小说同质杂交方案性能改进的支持向量机回归在油藏描述

文摘

混合计算智能的定义是多种智能算法,生成的模型性能优越的个人算法。因此,融合的重要性两个或两个以上的智能算法来实现更好的性能在怎么强调都不为过。在这项工作中,小说同质杂交方案提出了改进的泛化能力和预测的支持向量机回归(SVR)。提出和发展混合动力车SVR (HSVR)通过考虑初始SVR预测作为特征提取过程,然后利用SVR输出,提取的特征,作为其唯一的描述符。发达混合模型应用于预测储层渗透率和预测渗透率与岩心渗透率在石油工业被认为是标准。结果表明,该混合动力方案(HSVR)表现好于现有的SVR泛化和预测能力。这项研究的结果将帮助石油工程师有效地预测碳酸盐岩储层的渗透率较高的精确度,总是会导致更好的水库。此外,鼓励性能的混合动力车将作为进一步探索同质混合动力系统。

1。介绍

渗透率的石油和天然气流动在多孔岩石与地下生产和注入(1]。渗透率是岩石的互连的指示毛孔和衡量石油和天然气通过岩石空间流动性。这是一个重要的流动参数的准确测定是成功的石油和天然气勘探的基础。重要的细节,如介质的规模下探索,从媒介可恢复烃的量,流量可以扣除的正确估算渗透率。尽管这个参数的重要性,其准确的测定一直是长期以来在石油行业热门的研究主题,因为它已经被证明很难估计准确。有几个提议渗透率估算方法可大致分为三个类别,分类即实证方法、统计方法和计算智能方案(2]。标准的过程是经验法(3]利用实验室设备的测定渗透率从核心样本获得的石油勘探领域。然而,这种方法有局限性,因为获得大量的核心样本是非常昂贵和高度不切实际4]。这是由于这样的事实,需要昂贵的特殊训练获得空心样品通过钻井及其运输和分析也繁琐和昂贵的。此外,通常需要使用液氮冻结核之间为了防止潜在降解检索和最后的实验室分析;因此,取心作业的成本可能非常昂贵,运行到数千万(5,6]。另一个过程是使用统计分析主要基于回归分析。这涉及到使用线性回归预测渗透率参数从多个描述符导致线性模型用于估算未来的发展和泛化看不见的数据。然而,回归分析,未能考虑高非线性之间存在测井数据作为描述符和岩心渗透率作为目标变量。因此,统计分析不执行充分在渗透率估算(7]。自然计算方法和计算智能是一组方法来解决复杂的实际问题的传统方法,如统计建模方案无效或不可行。计算智能可以更好地处理问题,统计建模方案往往不能充分处理通常在面对不确定性时,噪音,和不断变化的环境。利用计算智能方案学习模式分布和变量之间的非线性关系已经在几个主要领域的广泛,享有广泛的成功(8]。方案已经应用在医学等领域(9),材料科学(10),生物识别技术(11),和其他许多重要的应用12]。计算智能的使用计划(CIT)岩石物性参数的估计也获得了广泛的关注,现在牢固确立过程在石油工业2]。模型开发了基于CIT能够充分了解底层渗透率之间存在非线性关系,描述符用于估计和优于基于统计分析的估计。然而,在极端情况下,CIT方案不是表现优秀,混合动力系统通常用来提高性能和增加精度(4]。混合动力技术已经使用和部署在许多领域如医学、储层特征,优化环境智能系统,等等13- - - - - -20.]。这些混合系统通常是异构的,多和不同的计算方案。在这项工作中,同质杂交方案提出改善CIT的性能评估的碳酸盐岩储层。CIT被认为是支持向量回归(SVR)由于其优良的性能来源于其许多独特的特性,比如良好的数学基础,nonconvergence局部最小值,准确概括和预测能力2]。为了推进和改善SVR的表现,一种新型杂交方案提出了利用SVR模型的预测输出作为另一个SVR模型的描述符获得更好的性能。这个想法是受杂交过程使用一个模型的目标的描述符,另一个模型如图1。该方案使用了一个描述符,其中包含所有的错综复杂,模式和信息嵌入在几个描述符所需的准确预测渗透率的SVR模型能够访问该池的信息从一个描述符导致更好的发展和有效的模型。凭直觉,SVR模型的初始训练可以被视为一种特征提取过程,预测输出在哪里提取的特征,而随后的SVR模型利用这种特性提取的性能改进。获得的结果证实了该方案的有效性和它的潜力提高泛化和SVR模型的预测能力。这个进步将产生更准确的渗透率预测总是导致更有效率和高度成功的石油和天然气勘探。

