《表2 不同输入参数的支持向量机预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《滨里海盆地东缘中区块碳酸盐岩储层渗透率预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。