张向君,张 晔

(1.大庆钻探工程公司物探研究院,黑龙江大庆163357;2.东北石油大学,黑龙江大庆163318)

支持向量机(SVM)是一种基于统计学习理论的学习方法[1],在理论研究和实际应用两个方面均已成为人工智能和机器学习领域的热点[2]。支持向量机方法最早是针对模式识别问题提出来的,随着VAPNIK等对ε不敏感损失函数的引入[3],支持向量机应用由模式识别领域推广到回归估计领域,并展现出很好的学习性能,在建模、预测等方面取得了很好的效果[4-7]。支持向量机方法在理论上能够保证找到的极值解就是全局最优解而非局部最小值,因此对未知样本有较好的泛化能力[8]。

在地震储层预测中,常用的储层参数预测方法大多建立在线性模型基础上,是对实际模型一定程度上的近似,而一些非线性方法则存在许多影响预测效果的问题[9]。支持向量机方法采用了与传统方法完全不同的思路,在井资料比较少的情况下也能够描述储层物性和地震数据之间的非线性关系,使得建立的预测模型具有较高的拟合精度[9-10]。充分发挥SVM的优良性能,提高储层预测精度,关键在于两个方面:一是样本的优选,样本优选的目的在于选出对储层敏感、彼此相关性不强的样本,舍弃那些对噪声敏感的样本[11-16];二是支持向量机的惩罚因子及核函数参数设置,这两个参数影响着支持向量机的泛化能力和储层预测精度。本文通过交互检验方法优选支持向量机的惩罚因子及核函数参数,提高支持向量机储层预测精度。……