模式識別儲層識別范文第1篇
1出油氣井點主要油層地層對比
1.1出油氣油層地層層序格架的確定
鉆井揭露的地層自上而下為基底,下第三系,沙河街四段上部(S4上)、三段下(S3下)、三段中(S3中)、三段上(S3上)、二段(S2)、一段(S1)、東營組、(d)上第三鍍陶組(ng)、明化鎮組(vm)和第四系平原組(Qp)地層。其中熱河臺油層、大凌河油層和蓮花油層是本區的主要含油層系,也是本次研究的主要目的層。
1.2地層對比與劃分原則
地層劃分基本原則是:以沉積旋迴為基礎,砂體為單元,標志層作控制,以古生物資料確定時代,結合地層厚度,油水分布,在原來分層認識的基礎上,根據多年來勘探開發實踐總結出的規律和存在的問題,主要根據巖性、電性特征由點到線再到面逐級對比劃分。地層縱向組合特征主要依據生物化石和主要標準層來確定,橫向上用電測曲線和巖性來對比。選擇穩定可靠并易于識別的對比標準層是提高地層對比精度的必要條件。
2出油氣井點分布與儲層識別技術研究
2.1出油氣井點平面分布特征
興隆臺油層是本區地區含油氣性最好的油層,發育油藏最多,其中出油氣井點類型以構造油氣藏和斷層-巖性復合油氣藏為主。構造油氣藏主要發育在Ⅰ、Ⅱ和Ⅴ臺階,Ⅰ臺階內構造油氣藏類型主要是斷層背斜油氣藏,分布于研究區東北角雙臺子地區;Ⅱ和Ⅴ臺階主要發育斷層油氣藏,以封閉斷塊油氣藏和上傾方向及側面被多條斷層遮擋的半封閉斷塊油氣藏為主。沙二段Ⅰ臺階內東西向斷層比較發育,容易形成斷層-巖性復合油氣藏,這與統計結果一致,由于Ⅰ臺階處于構造低部位,臨近生油洼陷,也是巖性油氣藏的主要發育區域。
2.2出油氣井點垂向分布特征
從油氣藏垂向分布特征來看,總體上由沙四段至沙二段構造油藏數量逐漸增多,復合油藏和巖性油藏數量逐漸減少,總體來看,本區的出油氣井點以構造—巖性、巖性油氣藏為主,因此有利儲層的識別與預測是本次研究的關鍵問題。
2.3出油氣井點地震屬性分析技術
本次研究主要利用均方根振幅屬性開小時窗進一步驗證上述地質分析技術預測的有利相帶,北部地區以歡171井區為重點,落實砂體展布情況,南部則以歡南1井區和歡南4井區為重點,這種開小時窗的地震屬性平面預測基本反映了砂體的變化規律。
2.4地震反演技術
對下臺階200km2的地震資料進行了反演和多參數巖性地震反演,從預測結果來看,地震反演能較好的反應儲層空間的分布關系,多屬性預測的結果明顯較反演效果要好,利用多屬性預測剖面看,與實際鉆井情況結果吻合較好,說明預測結果能較準確預測儲層,可以直接用于圈定儲層,用于儲層的解釋與追蹤。
2.5沉積微相刻畫技術
對出油井目的層段進行沉積微相展布研究,利用井震結合聯井剖面預測出油井周圍儲層沉積微相,尋找有利相帶進行井位部署?？偟恼f來,沙二段砂體最為發育,厚度也較大砂體主要來自西八千和齊家南北兩個方向。在近南北向的歡43-歡古5-歡631-歡102井一線,砂體基本上不發育,將西八千砂體和齊家砂體明顯的分割開來
2.6儲層評價
沙二段興隆臺油層儲層物性發育程度好,平均值19.0%,滲透率最大值達2841×10-3μm2,平均為372.2×10-3μm2。屬中孔高滲儲層。儲層物性平面上受埋藏深影響,表現為北部好南部差的特點。
3結語
(1)利用地震、鉆井、錄井等資料,研究了儲層宏觀、微觀特征,該區物源有2個:西八千、歡喜嶺。興隆臺油層為扇三角洲沉積,大凌河、熱河臺油層為湖底扇沉積。
(2)在油氣分布上,發育多套含油氣層系,油藏受巖性、構造雙重控制,以構造巖性油氣藏為主。
(3)研究過程中,井震結合精細解釋技術、細分小層統一分層技術、VSP測井變速解釋成圖技術以及預測儲層技術得到進一步創新和突破,應用儲層識別技術3項。對高質量完成項目起到重要指導意義。
摘要：歡喜嶺下臺階區塊比較零散且面積較小,一般為0.2~1.0km2,尚未進行連片部署研究。從目前的完鉆井看,在熱河臺油層、大凌河油層、杜家臺油層均存在零星出油氣井點,部分井獲得了高產工業油流,這些出油井點在平面上的分布特征還有待進一步研究,應該具有較大的勘探潛力。通過對有利目標進行綜合地質研究,可望在該區域實現出油井點擴邊和開發區塊相連,實現增儲建產目的。
