AG  >> Vol. 6 No. 1 (February 2016)

    SVM岩性识别方法在准噶尔盆地物性模板构建中的应用
    Application of SVM-Based Lithology Identification in Building Rock Physical Property Templates of Junggar Basin

  • 全文下载: PDF(943KB) HTML   XML   PP.17-23   DOI: 10.12677/AG.2016.61003  
  • 下载量: 1,225  浏览量: 2,687  

作者:  

于会臻,王树华:中石化胜利油田分公司勘探开发研究院西部分院,山东 东营

关键词:
支持向量机岩性识别物性模板准噶尔盆地SVM Lithology Identification Physical Property Template Junggar Basin

摘要:

岩性识别是构建岩石物性模板、开展重磁电震联合反演解释工作的基础。通常采用的交汇图方法进行岩性识别,该方法根据判断交汇点平面分布差异性来给出岩石岩性识别标准,易受主观因素影响,且无法直接应用于多于三类物性数据的岩性识别,尤其在岩石物性规律复杂时识别精度更低。针对该问题,基于支持向量机理论提出了一种更稳定的重磁电震物性值岩性识别方法,以此为基础构建了准噶尔盆地的岩石物性模板,并在车排子地区的岩性判别中得到了较好的应用。

It is a fundamental work to identify lithology for building rock physical property template and carrying out gravity-magnetic-magnetotelluric-seismic joint inversion & interpretation. Usually we use the cross-plot maps to identify lithology. Its lithology identification standard is given according to the difference of plane distribution of intersection point. However, this method has low accuracy because it is vulnerable to subjective factors, and can’t be used in high-dimensional classification; especially if physical property data is complicated. To solve the problem, based on support vector regression machine theory, this paper proposes a more stable lithology identification method, and sets up multiple physical property templates of variant rocks of Junggar basin, and it has been successfully applied to lithology discrimination of Chepaizi area.

文章引用:
于会臻, 王树华, 郭涛. SVM岩性识别方法在准噶尔盆地物性模板构建中的应用[J]. 地球科学前沿, 2016, 6(1): 17-23. http://dx.doi.org/10.12677/AG.2016.61003

参考文献

[1] 于鹏, 张罗磊, 王家林, 等. 重磁电震资料联合反演黔中隆起物性结构[J]. 同济大学学报(自然科学版), 2008, 36(3): 406-412
[2] 谭绍泉. 乌伦古坳陷石炭系地层特征与勘探方向[J]. 石油天然气学报, 2012, 34(4): 65-68.
[3] 杨辉, 文百红, 张研, 等. 准噶尔盆地火山岩油气藏分布规律及区带目标优选[J]. 石油勘探与开发, 2009, 36(4): 419-427.
[4] Vapnik, V. (1995) The Nature of Statistical Learning Theory. Springer-Verlag, New York.
http://dx.doi.org/10.1007/978-1-4757-2440-0
[5] Vapnik, V., Golowich, S. and Smola, A. (1996) Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Advances in Neural Information Processing Systems, 281-287.
[6] 蔡煜东. 应用人工神经网络方法预测油气[J]. 石油地球物理勘探, 1993, 28(5): 634-638
[7] 许建华, 蔡瑞. 有监督SOM神经网络在油气预测中的应用[J]. 石油物探, 1998, 37(1): 71-76
[8] 朱国强, 刘士荣, 俞金寿. 支持向量机及其在函数逼近中的应用[J]. 华东理工大学学报, 2002, 28(5): 555-559.
[9] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42.
[10] 胡国胜, 钱玲. 支持向量机的多分类算法[J]. 系统工程与电子技术, 2006, 28(1): 127-132.
[11] 梅建新, 段汕. 支持向量机在小样本识别中的应用[J]. 武汉大学学报:自然科学版, 2002, 48(6): 732-734.