庞河清， 匡建超,2， 蔡左花， 王 众， 黄耀综

( 1. 成都理工大学 能源学院，四川 成都 610059； 2. 成都理工大学 管理科学学院，四川 成都 610059； 3. 西南油气分公司 勘探开发研究院贵阳所，贵州 贵阳 550004； 4. 胜利油田分公司 孤东采油4厂，山东 东营 257237 )

0 引言

油气井产能预测是油气经济评价的重要环节，其预测准确性对后续井网布置、合理高效开发，乃至整个油气工业投资与决策都会产生深远影响[1].然而受地下复杂地质情况的限制，即使同一油气藏相邻两井产能也不一样，加上钻井取心的困难和岩心归位的不正确，使得储层产能预测成为油气勘探开发的难点.随着油气勘探难度的增加，传统经验预测方法已难以满足实际生产需要.为了利用常规测井方法表征地下复杂的地质条件，从而与储层产能建立联系，一些学者陆续提出逐步回归[2]、模糊模式识别[3]、灰色关联[4]、动态聚类[4]等储层产能预测方法，并取得一定成效.这些方法大多基于均质地层和线性映射的假设，没有充分考虑地质条件的复杂性，难以大范围推广利用[5].近年来，随着神经网络和支持向量机等智能机器学习方法发展，使得储层产能预测由线性领域推广到非线性领域，预测精度得到提高.此外，基于算法改进及输入变量优化的复合模型的大量应用，较好地解决神经网络、支持向量机的收敛速度慢、降噪效果差等问题.

支持向量机包括支持向量分类机(SVC)和支持向量回归机(SVR)功能，目前在油气储层分类和产……