﻿ SVM岩性识别方法在准噶尔盆地物性模板构建中的应用 Application of SVM-Based Lithology Identification in Building Rock Physical Property Templates of Junggar Basin

Vol.06 No.01(2016), Article ID:17000,7 pages
10.12677/AG.2016.61003

Application of SVM-Based Lithology Identification in Building Rock Physical Property Templates of Junggar Basin

Huizhen Yu, Shuhua Wang, Tao Guo

Western Subdivision of Exploration & Development Research Institute, Shengli Oilfield Company, SINOPEC, Dongying Shandong

Received: Feb. 1st, 2016; accepted: Feb. 21st, 2016; published: Feb. 25th, 2016

ABSTRACT

It is a fundamental work to identify lithology for building rock physical property template and carrying out gravity-magnetic-magnetotelluric-seismic joint inversion & interpretation. Usually we use the cross-plot maps to identify lithology. Its lithology identification standard is given according to the difference of plane distribution of intersection point. However, this method has low accuracy because it is vulnerable to subjective factors, and can’t be used in high-dimensional classification; especially if physical property data is complicated. To solve the problem, based on support vector regression machine theory, this paper proposes a more stable lithology identification method, and sets up multiple physical property templates of variant rocks of Junggar basin, and it has been successfully applied to lithology discrimination of Chepaizi area.

Keywords:SVM, Lithology Identification, Physical Property Template, Junggar Basin

SVM岩性识别方法在准噶尔盆地物性 模板构建中的应用

1. 引言

2. 支持向量机物性分类方法

Figure 1. Lithology identification with by cross-plot maps

(1) 简单岩性识别问题，即物性数据差异较大的情况。此时，可通过寻找一组其间的超平面来将岩石物性数据分为两部分，其满足的数学表达式为：

(1)

(2)

(3)

(4)

，限制条件为： (5)

(2) 复杂岩性识别问题，即物性数据规律复杂，无法用简单的分类线(或平面)直接区别不同岩性。为解决这种问题，可将非线性分类样本数据进行归一化后，再将其从原来所在低维空间转换到一个更高维的特征空间中，即将原来线性不可分的问题变为了高维空间中的线性可分(见图2)。将公式(1)表示为：

Figure 2. Map non-linear data to the high-dimensional feature space

(6)

(7)

(3) 物性数据出现异常时。物性数据的采集不可避免的因人为或仪器因素出现误差，这将影响分类准则的判断。为了不改变最优分类超平面，SVM引入了一个非负的松弛因子来允许有一定的训练误差。对于样本数据中可以进行线性分类的数据，为了降低松弛因子带来的增大分类间隔引入的容错代价，SVM的优化目标函数引入了一个可变的惩罚因子，(5)式可表达为：

，限制条件： (8)

3. 模型验证

(1) 在工区内选择已知岩石岩性的部分物性数据作为训练样本，其中为不同岩性的类别标签，为物性数据(密度、磁化率、电阻率及速度值)；

(2) 选择相应的核函数

(3) 根据分类识别的泛化目标需求选取惩罚因子

(4) 将低维不可分问题转化为二次寻优问题，求解二次寻优问题得到最优分类平面，获取岩性识别模型；

(5) 将待检测的物性数据作为输入变量，利用所构建的分类识别模型得到岩性识别结果。

4. 准噶尔西北缘岩石物性模板构建及应用

(a) (b)

Figure 3. Comparison of igneous rocks lithology identification methods

(a) (b)(c) (d)

Figure 4. Rock physical property template of Northwestern Junggar basin

Figure 5. Physical characteristics of tuff of Chepaizi area

5. 结论

Application of SVM-Based Lithology Identification in Building Rock Physical Property Templates of Junggar Basin[J]. 地球科学前沿, 2016, 06(01): 17-23. http://dx.doi.org/10.12677/AG.2016.61003

1. 1. 于鹏, 张罗磊, 王家林, 等. 重磁电震资料联合反演黔中隆起物性结构[J]. 同济大学学报(自然科学版), 2008, 36(3): 406-412

2. 2. 谭绍泉. 乌伦古坳陷石炭系地层特征与勘探方向[J]. 石油天然气学报, 2012, 34(4): 65-68.

3. 3. 杨辉, 文百红, 张研, 等. 准噶尔盆地火山岩油气藏分布规律及区带目标优选[J]. 石油勘探与开发, 2009, 36(4): 419-427.

4. 4. Vapnik, V. (1995) The Nature of Statistical Learning Theory. Springer-Verlag, New York. http://dx.doi.org/10.1007/978-1-4757-2440-0

5. 5. Vapnik, V., Golowich, S. and Smola, A. (1996) Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Advances in Neural Information Processing Systems, 281-287.

6. 6. 蔡煜东. 应用人工神经网络方法预测油气[J]. 石油地球物理勘探, 1993, 28(5): 634-638

7. 7. 许建华, 蔡瑞. 有监督SOM神经网络在油气预测中的应用[J]. 石油物探, 1998, 37(1): 71-76

8. 8. 朱国强, 刘士荣, 俞金寿. 支持向量机及其在函数逼近中的应用[J]. 华东理工大学学报, 2002, 28(5): 555-559.

9. 9. 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42.

10. 10. 胡国胜, 钱玲. 支持向量机的多分类算法[J]. 系统工程与电子技术, 2006, 28(1): 127-132．

11. 11. 梅建新, 段汕. 支持向量机在小样本识别中的应用[J]. 武汉大学学报:自然科学版, 2002, 48(6): 732-734.