油田开发动态指标的支持向量机预测.pdf.pdf

石油工业计算机应用2007年第15卷第4期油田开发动态指标任宝生赵明(1中国石油大港油田勘探摘要本文针对油田开发动态数据建模中小样本、不适定性等问题,提出了一种用￡~不敏感支持向量回归(￡一SVR)方法建模的思想,以解决人工神经网络及微分模拟等方法在数据建模中的过拟合、泛化性差等缺陷。首先通过采集一定数量的训练样本,并对样本进行归一化处理,然后采用交叉验证来选择最优的支持向量回归参数,最后通过训练得到预测模型,计算结果表明￡一SVR是油田开发动态指标预测一种非常有效的数据建模方法。关键词油田开发;动态指标;支持向量机;预测模型0引言油田开发动态指标预测在油田开发过程中极其重要,同时也是一个极其复杂的问题,因为影响指标的因素众多,关系复杂,其中有些因素还具有不确定性。由于支持向量机具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,它可以在海量的数据中,发现潜在的模式和发展趋势,因此有效利用支持向量机处理油田相关历史数据,预测油田开发动态指标,可以合理而准确地预测油田未来开发指标,是实现原油产量稳定发展及制定减缓产量递减合理对策的重要基础。支持向机量足以提供最佳的学习性能,而且在机器学习与数据挖掘中已被确立为一种标准工具。它在石油勘探开发中有不少尝试,如应用SVM(supportvectormachine)方法进行沉积微相识别、基于sVM的测井岩性预测方法等,但是在油田开发动态方面仅有篇关于产量的预测报道。既考虑指标自身动态变化又考虑指标受多因素影响的预测未见报道。本文提出一种基于支持向量机的预测方法,并通过实例析,说明本方法的有效性。1SVR(supportvectorregression)的’,_0一基本思想及模型支持向量机是由Vapnik及其合作者提出的一平创新性机器学习方法,其理论基础是统计学习理论白VC维理论和结构风险最小原理。根据有限的样本息在模型的复杂性(对特定样本的学习精度)和学习自力(正确溯0样本的能力)之间寻求最佳折衷,以期得最好的推广能力。支持向量机回归包括线性回归非线性回归,对于线性回归,考虑用线性回归函数:八)=(+b)(1假设训练样本集D由n个样本(,Yi)(i=1,2n)组成,这里∈X,Y∈R为最好估计,保证j(1)的平坦,必须寻找一个最小的W,为此,采取最,欧几里德空间的泛数,利用对偶原理、拉格朗日乘法等技术,寻找最小的问题,得回归函数·基金项目:该项研究得到“油气藏地质及开发工程”国家重点实验室开放基金资助(PLNO420)第一作者简介任宝生(1958一),男,博士,高级工程师,大港油田勘探开发研究院地总师,主要从事油田勘探开发技术及管理工作。维普资讯)=∑(口i—ai*)(,)+b(2)其中,a、ai*为引入的拉格朗日乘子,式中的a—ai不等于零对应的样本数就是支持向量。对于非线性支持向量机回归,其基本思想是通过个非线性映射将数据映射到高维特征空间(Hilbert空间),并在这个空间进行线性回归。这样,在高维特征空间的线性回归问题就对应于低维输入空间的非线性回归,其具体实现是通过核函数k(x,,)()(f)来实现的。这样就免去了在高维空间计算复杂的点积运算,从而得到(3):∑∑(口’一ai)(’一a~)K(xi)R2(’)∈j厶鲁‘∑(+ai)+∑(口i’一ai)’t∑(口一口)=0(3)0≤a,a’≤C