支持向量机在阵列电磁传播测井资料处理中的应用

论文摘要

阵列电磁传播电阻率测井资料处理是典型的地球物理反演问题,表现出的特殊性在于小尺度、高精度和实时性。现有的反演方法都无法兼顾到反演结果精度和反演应用实时性的要求,本文旨在将支持向量机（Support Vector Machine,SVM）应用到阵列电磁传播电阻率测井资料的反演中,探索一种高精度并具有实时性的测井资料处理方法。本文主要做了以下几个方面的工作。首先,利用台湾大学林智仁（Lin Chih-Jen）教授开发的SVM软件包LIBSVM考察和分析了SVM在数据分类和回归两个方面的应用特点,细化了LIBSVM的应用步骤,编制了详细的使用说明书。其次,在分析阵列电磁传播电阻率反演问题特点的基础上,提出了一种基于支持向量机的多分辨率人工智能反演的方法。第一步,利用SVM分类功能根据地层特点进行地层分类;第二步,利用SVM回归功能进一步确定地层参数值;第一步是粗分,第二步是细化。最后,利用阵列电磁传播电阻率测井正演方法,模拟生成用于SVM分类和回归的训练和测试数据集,利用LIBSVM软件包实现了本文提出的多分辨率人工智能反演的方法。模拟数据集训练和测试结果表明这种方法是可行的,SVM分类精度可以达到95%以上,回归的均方误差仅为0.0253455;SVM实现了正演和反演分离,有效地保证了这种方法应用的实时性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 测井仪器及其测井资料处理的现状
• 1.3 正演和反演的问题
• 1.4 支持向量机方法
• 1.5 课题研究内容和文章结构
• 第2章 阵列电磁传播电阻率测井正反演
• 2.1 地层模型
• 2.2 ВИКИЗ测井仪
• 2.2.1 仪器的结构和原理
• 2.2.2 仪器的探测特性
• 2.3 测井资料的处理
• 2.3.1 测井正演
• 2.3.2 测井反演
• 2.4 阵列电磁传播电阻率测井资料反演的特点
• 2.5 本章小结
• 第3章 支持向量机方法分析
• 3.1 最优化原理及其基本理论
• 3.2 支持向量机的统计学习理论基础
• 3.2.1 损失函数和期望风险
• 3.2.2 经验风险最小化归纳原则
• 3.2.3 VC 维和泛化能力
• 3.2.4 结构风险最小化归纳原则
• 3.3 支持向量机基本理论
• 3.3.1 支持向量机的原理
• 3.3.2 核函数及其选择规则总结
• 3.3.3 支持向量机的优化算法
• 3.4 多类分类方法
• 3.5 支持向量分类机和支持向量回归机
• 3.5.1 C-支持向量分类机
• 3.5.2 ν -支持向量分类机
• 3.5.3 ε -支持向量回归机
• 3.5.4 ν -支持向量回归机
• 3.6 本章小结
• 第4章 基于支持向量机的多分辨率人工智能反演方法
• 4.1 多分辨率人工智能反演的思想
• 4.2 LIBSVM 算法分析
• 4.2.1 优化方法
• 4.2.2 参数的优化
• 4.3 LIBSVM 软件使用方法
• 4.3.1 数据的准备
• 4.3.2 参数寻优
• 4.3.3 训练数据生成模型
• 4.3.4 用生成的模型对测试集进行测试
• 4.4 本章小结
• 第5章 SVM 在测井资料处理中的应用
• 5.1 SVM 对测井资料反演参数的约束条件的提取
• 5.2 支持向量机用于地层模型分类
• 5.2.1 准备数据
• 5.2.2 选择模型参数并应用
• 5.3 在分类基础上的回归
• 5.3.1 准备数据
• 5.3.2 选择最优参数并应用
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介