2。支持向量机

支持向量机(SVM)是一种计算工具用于分类任务和来源于统计学习理论(21]。它是一个扩展的支持向量机完全派生处理分类任务(22]。

SVM(支持向量机)是一种监督学习模型和学习算法,分析数据和识别模式有关。它基本上是一个计算工具采用分类任务。支持向量机原理的基本思想是,输入向量是非线性映射到一个高维特征空间,该算法构造决定表面被称为超平面有特殊的特征和属性。超平面的超平面或设置可以用于分类、回归,或其他任务。原来的最优超平面算法Vapnik和Lerner在1963年提出的一个线性分类器(23]。1992年,波沙等人提出了一个方法来创建非线性分类器通过应用内核技巧最大边际超平面(24]。最大边际超平面工作的原则选择最优平面基于泛化误差最小化或定义上限错误使用结构风险最小化(SRM)可分的类。SRM被归纳原理应用于机器学习为了提供一个良好的平衡模型的复杂性和其泛化能力。SRM使用VC维作为Vapnik和Chervonenkis在1974年提出的减少对有限的数据集训练误差(25]。SVM使用预定义常量来开发模型通过权衡误分类错误的数量和最大利润26]。

SVM将一组输入和内核技巧的帮助下,将数据映射到一个高维飞机为了执行线性分类数据(27]。它建造了一个最大限度分离平面为这个任务(28]。支持向量机的目标函数可以表示如下: 在哪里可调参数,是期望输出值,是一个向量的th输入,转换规则,输入向量的均值,是误差范围的因素。松弛变量引入到支持向量机目标函数,以缓解之前定义对所有培训对误差限制。修改后的目标函数可以写成 上面是一个正则化参数性能良好的发展模式29日]。修改后的优化目标可以解决通过引入拉格朗日因子(30.]。一个版本的支持向量机回归被德鲁克等人在1996年提出,被称为支持向量回归(SVR)的机器31日]。SVR已经成功应用在众多领域解决问题和被证明是一个更好的预测模型比大多数回归计划(32]。

3所示。描述的数据和研究方法

3.1。描述的数据

真实数据集来自三个井,位于中东的石油和天然气领域,已被用于研究该方案的有效性。整个数据集的每个井提出了表1和地球物理数据(描述符)用于油井中子孔隙度(NPHI),总孔隙度(PHIT),体积密度(RHOB),水饱和度(SWT),体积密度校正(分母),和微球形聚焦日志(MSFL)。表2显示数据的统计分析各井揭示了现有测量测量和变化提供了洞察数据集内的错综复杂。

3.2。实验设计

所有井的数据集是第一个标准化以防止偏见的描述符。这是由于这一事实描述符在不同范围内测量,没有标准化,相对较大的值的一些描述符可以偏见发达模型从而影响负其预测能力。整个数据集分为训练集和测试集8比2使用分层抽样为了开发SVR模型;因此,训练集由数据集总数的80%,而测试组20%(见表1)。使用分层抽样最小化偏差和确保变化和整个数据集内充分捕获和表示在训练集和测试集。

训练阶段涉及使用描述符训练SVR模型在一个监督学习过程,使用空心渗透率作为目标变量。这是由于这样的事实:空心渗透率是石油工业的标准。之间的相关系数以及误差由SVR预测渗透率,空心渗透率是迭代调整到所需的值是表示满意的信心水平获得开发模型。

3.3。实现策略提出的同质杂交方案

开发了SVR模型的预测渗透率富含信息杂交方案,因为它包含所有的流动,连接,模式和错综复杂先前发现的描述符。现在的优势是,现在这个矿的信息聚合,集中在一个单一的参数。因此,预测渗透率是一个很好的参数作为SVR描述符。这是拟议中的同质的基础杂交方案可以采用较早开发了SVR模型的输出作为自己的描述符导致模型有更好的预测和泛化能力。提出了混合方案的数据流程图如图2。看到的是混合动力方案涉及多个SVR模型,在第一个SVR模型的输出作为输入第二SVR模型导致大大改善了性能。

