了两个工区的储层物性参数。结果表明,支持向量机方法对两个工区储层的孔隙度、渗透率都能进行较好的预测,预测结果明显好于常规测井解释方法。总的来说,网格搜索法耗费时间较短,精确度较差;自适应粒子群算法和自适应遗传算法耗费时间较长,精确度较高。同时,储层渗透率的预测精确度低于孔隙度的预测精确度。(5)将优选的地震属性作为支持向量机的输入端,预测了彩南工区头屯河组和西山窑组主力砂组的砂岩厚度和孔隙度。结果表明,构建的模型能够对储层砂岩厚度和孔隙度做出较好的预测,平均相对误差明显小于BP神经网络方法和多元线性回归方法。且支持向量机方法预测结果更符合相应的沉积相的砂体展布和物性分布特征。三种不同参数寻优方法中,自适应粒子群算法的效果最佳。