宋延杰;张剑风;闫伟林;何英伟;王德平;

• 1:大庆石油学院地球科学学院

• 2:大庆石油学院地球科学学院

• 3:大庆油田有限责任公司勘探开发研究院

• 4:大庆油田有限责任公司第五采油厂

摘要(Abstract)：

在复杂岩性自动识别中,聚类分析方法只有在样本趋于无穷大时,才能从理论上保证结果的精度,神经网络容易陷入局部最小,而使用范围受到限制.针对复杂岩性识别中所面临的问题,提出了在解决模式识别小样本、非线性及高维问题中具有独特优势的支持向量机方法来识别岩性.通过对巴彦塔拉油田部分层段的样本进行学习和预测,并与实际取心资料进行对比,符合率平均值为96%,表明支持向量机在岩性识别中可获得良好的应用效果.

关键词(KeyWords)：岩性识别;测井解释;支持向量机(SVM);模式识别

Abstract:

Keywords:

基金项目(Foundation):

作者(Author):宋延杰;张剑风;闫伟林;何英伟;王德平;

Email:

参考文献(References)：

• [1] 李盼池,许少华.支持向量机及其在复杂水淹层识别中的应用[J].计算机应用,2004,24(9):147-149.

• [2] BURGES C J C.Atutorial on support vector machines for pattern reconnition[J].Data Mining and Knowledge Discovering,1998,2(2):42-47.

• [3] 赵宇,王志良.一种基于支持向量机的测井岩性预测新方法[J].微计算机(测控自动化),2004,20(6):21-23.

• [4] 张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-43.

• [5] 张学工译.统计学习理论的本质[M].北京:清华大学出版社,1999:46-72.

• [6] OSUNA E,FREUND R,GIROSI F.Ani mproved training algorithmfor support vector machines[A]∥Proceedings of IEEE work-shop on neural networks for signal processing[C].New York:IEEE,1997.

• [7] VAPNIK V N.Esti mation of dependences based on empirical data[M].Berlin:Spring Verlag,1982.