买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于多核支持向量机的致密砂岩储层分类方法，对影响储层品质的微观孔隙结构特征参数进行无监督学习，通过优化模型超参数，获得最优决策函数，将致密砂岩储层进行分类，并对分类结果进行验证。结果表明所提出的储层分类方法准确率高，能有效降低时间损耗、节省人力成本；对多分类问题分类效果明显，可以有效处理油田实际应用中最常见的多参数、小样本问题；该方法的使用可以实现对致密油气藏开发的深入认识和精细评价提供客观高效的指导，在数据量需求方面具有独特优势和完善的理论。

主权项：1.一种基于多核支持向量机的致密砂岩储层分类方法，其特征在于，包括以下步骤：步骤一：在以结构渗流系数、排驱压力、最大孔喉半径、中值压力、中值半径、均值系数、分选系数、歪度系数、最大进汞饱和度、变异系数、未饱和汞饱和度、均值系数、残余汞饱和度、退汞饱和度、退出效率、孔喉比为致密砂岩岩样的微观空隙结构特征参数的基础上，利用lasso的L1正则化实现数据的降维；最终选择结构渗流系数、排驱压力、中值半径、均值系数、退汞效率、孔喉比为表征致密砂岩岩样的6个特征参数；Lasso回归函数为： 其中，N为样本个数，w为回归系数，k为回归系数个数，x为样本，y为样本对应的标签，第一个累加的计算结果为模型回归的损失函数，第二个累加为正则化项，其中λ为收缩因子，|w|为L1范数；步骤二：将步骤一获取的降维后的6个致密砂岩岩样微观空隙结构特征参数表征的样本数据按照70-80：30-20的比例分为两组，一组作为训练样本，一组作为测试样本；步骤三：将支持向量机模型的核函数，即SVM的核函数，包括：线性核函数linearkernel、多项式核函数polynomialkernel、多元二次核函数multiquadrickernel、Sigmoid核函数sigmoidkernel、幂指数核函数exponentialkernel、高斯径向基核函数rbfkernel、拉普拉斯核函数laplaciankernel的线性组合作为待选的多核支持向量机模型的核函数，简称MK-SVM模型的核函数；步骤四：将步骤三列出的核函数的线性组合，代入MK-SVM模型中，将训练样本输入到模型中进行训练，最终得到训练结果；步骤五：根据步骤四的训练结果，将线性核函数LinearKernel、多项式核函数polynomialKernel、多元二次核函数multiquadrickernel、拉普拉斯核函数LaplacianKernel这四种核函数的线性组合作为MK-SVM模型的核函数；从而得到优化后的核函数公式： 步骤六：在MK-SVM模型训练完毕之后，将测试样本输入到训练好的MK-SVM模型得到预测的分类结果，利用预测的分类结果和测试样本真实的分类结果计算出机器学习的准确率、宏观精确率和宏观F1分数三个评价模型性能的指标，该指标作为评价MK-SVM模型的分类性能的标准。

全文数据：

权利要求：

百度查询： 西安石油大学 一种基于多核支持向量机的致密砂岩储层分类方法