论文部分内容阅读
摘 要:随着老油田进入开发中后期的高含水阶段,其低空低渗、低阻、水淹层等复杂储层的特性,使常规交会图、线性回归、多元判别分析等原有许多传统应用方法无能为力,同时实践表明,在面对多种因素影响下的复杂石油地质问题时,非线性神经网络方法非常高效。因此,引进人工智能,建立机器学习、模式识别等新方法显得十分必要。本文从数据挖掘方法与技术切入,重点介绍了数据挖掘方法在石油勘探开发中的应用,并通过具体例子,给与详细说明。
关键词:数据挖掘 方法 石油勘探开发 应用
一、数据挖掘方法以及技术
“从海量的数据中获取正确、新颖、有潜在价值、最终可理解的模式的非平凡过程。”便是数据挖掘。其任务主要有两方面:其一,数据描述;其二,数据预测。前者主要是通过海量信息的刷选导出潜在关系的数据进行概括的模式,后者是通过数据描述与潜在关系的分析,推断出所需的关键结果。数据挖掘的主要有概念描述、关联分析、预测建模、聚类分析、异常检测、演化分析等功能。数据集作为数据挖掘的对象,通常有记录、向量、模式、样本、数据点等方式,表达时可以用一组刻画对象属性的基本特征(如变量、特征、字段、参数、维等)进行描述。而预测时,则是凭借部分已知属性,通过相应模型,得出制定属性即目标变量。对于预测建模,便是对已知类标号的训练样本(输入数据)研究学习,得出目标函数方程式,继而将数据集中所有属性值映射至预先定义的类标号,若类标号为沉积微相、水淹级别解释结果等离散型,则被定义为分类,若是类标号为含油饱和度、孔间隙等连续型,则被定义为回归。预测建模通过对某种算法的学习,建立分类模型,以尽量建立高泛化能力模型,最终为精确的预测测试样本即位置样本提供帮助。
二、数据挖掘方法在石油勘探开发中的应用
1、数据挖掘方法在石油勘探开发中的应用流程
在数据挖掘中,石油勘探开发中储层参数如常见的孔、渗、饱等计算通常与预测建模中分类任务对应,而油水层识别层等问题与预测建模中的回归任务对应。无论是分类还是回归任务,其均与模型中“过学习”与“欠学习”息息相关,因此为了使在未取心或者未射孔井段的准确率得到有效提高,数据挖掘应用流程通常由九个步骤组成。第一步,针对所要调查的石油地质与开发问题,最大限度的收集与其相关的各种项目资料,但须保证资料真实可靠,数据无较大出入。第二步,对于数据进行预先处理工作,如补齐缺失数值、消除异常等明显不合理数据等将资料整体进行标准化与归一化处理。第三,构造新的评价体系以适应要解决的问题。第四,对于性能方案评估并予以确认。第五,对于特征组方案评估予以确认。第六,结合石油勘探开发过程中要处理的问题特点、算法的特点,明确建模方案组合。第七,着手开始挖掘数据。第八,比较各种建模的特征与结果,得到最优模型,结合地球物理、石油地质、油藏工程等专业知识进行分析说明。第九步,现场检验,通过结果反馈,进一步改进模型参数与特征组合。
2.数据挖掘方法在石油勘探开发中的关键技术环节
受模型代表性、模型復杂度、算法等诸多因素的影响,模型泛化能力在关键技术方面的选择至关重要,其主要存在五个环节。第一个环节,激活决策树中剪枝操作、人工神经网络(即ANN)中的提前终止学习、SVM中的惩罚因子等预测建模方法算法设计中相关涉及泛化问题所引入的操作,并对参数设置进行优化处理。第二个环节,若是有不相关的特征或者冗余则会因为过度拟合的发生而对结果产生不利影响,所以,需要使用自动化或人工经验等特征选择方法进行特征选择,从而对几种方案进行对比。第三个环节,对模型中预测性能进行估计和比较,对于不同分类器的性能理论进行比较没有答案。通常在实践中,当数据集足够庞大,一般会将它一分为二,划分出独立的训练集与测试集,而分类器的性能在测试集中估计。当数据集规模较小比较有限时,为避免因数据不足发生“欠学习”的现象,一般不对训练集与测试集进行独立划分,通过对整个数据集使用交叉验证来进行性能估计。第四个环节,按照O ccam剃刀(razor)原理,对两个相同泛化误差的模型选择上,相对比较简单的更加优化,但是,对最终结果需要进行统计检验。第五个环节,在优化模型选出以后,应用全部数据重新建模进行训练,并将所得到模型应用于油田现场。