模式識別儲層識別范文第2篇
首先假設三類樣本都服從多元正態分布, 根據樣本估計出參數, 設計分類器, 對測試樣本進行分類;分析分類結果, 更改分類參數, 再進行分類, 比較分類結果。然后假設三類樣本都服從單變量正態分布, 重復以上步驟。通過多種比較, 得出分類假設和參數估計的最優解。
2 具體過程
(1) 使用scatter命令將每一個類別里的數據用不同顏色可視化表示。
將三類數據顯示在一張圖上以便于比較。
如圖1所示, 最外面的圈代表c1中的數據, 中間的圈代表c2中的數據, 內圈代表c3中的數據。
(2) 根據圖1, 哪一類數據多元正態分布模型是一個可能的選擇, 哪一類完全不可能?
通過散點圖和 (3) 、 (4) 的結果, 可以知道c1類更可能使用多元正態分布作為可能的概率分布模型, 而對c2類和c3類這種假設顯然是不合理的。
(3) 假設我們做了一個不很正確的假設, 所有的類別都具有多元正態分布, 計算均值和協方差矩陣的最大似然估計 (針對每一類分別做) , 確定你只使用訓練數據, 也就是只使用c1, c2, c3里的數據。
(4) 使用contour () 畫出估計的分布, 數據應該在小一些的橢圓附近更緊密一些, 因為這些地方更接近估計的均值。
根據求得的均值和協方差矩陣求得聯合密度函數, 再將其可視化顯示, c1, c2和c3得到的估計分布圖分別如圖2, 圖3, 圖4所示:
通過概率分布圖和數據分布可以發現, 只有c1類數據的分布可以用多元正態函數分布表示, 因為只有c1類數據在較小的橢圓中心分布更緊密, 更接近估計的均值, 而c2類和c3類的數據分布都明顯不符合多元正態函數分布。
(5) 使用 (3) 中得到的最大似然估計來設計最大似然分類器 (也就是具有0-1損失函數和相等先驗概率的貝葉斯分類器) 。因此我們可以假設每一類的先驗概率是相同的。接下來對測試樣本進行分類。計算具有3-by-3大小的混合矩陣, 它的第i行j列包含真實類別為i而你把它分到j列的數據個數。注意在這個矩陣中所有的非對角線元素都是錯誤的。計算總體的錯誤率, 最簡單的辦法是使用matlab里的sum () 和trace () ;
(6) 檢查混合矩陣的非對角線元素以發現哪類錯誤比其他錯誤更普遍, 由此可以得知分類邊界的所在位置。嘗試性畫出決策區域, 使用決策邊界解釋為什么某些錯誤比其他錯誤更普便。
由混合矩陣圖可以知道, 第二類數據劃分為第三類數據和第三類數據劃分為第二類數據這幾種錯誤比其他分類錯誤更普遍發生。而第一類錯分為第三類的沒有, 第一類錯分為第二類的比較少, 由此可以看出, 第一類和第二類的邊界較明顯, 第二類和第三類的邊界效果不好。
邊界的劃分:考慮到那些分類為錯誤的點肯定位于決策邊界上, 則考慮在網格圖像上取那些針對不同分類函數取值相差小于一定閾值的點, 這些點容易被分錯, 所以這些點將構成邊界點。
(7) 如果對數據所使用的模型是錯誤的, 那么最大似然估計得到的參數就不能給我們最好的分類結果, 嘗試改變均值和協方差矩陣, 以得到更好的分類結果。
(8) 將所有的訓練數據和測試數據變換到極坐標系下, 只使用第二個特征量, 假設現在所有的類都符合均值和方差未知的正態分布, 通過最大似然估計參數, 然后測試新的分類器, 將其與多變量正態分布模型進行比較。
經過實驗查找, 沒有能找到比h) 中更好的分類參數。假如存在的話, 肯定會比g) 中的分類效果理想。之所以找不到比h) 中由M L E參數更理想的估計參數主要原因在于, 在當前使用模型正確的前提下, 使用最大似然估計得到的均值和標準差都是無偏估計, 已經是最優的了。
3 分析
在確定決策邊界時, 由于所選閾值不一定是最優的閾值, 沒有用方程推倒出準確邊界, 所以勾畫出的邊界不是很準確;單變量正態分布模型比多變量正態分布模型更適合實驗數據;在更改參數時, 由于進行實驗的次數有限, 所找到的最優的估計參數未必是理論上的最優估計參數。
摘要：需要解決的主要問題是如何利用貝葉斯規則對模式進行分類。本次作業處理的是對三類數據進行分類的問題。
模式識別儲層識別范文第3篇
