论文部分内容阅读
岩心分析在油气地质的研究中具有十分重要的作用，它是认识油气层特征的必要手段，为储层油气分析提供了基础。岩心分析的方法由来已久，且种类繁多，铸体薄片就是岩心分析方法的其中一种。
对铸体图片进行分析的目的主要是为了获知岩心中的孔隙分布与岩石的种类。在过去，主要是依赖于专家的经验知识来对铸体图片的分析，采用的是目估的方法来估计孔隙度的大小以及判定岩石的类别。专业鉴定人员的判读经验虽然非常的宝贵，但是，由于它的判读环境、设施等客观因素以及人自身的主观因素等方面的影响，势必会给判读的结果带来些许的误差。而且采用人工判读的方法不具备灵活性，不能批量的处理铸体薄片，造成人力物力的大量浪费。
那么，就迫切的需要一种智能的、便捷的、快速的方法来对铸体薄片进行处理，以减少以上诸多因素带来的误差，为储层的油气特征分析提供更客观的依据。
本文研究了灰色关联BP神经网络与支持向量机两种理论，阐述了两种方法的基本原理以及其算法的优缺点，并用这两种方法对西北地区井号为S41-1井的铸体薄片进行模式识别以求孔隙度。
灰色系统理论是邓聚龙教授提出的一种针对“小样本、贫信息”不确定性问题而提出了新的研究方法，而其灰色关联分析法是一种解决非线性、多因素的分析方法。
BP神经网络作为当前研究得较为成熟的一种神经网络模型，具有较强的计算、误差校正能力，并具有网络结构简单、收敛速度快、预测精度高等优点。
灰色关联BP神经网络是使用灰色关联方法辅助构造BP神经网络模型，它在一般BP网络的基础上，以灰色系统理论为基础，以灰色关联为方法，利用BP神经网络历史训练的部分权值来构建灰色关联约束函数，从而达到动态自适应的约束BP神经网络学习训练过程的目的。
支持向量机是建立在统计学习理论的VC维理论和结构风险最小化原理基础上。统计学习理论是一种专门研究小样本的理论，在有限样本情况下学习精度和泛化性能之间有着不可调和的矛盾，即采用复杂的学习机器容易使学习误差更小，但却会丧失泛化性能。那么则需要在学习机器的经验风险与模型复杂度之间取得合理的折中，从而使学习机器具有最小的经验风险以及更高的泛化能力。
支持向量机通过选择适当地函数子集及其该子集中的判别函数，使学习机器的期望风险达到最小，并且获得最好的泛化能力。
本文不仅在理论上论证了上述两种方法在对铸体图片进行模式识别的可行性，而且将理论与是实验相结合，最终在MATLAB软件平台上实现了上述两种方法对铸体图片的模式识别，并比较分析了两种方法在对铸体薄片进行处理的优缺点。