基于高分辨率地震资料的精细构造解释——以晋城寺河矿西采区为例

针对寺河矿区地表条件复杂，采用静校正、叠前去噪、剩余静校正和叠前偏移等技术．获得了具有高分辨的地震数据体，根据该区所揭露出的小构造．基于高分辨率地震数据，找出小构造在地震属性体上的表现形式，依据该特征指导全区的研究，对三维地震数据体提取属性处理，对获得的多种地震属性数据体分析、研究，得出识别出小断层、褶曲和陷落柱等地质构造的属性特征，最终得出全区的地质构造情况。     

基于极限梯度提升和探地雷达时频特征的水泥路面脱空识别

针对探地雷达（GPR）数据解译依赖于人工经验，存在费时费力和主观偏差的问题，提出了基于极限梯度提升（XGBoost）和GPR时频特征的水泥路面脱空识别方法。采用正演模拟、室内试验和现场试验获得了脱空病害数据源，建立含有标签的脱空GPR数据集；通过重采样方法统一GPR数据采样频率，并对预处理后的GPR数据进行时频域特征提取，建立了包含18个时域和12个频域特征的数据集。以时频域特征为输入，是否存在脱空病害为输出，采用XGBoost算法构建脱空识别模型，并与随机森林（RF）和人工神经网络（ANN）算法进行对比。结果表明，模型的识别准确率排序为XGBoost(98.10%)>ANN(95.10%)>RF(93.17%),XGBoost模型识别精度最高，并能在实际路面上准确定位脱空区域。     

基于代价敏感的随机森林不平衡数据分类算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类。可以将代价敏感用于分类器的训练;但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数;并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好地处理不平衡数据。     

一种改进的代价敏感随机森林算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类,可以将代价敏感用于分类器的训练,但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。本文提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数,并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好的处理不平衡数据。     

一种新的近邻密度SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出一种新的近邻密度SVM(NNDSVM)不平衡数据集分类算法。该算法先计算多数类中每个样本K近邻范围内的密度值,依据该密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与SVM、ALSMOTE-SVM和WSVM算法相比,本文算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

集成分类器组合算法及其在医学诊断中的应用

在计算机辅助诊断系统中使用集成分类器是提高机器识别能力的一种重要途径。针对集成分类器投票组合算法中存在的投票可信度问题,提出了一种基于Grading的集成分类器组合算法EGR,该算法根据集成分类器对样本的预测结果是否正确来转换相应样本的类标签,用新数据构造元分类器。在UCI医学数据集上进行的实验结果显示,EGR算法对分类精度的提升以及敏感性与特异性的整体改善是有效的。     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

AUCBoost算法处理不平衡分类问题

在现实生活中很多应用都包含了对不平衡数据集的分类.由于不平衡数据集中多数类与稀有类的数量相差较大,所以大多数分类算法都不能够很好地对稀有类样本进行分类,而通常稀有类才是我们首要关心的,这就给不平衡数据的分类提出了挑战,为了更好地处理不平衡数据集的分类问题,本文提出了一种以基分类器的ROC曲线下面积(AUC面积)为分类权重的AUCBoost分类算法.     

一种改进的RAKEL多标签分类算法

RAKEL(random k-labelsets)算法是一种集成技术,能有效解决多标签分类问题.它将原始标签集随机选用一小部分标签子集构成的数据集来训练每个分类器,但由于RAKEL算法构造标签空间的随机性,并未充分考察到样本多个标签之间的相关性,从而造成分类精度不高,泛化性能受到一定影响.为此,提出了改进的LC-RAKEL算法.首先,通过标签聚类将原始标签集划分成标签簇,再从每个标签簇中各选择一个标签构成标签集,以此发现标签空间中重要且不频繁的映射关系;然后,利用出现次数较少的标签集合组成新的训练数据,训练相应的分类器.实验证明,改进的算法性能优于其他常用多标签分类算法.     

一种新的基于局部密度改进SVM分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM(NLDSVM)不平衡数据集分类算法。该算法先用层次k近邻法计算多数类中每个样本的局部密度,依据每个样本的局部密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,NLDSVM算法G-mean的平均值提高了7%,F-measure的平均值提高了6%,AUC的平均值提高了6%。NLDSVM算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

地震相裂缝分级技术在储层预测中的应用

摘要：如何预测碳酸盐岩裂缝储层一直是裂缝型油气藏勘探开发关注的重点。针对裂缝储层,目前常用地震反射倾角、相干和最大曲率属性进行裂缝识别。地震反射倾角、相干属性通常用于检测大的断裂,最大曲率属性用于描述微断裂体系。单一地震属性分析具有多解性,裂缝地震相分析技术将三者融合,通过聚类分析计算, 提取出与断裂、裂缝相关的特征,对断裂–裂缝进行识别,并在地质尺度上进行分级,预测裂缝分布规律和发育程度。钻井、成像及动态资料验证分析表明,该方法能识别出中东某油田目的层段 80% 的裂缝带,有效地解决了该油田裂缝型储层预测难题。     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