誕生
狗的嗅覺的靈敏度非常高，大約是人的50至100倍。狗通過這項特異的功能來識別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識別也是人類的一項基本技能，人們無時無處的在進行“模式識別”，古人有一成語“察言觀色”表達的正是這個意思。
模式識別是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。計算機模式識別在20世紀60年代初迅速發展并成為一門新學科。
概念
簡單來說，模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。我們把環境與客體統稱為“模式”。隨著計算機技術的發展，人類有可能研究復雜的信息處理過程。信息處理過程的一個重要形式是生命體對環境及客體的識別。對人類來說，特別重要的是對光學信息(通過視覺器官來獲得)和聲學信息(通過聽覺器官來獲得)的識別。這是模式識別的兩個重要方面。市場上可見到的代表性產品有光學字符識別(Optical Character Recognition, OCR)、語音識別系統。其計算機識別的顯著特點是速度快，準確性高，效率高。在將來完全可以取代人工錄入。
模式識別是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。
研究
模式識別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇，二是在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容，后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。
應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。
模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以后確定。
模式識別與統計學、心理學、語言學、計算機科學、生物學、控制論等都有關系。它與人工智能、圖像處理的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智能的學習機制;人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特征抽取環節應用圖像處理的技術;圖像處理中的圖像分析也應用模式識別的技術。
應用領域包括：計算機視覺、醫學圖像分析、光學文字識別、自然語言處理、語音識別、手寫識別、生物特征識別、人臉識別、指紋識別、虹膜識別、文件分類、互聯網搜索引擎、信用評分、測繪學、攝影測量與遙感學。 以“漢字識別”為例：
識別過程與人類的學習過程相似。首先將漢字圖象進行處理，抽取主要表達特征并將特征與漢字的代碼存在計算機中。就像老師教我們“這個字叫什么、如何寫”記在大腦中。這一過程叫做“訓練”。識別過程就是將輸入的漢字圖象經處理后與計算機中的所有字進行比較，找出最相近的字就是識別結果。這一過程叫做“匹配”。
還有一些比較典型的應用例子如： 去霧算法：
由有霧的圖片處理成無霧的過程用的是一種基于暗影通道的去霧算法。 相機照出的相片=真實相片*透謝分布率+天空亮度。這里要做的就是根據公式求出真實相片，另外三個未知量是可以求出來的。
交叉驗證方法：
用來驗證分類器的性能一種統計分析方法,基本思想是把在某種意義下將原始數據進行分組,一部分做為訓練集，另一部分做為驗證集，首先用訓練集對分類器進行訓練,在利用驗證集來測試訓練得到的模型，以此來做為評價分類器的性能指標。
紋理：
在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺感知提供了無處不在的信息，它在計算機視覺、圖形學、圖像編碼等領域都有著重要作用，例如，格式塔(Gestalt)心理學，早期視覺理論和Marr的原始簡約圖(Primal Sketch)都將紋理模式作為中心話題。
