论文部分内容阅读
随着世界范围内石油勘探与开发程度的不断加深，油气勘探开发的目标由以构造为主的油气藏转化为隐蔽油气藏，从而需要对地下油气储层进行更为确切的认识、更为精细的描述。
储层物性参数(如储层孔隙度、渗透率等)，是石油地质和工程的重要参数，其分布的不均匀性直接影响油气分布、运移，是地质工作者估计储层含油气性、确定井位的重要依据。在油气勘探开发阶段，纵向储层模型的建立主要依靠测井属性信息，从而获取自然伽马、自然电位、电阻率、声波时差等属性随空间变化的特征。储层物性参数一般只能通过实验室的岩芯分析实验才能直接确定，无法由测井属性信息直接确定。但从井中所测到的各种参数只是某几个离散的点上的信息，因此，要全方位、高分辨率地了解整个储层的信息，就必须依托于测井属性信息，就必须建立测井属性信息与储层物性参数之间的关系模型。
然而，由于储层分布的复杂性、多相性以及非均匀性，导致了测井属性信息与储层物性参数之间关系的非线性以及多解性等特点，使得两者之间并不存在某种明确的一一对应的关系，很难采用某一种算法来精细地描述。传统方法如线性回归法(Linear Regression)、克里金方法(Kriging Regression)、井约束反演(Well Constrained Inversion)、协同克里金法(Synergetic Kriging Regression)以及维纳滤波反褶积(Wiener Filter)等，假定测井数据信息与导出的储层参数为简单线性关系，而在实际工程应用过程中，这种假设经常与实际情况不相符，使得储层物性参数预测结果失去实用价值。随后，人工神经网络(ArtificialNeural Network,简称ANN)作为一种理论上可逼近任意函数的高度非线性系统，被引入储层参数预测以及测井属性信息与储层参数之间关系模型构建领域。然而，在进一步的研究过程中，神经网络自身的一些未解决问题(如对大样本的要求、局部极小值、欠学习与过学习等问题)影响了模型的预测准确度以及适用性。在此背景下，基于统计学习理论(Statistical LearningTheory,简称SLT)、针对小样本条件、非线性以及高维模式识别问题而提出的支持向量机(Support Vector Machine，简称SVM)方法逐渐获得油气地质领域学者的关注。
粒子群优化算法(Particle Swarm Optimization，简称PSO)作为群智能算法的一种，由学者Kennedy和Eberhart于1995年首次提出。类似于其他群智能优化算法，粒子群优化算法的运行机理不仅依靠个体的自然进化的规律，而同时顾及到到对生物群体的社会行为进行模拟。在生物群体中存在着个体与群体、个体与个体之间的相互作用、相互影响的行为，这种行为体现为一种存在于生物群体中的信息共享机制。粒子群优化算法就是对这种社会行为的模拟，即利用信息共享机制，使得个体间可以相互借鉴经验，从而促进整个群体的发展。粒子群优化算法由于其简单易于实现的优点，被越来越多地应用于函数优化、模式分类、神经网络训练，等各种应用领域。同时，基于粒子群优化算法的数学理论和实现技术，以Kennedy和Eberhart为代表的众多专家学者仍然在对PSO做深入的探索，尤其在实现技术方面，提出了各种改进版本的PSO等等。
最小二乘支持向量机(Least Square Support Vector Machine，简称LS-SVM)在标准支持向量机的基础上进行了一定的改进，其主要不同之处在于将误差的二次平方项作为损失函数而不是不敏感损失函数，这样便可以将不等式约束条件转变成等式约束。最小二乘支持向量机算法将二次规划问题转变为线性方程组的求解，而同时又不会改变原本的核函数映射关系及全局最优等特性。同时，最小二乘支持向量机与标准支持向量机算法相比减少了一个调整参数，仅剩下两个，因而与标准的相比简化了计算复杂度。最小二乘支持向量机通过解一组现行方程组取代标准支持向量机中的二次规划优化，提高了收敛速度。
本文在系统介绍了粒子群优化算法理论、统计学习理论与支持向量机方法的基础上，提出采用基于粒子群优化算法与最小二乘支持向量机的方法，采用粒子群优化算法优化最小二乘支持向量机中的核心参数，实现以测井属性信息对储层物性参数的预测，构建测井属性信息与储层物性参数之间关系模型。最后结合中国西北塔北某地区Y13实验井的实地数据，与单一最小二乘支持向量机、神经网络模型在准确度、算法复杂度方面的对比和分析，结果表明，该方法预测准确度与算法复杂度均表现出较好的性能，具有一定的适用性。