这里必须说明该模型遵循严格的标准培训和测试程序测试集是保持了看不见的数据之前发送到模型进行测试。从数据流图中描述图2,这是明确表示数据集是如何首先划分为训练集和测试集。标准程序的顺序实现混合模型在这项工作之后,前面的方法(SVR1上)总是表现在美联储数据集生成一个输出,然后到下一个模型的混合设置(即。,SVR2工作)。这种杂化实现称为杂化SVR (HSVR)。

3.4。绩效评估标准

实现的标准评估绩效的回归分析中常用和石油工程期刊7]。这样做是为了结合最佳实践和开展公平的评估开发模型。相关系数(CC)和十字块预测和空心渗透检查发达SVR和拟议的杂化SVR。相关系数(CC)表示的强度预测渗透率和空心渗透率之间的关系存在。CC越高,更好的开发模型,反之亦然。它表示为一个百分比从0到1的值,0表示缺乏相关性,而值为- 1指示完美的泛化精度。相关系数的公式 在哪里和分别代表的实际值和预测值和分别代表他们的平均值。交叉情节中常用的测井分析和地球物理资料解释。他们显示变量之间的新兴趋势,反映了模式由单值条件像系数没有明显的相关性。

3.5。验证设置程序

SVR的性能高度依赖于参数的选择提供最佳性能。这些参数被称为最优参数。选择最优参数的模式简要提出了详细的在这一节和最优参数。test-set-validation过程(10]采用包括一组固定的算法运行参数在不同一个其中一个到最佳性能记录如图3。然后记录值对应于最优性能和重复这个过程SVR参数。最后,最优的一组参数用于训练模型为了发展最好的模型。数学交叉验证的实现过程如下:首先是定义在哪里包含所有可用的内核函数,,,内核函数的指数,我们选择的值和分别为,,,代表最佳内核函数的指数,和,分别。的总数可用内核函数,假设的最大值和是和,分别。衡量工作表现的记录存储在。在算法。该算法可以描述为1。

SVR的不同参数正则化因子()、核函数、内核选项(),ε()和hyperparameterλ()。的参数对模型性能的影响最大的是正则化因子(),由于这一事实,图像显示了模型的灵敏度性能对不同值的正则化因子数据所示4- - - - - -9。正则化因子的值对应于最高价值的每个数据的相关系数最优值。另一个重要的从我们的实验观察,而径向基函数(RBF)(高斯)SVR内核是最好的,一直在观察和报告在许多出版物8,10,26,33),我们观察到多项式内核(聚)HSVR表现最好。

这个观察可以归因于HSVR以来减少的数量描述符只需要一个描述符,极大地简化了多项式复杂性的程度内核和优势。表3显示了模型的参数的最优值。这些最优值显示为了援助的再现性实验详细的在这工作。

4所示。实验结果和讨论

给出了实验结果和讨论在本节中。正常的SVR称为SVR,而方案的模型被称为杂化SVR (HSVR)。数据10和11显示相关系数对训练阶段和测试阶段的两个模型认为在这工作。训练阶段是开发过程的模型使用监督学习计划,而性能测试阶段显示的能力开发和推广新看不见的数据训练模型。

看到,该方案提高了SVR模型的性能在放慢和c增加相关系数约为18.5%和16%,分别在测试阶段,而它在b获得相似的结果。这表明该方案的有效性改善SVR的性能。此外,空心的交叉情节和预测渗透率的测试阶段井数据12- - - - - -17。

图中可以看到12的交叉情节在放慢了SVR模型不精确对齐,点分散,显示预测渗透率和空心渗透率之间的差异。然而,HSVR模型实现方案和图所示13有一个更好的对齐交叉情节,拉近点,表明预测渗透率接近核心渗透的结果该方案的有效性。

数据14和15在b显示了两个模型的十字架的情节。看到的是两个模型相对类似的性能更一致的相关系数非常高交叉阴谋。这表明该方案不降低性能作为SVR的良好的性能是由HSVR维护模型。

最后,数据16和17十字架情节SVR和HSVR c。HSVR表明,预测渗透率的交叉情节更接近于空心渗透率作为点更紧密的和更好的对齐交叉情节SVR模型相比具有分散点不一致。