基于地震纹理属性聚类分析的裂缝分布预测

裂缝在地震数据中的特征可视为一种纹理,因此可以使用纹理属性表征裂缝,基于纹理属性聚类分析方法对裂缝发育带进行预测。计算地震数据体不同灰度级和不同三维数据基元大小的体共生矩阵,以此提取多组纹理属性,并进行对比和优选,最后使用模糊C均值聚类法对优选的纹理属性进行分析,根据聚类结果对裂缝的分布范围进行预测。方法减少了人工预测裂缝的主观性,而且从多个方面表征裂缝来提高预测结果的可信度。对野外数据进行分析,其结果表明分析获得的裂缝预测范围与勘探结果具有较高的吻合度。     

基于地震属性技术的井壁稳定随钻预测新方法

基于地震属性和测井数据之间存在非线性关系，提出一种综合利用地震和测井信息随钻预测井壁稳定性的新方法，即在钻前联合运用遗传算法和BP神经网络算法，从所提取的井旁原始地震属性中优选出对测井特征参数最敏感的地震属性组合，并利用已钻井资料建立起反映所研究区块不同地层中地震属性与测井数据之间关系的一系列神经网络映射模型，实钻时通过分析岩屑录井资料选择适当的映射模型，随钻预测出待钻井段的声波和密度测井数据，进一步预测出钻头下方地层的井壁稳定性。该预测方法具有良好的精确度和时效性，在塔西南地区的实际应用中取得了良好效果。     

砂泥岩地层概率神经网络岩性反演技术应用研究

概率神经网络是一种基于概率密度函数理论的神经网络,能够广泛地应用于模式识别等领域.针对地震岩性反演预测问题,提出了一种具体的概率神经网络方法,包括网络模型的构造和预测识别步骤等.研究区主要目的层为沙溪庙组沙一段湖滩砂及河道砂体,储层单层厚度小,岩性横向变化较大,利用地震资料进行常规储层预测较困难.为此,根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地震属性数据做变换,从而对地层特征进行预测识别.     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

川西深层碳酸盐岩岩溶储层预测

川西北部九龙山地区深层茅口组碳酸盐岩沉积后遭受剥蚀和淋滤溶蚀作用,岩溶体储层较发育.茅口组作为下二叠统重要产气层系,具有巨大的天然气勘探潜力.为了进一步提高岩溶体储层的预测精度,通过开展岩溶体上覆地层反射结构分析,茅二段岩溶体地震相研究,茅口组剥蚀后的微古地貌恢复,岩溶体地震属性特征分析等研究工作,对茅二段岩溶体分布情况进行了定性综合预测.利用伽马反演方法预测茅二段生屑灰岩,并在此基础上通过研究采用多属性储层孔隙度反演预测方法进行茅二段岩溶体储层的定量预测.结果表明:定性-定量预测相结合的储层预测方法,对茅二段岩溶体储层的刻画更为有效、可靠,从而为川西北九龙山地区茅口组的开发规划和选区提供重要依据.     

碳酸盐岩缝洞型储层地球物理响应特征及预测方法研究

针对碳酸盐岩缝洞型储层非均质性强、预测难度大的特点, 综合利用岩芯、成像测井和地震等资料, 对渤海湾盆地Z地区下古生界奥陶系碳酸盐岩潜山油藏进行储层地球物理响应特征分析和预测方法研究。提出基于裂缝响应属性的储层预测方法, 在分频、振幅、相干、波阻抗等多种地震属性分析方法的试验基础上, 有针对性地采用改进后的基于线性图像增强的本征值相干预测方法, 预测出该区下古生界奥陶系潜山缝洞储层发育带和下一步井位部署主要潜力区。指出Z地区主要发育北东向、北西向和近南北向裂缝, 缝洞发育区主要分布在Z9井区、Z37井区、Z21井区和Z13井区。预测结果与已有钻井资料吻合程度较高, 取得良好的效果。该方法对同类碳酸盐岩缝洞型油藏的研究具有较好的指导意义。     

基于地震多属性分析的深层浊积扇刻画研究

渤海辽东湾地区下第三系东营组存在大量各种类型的水下浊积扇,这些浊积扇体都是油气勘探最有利的目标之一。但由于埋藏较深,且只有少量的探井可供利用,因此,对这些浊积扇的研究只能依靠地震资料来进行。利用LD22–1 地区地震资料上提取的多种类型的地震属性,研究了该地区深部两种典型的浊积扇体及其内幕特征,不但分析了它们的地质特征,而且还分析了它们在不同类型地震属性上的表现特征,并从物理意义和地质意义两方面分析了为什么会出现这种表现特征,并得到了12 种对浊积扇体识别刻画敏感的地震属性。