本文關(guān)鍵詞：基于支持向量機(jī)的煤儲(chǔ)層參數(shù)測(cè)井評(píng)價(jià)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：煤層氣是作為非常規(guī)天然氣資源中的一種,受到我國(guó)政府的高度重視。測(cè)井是獲取地層信息的有效手段,但煤儲(chǔ)層由于其本身存在的低孔低滲,測(cè)井低敏感性,擴(kuò)徑嚴(yán)重,“三高兩低”等問(wèn)題,且專門針對(duì)煤儲(chǔ)層有效的測(cè)井方法及評(píng)價(jià)模型的缺乏,使得煤儲(chǔ)層參數(shù)的測(cè)井評(píng)價(jià)研究存在很多困難。為此,本文以QS地ZHS區(qū)塊為例,以支持向量機(jī)算法為主開(kāi)展了煤儲(chǔ)層含氣性,工業(yè)組分,物性,產(chǎn)水性和產(chǎn)氣性等儲(chǔ)層參數(shù)的針對(duì)性研究。針對(duì)煤儲(chǔ)層含氣性預(yù)測(cè)采用支持向量機(jī)分類算法建立含氣性等級(jí)分類模型測(cè)井資料含氣性等級(jí)預(yù)測(cè),分類準(zhǔn)確率較大達(dá)到70%以上,采用支持向量機(jī)回歸算法建立含氣量回歸模型,測(cè)井資料含氣量預(yù)測(cè)結(jié)果,整體平均相對(duì)誤差在10%左右。針對(duì)工業(yè)組分分析預(yù)測(cè),采用支持向量機(jī)算法、一元回歸、多元回歸和BP神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行預(yù)測(cè)。通過(guò)對(duì)這些算法結(jié)果的對(duì)比分析表明支持向量機(jī)算法預(yù)測(cè)效果相對(duì)較好,預(yù)測(cè)準(zhǔn)確性在80%以上。煤儲(chǔ)層物性包括孔隙度和滲透率兩個(gè)方面�？紫抖仍u(píng)價(jià)主要采用了支持向量機(jī)進(jìn)行孔隙度預(yù)測(cè)外,還采用了聲波孔隙度模型、密度孔隙度模型進(jìn)行對(duì)比分析；滲透率預(yù)測(cè)主要采用的是孔隙度-滲透率擬合模型對(duì)滲透率進(jìn)行預(yù)測(cè)。實(shí)例應(yīng)用的結(jié)果表明,采用支持向量機(jī)算法預(yù)測(cè)的孔隙度與實(shí)驗(yàn)較為接近,預(yù)測(cè)的滲透率在0.3-0.7mD之間。針對(duì)煤儲(chǔ)層產(chǎn)氣性評(píng)價(jià),通過(guò)對(duì)實(shí)際動(dòng)態(tài)產(chǎn)氣數(shù)據(jù)分析,提出以低峰平均日產(chǎn)氣、高峰平均日產(chǎn)氣、低峰最低日產(chǎn)氣、高峰最高日產(chǎn)氣和平均日產(chǎn)氣等五個(gè)參數(shù)為動(dòng)態(tài)產(chǎn)氣評(píng)價(jià)參數(shù),采用支持向量機(jī)算法建立對(duì)應(yīng)的模型對(duì)煤儲(chǔ)層產(chǎn)氣性進(jìn)行分析,預(yù)測(cè)效果較好。針對(duì)煤儲(chǔ)層產(chǎn)水性評(píng)價(jià),依據(jù)現(xiàn)場(chǎng)實(shí)際生產(chǎn)需求,通過(guò)對(duì)實(shí)際動(dòng)態(tài)產(chǎn)水?dāng)?shù)據(jù)分析,以低峰平均日產(chǎn)水、高峰平均日產(chǎn)水、低峰最低日產(chǎn)水、高峰最高日產(chǎn)水、累計(jì)產(chǎn)水和平均日產(chǎn)水為動(dòng)態(tài)產(chǎn)水評(píng)價(jià)參數(shù),采用支持向量機(jī)算法建立對(duì)應(yīng)含水性分析模型,利用測(cè)井資料對(duì)煤儲(chǔ)層產(chǎn)水性進(jìn)行預(yù)測(cè),為現(xiàn)場(chǎng)產(chǎn)水量的預(yù)測(cè)提供依據(jù)。
【關(guān)鍵詞】：煤儲(chǔ)層參數(shù)預(yù)測(cè) 支持向量機(jī)(SVM) 測(cè)井解釋 煤層氣 產(chǎn)氣性預(yù)測(cè) 產(chǎn)水性預(yù)測(cè)
【學(xué)位授予單位】：長(zhǎng)江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：P618.13;P631.81
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-13
• 1.1 研究目的及意義8
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀8-12
• 1.3 主要研究?jī)?nèi)容12-13
• 第2章 支持向量機(jī)算法及實(shí)現(xiàn)13-35
• 2.1 最大間隔分類器和VC維13-14
• 2.2 支持向量機(jī)算法原理14-20
• 2.3 分解算法-序列最小優(yōu)化算法(SMO)20-26
• 2.4 工作集選擇改進(jìn)算法26-27
• 2.5 支持向量機(jī)核函數(shù)27-28
• 2.6 差分進(jìn)化優(yōu)化算法參數(shù)優(yōu)化28-30
• 2.7 支持向量機(jī)算法實(shí)現(xiàn)30-34
• 2.8 本章小結(jié)34-35
• 第3章 煤儲(chǔ)層地質(zhì)特征及儲(chǔ)層參數(shù)評(píng)價(jià)方法35-48
• 3.1 煤層氣的地質(zhì)特征35-38
• 3.2 煤儲(chǔ)層參數(shù)及評(píng)價(jià)方法38-47
• 3.3 本章小結(jié)47-48
• 第4章 SVM煤儲(chǔ)層參數(shù)評(píng)價(jià)實(shí)例分析48-77
• 4.1 基于支持向量機(jī)含氣性等級(jí)評(píng)價(jià)48-50
• 4.2 基于支持向量機(jī)含氣量評(píng)價(jià)50-52
• 4.3 基于支持向量機(jī)的工業(yè)組分評(píng)價(jià)52-59
• 4.4 基于支持向量機(jī)的儲(chǔ)層物性評(píng)價(jià)59-60
• 4.5 基于支持向量機(jī)產(chǎn)氣量和產(chǎn)水量評(píng)價(jià)60-76
• 4.6 本章小結(jié)76-77
• 第5章 結(jié)論77-78
• 致謝78-80
• 參考文獻(xiàn)80-85
• 個(gè)人簡(jiǎn)介85-86

