复杂岩性及多相流体智能识别方法
- 格式：pdf
- 大小：1.76 MB
- 文档页数：6
石油勘探与开发2012年4月PETROLEUM EXPLORATION AND DEVELOPMENT Vol.39 No.2 243 文章编号：1000-0747(2012)02-0243-06复杂岩性及多相流体智能识别方法李雄炎1,2，周金昱3,4，李洪奇5，张少华3,4，陈亦寒2（1. 中海油研究总院；2. 中国石油大学（北京）博士后流动站；3. 低渗透油气田勘探开发国家工程实验室；4. 中国石油长庆油田公司勘探开发研究院；5. 中国石油大学（北京）地球物理与信息工程学院）基金项目：国家高技术研究发展计划（863）项目（2009AA062802）摘要：基于优化算法与分类算法的基本原理，针对K-Means优化后的岩心、测井和产液数据集，利用自组织特征映射神经网络SOM聚类建立岩性预测模型，综合决策树和支持向量机建立流体预测模型，并利用遗传算法、网格算法和二次算法对支持向量机的重要参数进行优化，以精确识别复杂储集层岩性和多相流体。
对准噶尔盆地东部五彩湾凹陷石炭系复杂储集层4口新井进行精细解释，SOM岩性预测模型、决策树和支持向量机流体预测模型识别准确率分别为91.30%和95.65%，岩性复杂并非导致该储集层中流体性质差异的主要因素；由于研究区数据集复杂性和非线性程度不够强，导致决策树的建模精度优于支持向量机，分别为94.31%和86.97%，且线性的多项式函数性能优于径向基函数RBF和神经元函数Sigmoid、支持向量分类机中C-SVC的分类性能和泛化能力强于υ-SVC。
图3表4参24 关键词：岩性识别；流体识别；储集层评价；计算智能；预测模型中图分类号：TE122.1 文献标识码：AComputational intelligent methods for predicting complex lithologies and multiphase fluids Li Xiongyan 1, 2, Zhou Jinyu3, 4, Li Hongqi5, Zhang Shaohua3, 4, Chen Yihan2(1. CNOOC Research Institute, Beijing 100027, China; 2. Postdoctoral Center of China University of Petroleum, Beijing 102249,China; 3. National Engineering Laboratory for Low Permeability Petroleum Exploration and Development, Xi’an 710018, China;4. Exploration & Development Research Institute of PetroChina Changqing Oilfield Company, Xi’an 710018, China;5. College of Geophysics and Information Engineering, China University of Petroleum, Beijing 102249, China)Abstract:On the basis of the basic principles of optimization algorithms and classification algorithms, the Self-Organizing feature Map neural network (SOM) is applied to establish the predictive model of lithology for the K-Means optimized data set including core data, logging data and well tests data. Additionally, the decision tree and support vector machine are used to build the predictive model of fluid on the basis of the lithology identification. The optimization algorithms, including genetic, grid and quadratic, are adopted to optimize the important parameters of C-SVC and υ-SVC, such as C, υ and γ, so as to accurately identify the complex lithologies and multiphase fluids of complicated reservoirs. The SOM model and the decision tree and support vector machine are utilized to process four new wells in the complicated Carboniferous reservoirs of the Wucaiwan Sag, eastern Junggar Basin. The accuracy of lithology identification is 91.30%, and the accuracy of fluid identification is 95.65%. The lithologic complexity is not the main factor leading to the differences of fluids in the reservoirs. Because the complexity and nonlinearity of data set are not strong enough, the accuracy of the decision tree model is better than that of the support vector machine. Their accuracy rates are 94.31% and 86.97%, respectively. The performance of linear polynomial function is better than that of the radial basis function RBF and the neural function Sigmoid. The classification performance and generalization ability of C-SVC are stronger than that of the υ-SVC.Key words:lithology identification; fluid identification; reservoir evaluation; computational intelligence; predictive model0 引言岩性和流体的准确识别是地层评价的核心任务。
随着油气勘探开发在深度与广度上的拓展，有必要引入计算智能方法综合识别各种复杂岩性和多相流体。
岩性的准确评价是流体识别的基础。
前人提出了复杂岩性识别的一系列方法[1-4]。
由于不同地区岩性定名、方法原理和参数优化存在一定差异，即使相同方法在不同地区的识别结果也可能相去甚远。
本文综合应用聚类分析中的K-Means方法[5-6]和人工神经网络中的SOM（Self-Organizing Feature Map，自组织特征映射神经网络）方法[5-6]，研究储集层岩性预测方法。
244 石油勘探与开发·综合研究Vol. 39 No.2可利用核磁共振、弹性波阻抗等信息，采用小波分析与希尔伯特变换等算法进行多相流体识别[7-10]。
由于“白盒算法”（所建预测模型可读、可写的算法）中的决策树处理线性数据能力较强并能有效实现人机结合，而“黑盒算法”（所建预测模型不可读、不可写的算法）中的支持向量机能对小样本、非线性、模糊的数据进行准确分类[5-6]，因此，笔者综合应用决策树和支持向量机方法识别储集层流体，同时选用遗传算法、网格算法和二次算法对支持向量机的主要参数进行优化。
1 基本原理1.1 分类方法的基本原理 1.1.1 K-MeansK-Means 方法是聚类分析中的经典算法，其原理是把N 个对象分为k 个簇，并使同簇内对象的相似度较高，而簇间对象的相似度最低[11-12]。
采用数据间的平方误差作为准则函数进行迭代计算，直到该函数收敛，其定义如下：21ikii p A E p m =∈=−∑∑（1）1.1.2 SOMSOM 是芬兰Helsinki 大学Kohonen T 教授提出的一种自组织特征映射、无监督学习的神经网络[5-6]，它通过自动寻找数据集的内在规律和本质属性，自组合、自适应地改变网络参数与结构。
SOM 的典型结构是输入层与竞争层的组合，在输入层，通过权向量将外界信息汇集到竞争层的各神经元；在竞争层，各神经元采取“胜者为王”（Winner-Take-All ，WTA ）的竞争学习原则，搜索最优的神经元。
整个步骤分为向量归一化、寻找获胜神经元、网络输出、权调整和重新归一化处理等部分[13-15]。
1.1.3 决策树决策树（Decision Tree ，DT ）是一种较典型的分类方法，最初由Quinlan J R 于1986年[5-6]提出。
它采用贪婪的局部搜索算法对实例数据集进行学习分析，以交叉验证的损失函数作为评分函数，最后得到简洁二叉树的模型结构，达到分类和预测的目的。
决策树的建树过程主要由建树和剪枝两个阶段组成。
在建树阶段，采用自顶向下的递归方式，用信息增益、信息增益率、Gini 系数等作为评价指标，选择适当的分裂属性，然后对内部节点进行属性值的比较，根据不同的属性值判断从该节点向下的分枝，在决策树的叶节点得到结论，并以新节点为根，在子树上重复这一过程，直到停止划分为止。
在剪枝阶段，采用统计度量，剪掉最不可靠的分枝，从而加快分类，提高决策树独立于测试数据进行正确分类和预测的能力[11-12]。
1.1.4 支持向量机支持向量机（Support Vector Machine ，SVM ）是由Vladimir Vapnik 在1963年提出的一种非常有潜力的分类技术[5-6]，是人工神经网络的一种替代方法。