5。结论和建议

一个新的同质混合基于SVR在这项工作中实现。此后,碳酸盐岩储层的渗透率预测使用发达小说同质杂化SVR (HSVR)与实际工业数据集的训练和发展从中东获得石油和天然气勘探领域。的性能提出HSVR相比是那么的普通SVR。性能优越的杂化SVR建立了较高的相关系数和高度准确的渗透率预测模型相比,从传统的或独立的SVR。因此,该方案可以使用在增加生产的碳氢化合物通过更好的改善带来的碳酸盐岩储层的特征概括的SVR预测渗透率和预测能力。这项研究的结果将在很大程度上帮助工程师和专家经验丰富的石油工业,以更好的应对困难在获得高精确度的预测储层渗透率和提高油气勘探的存款。进一步的研究可以进行调查方案的影响在其他计算方案。此外,提出混合动力可以用于其他预测与石油和天然气相关的问题,甚至在石油和天然气领域。

相互竞争的利益

作者宣称没有利益冲突。

确认

作者要感谢提供的支持阿卜杜勒阿齐兹国王科技城(KACST)通过科技单位石油和矿物的法赫德国王大学(KFUPM)资助这项工作通过项目没有。11-OIL2144-04作为国家科学、技术和创新计划。

引用

1. 美国艾哈迈德,s . f . Crary和g·r·科茨”渗透率估算:各种来源及其相互关系,“《石油技术,43卷,不。5,578 - 587年,1991页。视图:出版商的网站|谷歌学术搜索
2. k . o . Akande t . o . Owolabi, s . o . Olatunji”调查的影响correlation-based特征选择对支持向量机的性能在储层描述,“天然气的科学与工程》杂志上22卷,第522 - 515页,2015年。视图:出版商的网站|谷歌学术搜索
3. s . o . Olatunji a Selamat, a . Abdulraheem“碳酸盐岩储层的渗透率进行建模使用二型模糊逻辑系统,”计算机在工业领域,卷62,不。2、147 - 163年,2011页。视图:出版商的网站|谷歌学术搜索
4. s . o . Olatunji A Selamat, A . Abdulraheem”混合模型通过二型模糊逻辑系统的融合和极端的学习机器造型渗透率预测,“信息融合,16卷,不。1,29-45,2014页。视图:出版商的网站|谷歌学术搜索
5. 通用Hegazy a . s . Ragab s . a . Shedid et al .,“创新和具有成本效益的取心技术”扩展取心”长时间间隔的多个区域与世界record-case从阿联酋历史,”阿布扎比国际石油学报展览和会议spe - 171852 ms,阿布扎比,阿拉伯联合酋长国、2014年11月。视图:出版商的网站|谷歌学术搜索
6. EXLOG /惠塔克,取心操作:井底的采样和分析程序并Sidewell核施普林格,柏林,德国,2012年,https://books.google.com/books?id=oewkBAAAQBAJ&pgis=1。
7. s . o . Olatunji a Selamat, a . a . Abdul Raheem“改进的基于灵敏度的线性学习方法预测碳酸盐岩储层渗透率使用区间二型模糊逻辑系统,”应用软计算,14卷,第155 - 144页,2014年。视图:出版商的网站|谷歌学术搜索
8. t . o . Owolabi k . o . Akande, s . o . Olatunji”预测fe -基于超导体的超导转变温度使用支持向量机,”物理理论的发展和应用,35卷,12-26,2014页。视图:谷歌学术搜索
9. s . o . Olatunji和h . Arif识别erythemato-squamous皮肤病使用极端的学习机器和人工神经网络,”ICTACT软计算》杂志上,4卷,不。1,页627 - 632,2013,http://ictactjournals.in/paper/Vol4Iss1_1_page_627_632.pdf。视图:谷歌学术搜索
10. t . o . Owolabi k . o . Akande, s . o . Olatunji”估计六角密积金属的表面能量利用计算智能技术,”应用软计算杂志31卷,第368 - 360页,2015年。视图:出版商的网站|谷歌学术搜索
11. e . Osuna r . Freund, f . Girosi”训练支持向量机:应用人脸检测,”《IEEE计算机学会学报计算机视觉与模式识别会议圣胡安,页130 - 136年,波多黎各,1997年6月。视图:谷歌学术搜索
12. s . o . Olatunji l .下风w . g .同和o .汗”的识别问题,用阿拉伯语non-question段独白使用韵律特征:小说二型模糊逻辑,sensitivity-based线性学习方法,“《智能学习系统和应用程序,5卷,不。3、165 - 175年,2013页。视图:出版商的网站|谷歌学术搜索
13. j·e·盖拉多,c .白色短衣,a·j·费尔南德斯“迷因的杂交算法和技术,”IEEE系统,人,和控制论B部分:控制论,37卷,不。1,第83 - 77页,2007。视图:出版商的网站|谷歌学术搜索
