井震联合"数据驱动"下，多智能技术融合的煤层气储层参数预测与评价

The strong heterogeneity of Coal Bed Methane (CBM) reservoir leads to the reservoir parameters changed significantly at a small range within the same coal seam, regular reservoir parameters prediction methods are difficult to apply. Especially, the redundancy of well-seismic data also increases the difficulty of the parameters prediction. ..Under well-seismic date joint driven, taking rough set as the tool of well-seismic data reduction, building non-linear prediction models by the mixed kernel support vector machine technology, enhancing support vector machine and rough set performance by cross-entropy theory, combining with theoretical analysis and simulation evaluation, an effective prediction model of CBM reservoir parameters based on multi-agent technology integration is built...Processing core, well logging curve and seismic data establishes the conventional vertical and horizontal original decision table (rough set decision table); the use of combination cross-entropy algorithm, rough set decision table discretization and condition attribute reduction select well-seismic data to form the corresponding reduction decision table; for coalbed methane reservoir nonlinear characteristics, combined with the reduction decision table uses a linear weighted to build a reservoir parameters prediction model of the mixed kernel support vector machine and use continuous cross-entropy algorithm to optimize the parameters of support vector machine and to revise the prediction model. It utilizes the test samples to evaluate the effectiveness of the prediction model and accomplishes the vertical and horizontal reservoir parameters prediction of the work area...The results of prediction can provide strong technical supports for the exploration, exploitation and utilization of CBM.

煤层气储层的强非均质性导致同一煤层小范围内的储层参数发生明显改变，常规储层参数预测方法难以适用。特别是井震数据的冗余更增加了参数预测难度。在测井-地震数据联合驱动下，以粗糙集作为井震数据约简工具，以混合核支持向量机技术构建非线性预测模型，以交叉熵理论提升支持向量机和粗糙集性能，结合理论分析和模拟评价，建立一种有效的多智能技术融合的煤层气储层参数预测模型。整理岩心、测井曲线和地震属性等数据，建立纵、横向原始决策表（粗糙集决策表）；利用组合型交叉熵算法对粗糙集决策表离散化和条件属性约简，优选井震数据，形成相应的约简决策表；针对煤层气储层非线性特性，结合约简决策表，利用线性加权构建混合核支持向量机的储层参数预测模型，采用连续型交叉熵算法优化支持向量机参数，修正预测模型；利用测试样本评价预测模型的有效性，完成研究工区储层参数的纵、横向预测。预测结果可为煤层气的勘探、开采和利用提供强有力的技术支持。

针对煤层气储层参数难以预测的难题。项目在测井-地震数据联合驱动下，以粗糙集作为井震数据约简工具，以混合核支持向量机技术构建非线性预测模型，以交叉熵理论提升支持向量机和粗糙集性能，结合理论分析和模拟评价，建立一种有效的多智能技术融合的煤层气储层参数预测模型，并针对特定工区的储层参数进行预测，得到了有意义的预测结果。主要研究内容如下：. 提出了一种利用改进型交叉熵算法对地震属性进行约简的方法。该方法对迭代过程产生的样本进行改进，进而生成优秀的样本集进行迭代，同时将粗糙集属性约简构成的模型作为目标函数进行寻优求解。最后利用某地区煤层气储层的地震属性对算法进行验证，并与其他算法的测试结果对比、分析。结果表明：该算法对煤层气的地震属性约简耗时小、约简精度和约简率高。. 结合某矿区的实际地质特性，利用交叉熵算法优化BP神经网络（CE-BP）的权值和阈值的途径得到改进预测方法，并将其方法和传统方法应用到煤层气含量预测中，并将含气量的预测值与真实值进行对比分析。改进算法预测误差为2.16%，BP神经网络（BP）算法是10.53%，灰色理论为7.51%。利用交叉熵算法并结合支持向量机的方法对沁水盆地南部未勘探某区块的煤层气储层参数进行预测。实验结果表明，被测数据的误差率保持在1%-5%之间，总体分布稳定，较好地解决了小样本数据的学习问题，为煤层气储层参数的预测提供了参考。. 研究过程中，共发表学术论文9篇，其中SCI、Ei检索2篇；授权专利4项，其中授权发明1项；撰写专著1部；相关关键技术黑龙江省高校教师科技奖二等奖1项，哈尔滨市科技奖三等奖1项；培养研究生3人。. 本项目理论方法与关键技术方面的研究成果对实现煤层气储层准确、高效预测提供一种有效的技术手段。对煤层气的勘探、开采和利用提供强有力的技术支持，具有十分广阔的应用前景。