一种基于支持向量回归机和核fisher分析的岩性识别方法
【技术领域】
[0001] 本发明涉及油气勘探领域，具体的说，是涉及一种基于支持向量回归机和核 FISHER分析的岩性识别方法。
【背景技术】
[0002] 纵、横波数据是分析岩石物理的基础，在地震模拟、地震资料的AV0分析、流体替 换模型的计算、储层预测的流体识别和岩性识别中都需要横波数据。横波预测的方法众 多，既有统计经验公式的方法。然而，常规测井只能提供纵波数据，一般的工区由全波测 井得到的横波数据较少，要利用测井、地震多属性进行储层预测，就必须开展横波预测工 作。很多学者给出了不同的纵横波经验公式，但是，经验公式不具有普遍性，其原因在于， 经验公式或方法对于岩性的依赖性很强，且依赖于只适用于当时研究的区域；严格来说， 经验公式并不一定适用所有地区。事实上，最可靠和最常用的Vp-Vs关系是实验室或测井 数据或者两者的经验拟合。横波速度预测的方法有基于统计理论的方法，如基于最小二乘 原理的回归方法，也有非线性的方法。Brian(2004)提出用多重线性回归预测横波速度； Hampson(2001)等人提出利用神经网络建立横波速度数据与测井数据之间的关系进行横波 的计算。
[0003] 岩性识别是储层研究的基础和关键内容之一，是计算储层参数、评价储层的基础。 从总体上说，岩性识别可以利用地震资料和测井资料进行识别。利用测井资料进行岩性识 别的方法有两种：一是根据各种矿物的测井响应值结合交会图技术（如中子与声波交会， 中子与密度交会，M-N值交会等）进行矿物的定性判别；二是在对录井资料和岩心薄片资 料的研究分析基础上，运用线性和非线性的方法对岩性识别进行识别。随着地球物理的研 究和对致密碎肩岩认识的深入，基于线性理论的方法也不能满足实际需要。因为地层的非 均质性和测井响应的非线性特征，采用非线性的方法能够提高碎肩岩储层岩性识别的准确 率。基于非线性方法的储层岩性识别包括两个方面：一是特征变量的选取，即选出对岩性识 别敏感的测井属性，测井属性的个数应尽可能的少。在不同的研究中，测井属性的选取也不 同，如选取自然电位、自然伽玛、声波时差、电阻率与补偿中子作为岩性识别的特征变量；选 取声波时差、自然电位、自然伽玛、电阻率、微电位、井径、微梯度来识别岩性。二是岩性识别 方法的选取，岩性识别的方法众多，有基于统计理论的方法，也有基于非线性理论的方法， 基于传统统计学理论的方法有时因为自身的局限性难于取得理想的效果，但方法大多简单 且易于实现；非线性方法如神经网络、支持向量回归机、PS0神经网络、分形等对具有非线 性特征的问题一般能够取得好的效果，但方法实现要难于基于传统统计学的方法。识别方 法的选取应根据研究对象和方法本身的特点来确定。
【发明内容】
[0004] 本发明的目的在于克服上述缺陷，提供一种可提高岩性识别的准确率的基于支持 向量回归机和核FISHER分析的岩性识别方法。
[0005] 为了实现上述目的，本发明采用的技术方案如下：
[0006] -种基于支持向量回归机和核FISHER分析的岩性识别方法，包括以下步骤：
[0007] (1)通过实测的含纵横波数据的测井数据，建立利用支持向量回归机预测未知横 波模型的步骤；
[0008] (2)根据预测的横波数据计算岩石模量的步骤；
[0009] (3)岩石模量结合常规测井属性构建岩性识别的样本的步骤；
[0010] (4)利用核Fisher判别分析计算投影方向的步骤；
[0011] (5)将待识别的样本投影到步骤（4)计算得出的投影方向形成交会图，实现岩性 的识别的步骤。
[0012] 进一步的，所述步骤（1)的具体方式如下：