14. a . r . Yildiz”,一个有效的混合immune-hill爬解决设计和生产优化问题的优化方法在工业,”材料加工技术杂志》上,卷209,不。6,2773 - 2780年,2009页。视图:出版商的网站|谷歌学术搜索
15. A . r . Yıldız”,一种新颖的混合免疫算法全局优化的设计和制造,”机器人和电脑一体机制造,25卷,不。2、261 - 270年,2009页。视图:出版商的网站|谷歌学术搜索
16. A . r . Yildiz”,一种新的混合粒子群优化方法进行结构优化设计在汽车工业,”美国机械工程师学会学报》上D部分:汽车工程》杂志上,卷226,不。10日,1340 - 1351年,2012页。视图:出版商的网站|谷歌学术搜索
17. m·阿里·艾哈迈迪s Zendehboudi a . Lohi a . Elkamel i Chatzis,“储层渗透率预测的神经网络混合遗传算法和粒子群优化相结合,“地球物理勘探,卷61,不。3、582 - 598年,2013页。视图:出版商的网站|谷歌学术搜索
18. t . Helmy和a . Fatai”混合计算智能石油储层,孔隙度和渗透率预测模型”国际期刊的计算智能和应用程序,9卷,不。4、313 - 337年,2010页。视图:出版商的网站|谷歌学术搜索
19. g . Acampora诉Loia、m . Nappi和美国里恰尔迪、“混合计算智能对于环境智能环境,”网络智能的进步卷,3528在计算机科学的课堂讲稿页26-31 Springer,柏林,德国,2005年。视图:出版商的网站|谷歌学术搜索
20. a·沙玛,g . Onwubolu混合粒子群优化和GMDH系统”混合自组织建模系统,艾德。g . Onwubolu卷,211研究计算智能施普林格,页193 - 231年,柏林,德国,2009年。视图:出版商的网站|谷歌学术搜索
21. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
22. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
23. 诉Vapnik和a·勒纳”,使用广义肖像模式识别方法”,自动化和远程控制,24卷,1963年。视图:谷歌学术搜索
24. b·e·波沙i m·盖恩,v . n . Vapnik“训练分类器算法最优利润,”学报》第五届研讨会上计算学习理论(柯尔特92)152年,页144 - ACM出版社,1992年。视图:出版商的网站|谷歌学术搜索
25. 诉Vapnik和a . Chervonenkis模式识别理论Nauka,莫斯科,俄罗斯,1974年。
26. t . o . Owolabi k . o . Akande, s . o . Olatunji”开发和验证的表面能量估计量(见)利用计算智能技术,”计算材料科学卷,101年,第151 - 143页,2015年。视图:出版商的网站|谷歌学术搜索
27. A . j . Smola和b . Scholkopf教程支持向量回归。”统计和计算,14卷,不。3、199 - 222年,2004页。视图:出版商的网站|谷歌学术搜索
28. 范德维尔j . k . Suykens和j .最小二乘支持向量机分类器”,神经处理信件,9卷,不。3、293 - 300年,1999页。视图:出版商的网站|谷歌学术搜索
29. t . o . Owolabi k . o . Akande, s . o . Olatunji”估计超导体的超导转变温度TC掺杂硼化镁系统使用支持向量回归,从晶格参数”超导杂志和小说磁性,28卷,不。1,第81 - 75页,2014。视图:出版商的网站|谷歌学术搜索
30. c . j . c . Burges”教程对支持向量机模式识别,”数据挖掘和知识发现,卷2,不。2、121 - 167年,1998页。视图:出版商的网站|谷歌学术搜索
31. h·德鲁克,c . j . c . Burges l·考夫曼a . j . Smola和v . n . Vapnik“支持向量回归机”神经信息处理系统的进步9麻省理工学院出版社,页155 - 161年,剑桥,质量,美国,1996年。视图:谷歌学术搜索
32. k . o . Akande t . o . Owolabi s Twaha和s . o . Olatunji”Olatunji, SVM的性能比较和安在预测混凝土的抗压强度,”IOSR计算机工程杂志》上,16卷,不。5,88 - 94年,2014页。视图:出版商的网站|谷歌学术搜索
33. t . o . Owolabi k . o . Akande, s . o . Olatunji“支持向量机方法估算的半导体功函数:解决金属等离子体模型的限制,“应用物理研究》第六卷,没有。5,122 - 132年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Kabiru o . Akande等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。