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 馮劍豐;王洪禮;李勝朋;;基于支持向量機(jī)的浮游植物密度預(yù)測(cè)研究[J];海洋環(huán)境科學(xué);2007年05期

2 蔡佳;陳洪;;ν-支持向量機(jī)的收斂性[J];湖北大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

3 唐萬(wàn)梅;;基于灰色支持向量機(jī)的新型預(yù)測(cè)模型[J];系統(tǒng)工程學(xué)報(bào);2006年04期

4 熊宇虹;溫志渝;梁玉前;陳勤;張波;劉妤;向賢毅;;基于支持向量機(jī)的模型傳遞方法研究[J];光譜學(xué)與光譜分析;2007年01期

5 左林;;一個(gè)新的稀疏支持向量機(jī)模型[J];山西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

6 赫英明;王漢杰;;支持向量機(jī)在積雪檢測(cè)中的應(yīng)用[J];南京氣象學(xué)院學(xué)報(bào);2009年01期

7 賈亮;王禮力;;支持向量機(jī)在上市公司財(cái)務(wù)預(yù)警模型中的應(yīng)用[J];淮陰工學(xué)院學(xué)報(bào);2010年02期

8 郎宇寧;藺娟如;;基于支持向量機(jī)的多分類方法研究[J];中國(guó)西部科技;2010年17期

9 謝福民;;支持向量機(jī)理論研究[J];科技廣場(chǎng);2011年01期

10 王紅蔚;席紅旗;孔波;;一種新的半監(jiān)督支持向量機(jī)[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2012年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：286213