共查询到18条相似文献，搜索用时 187 毫秒
1.
东营凹陷深部储层是干燥沉积环境下的一套红层,其中的孔一中储层厚度大、钻遇井少,具有较大勘探潜力。但目标区地层结构复杂,埋深从南到北逐渐变大,井震关系一致性不好,储层预测有很大难度。通过综合分析井震特征、优选地震属性、建立井震厚度关系,使用单一最佳属性法、多元线性回归法、基于学习型的非线性储层预测法,得出以下认识与结论：1）研究区红层具有薄互层典型特征,频率较上覆和下伏地层高,地震反射具有中振、低连、低信噪比特征;2）新研发的基于优势频率的流度因子具有最好的厚度相关性,最大振幅、均方根振幅、过零点数、能量半时也较好;3）无论是多元线性回归还是非线性支持向量机,优化的五属性储层预测效果要好于七属性;4）基于交叉验证的支持向量机方法十分适合深部储层小样本储层厚度预测,效果好于单一最佳属性法和多元线性回归法。 相似文献
2.
3.
煤层精准定位是无人采煤的关键技术,煤层厚度预测是煤田地震资料解释的重要研究内容之一。参考实际地层厚度及物性参数,构建含楔形煤层的正演模型,通过地震剖面正演和地震属性提取、优化,对比分析信噪比和多种回归方法对煤层厚度预测的影响。研究结果表明：部分地震属性与煤厚相关性较强,可以用于煤厚预测;地震属性间的信息冗余不可忽略,但基于主成分分析和多维标度的地震属性优化结果无本质区别;当信噪比较低(10 dB)时,随机森林回归算法的均方根误差最小(1.07),支持向量机回归算法的误差居中(1.15),多元线性回归算法的误差最大(1.84);当信噪比较高(25 dB)时,支持向量机回归算法的误差最小(0.05),随机森林回归算法的误差居中(0.11),多元线性回归算法的误差最大(0.20);输入数据信噪比对煤厚预测有明显影响,信噪比越高、预测效果越好。基于地震属性优化及支持向量机回归的煤厚预测方法,是实现薄煤层厚度高精度解释的一种有效途径。 相似文献
4.
能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。 相似文献
5.
摘要：地震属性受多种地质因素的影响,单一地震属性很难准确地反映煤层气储层综合地质特征。寻找能够降低地震属性多解性的方法,准确预测主地质参数,是评价煤层气有利区的关键。根据煤层厚度、含气量和渗透率分别与振幅类、频率类和曲率类地震属性具有较高相关性的特点,通过地震多属性组合变换的方法,建立了基于地震属性分析的煤层气主地质参数预测模型。然后,建立动态权重系数中值法,以中值评价值出现的最高频率,确定主地质参数在煤层气有利区优选中所占的权重,并基于评价值函数实现有利开发区块优选。利用该方法对沁水盆地郑庄地区的预测结果表明：最有利开发甜点区位于北部的59-60-57-55井区,次级有利开发甜点区位于东北部的53-62-49-45井区。 相似文献
6.
针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。 相似文献
7.
8.
裂缝是致密碳酸盐岩储层的重要渗流通道,影响油藏开发效果.由于裂缝的地球物理响应弱且复杂,使得裂缝预测困难.在深度挖掘地震属性中裂缝特征信息的基础上,建立了基于人工智能的裂缝分布预测方法 .该方法通过支持向量机算法优选裂缝敏感属性,利用梯度提升决策树(GBDT)算法深度挖掘单井裂缝发育情况与地震属性之间的非线性关系,梯度提升决策树算法对于异常值有较强的鲁棒性,可以较好地解决裂缝地震响应弱且复杂的问题.该方法在中东扎格罗斯盆地某油田古近系渐新统-新近系中新统Asmari组主力产油层位的致密碳酸盐岩储层中进行了实例应用,优选出方差、曲率、倾角偏差、倾角、方位角5种裂缝敏感地震属性,利用梯度提升决策树集成不同地震属性中的裂缝特征,建立裂缝分布预测模型,对研究区碳酸盐岩储层裂缝分布进行了预测.与常用裂缝预测方法的对比实验表明,本方法的裂缝预测结果与单井裂缝解释更为符合.预测结果表明,研究区北部裂缝更为发育,构造高部位附近裂缝更为发育,与生产动态认识相符合. 相似文献
9.
