利用支持向量机分类器识别阿巴拉契亚盆地富有机质马塞勒斯页岩岩相
由于非常规页岩储层基质渗透率很低,因此要想具有较高的资源潜力,不仅要求页岩含气饱和度高,而且脆性矿物(二氧化硅或者碳酸盐岩)含量也要高.页岩岩相主要受矿物含量和有机质丰度的控制.建立页岩岩相的三维模型,可以预测页岩气储层发育的有利区,设计水平井,并为水力压裂提供参考依据.同时,还有助于了解富有机质页岩的沉积过程.由于页岩的测井响应特征很复杂,因此通过常规测井曲线识别页岩岩相非常困难.而通过支持向量机(SVM)识别页岩岩相较人工神经网络(ANN)具有较大的优越性,因为SVM方法是建立在统计学习理论和结构风险最小原理基础上的,而ANN是建立在经验风险最小化原则基础上.我们根据支持向量机的理论和学习算法(例如网格搜索法、遗传算法和粒子群算法)以及不同的核函数来识别和划分马塞勒斯页岩岩相.与ANN方法相比,SVM的交叉验证结果表现出很高的正确性、很强的稳定性和较少的计算时间.SVM采用粒子群算法得到的核函数结果是最好的.利用SVM识别的页岩岩相建立马塞勒斯页岩三维模型,这可以帮助我们了解优质页岩储层发育区,尤其是那些热成熟度高和自然裂缝发育的地区.
2016-03-18(万方平台首次上网日期,不代表论文的发表时间)
38-45