基于机器学习的地质统计学随机建模方法研究

论文摘要

地质统计学随机建模方法是进行地质属性模拟的重要技术之一。其核心思想是通过已知测井数据计算实验变差函数,然后按照随机路径构建并求解克里金方程进行插值模拟,来重现地质模型可能的样子。在传统地质统计学随机建模中一般存在如下问题:传统地质统计学随机建模方法通常不考虑地震相的划分对随机建模过程的影响,导致建模结果不能全面整体地反映地质空间结构特征,为解决此问题产生了相控随机建模方法。但传统相控随机建模方法仍然存在不足:1)传统相控随机建模方法在对地震相进行分类时,往往要处理大量地质属性数据点,计算速度非常缓慢;2)传统相控随机建模中在插值时采用的仍然是传统克里金方法,该方法构建出的克里金方程在对未知点进行插值时只考虑了属于同类地震相已知数据点的影响因素,未考虑来自不同地震相的已知数据点对待插值点的影响因素。我们有理由认为,哪怕属于不同地震相的数据点之间的相关性小于属于同类地震相数据点之间的相关性,仍然有必要将这种相关性考虑进去。为解决以上问题,本文引入机器学习分类技术中的稀疏表示谱聚类方法对地震相进行加速聚类,并且在考虑属于不同地震相的已知数据点的影响下进行地质属性变量的随机建模。在地震相分类过程中往往需要处理大规模地质属性数据,其计算量和复杂度在实际研究中通常让人难以接受。为此本文在传统谱聚类算法的基础上,提出基于真实测井数据的稀疏表示谱聚类方法,来加速计算过程。通常情况下加速聚类的代价,是聚类效果的损失,但本文提出的基于真实测井数据的稀疏表示方法在一定程度上可以减少这种损失。同时,在随机建模的插值过程中,本文对传统简单克里金方程进行一定程度的改进,在方程中引入属于不同地震相的点之间的相关性,使得建模结果可以更全面地展现空间地质结构特征。地震相对于地质分析具有重要参考意义。本文力求对地震相进行快速准确划分,在对未知点进行插值时尽量考虑属于不同地震相的点相互之间的相关性,对传统相控随机建模方法分别在相划分和插值方面进行了一定改进,对地质勘探和地质储层预测具有一定意义。

论文目录

摘要

abstract

第一章绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 地质统计学

1.2.2 随机建模

1.2.3 相划分技术

1.2.4 机器学习分类方法

1.3 本文研究内容与贡献

1.4 本文结构安排

第二章地质统计学建模基本原理

2.1 地质统计学

2.1.1 地质统计学概论

2.1.2 区域化变量

2.2 变差函数理论

2.2.1 随机变量的协方差和变差函数

2.2.2 实验变差函数的计算与拟合

2.3 克里金方法

2.3.1 简单克里金方程组的导出

2.3.2 泛克里金与普通克里金

2.4 随机模拟

2.4.1 随机模拟原理

2.4.2 序贯高斯模拟

2.4.3 滑动邻域

2.5 传统相控随机模拟方法与相划分技术

2.5.1 传统相控随机模拟方法

2.5.2 传统地震相划分

2.6 本章小结

第三章基于测井约束的稀疏表示谱聚类地震相分析

3.1 传统谱聚类算法介绍

3.2 谱聚类算法原理

3.2.1 拉普拉斯矩阵

3.2.2 无向图切图聚类

3.3 适用于处理大规模数据的稀疏表示谱聚类方法

3.4 基于真实测井数据的稀疏表示谱聚类方法

3.5 实验仿真及结果分析

3.5.1 测井数量对聚类结果影响分析

3.5.2 实验分析总结

3.6 本章小结

第四章基于地震相划分的相控随机模拟

4.1 相控克里金方程推导

4.2 实际建模仿真结果分析

4.2.1 变差函数拟合结果

4.2.2 建模结果对比分析

4.3 本章小结

第五章总结与展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

攻读硕士学位期间取得的研究成果

文章来源

类型: 硕士论文

作者: 李昊阳

导师: 姚兴苗

关键词: 随机建模,克里金,相控,谱聚类,稀疏表示

来源: 电子科技大学

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,信息科技

专业: 地质学,矿业工程,自动化技术

单位: 电子科技大学

分类号: TP181;P628.2

总页数: 79

文件大小: 2554K

下载量: 190

基于机器学习的地质统计学随机建模方法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