SVM和ANN融合算法在测井岩性识别中的应用研究

摘要

在石油勘探过程中，岩性识别是我们寻找油气资源的重要依据。岩性识别是利用测井资料把油田的地质岩土分类为不同岩性的过程，帮助人们了解地层厚度、结构和岩性变化，从而较快的寻找到含油区域。 支持向量机是一种有效处理测井资料的方法，它是一种基于统计学习的机器学习方法，擅长解决小样本、非线性及高维模式识别问题。但其核心参数（核函数和惩罚参数）获得的数值准确性不高。本文引入支持向量机和人工神经网络融合算法建立模型对测井岩性进行识别和优化。有效的解决了对测井资料的处理解释，取得了较好的效果。 论文以国内某油田为研究对象，选取大量的测井数据，经过寻优、归一化处理，并进行主成分分析，从而得到降维数据。利用人工神经网络有不必事先描述的特性，反向传播来不停地调整网络的阈值和权值，最终达到网络误差最小的目的。得出基于支持向量机最优的惩罚参数值和核函数值，从而形成支持向量机与人工神经网络的融合。建立融合算法模型，并利用模型对测井岩性进行识别。通过与传统支持向量机和遗传支持向量机两种算法的识别实验比对，结果表明支持向量机和人工神经网络融合算法的测井岩性识别率更高、分类能力更强，是一种更有效的测井岩性识别方法。

目录

声明

第1章 绪论

1.1 研究背景与研究意义

1.2 国内外研究现状

1.3 本课题研究内容及结构

1.3.1研究内容和组织结构

1.3.2本文创新点

第2章 测井岩性识别方法

2.1 基于支持向量机的岩性识别方法

2.1.1 支持向量机原理

2.1.2 支持向量机岩性识别过程

2.2 基于人工神经网络的岩性识别方法

2.2.1 人工神经网络原理

2.2.2 人工神经网络岩性识别过程

2.3 本章小结

第3章SVM和ANN融合算法的研究

3.1 SVM和ANN融合的方法与过程

3.1.1 融合算法的方法

3.1.2 融合算法的过程

3.2 SVM和ANN融合算法

3.2.1 融合算法的寻优模型

3.2.2 融合算法的适应性处理过程

3.2.3 融合算法中核函数的寻优

3.2.4 融合算法模型

3.3 本章小结

第4章 SVM和ANN融合算法在岩性识别中的应用

4.1 SVM和ANN融合算法在测井岩性中的识别

4.1.1 融合算法在测井岩性中的实验过程

4.1.2 融合算法在测井岩性中的实验结果

4.2 融合算法与遗传支持向量机算法的对比实验结果与分析

4.3 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

硕士期间研究成果