测井识别岩性新方法——支持向量机方法.pdfVIP

维普资讯 第24卷 第5期 大庆石油地质与开发 P．G．0．D．D． 2005年 10月 93 文章编号：1000-3754 (2005)05-0093-03 测井识别岩性新方法——支持 向量机方法 于代 国 ，孙建孟 ，王焕增 ，陈伟中 ，李召成 ，张振成 (1．石油大学地球资源与信息学院，山东 东营 257061；2．塔里木油田分公司，新疆 库尔勒 841000) 摘要：将基于统计学习理论的支持向量机方法引入到测井资料处理和解释 中。在测井岩性识别方面研 究发现，支持 向量机方法克服 了神经网络的固有缺陷，提供 了一种识别岩性的新方法。应用效果表 明 该方法具有适应性强、识别精度高的优点。 关 键 词：岩性识别；测井曲线；支持向量机 中图分类号：P631．3 文献标识码：A 测井参数值是地下岩石的矿物成分 、结构和孑L隙 本文在利用测井资料识别岩性的研究中引入 了基 度等的综合反映。对于一组特定的测井参数值，它就 于统计学习理论的支持 向量机 (SVM)方法。建立 了 必然对应着地层中的某一种或某几种岩性。在分析研 一 种新的利用测井资料进行岩性识别方法，讨论了支 究区内岩心和测井参数对应特征的基础上，划分研究 持向量机算法进行岩性识别的可行性与有效性。并对 区域岩心的岩石类型，并从各类岩石中读取能够代表 SVM预测结果和BP神经网络预测结果进行了比较 。 岩样的测井参数值，作为确定岩性与测井参数对应关 系的基础数据 ，然后通过数学手段建立岩性识别模 1 支持向量机的基本理论 式。利用 BP神经网络识别岩性的方法是把有取心岩 支持 向量机是在统计学习理论基础上发展起来的 性一组测井值作为学习样本，未知岩性的一组测井值 一 种新的机器学习方法。支持向量机又称为支持向量 作为预测样本，进行岩性识别 ¨ 。然而 BP神经网 网络，具有理论完备、适应性强、全局优化、训练时 络方法存在以下几个问题 ： 间短、泛化性能好等优点。支持向量机的基本思想是 (1)BP算法是用梯度法导出的，因此优化过程 通过用核函数 (KernelFunction)将样本空间映射到 容易陷人局部极值 。 特征空间，在特征空间中求出原样本的最优分类面， (2)BP网络的泛化能力不强。 得到输入变量和输出结果之间的一种线性或非线性关 (3)神经网络的机构设计依赖于设计者的先验知 系，即寻找支持向量机进行模式分类。其基本结构如 识和经验。 图 1所示 (4)神经网络无法控制是否收敛以及收敛速度。 支持向量机 (SVM)是Vapnik等人在统计学习 理论的基础上提出的一种模式识别的新方法。它是建 立在结构风险最小化原则 以及 VC维概念基础上的一 种小样本统计学习理论；它是根据有限的样本信息在 模型的复杂性和学习能力之间寻求最佳折中，以期获 得最好的泛化能力。支持 向量机方法能够克服多层向 量网络的固有缺陷，有以下优点： 输入 向量 变换 权值 输出 (1)专 门针对有限样本的情况，其 目标是得到现 图 1支持向量机示意图 有信息下的最优解。 (2)算法最终将转化成为一个二次型寻优 问题， 支持 向量机 (SVM)是从线性可分情况下的最 从理论上说，得到的将是全局最优