教育部重点实验室开放基金(TPR-2011-11)
- 作品数：7 被引量：80H指数：3
- 相关作者：郭海湘李亚楠刘晓李德富李伟伟更多>>
- 相关机构：中国地质大学中南大学中国地质大学江城学院更多>>
- 发文基金：中央高校基本科研业务费专项资金教育部重点实验室开放基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术石油与天然气工程理学更多>>
- 有导师学习的k-means方法在多支持向量机中的线性划分及其在石油储层识别中的应用
- 2015年
- 提出了一种带有指导信息的k-means方法多支持向量机(SkSVM)。带有指导信息的k-means方法多支持向量机中k-means的目标是对训练数据进行划分,附加指导信息是保证k-means在对训练数据进行划分过程中确保数据的划分子集同时来自不同的2个类,即划分的子集中有正标签(+1)和负标签(-1)的数据,并且子集的中心尽量靠近不同类别的分离边界,保证提供的数据子集能够高效地为支持向量机进行学习。对每一个划分的子集采用支持向量机进行学习。选取UCI标准测试集对SkSVM和已有的FaLKSVM、SVM-KNN和CSVM算法进行对比测试。最后,用SkSVM、k-means和SVM等3种分类方法对江汉油田某区块oilsk81、oilsk83和oilsk85三口油井进行石油储层识别(油层和非油层),其中,各油井数据2/3作为训练数据,1/3作为测试数据,结果表明,在识别准确率上,SkSVM方法都优于其他两种方法。
- 李诒靖石咏李亚楠郭海湘
- 关键词：支持向量机K-MEANS
- 一种基于Boosting的集成学习算法在不均衡数据中的分类被引量：57
- 2016年
- 针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.
- 李诒靖郭海湘李亚楠刘晓
- 关键词：不均衡数据特征提取
- 一种基于差分演化算法的规则提取及其在石油储层识别中的应用被引量：3
- 2014年
- 提出了一种基于差分演化算法的规则提取方法(DE-Rule)。规则的表达形式为IF-THEN模式,规则前件中的连接词为AND,规则后件为识别对象的类别。通过编码将规则表示为差分演化算法中的种群个体,然后通过差分变异和二项式交叉对种群进行演化,对最优个体进行解码即可得到对应的最优规则集。最后,用DE-Rule、RS-Rule、ANN-GA-Cascades-Rule等3种规则提取方法对江汉油田某区块进行石油储层识别(干层、水层、差油层和油层),其中,oilsk81油井数据作为训练数据,oilsk83油井数据作为测试数据,结果表明,在综合考虑规则集的识别准确率和解释性上,DE-Rule方法都优于其他两种方法。
- 郭海湘黎金玲李亚楠孙涵
- 关键词：差分演化
- 一种加权的支持向量机及其在储层识别中的应用被引量：1
- 2014年
- 标准支持向量机(SVM)抗噪声能力不强,当训练样本中存在有噪声或者野点时,会影响最优分类面的产生,最终导致分类结果出现偏差。针对这一问题,提出了一种考虑最小包围球的加权支持向量机(WSVM),给每个样本点赋予不同的权值,以此来降低噪声或野点对分类结果的影响。对江汉油田某区块的oilsk81,oilsk83和oilsk85三口油井的测井数据进行交叉验证,其中核函数采用了线性、指数和RBF这3种不同的核函数。测试结果显示,无论是在SVM还是在WSVM中,核函数选择RBF识别率都是最高的,同时提出的WSVM不受核函数的影响,识别稳定性好,且在交叉验证中识别率都能够达到100%。
- 黎金玲李亚楠郭海湘胡敬炉
- 关键词：支持向量机加权支持向量机储层识别测井数据
- 基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例被引量：20
- 2015年
- 油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利用遗传算法同时优化BP神经网络连接权值和阈值的算法应用到大庆油田BED试验区高含水阶段的油田产量预测,结果表明在面对高含水阶段更加复杂的地质条件和数据波动更强的情况下优化后的神经网络收敛速度更快而且预测精度更高.
- 马林茂李德富郭海湘李伟伟
- 关键词：遗传算法BP神经网络
- 基于自适应差分演化的特征选择算法在石油储层识别中的应用
- 2015年
- 近年来我国石油产量跟不上需求,供需矛盾进一步凸显,导致石油的对外依存度已经连续几年超过警戒线,为了缓解供需矛盾,石油的增储上产是一种有效措施,但精确地识别石油储层成为增储上产的一大难题,而特征选择是精确识别石油储层的有效保障.本文提出了一种增强型自适应差分演化算法,即ESADE算法,在算法中使用了双种群的概念,构造了一个简单的双层差分演化,并且在算法的选择操作中加入模拟退火的思想;接着将ESADE算法作为特征选择的搜索策略,将ReliefF算法、BIF算法、FCBF算法及随机抽选特征算法作为评价准则库,SOM神经网络算法、模糊C均值算法、K均值算法和K近邻算法作为分类器库,得到了一种基于ESADE的特征选择算法.然后将此算法应用于某油田oil81、oil82、oil83、oil84和oil85五口井的测井数据集上进行石油储层的油层、差油层、水层和干层的分类识别,并与未进行特征选择直接进行分类的结果进行比较及相同分类正确率下不同分类算法组合及不同属性选择的比较.实验结果表明与SOM神经网络算法、模糊C均值算法、K均值算法及K近邻算法这四种分类算法相比,基于ESADE的特征选择算法能在利用较少属性的同时提高分类准确率,并能够提供不同的属性和分类算法的最优组合方案.
- 李亚楠郭海湘刘晓李诒靖
- 关键词：差分演化算法储层识别
- 软计算与硬计算融合的含油气性识别
- 2012年
- 随着油气勘探领域的不断扩大,测井解释面临的研究对象也越来越复杂,传统的单一基于硬计算或软计算的方法在测井解释中面临严格挑战。提出软计算与硬计算融合的4种模式。运用软计算与硬计算融合的分离模式对某油田Oilsk81、Oilsk83、Oilsk85三口井进行含油气性模式识别,比较结果表明,在这个油区运用软计算方法对含油气性进行模式识别优于硬计算,并且可以识别出较好的测井数据集。
- 李德富郭海湘李伟伟诸克军
- 关键词：软计算测井