因此，對紋理的理解是視覺理解不可或缺的組成部分。過去的幾年里，紋理分析和合成的相關研究工作在基礎理論上與實際應用兩個方面都取得了振奮人心的發展，研究者結合計算機視覺，圖形學，現代統計物理，心理學和神經系統科學等領域的知識，提出了很多關于紋理理解的新方法。紋理的研究工作主要集中在兩個領域：濾波理論(filtering theory)和統計建模(statistical modeling)理論。濾波理論來源于在神經生理學中被發現并被廣泛接受的多通道濾波機制，該機制認為，人類視覺系統將視網膜圖像分解為一組子帶(sub-band)圖像信號，而這些子帶信號可以通過一組線性濾波器和圖像卷積然后經過某些非線性操作計算得到。濾波理論在紋理方面的應用主要有 Gabor 濾波器和小波(wavelet)塔等，它們在紋理分割和分類中有良好的性能。統計建模理論認為，紋理圖像是隨機場上概率分布的采樣，該理論涉及到時間序列模型(time series model)，馬爾可夫鏈(Markov chain)模型和馬爾可夫隨機場(Markov random Field，MRF)模型等建模方法?；诮y計的建模方法一般只需要用很少幾個參數來描述紋理特征，因此能為紋理提供簡練的表示，而且它能把紋理分析問題轉化為一個明確的統計推理問題來處理。
計算機視覺研究中低層視覺的一個主要研究方向是圖像分割。由于一個場景中，不同的物體之間有不同層度的交疊，使得最理想的分割結果也會出現物體的不同部分(可視部分)之間分割開來，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現物體。因此，有必要利用由圖像得到的相關信息，如原始簡約圖(Primal Sketch)、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個層里面，然后再把它們相應的部分之間連接起來，組成完整的物體。這就是2.1D Sketch的主要研究任務。
2.1D Sketch主要研究面物體，且不關心物體之間的深度信息，而只考慮它們之間的偏序關系(Partial Order)。
2.1D Sketch的研究成果將會用于圖像分割、圖像編輯、藝術圖像生成以及圖像序列分析中。
機器學習：
機器學習是人工智能的一個分支，它是關于讓機器具有學習能力的一些算法。許多情況這種算法給一些數據和從這些數據屬性的推出的信息對將來出現的新的數據做出預測。之所以可以這么做是因為大多數的非隨機的數據包含一些模式，這些模式可以讓機器去做泛化。
機器學習的相關概念掃盲：
監督式學習：訓練數據中包含輸入的向量集合并且有相應的目標值(labeled樣例)
例如分類(Classification)、關聯規則、回歸(Regression) 非監督式學習：訓練數據中不包含labeled樣例
例如聚類(Cluster)、Density estimation、Visualization. 半監督式學習：組合了labled和unlabeled的Example去生成一個函數或分類
泛化(Generalization)：通過訓練數據訓練之后能夠識別新的數據。 特征提取(Feature Extraction): 為了降維去除不想關的特征，在數據預處理階段把數據轉化成容易處理的。
機器學習的局限性：
機器學習在大量的模式面前的泛化能力是不同的，如果一個模式不同于以前所看到的，那么這個算法很容易被誤解。由于當前的數據量不夠，不能涵蓋各種將來的情況，所以機器學習的方法很容易出現過度泛化，從而出現不準確性。
AdaBoost人臉檢測原理：
一種基于積分圖、 級聯檢測器和AdaBoost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用Harr-like特征表示人臉，使用“ 積分圖”實現特征數值的快速計算; 第二部分， 使用Adaboost算法挑選出一些最能代表人臉的矩形特征( 弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器; 第三部分， 將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，級聯結構能有效地提高分類器的檢測速度。
