川中地區測井數據的支持向量機巖性識別

杜陳宇，吳施楷

（成都理工大學地球物理學院，四川 成都 610059）

測井數據的研究在油氣儲層預測中的作用舉足輕重，是開展后續工作和研究的基礎。因此，其對準確識別各類巖性具有重要的現實意義。在地球物理領域，對測井數據的研究多使用機器學習的方法，比如聚類分析、淺層神經網絡等方法對復雜的巖性進行了分類。

支持向量機是一種非常強大和多功能的機器學習模型，能夠執行線性或非線性分類、回歸，甚至異常值檢測。支持向量機的基本思想是將兩個線性可分的數據集用直線分開，分類器找到決策邊界，決策邊界非常接近這些模型在新實例上可能不會表現的情況。分類器的決策邊界不僅分離了兩個類別，而且盡可能遠離最接近的訓練實例。支持向量機可以對小樣本數據進行學習。同時，基于概率統計的模型能夠在高維空間中找出最優超平面，從而對數據進行分類。因此，支持向量機在面對非線性的小樣本數據及高維數據的模式識別時，具有優秀的泛化性能。針對四川盆地沉積巖的特點，應用了支持向量機的分類能力，對四川中部某處測井數據進行了巖性識別的研究。

1 支持向量機的分類

支持向量機的本質是個凸二次優化問題，確保模型能夠找到一個極值解，即全局最優解。對數據進行分類時，求解兩類樣本的最優分類面，使得最優分解面不但能將兩類樣本正確分開，同時使分類間隔最大。分類要在n維數據中找到一個超平面，該超平面的方程為ωTx+b=0，定義函數間隔（用

利用Lagrange對偶性將最優分類面問題變為對偶變量的優化問題。通過給每個約束條件加上一個拉格朗日乘子α，

2 支持向量機的巖性識別

本文數據來自四川盆地中部地區龍馬溪組地層，使用了其中2口井數據作為訓練集，總體樣本總數為2 894個；剩余1口井作為測試集，樣本數為811個。井數據均來自同一工區，且具有與深度相對應的巖性數據，作為最后測試集的驗證數據。根據以往的研究經驗，同時，根據PCA降維結果，選取與巖性數據相關的參數（聲波AC、自然伽馬GR、中子系數CNL、無鈾伽馬KTH、釷TH、鈾U）。將這6個參數作為輸入的特征值，對每一口井中的不同的深度進行儲層巖性識別。由于不同特征的區間值不同，因此，在訓練之前，將所有的特征值都進行了歸一化處理。

圖1SVM訓練誤差

圖2 Moxi22井響應DAZ-CNL交會圖

訓練中，將測試集的80%用于訓練，同時，在訓練前按照對應深度進行了隨機亂序處理。剩余的20%用作交叉驗證集合，導出SVM參數C-svm和sigma。SVM使用高斯核而不是簡單的邏輯回歸作為其核函數。完成SVM分類后，從最置信度最高的SVM中選擇結果，并應用了核函數的輸入樣本的列向量。目前，能夠在測試集上獲得84.73%～88.6%的準確度。SVM訓練誤差如圖1所示，Moxi22井響應DAZ-CNL交會圖如圖2所示。

3 結論

基于Matlab平臺，編譯并調試了SVM程序，用于研究儲層描述的智能數據分析模型。模型基于SVM回歸模型，使用默認的權衡參數。結果表明，SVM模型在對測井數據的分類結果上是非常有競爭力的。在大多數SVM研究中，不同的內核在不同的研究對象中被有不同的效果。未來，需要研究的其他內核，比如線性、多項式或S形。內核的選擇是一個SVM研究中長久以來的研究內容，它往往取決于具體問題。因此，需要進一步研究來確定測井數據的準確預測的最佳選擇。

參考文獻：

［1］汪海燕，黎建輝，楊風雷.支持向量機理論及算法研究綜述［J］.計算機應用研究，2014，31（05）：1281-1286.

［2］曾水玲，徐蔚鴻.基于支持向量機的手寫體數字識別［J］.計算機與數字工程，2006，34（10）：104-106.

［3］丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述［J］.電子科技大學學報，2011，40（01）：2-10.

［4］任立輝，李文東，慈興華，等.基于LIBSVM 的石油錄井中巖屑巖性識別方法研究［J］.中國海洋大學學報，2010，40（09）：131-136.

［5］吳施楷，曹俊興.基于連續限制玻爾茲曼機的支持向量機巖性識別方法［J］.地球物理學進展，2016，31（02）：821-828.

［6］基于SVN測井數據的火山巖巖性識別［J］.地球物理學報，2015，58（05）：1785-1793.

［7］余輝，趙暉.支持向量機多類分類算法新研究［J］.計算機工程與應用，2008（07）：185-189，212.

［8］唐耀華，張向君，高靜懷.基于地震屬性優選與支持向量機的油氣預測方法［J］.石油地球物理勘探，2009，44（01）：75-80.

［9］沈加剛，宋宗平，關曉巍.基于地震屬性的支持向量機河道砂體厚度預測［J］.西南石油大學學報（自然科學版），2014，36（03）：75-81.

［10］金龍，陳小宏，王守東.基于支持向量機與信息融合的地震油氣預測方法［J］.石油地球物理勘探，2006（01）：76-80.

［11］李可，陳洪亮，張生偉，等.基于SVM的霧天圖像分類技術研究［J］.電光與控制，2014，23（11）：1-7.