3.数据挖掘方法在石油勘探开发中的特征选择和模型应用
三、数据挖掘方法在石油勘探开发实践中的具体应用
1.水淹层特征参数的提取与特征方案的选择
本应用实例为国内某油田,分析该地区密闭取心井的岩心资料、测井曲线、石油结论、产液剖面等,发现此地区对水淹级别比较敏感的有产水率、含有饱和度以及采出指数。因此,这三个数据将作为水淹层特征参数。而对于特征选择,本次主要拟定了六套方案,分别为(1)人工方式确定三种,(2)过滤工作方式一种,(3)单因素方差分析方案一种,(4)全部23中参数方式。
2.建模方法及其参数设置
本次建模选取神经网络、支持向量机、贝叶斯网络、组合学习以及决策树共五种方法十二中模型。因为模型数据较少,故采用重复交叉验证估计模型的预测性能。各种方法参数如下设置。第一,对于决策树,采取自顶向下递归分治法(贪心算法),一般分为两个步骤进行分别为树的生成、树的剪枝。对于神经网络,其数值输入属性将进行归一化,区间为[-1,+1],层位属性变化为八个二值属性。共设计BP与RBFN两种网络。对于支持向量机,其输入的属性预处理和神经网络一样。对于贝叶斯网络,其算法采用NB和TAN两种。对于集成学习,采用BP与C5.0两种方案,算法采取A daBoost。
3.算法比较以及选择
通过借助开源数据挖掘工作平台为Weka与RapidMiner,对以上十二种算法在六种特征方案进行准确率交叉验证,得出:决策树在整体上性能最优,尤其是C4.5与CART效果最好,而两种贝叶斯算法性能最差,在所有特征方案中准确率都在百分之七十以下,两种神经网络算法与支持向量机算法中规中矩。此外,组合方法要优于单独分类器方法。通过分析可以明确得出结论:在水淹层识别和评价样本中基于结构风险的最小化原则的C 4.5+YC的应用效果最佳。
四、结语
虽然数据挖掘方法作为未来应对石油勘探开发挑战的十项主要关键技术的一种,其在国外已经被成功应用,如油藏实时动态监测、油藏描述、识别石油工程作业中的“最佳实践”等方面,但与其在金融、银行、交通等其他领域应用进行横向比较,数据挖掘在石油勘探开发中却处于刚刚起步阶段,因此,如何更加科学合理的利用这项技术,使数据挖掘在石油勘探开发的应用更加深入、更加广泛,还需要我们共同努力。
参考文献
[1]谭锋奇,李洪奇,孟照旭,郭海峰,李雄炎. 数据挖掘方法在石油勘探开发中的应用研究[J]. 石油地球物理勘探,2010,01:85-91+164+172
[2]汪忠德,王新海,瞿建华,方海飞,刘洪. 数据挖掘技术在石油勘探与开发中的研究及应用[J]. 石油工业计算机应用,2007,01:17-20+63
[3]赵改善,李剑峰,王于静,韦海亮. 网格计算技术及其在石油勘探开发中的应用前景[J]. 石油物探,2005,05:413-420+15
[4]易昌华,陈继红,韩华,李春芬,耿少波. 网络地理信息系统在石油勘探开发中的应用研究[J]. 石油地球物理勘探,2003,S1:77-80+138
[5]王海兵,樊硕,朱建民,李爱霞. 计算机技术在石油勘探开发中的应用[J]. 电子技术与软件工程,2013,12:117
