[发明专利]基于改进PSO与Adaboost结合的有利储层发育区预测方法

说明书

本发明公开了一种基于改进PSO与Adaboost结合的有利储层发育区预测方法，其特征在于能够解决采用机器学习方法预测有利储层时存在大量不相关和冗余地震属性、单一分类器精度不高的问题，将遗传算法与支持向量机相结合，通过对表示不同地震属性组合的个体进行选择、交叉、变异，获得最优解，即关键地震属性集；针对Adaboost会产生冗余或无用弱分类器具有较大权重的问题，采用PSO优化算法降低该类弱分类的权重比例，将Adaboost分类器的错误率引入PSO算法的惯性权重计算，改进粒子的搜索策略，扩大搜索范围，使得PSO能够更有效地优化Adaboost权重。本发明提供的方法可以有效的提高有利储层预测的准确率，辅助地质人员快速地圈定有利目标。

技术领域

本发明属于地球物理勘探领域和人工智能领域，具体涉及一种基于改进PSO与Adaboost结合的有利储层发育区预测方法。

背景技术

随着勘探力度的增大，国内大部分油田处于开发中后期，容易发现的油田数量逐渐减少，探明储量以隐蔽性油藏为主，有利储层预测的难度不断增加。采用传统的有利储层预测方法，需根据测井曲线、地震资料的匹配，选定关键地震属性，进而预测有利储层发育区，整个过程都是在地质勘探人员的参与下完成的，存在较大的不确定性及主观性。目前，引入机器学习的相关知识训练储层预测模型，能够解决传统方法存在的弊端，但现实中，仍存在着一些问题影响着分类模型的预测精度：

(1)存在大量不相关和冗余的地震属性

在成百上千种的地震属性中，除了振幅等少数属性可以直接从地震波中提取，其他属性都是在这些属性的基础上计算得到的。因此，地震属性之间不可避免地存在着大量的相关属性，造成属性的冗余，也存在着大量对预测结果不起作用的不相关属性。不相关以及冗余属性带来的维度过高问题，不仅影响分类模型训练的效率，也会大大影响其准确率。因此，需要引入特征选择的相关知识，通过相关性分析，筛选关键地震属性。

(2)单一分类器的精度不高

有利储层的样本数量少导致数据不充分，训练单一分类器，可能会学到很多不同的假设，但是这些假设在训练集上的准确率是相同的，很难选择哪个假设在测试集也能取得较好的准确率。因此采用集成学习算法集成各种假设可以减少分类器错选的风险。

综上，为了解决有利储层预测中存在的地震属性冗余、单一分类器精度不高的问题，提出一种高效的集成分类模型对有利储层发育区进行圈定。

发明内容

为了克服有利储层预测过程中遇到的地震属性冗余、单一分类器精度不高的问题，辅助地质人员快速圈定有利储层发育区，本发明提供了一种基于改进PSO与Adaboost结合的有利储层发育区预测方法，通过特征选择筛选关键地震属性集，进而训练分类模型，实现对有利储层的精确预测。

为实现上述目的，本发明技术方案主要包括以下四个步骤：

A.数据采集及处理：

从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据，因数据存储方式不同、衡量尺度不一，采用标准化、归一化方法对地震属性进行预处理，通过计算地震属性对应的砂岩厚度，标记类别标签，获得输入样本集。

B.利用遗传算法与支持向量机结合筛选关键地震属性

(1)原始地震属性的个数为D,设置种群大小为M，对种群个体随机初始化为长度为D的二进制编码，编码0表示没有选择该地震属性，编码1表示选择该地震属性。

(2)采用支持向量机对每个个体编码代表的地震属性组合进行分类，分类的准确率作为各个体的适应度值，然后按照概率对种群中的个体进行选择、交叉、变异操作，记录当前适应度值最大的个体。

(3)重复步骤(2)，直到达到事先规定的迭代次数，当前的适应度值最大的个体即为最优解，代表最优地震属性的组合，从而筛选出了关键地震属性。