关键词：
岩性分类
支持向量机
神经动力学
鲁棒性
摘要：
随着勘探技术的不断发展,测井技术已成为地质勘探的核心技术之一。因为测井技术可以获取井下地层的物性参数,为地质勘探和开发提供重要的技术支撑。然而,地下地质结构的复杂性导致测井数据变得复杂。因此,如何准确地处理和分析测井数据已成为地质勘探领域面临的重要挑战之一。在当前地质勘探领域中,提高对测井数据分类的准确率,以提供更准确的地层构造信息支持地质勘探和开发,已成为一个重要的研究内容。在测井数据处理中,支持向量机(Support vector machine,SVM)因其较高的分类准确性和高效的求解能力被广泛应用于测井曲线岩性分类任务。但是,测井数据采集条件和岩石自身性质的限制,所采集的测井曲线数据可能存在不同程度的噪声和偏差。尽管SVM方法在面向测井数据岩性分类上表现出色,但其对噪声数据的敏感性可能会影响其在受到噪声干扰的测井曲线数据中的分类准确性。然而,当前基于SVM的改进方法在处理噪声干扰下的测井数据分类问题上存在不足。为此,在测井数据岩性分类中,改善SVM方法对噪声干扰的处理能力显得尤为必要。已有的研究表明,SVM的岩性分类问题是凸二次规划(Quadratic program-ming,QP)问题,而神经动力学(Neural dynamics,ND)方法在解决含噪声干扰的QP问题时表现出明显的优势。ND方法具有强大的抗扰动能力,能够在噪声干扰的情况下维持问题求解的稳定性和收敛性。基于此,本文提出了一种支持向量神经动力学(Support vector neural dynamics,SVND)模型以求解测井曲线岩性分类的问题。所提SVND模型通过结合SVM和ND方法的优点以达到减少噪声干扰和快速求解测井曲线岩性分类问题的目的,并通过理论分析证明了其具有良好的鲁棒性。根据多个测井曲线岩性分类任务的结果表明,本文提出的SVND模型相较于其它对比模型在处理含噪声干扰的测井曲线岩性分类问题时表现更加准确和鲁棒。随后,本文进一步设计了一种有限时间收敛的噪声抑制支持向量神经动力学(Noise-suppressing support vector neural dynamics,NS-SVND)模型。所提NS-SVND模型加入了误差累加项,能够抑制模型处理测井曲线岩性分类过程中存在的噪声干扰问题。此外,所提模型引入了激活函数(Activation function,AF)以实现误差函数的有限时间收敛,从而在有限时间内得到所求问题的解。理论分析表明,本文所提NS-SVND模型能够在有限时间收敛到最优理论解并且有效抑制噪声的干扰。在陕西省高家宝矿采集的真实测井曲线数据集上的实验结果表明,与其它对比模型相比,NS-SVND模型具有更高的求解精度和更强的鲁棒性。最后,本文进一步研究了基于梯度神经动力学(Gradient neural dynamics,GND)的测井曲线岩性分类问题。从可靠性和高效计算方面着手,提出了一种梯度支持向量神经动力学(Gradient support vector neural dynamic,GSVND)模型。所提GSVND模型融合了时变参数的导数信息和AF,使得模型具有较快的收敛速度和较高的求解精度。理论分析表明,本文所提GSVND模型能够在指数收敛的情况下具有较高的消除误差的能力。在实际测井曲线数据集上的实验结果验证了所提GSVND模型与其它比较模型相比具有更好的准确率和鲁棒性。
欢迎来到三峡大学图书馆！
详细信息