加权支持向量回归机及其在水质预测中的应用 总被引：1，自引：0，他引：1
支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。 相似文献
10.
支持向量机在水淹层测井识别中的应用 总被引：2，自引：1，他引：1
支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。笔者尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测井曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。 相似文献
11.
煤厚变化对煤炭安全高效开采具有重要的影响。针对三维地震数据中含有噪声时,易导致煤厚预测结果具有较大误差的问题,提出一种利用变模态分解(VMD)和支持向量机(SVM)方法结合进行煤厚预测的方法。首先,构建煤厚楔形模型并对其进行地震正演模拟,当煤层厚度较薄时,振幅属性和频带宽度属性与煤厚之间具有较好的正相关性,而瞬时频率属性与煤厚具有较好的负相关性;对正演地震记录增加噪声,结果表明噪声对利用地震属性进行煤厚预测具有较大影响。利用VMD进行去噪之后,基于SVM进行煤厚预测,实际地震资料的煤厚预测结果与已有钻孔揭露的煤层信息较为吻合,预测煤厚最小绝对误差仅为0.02 m,最大绝对误差0.52 m,验证了方法的可行性和有效性。研究成果可为低信噪比区的煤厚反演提供参考。 相似文献
12.
Li Yunkai Tian Yingjie Ouyang Zhiyun Wang Lingyan Xu Tingwu Yang Peiling Zhao Huanxun 《Environmental Earth Sciences》2010,60(7):1559-1568
Sand production by soil erosion in small watershed is a complex physical process. There are few physical models suitable to
describe the characteristics of the intense erosion in domestic loess plateau. Introducing support vector machine (SVM) oriented
to small sample data and possessing good extension property can be an effective approach to predict soil erosion because SVM
has been applied in hydrological prediction to some extent. But there are no effective methods to select the rational parameters
for SVM, which seriously limited the practical application of SVM. This paper explored the application of intelligence-based
particle swarm optimization (PSO) algorithm in automatic selection of parameters for SVM, and proposed a prediction model
by linking PSO and SVM for small sample data analysis. This method utilized the high efficiency optimization property and
swarm paralleling property of PSO algorithm and the relatively strong learning and extending capacity of SVM. For an example
of Huangfuchuan small watershed, its intensive fragmentation and intense erosion earn itself the name of “worst erosion in
the world”. Using four characteristics selection algorithms of correlation feature selection, the primary affecting factors
for soil erosion in this small watershed were determined to be the channel density, ravine area, sand rock proportion, and
the total vegetation coverage. Based on the proposed PSO–SVM algorithm, the soil erosion modulus in the small watershed was
predicted. The accuracy of the simulation and prediction was good, and the average error was 3.85%. The SVM predicting model
was based on the monitoring data of sand production. The construction of the SVM erosion modulus prediction model for the
small watershed comprehensively reflected the complex mechanism of soil erosion and sand production. It had certain advantage
and relatively high practical value in small sample prediction in the discipline of soil erosion. 相似文献
13.
14.
15.
通过对煤炭采区三维地震属性的研究,提出了基于地震波形差异属性解释煤矿陷落柱的发育边界、发育高度的技术方法,实例表明：地震波形差异属性对地质异常体的分辨能力与参与波形差异比较的道数及时间分析窗口大小有关,多道数、大时窗,可突出大的地质异常;相反少道数、小时窗可有效反映小的地质异常体,特别是对小地质异常体边界的刻画会更准确。与地震时间剖面、地震属性切片及倾角属性剖面相比,地震波形差异属性解释陷落柱在煤层中的发育边界、发育高度方面具有明显的优势。 相似文献
16.
将诱发水库地震的主要因素（岩性、岩体完整性、断层性质、库区区域应力状态、库区地震活动背景）划分为11个因子,并进行定量化;再根据每个样本到所属类内超平面的距离计算每个样本点的模糊因子,确定其对分类超平面影响大小;然后建立水库地震的支持向量机（SVM）和模糊支持向量机（FSVM）模型,并应用于水库诱发地震等级预测。实例分析表明,两种模型均可用于水库诱发地震等级预测,具有预测精度较高、考虑因素全面的特点,相比之下SVM模型预测结果略优于FSVM模型。另外,在应用SVM和FSVM进行分类时,如果样本离散性较高,则SVM模型优于FSVM模型;相反,如果样本离散性较低,则FSVM模型优于SVM模型。 相似文献
17.
为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。 相似文献
18.
采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。 相似文献