《表2 不同输入参数的支持向量机预测》
通过上述研究可知,孔隙度和渗透率具有一定的相关性,而基于毛管压力曲线的6个模型参数在常规砂岩中也与渗透率紧密相关的。因此,结合孔隙度和6个模型的参数为输入特征参数,基于粒子群-支持向量机预测渗透率。随机选取60块样品作为训练集,20块样品作为测试集,对特征参数及渗透率进行归一化处理,将每组特征归一到[-1,1]范围,开展支持向量机的训练及测试。需要说明的是对数据进行归一化之前首先对渗透率取对数,最后将预测结果进行乘幂计算。粒子群算法的种群数量30,进化代数设为200,参数c1=1.5,c2=1.7,C和γ的范围均为[0,100]。通过计算求得的最佳参数C为7.454,γ为0.230。根据前文的相关性分析,依次减少一个参数,训练样本及测试样本的预测值与实际测量值确定系数如表2所示。从该表可以看出,每增加一个输入参数,预测精度均有不同程度的提高,当输入参数从2个增加至3个以及从4个增加至5个时,精度提高程度较大。这说明Swanson和Capillary-parachor相关性较好,而R25、R35、R50这3个参数之间的相关性较好。虽然这两组参数之间有一定的相关性,但是7个输入参数预测的精度还是最高的,因此,本文最终采取7参数进行支持向量机建模与预测。
图表编号 | XD00138297700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 赵培强、李长文、沙峰、张莉莉、毛志强、蒋新宇 |
绘制单位 | 中国石油大学(北京)油气资源与探测国家重点实验室、中国石油大学(北京)地球探测与信息技术北京市重点实验室、中国石油集团测井有限公司国际事业部、中国石油大学(北京)地球探测与信息技术北京市重点实验室、长城钻探工程有限公司国际测井公司、中国石油集团测井有限公司国际事业部、中国石油大学(北京)油气资源与探测国家重点实验室、中国石油大学(北京)地球探测与信息技术北京市重点实验室、中国石油集团测井有限公司国际事业部 |
更多格式 | 高清、无水印(增值服务) |