[发明专利]策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备

说明书

本发明公开了一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备，采用策略组合机制与蜻蜓算法相融合，然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化，基于优化后的支持向量回归方法建立预测模型，采用测井训练数据进行模型训练，利用训练后的预测模型进行孔隙度预测，有效地提高了算法的收敛速度、全局搜索能力和求解的精度，利用蜻蜓算法优化支持向量回归的参数，使储层参数孔隙度预测工作变得更加便捷高效，采用贪婪策略在蜻蜓算法中进行上下个体的交流，能够克服求解精度不高的问题，采用自适应策略进行蜻蜓算法的步长求解，能有效克服其早熟收敛的问题。

技术领域

本发明涉及石油测井技术领域，特别涉及一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备。

背景技术

储层孔隙度是油气预测、油层识别和储量估算中最重要的综合评价参数，其准确性的获取是解释地层和降低油气勘探项目风险的基础和关键。在油气储层分析中，储层参数是综合利用地震和测井数据来评估和预测储层的属性，如岩性、几何形态、物性参数及油气性质等，精确预测这些参数尤其是对孔隙度和渗透率的预测，可以为地质综合评价、井位部署、储量估算等提供重要依据，因此孔隙度预测对石油勘探、开发具有重要意义。其中孔隙度是储层的基本性质，它被定义为一定体积内所含的孔隙率，因此孔隙度与储层中所含流体的数量及其流动能力有关。在当今竞争激烈的环境下，石油和天然气的生产和管理需要使用高科技工具，但这些工具增加了油气资源勘探、生产和管理的成本。在非岩心层段和非均质地层井中，由于一些测井数据不好获取或存在错误，利用常规测井资料进行孔隙度估算是一个比较困难和复杂的统计学问题。因此，需要经验丰富的专家和精密的实验室仪器来解释和评价储层参数，但这种手段是十分耗时昂贵的，实验传统的经验公式获取，存在着不可避免的误差，因此开发经济、有效的精确预测孔隙度的方法和技术是至关重要的。

发明内容

本发明的目的在于提供一种策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种策略组合机制融合蜻蜓算法的孔隙度预测方法，包括以下步骤：采用策略组合机制与蜻蜓算法相融合，然后在使用融合策略组合机制之后的蜻蜓算法对支持向量回归的惩罚函数与核函数参数进行优化，基于优化后的支持向量回归方法建立预测模型，采用测井训练数据进行模型训练，利用训练后的预测模型进行孔隙度预测。

进一步的，采用原始测井数据的一部分作为测井训练数据。

进一步的，策略组合机制包括自适应策略、贪婪策略、平衡策略和组合策略，采用自适应策略用于蜻蜓算法的搜索空间，引入自适应策略步长为：

其中fit(t)是函数适应值，bestf(t)和worstf(t)分别是最佳和最差的适应值，t表示当前的迭代次数。

进一步的，采用贪婪策略在蜻蜓算法中进行上下个体的交流，设解空间中N个蜻蜓在第t次迭代的位置矩阵其对应的适应值矩阵每次迭代时，构造增广位置矩阵其对应的增广适应值矩阵按升序对增广适应值矩阵的所有元素进行排序，并建立排序映射OS_t→XS_t。

进一步的，选择XS_t中前N个个体形成新的位置矩阵XN_t。

进一步的，采用平衡策略在蜻蜓算法中加入气压扰动系数：

气压扰动系数：P(H)＝P₀e^-Ah

式中，p₀为最高气压，A为空气平均密度系数，h表示距离最低点的高度，取值是[0，10]。

进一步的，采用组合策略对蜻蜓算法进行优化：