[6]谢天虎. 计算机网络技术在石油勘探开发中的应用研究[J]. 中国新技术新产品,2012,11:43
作者简介:野 男 采油专业 辽河油田兴隆台采油厂 124010 1986.09
关键词:数据挖掘 方法 石油勘探开发 应用
一、数据挖掘方法以及技术
“从海量的数据中获取正确、新颖、有潜在价值、最终可理解的模式的非平凡过程。”便是数据挖掘。其任务主要有两方面:其一,数据描述;其二,数据预测。前者主要是通过海量信息的刷选导出潜在关系的数据进行概括的模式,后者是通过数据描述与潜在关系的分析,推断出所需的关键结果。数据挖掘的主要有概念描述、关联分析、预测建模、聚类分析、异常检测、演化分析等功能。数据集作为数据挖掘的对象,通常有记录、向量、模式、样本、数据点等方式,表达时可以用一组刻画对象属性的基本特征(如变量、特征、字段、参数、维等)进行描述。而预测时,则是凭借部分已知属性,通过相应模型,得出制定属性即目标变量。对于预测建模,便是对已知类标号的训练样本(输入数据)研究学习,得出目标函数方程式,继而将数据集中所有属性值映射至预先定义的类标号,若类标号为沉积微相、水淹级别解释结果等离散型,则被定义为分类,若是类标号为含油饱和度、孔间隙等连续型,则被定义为回归。预测建模通过对某种算法的学习,建立分类模型,以尽量建立高泛化能力模型,最终为精确的预测测试样本即位置样本提供帮助。
二、数据挖掘方法在石油勘探开发中的应用
1、数据挖掘方法在石油勘探开发中的应用流程
在数据挖掘中,石油勘探开发中储层参数如常见的孔、渗、饱等计算通常与预测建模中分类任务对应,而油水层识别层等问题与预测建模中的回归任务对应。无论是分类还是回归任务,其均与模型中“过学习”与“欠学习”息息相关,因此为了使在未取心或者未射孔井段的准确率得到有效提高,数据挖掘应用流程通常由九个步骤组成。第一步,针对所要调查的石油地质与开发问题,最大限度的收集与其相关的各种项目资料,但须保证资料真实可靠,数据无较大出入。第二步,对于数据进行预先处理工作,如补齐缺失数值、消除异常等明显不合理数据等将资料整体进行标准化与归一化处理。第三,构造新的评价体系以适应要解决的问题。第四,对于性能方案评估并予以确认。第五,对于特征组方案评估予以确认。第六,结合石油勘探开发过程中要处理的问题特点、算法的特点,明确建模方案组合。第七,着手开始挖掘数据。第八,比较各种建模的特征与结果,得到最优模型,结合地球物理、石油地质、油藏工程等专业知识进行分析说明。第九步,现场检验,通过结果反馈,进一步改进模型参数与特征组合。
2.数据挖掘方法在石油勘探开发中的关键技术环节
受模型代表性、模型復杂度、算法等诸多因素的影响,模型泛化能力在关键技术方面的选择至关重要,其主要存在五个环节。第一个环节,激活决策树中剪枝操作、人工神经网络(即ANN)中的提前终止学习、SVM中的惩罚因子等预测建模方法算法设计中相关涉及泛化问题所引入的操作,并对参数设置进行优化处理。第二个环节,若是有不相关的特征或者冗余则会因为过度拟合的发生而对结果产生不利影响,所以,需要使用自动化或人工经验等特征选择方法进行特征选择,从而对几种方案进行对比。第三个环节,对模型中预测性能进行估计和比较,对于不同分类器的性能理论进行比较没有答案。通常在实践中,当数据集足够庞大,一般会将它一分为二,划分出独立的训练集与测试集,而分类器的性能在测试集中估计。当数据集规模较小比较有限时,为避免因数据不足发生“欠学习”的现象,一般不对训练集与测试集进行独立划分,通过对整个数据集使用交叉验证来进行性能估计。第四个环节,按照O ccam剃刀(razor)原理,对两个相同泛化误差的模型选择上,相对比较简单的更加优化,但是,对最终结果需要进行统计检验。第五个环节,在优化模型选出以后,应用全部数据重新建模进行训练,并将所得到模型应用于油田现场。
