[发明专利]实用的内幕小层自动解释方法

说明书

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种实用的内幕小层自动解释方法。

背景技术

目前，勘探都已进入高勘探阶段，针对勘探程度高的地区，单井细分砂层组多，储层预测的结果是否可靠，需要准确的砂层组层位，因此砂层组的控制层位是储层预测的关键，解释砂层组的层位是一项巨大的工程，砂层组的解释日益重要，对于砂层组的解释，通常有三种方法，(1)手工解释：由于砂层组多，地震轴连续性差，追踪解释难度大，效率低，跟不上生产节奏；(2)地层切片技术：由于各井砂层组厚度的相对比率变化大，存在较大误差；(3)内插：根据井标定的分层进行内插，由于缺乏标志层的控制，造成井少地区、断层附近和工区边部误差大。

20世纪60年代中期至80年代中期，由于人工智能的研究重点是符号系统和基于知识的方法，机器学习以基于规则的方法为主。20世纪80年代后期，随着神经网络研究重新崛起及其成功应用，基于统计的学习方法迅速发展。特别是最近十几年，互联网的普及和计算机在各个领域的应用，大量数据潮水般涌来，如何从中发现隐含的知识，对机器学习提出了重大挑战，也给基于统计的学习方法带来新的发展机遇。在众多基于统计的学习方法中，支持向量机(SupportvectorMachine，简称SVM)是个新秀，但因其深厚的理论背景和出色的实际表现备受人们青睐。

支持向量机是20世纪90年代中期出现的机器学习技术，是近年来机器学习领域的研究热点。这项技术从提出到现在不过十年时间，但其研究进展非常之快、之大。它有坚实的理论基础，应用上也是有口皆碑，在手写体数字识别、文本分类等具体问题上创造和保持着目前的最好记录。这项既经得起理论推敲又经得起实践检验的技术，是传统机器学习技术不能比的，它的发展潜力是令人鼓舞的。基于这样的认识，我选择了这一研究领域。

支持向量机的理论基础是统计学习理论，该理论的研究始于20世纪60年代末。此后近20年时间里，前苏联学者Vapnik做了大量开创性、奠基性的工作，提出了“结构风险最小化”原理。这个时期的工作主要是纯理论性的，没有引起人们重视。1995年，Corts&VaPnik在其论文“supportveetorNetworks”中提出支持向量机，它实现了“结构风险最小化”原理。支持向量机有很强的泛化能力，它在解决复杂问题，诸如手写体数字识别、人脸检测、文本分类、大规模生物信息处理等方面的上乘表现，引起人们极大关注。国内外著名大学和大公司的研发机构纷纷成立了相关的研究小组，越来越多的人加入这一研究行列，形成近年来机器学习领域的研究热点。基础研究涉及训练算法、模型选择、多目标分类等，应用研究涉及三维目标识别、非线性模式重建、智能信号处理、信息检索、文本分类和数据挖掘等。有关的国际学术会议、专业杂志和专业网站雨后春笋般地从无到有，规模由小到大。如今，支持向量学习己成为机器学习的主流技术之一。不夸张地说，就像信息论为信息技术的崛起开辟道路一样，统计学习理论带来了机器学习领域一场深刻变革。

支持向量机本质上是一种非线性数据处理方法。与传统的人工神经网络不同，后者基于“经验风险最小化原理”，前者基于“结构风险最小化原理”。“结构风险最小化原理”建立在严谨的数学理论基础之上，令人耳目一新，使人们对学习机的认识发生了深刻变化。与神经网络相比，支持向量机具有较好的泛化能力。当学习样本很多时两种方法都可以得到很好的回归效果，但是支持向量机的推广能力比神经网络要好，随着样本数的减少，在小样本的情况下，神经网络回归的缺点表现的十分明显，即神经网络的泛化能力很差，而支持向量机依然表现出了很好的泛化能力，可以看出，由于神经网络致力于极小化样本误差，使得回归时易产生过拟合现象，影响了泛化能力。

为此我们提出了一种实用的内幕小层自动解释方法，利用标志层控制的支持向量机非线性趋势面拟合方法自动解释砂层组，解决了以上技术问题。

发明内容

本发明的目的是提供一种可以为地质研究人员提供一套简单有效的砂层组的解释和追踪的实用的内幕小层自动解释方法。

本发明的目的可通过如下技术措施来实现：实用的内幕小层自动解释方法，该实用的内幕小层自动解释方法包括：步骤1，进行单井精细的砂层组划分；步骤2，进行精细的合成记录标定；步骤3，通过精细的合成记录标定，计算标准层控制的残差值；步骤4，通过支持向量机方法，对各单井的残差值进行非线性趋势面拟合，得到砂层组的残差层位；以及步骤5，进行砂层组的自动解释。

本发明的目的还可通过如下技术措施来实现：