基于支持向量机的煤储层参数测井评价方法研究

发布时间：2017-04-05 01:11

  本文关键词：基于支持向量机的煤储层参数测井评价方法研究，由笔耕文化传播整理发布。

【摘要】：煤层气是作为非常规天然气资源中的一种,受到我国政府的高度重视。测井是获取地层信息的有效手段,但煤储层由于其本身存在的低孔低渗,测井低敏感性,扩径严重,“三高两低”等问题,且专门针对煤储层有效的测井方法及评价模型的缺乏,使得煤储层参数的测井评价研究存在很多困难。为此,本文以QS地ZHS区块为例,以支持向量机算法为主开展了煤储层含气性,工业组分,物性,产水性和产气性等储层参数的针对性研究。针对煤储层含气性预测采用支持向量机分类算法建立含气性等级分类模型测井资料含气性等级预测,分类准确率较大达到70%以上,采用支持向量机回归算法建立含气量回归模型,测井资料含气量预测结果,整体平均相对误差在10%左右。针对工业组分分析预测,采用支持向量机算法、一元回归、多元回归和BP神经网络等方法进行预测。通过对这些算法结果的对比分析表明支持向量机算法预测效果相对较好,预测准确性在80%以上。煤储层物性包括孔隙度和渗透率两个方面。孔隙度评价主要采用了支持向量机进行孔隙度预测外,还采用了声波孔隙度模型、密度孔隙度模型进行对比分析；渗透率预测主要采用的是孔隙度-渗透率拟合模型对渗透率进行预测。实例应用的结果表明,采用支持向量机算法预测的孔隙度与实验较为接近,预测的渗透率在0.3-0.7mD之间。针对煤储层产气性评价,通过对实际动态产气数据分析,提出以低峰平均日产气、高峰平均日产气、低峰最低日产气、高峰最高日产气和平均日产气等五个参数为动态产气评价参数,采用支持向量机算法建立对应的模型对煤储层产气性进行分析,预测效果较好。针对煤储层产水性评价,依据现场实际生产需求,通过对实际动态产水数据分析,以低峰平均日产水、高峰平均日产水、低峰最低日产水、高峰最高日产水、累计产水和平均日产水为动态产水评价参数,采用支持向量机算法建立对应含水性分析模型,利用测井资料对煤储层产水性进行预测,为现场产水量的预测提供依据。
【关键词】：煤储层参数预测 支持向量机(SVM) 测井解释 煤层气 产气性预测 产水性预测
【学位授予单位】：长江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P618.13;P631.81
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-13
• 1.1 研究目的及意义8
• 1.2 国内外研究现状8-12
• 1.3 主要研究内容12-13
• 第2章 支持向量机算法及实现13-35
• 2.1 最大间隔分类器和VC维13-14
• 2.2 支持向量机算法原理14-20
• 2.3 分解算法-序列最小优化算法(SMO)20-26
• 2.4 工作集选择改进算法26-27
• 2.5 支持向量机核函数27-28
• 2.6 差分进化优化算法参数优化28-30
• 2.7 支持向量机算法实现30-34
• 2.8 本章小结34-35
• 第3章 煤储层地质特征及储层参数评价方法35-48
• 3.1 煤层气的地质特征35-38
• 3.2 煤储层参数及评价方法38-47
• 3.3 本章小结47-48
• 第4章 SVM煤储层参数评价实例分析48-77
• 4.1 基于支持向量机含气性等级评价48-50
• 4.2 基于支持向量机含气量评价50-52
• 4.3 基于支持向量机的工业组分评价52-59
• 4.4 基于支持向量机的储层物性评价59-60
• 4.5 基于支持向量机产气量和产水量评价60-76
• 4.6 本章小结76-77
• 第5章 结论77-78
• 致谢78-80
• 参考文献80-85
• 个人简介85-86

【相似文献】

中国期刊全文数据库 前10条

1 冯剑丰;王洪礼;李胜朋;;基于支持向量机的浮游植物密度预测研究[J];海洋环境科学;2007年05期

2 蔡佳;陈洪;;ν-支持向量机的收敛性[J];湖北大学学报(自然科学版);2005年04期

3 唐万梅;;基于灰色支持向量机的新型预测模型[J];系统工程学报;2006年04期

4 熊宇虹;温志渝;梁玉前;陈勤;张波;刘妤;向贤毅;;基于支持向量机的模型传递方法研究[J];光谱学与光谱分析;2007年01期

5 左林;;一个新的稀疏支持向量机模型[J];山西师范大学学报(自然科学版);2008年03期

6 赫英明;王汉杰;;支持向量机在积雪检测中的应用[J];南京气象学院学报;2009年01期

7 贾亮;王礼力;;支持向量机在上市公司财务预警模型中的应用[J];淮阴工学院学报;2010年02期

8 郎宇宁;蔺娟如;;基于支持向量机的多分类方法研究[J];中国西部科技;2010年17期

9 谢福民;;支持向量机理论研究[J];科技广场;2011年01期

10 王红蔚;席红旗;孔波;;一种新的半监督支持向量机[J];郑州大学学报(理学版);2012年03期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：286213