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。
关键词:岩性识别 流体识别 储集层评价 计算智能 预测模型
单位:中海油研究总院 中国石油大学(北京)博士后流动站 低渗透油气田勘探开发国家工程实验室 中国石油长庆油田公司勘探开发研究院 中国石油大学(北京)地球物理与信息工程学院
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
相关范文
复杂网络分析