[0013] (11)从实测的含纵横波数据的测井数据中提取训练样本构成训练样本集D= {(Xi，yi)Ii= 1，2,…，η}，式中，义;为横波，y;为纵波；
[0014] (12)利用训练样本和支持向量回归机建立横波的预测模型：
[0015]
[0016] 式中KUdX)))为核函数，b为偏置量，ai为权向量；
[0017] (13)利用支持向量回归机预测的横波与实测横波进行相关分析，若相关较强，则 步骤（12)中的预测模型可用于步骤（2)预测横波。步骤（13)是对预测模型可靠性的检验。
[0018] 进一步的，所述步骤（2)的具体方式如下：
[0019] (21)利用所述步骤⑵建立的横波预测模型和实测纵波数据VP，得到预测横波数 据Vs;
[0020] (22)利用公式：Vs=Δts*100(V(12*2. 54)得到横波测井时差Δts;
[0021] (23)根据横波测井时差△ts和实测的纵波测井时差△tp可计算得出各模量，分 别如下：
[0027] 上式中，Ats为横波测井时差，Atp为纵波测井时差，P为密度。[0028] 进一步的，所述步骤（3)的具体方式如下：
[0022]
[0023]
[0024]
[0025]
[0026]
[0029] (31)根据Vs、λ、μ计算纵波横波速度比Vp/vs、λ·p、μ·p;
[0030] (32)以声波时差AC、自然伽玛GR、密度DEN、补偿中子CNL作为特征变量，选取标 准层获得训练集和测试集；
[0031] (33)选取扬氏模量E、体积模量K、纵波横波速度比Vp/vs、泊松比、以及λ·p、 μ·ρ作为特征变量，选取与步骤（32)相同的层位获得训练集和测试集；
[0032] (34)以声波时差AC、自然伽玛GR、密度DEN、补偿中子CNL、扬氏模量Ε、体积模量 Κ、纵波横波速度比Vp/vs、泊松比、以及λ·ρ、μ·ρ作为特征变量，选取与步骤（32)相 同的层位获得训练集和测试集；
[0033]其中，步骤（32)、步骤（33)、步骤（34)为并列步骤。
[0034] 进一步的，所述步骤（4)的具体方式如下：
[0035] (41)建立核Fisher判别分析模型：Kbα=λKwα;
[0036] 式中，Kw为核类内散度矩阵，Kb为核类间散度矩阵，α为投影方向
[0037] (411)选取特征变量获取数据构成训练样本，并对其进行标准化处理，可供选取的 特征变量有常规测井属性、弹性参数；
[0038] (412)由式ξχ=(〖(χ,χΟ,Ι^χ,χ；；)，...，Κ(χ，χΝ))计算ξχ;
[0039] (413)利用下列公式：
[0042] 计算每一类样本的均值μi和总体样本的均值μ。；[0043] (414)利用下列公式：
[0040]
[0041 ]
[0044]
[0045]
[0046] 计算核类内散度矩阵Kw和核类间散度矩阵Kb，得到Kba=λΚ"α;
[0047] (42)正则参数优化：采用正则化方法将Kba=λΚ"α转换为Kba=λ<χ+μI) a;
[0048] (43)用核Fisher判别分析方法进行岩性识别：
[0049] (431)利用正则化参数优化方法计算最优的分类参数值μDpt;
[0050] (432)计算Kba=λ(Κ"+μ_Ι)α的特征值和特征向量，取最大及次大的特征值 所对应的特征向量作单位化得到投影方向afl"t和as_nd;
[0051] (433)将待判岩性样本Xl(i= 1，2,…，m)投影到afirsjPas_nd得到投影值 尸/'咖和咖'；
[0052] (434)根据投影值和作交会图，根据交会图对储层岩性进行判别。
[0053] 进一步的，所述步骤（431)的具体方式：<