總結
自20世紀50年代以來，模式識別在人工智能興起后不久就迅速發展成一門學科。它所研究的理論和方法在很多科學和技術領域得到廣泛重視，推動了人工智能系統的發展，擴大了計算機應用的可能性。
模式識別儲層識別范文第4篇
一，文獻綜述報告
閱讀至少5篇論文(最好包含1篇英文論文;自己去學校電子圖書館下載，考慮中國知網;IEEE，Elsevier等數據庫)，寫一篇文獻綜述報告。
1. 選題不限，可以是任何一種模式識別算法(例如k-means，kNN，bayes，SVM，PCA，LDA等)，閱讀所選題方面的相關文獻(論文都是關于一個主題的，例如都是svm算法方面的)。
2. 寫一份文獻綜述報告，包括：每篇論文主要使用什么算法實現什么，論文有沒有對算法做出改進(為什么改進，原算法存在什么問題，改進方法是什么)，論文中做了什么對比試驗，實驗結論是什么?注意，盡量用自己的話總結，不要照抄原文?？梢约尤胱约旱姆治龊拖敕?，例如這篇論文還存在什么問題或者缺點，這篇論文所作出的改進策略是否好，你自己對算法有沒有什么改進的想法?
3. 把閱讀的參考文獻寫在報告后面。(包括：作者;論文名稱;期刊名稱;出版年，卷號(期號)，頁碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學學報，信息科學版，2006,31(3):278-281. )
二、寫一下學習這門課的心得體會(占分數)。
模式識別儲層識別范文第5篇
一，文獻綜述報告
閱讀至少5篇論文(最好包含1篇英文論文;自己去學校電子圖書館下載，考慮中國知網;IEEE，Elsevier等數據庫)，寫一篇文獻綜述報告。
1. 選題不限，可以是任何一種模式識別算法(例如k-means，kNN，bayes，SVM，PCA，LDA等)，閱讀所選題方面的相關文獻(論文都是關于一個主題的，例如都是svm算法方面的)。
2. 寫一份文獻綜述報告，包括：每篇論文主要使用什么算法實現什么，論文有沒有對算法做出改進(為什么改進，原算法存在什么問題，改進方法是什么)，論文中做了什么對比試驗，實驗結論是什么?注意，盡量用自己的話總結，不要照抄原文?？梢约尤胱约旱姆治龊拖敕?，例如這篇論文還存在什么問題或者缺點，這篇論文所作出的改進策略是否好，你自己對算法有沒有什么改進的想法?
3. 把閱讀的參考文獻寫在報告后面。(包括：作者;論文名稱;期刊名稱;出版年，卷號(期號)，頁碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學學報，信息科學版，2006,31(3):278-281. )
二、寫一下學習這門課的心得體會(占分數)。
模式識別儲層識別范文第6篇
一，文獻綜述報告
閱讀至少5篇論文(最好包含1篇英文論文;自己去學校電子圖書館下載，考慮中國知網;IEEE，Elsevier等數據庫)，寫一篇文獻綜述報告。
1. 選題不限，可以是任何一種模式識別算法(例如k-means，kNN，bayes，SVM，PCA，LDA等)，閱讀所選題方面的相關文獻(論文都是關于一個主題的，例如都是svm算法方面的)。
2. 寫一份文獻綜述報告，包括：每篇論文主要使用什么算法實現什么，論文有沒有對算法做出改進(為什么改進，原算法存在什么問題，改進方法是什么)，論文中做了什么對比試驗，實驗結論是什么?注意，盡量用自己的話總結，不要照抄原文?？梢约尤胱约旱姆治龊拖敕?，例如這篇論文還存在什么問題或者缺點，這篇論文所作出的改進策略是否好，你自己對算法有沒有什么改進的想法?
3. 把閱讀的參考文獻寫在報告后面。(包括：作者;論文名稱;期刊名稱;出版年，卷號(期號)，頁碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學學報，信息科學版，2006,31(3):278-281. )
二、寫一下學習這門課的心得體會(占分數)。