[發明專利]基于改進PSO與Adaboost結合的有利儲層發育區預測方法

在審

• 申請號: 201811339648.6
• 申請日: 2018-11-12
• 公開（公告）號: CN109948825A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 李克文;周廣悅;劉文英;林亞林
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06K9/62;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進PSO與Adaboost結合的有利儲層發育區預測方法，其特征在于能夠解決采用機器學習方法預測有利儲層時存在大量不相關和冗余地震屬性、單一分類器精度不高的問題，將遺傳算法與支持向量機相結合，通過對表示不同地震屬性組合的個體進行選擇、交叉、變異，獲得最優解，即關鍵地震屬性集；針對Adaboost會產生冗余或無用弱分類器具有較大權重的問題，采用PSO優化算法降低該類弱分類的權重比例，將Adaboost分類器的錯誤率引入PSO算法的慣性權重計算，改進粒子的搜索策略，擴大搜索范圍，使得PSO能夠更有效地優化Adaboost權重。本發明提供的方法可以有效的提高有利儲層預測的準確率，輔助地質人員快速地圈定有利目標。

技術領域

本發明屬于地球物理勘探領域和人工智能領域，具體涉及一種基于改進PSO與Adaboost結合的有利儲層發育區預測方法。

背景技術

隨著勘探力度的增大，國內大部分油田處于開發中后期，容易發現的油田數量逐漸減少，探明儲量以隱蔽性油藏為主，有利儲層預測的難度不斷增加。采用傳統的有利儲層預測方法，需根據測井曲線、地震資料的匹配，選定關鍵地震屬性，進而預測有利儲層發育區，整個過程都是在地質勘探人員的參與下完成的，存在較大的不確定性及主觀性。目前，引入機器學習的相關知識訓練儲層預測模型，能夠解決傳統方法存在的弊端，但現實中，仍存在著一些問題影響著分類模型的預測精度：

(1)存在大量不相關和冗余的地震屬性

在成百上千種的地震屬性中，除了振幅等少數屬性可以直接從地震波中提取，其他屬性都是在這些屬性的基礎上計算得到的。因此，地震屬性之間不可避免地存在著大量的相關屬性，造成屬性的冗余，也存在著大量對預測結果不起作用的不相關屬性。不相關以及冗余屬性帶來的維度過高問題，不僅影響分類模型訓練的效率，也會大大影響其準確率。因此，需要引入特征選擇的相關知識，通過相關性分析，篩選關鍵地震屬性。

(2)單一分類器的精度不高

有利儲層的樣本數量少導致數據不充分，訓練單一分類器，可能會學到很多不同的假設，但是這些假設在訓練集上的準確率是相同的，很難選擇哪個假設在測試集也能取得較好的準確率。因此采用集成學習算法集成各種假設可以減少分類器錯選的風險。

綜上，為了解決有利儲層預測中存在的地震屬性冗余、單一分類器精度不高的問題，提出一種高效的集成分類模型對有利儲層發育區進行圈定。

發明內容

為了克服有利儲層預測過程中遇到的地震屬性冗余、單一分類器精度不高的問題，輔助地質人員快速圈定有利儲層發育區，本發明提供了一種基于改進PSO與Adaboost結合的有利儲層發育區預測方法，通過特征選擇篩選關鍵地震屬性集，進而訓練分類模型，實現對有利儲層的精確預測。

為實現上述目的，本發明技術方案主要包括以下四個步驟：

A.數據采集及處理：

從勘探數據庫、地震數據體等數據源中提取地震屬性以及巖性剖面數據，因數據存儲方式不同、衡量尺度不一，采用標準化、歸一化方法對地震屬性進行預處理，通過計算地震屬性對應的砂巖厚度，標記類別標簽，獲得輸入樣本集。

B.利用遺傳算法與支持向量機結合篩選關鍵地震屬性

(1)原始地震屬性的個數為D,設置種群大小為M，對種群個體隨機初始化為長度為D的二進制編碼，編碼0表示沒有選擇該地震屬性，編碼1表示選擇該地震屬性。

(2)采用支持向量機對每個個體編碼代表的地震屬性組合進行分類，分類的準確率作為各個體的適應度值，然后按照概率對種群中的個體進行選擇、交叉、變異操作，記錄當前適應度值最大的個體。

(3)重復步驟(2)，直到達到事先規定的迭代次數，當前的適應度值最大的個體即為最優解，代表最優地震屬性的組合，從而篩選出了關鍵地震屬性。