3.数据挖掘方法在石油勘探开发中的特征选择和模型应用
三、数据挖掘方法在石油勘探开发实践中的具体应用
1.水淹层特征参数的提取与特征方案的选择
本应用实例为国内某油田,分析该地区密闭取心井的岩心资料、测井曲线、石油结论、产液剖面等,发现此地区对水淹级别比较敏感的有产水率、含有饱和度以及采出指数。因此,这三个数据将作为水淹层特征参数。而对于特征选择,本次主要拟定了六套方案,分别为(1)人工方式确定三种,(2)过滤工作方式一种,(3)单因素方差分析方案一种,(4)全部23中参数方式。
2.建模方法及其参数设置
本次建模选取神经网络、支持向量机、贝叶斯网络、组合学习以及决策树共五种方法十二中模型。因为模型数据较少,故采用重复交叉验证估计模型的预测性能。各种方法参数如下设置。第一,对于决策树,采取自顶向下递归分治法(贪心算法),一般分为两个步骤进行分别为树的生成、树的剪枝。对于神经网络,其数值输入属性将进行归一化,区间为[-1,+1],层位属性变化为八个二值属性。共设计BP与RBFN两种网络。对于支持向量机,其输入的属性预处理和神经网络一样。对于贝叶斯网络,其算法采用NB和TAN两种。对于集成学习,采用BP与C5.0两种方案,算法采取A daBoost。
3.算法比较以及选择
通过借助开源数据挖掘工作平台为Weka与RapidMiner,对以上十二种算法在六种特征方案进行准确率交叉验证,得出:决策树在整体上性能最优,尤其是C4.5与CART效果最好,而两种贝叶斯算法性能最差,在所有特征方案中准确率都在百分之七十以下,两种神经网络算法与支持向量机算法中规中矩。此外,组合方法要优于单独分类器方法。通过分析可以明确得出结论:在水淹层识别和评价样本中基于结构风险的最小化原则的C 4.5+YC的应用效果最佳。
四、结语
虽然数据挖掘方法作为未来应对石油勘探开发挑战的十项主要关键技术的一种,其在国外已经被成功应用,如油藏实时动态监测、油藏描述、识别石油工程作业中的“最佳实践”等方面,但与其在金融、银行、交通等其他领域应用进行横向比较,数据挖掘在石油勘探开发中却处于刚刚起步阶段,因此,如何更加科学合理的利用这项技术,使数据挖掘在石油勘探开发的应用更加深入、更加广泛,还需要我们共同努力。
参考文献
[1]谭锋奇,李洪奇,孟照旭,郭海峰,李雄炎. 数据挖掘方法在石油勘探开发中的应用研究[J]. 石油地球物理勘探,2010,01:85-91+164+172
[2]汪忠德,王新海,瞿建华,方海飞,刘洪. 数据挖掘技术在石油勘探与开发中的研究及应用[J]. 石油工业计算机应用,2007,01:17-20+63
[3]赵改善,李剑峰,王于静,韦海亮. 网格计算技术及其在石油勘探开发中的应用前景[J]. 石油物探,2005,05:413-420+15
[4]易昌华,陈继红,韩华,李春芬,耿少波. 网络地理信息系统在石油勘探开发中的应用研究[J]. 石油地球物理勘探,2003,S1:77-80+138
[5]王海兵,樊硕,朱建民,李爱霞. 计算机技术在石油勘探开发中的应用[J]. 电子技术与软件工程,2013,12:117
[6]谢天虎. 计算机网络技术在石油勘探开发中的应用研究[J]. 中国新技术新产品,2012,11:43
作者简介:野 男 采油专业 辽河油田兴隆台采油厂 124010 1986.09