1、、由北華大學基于最小風險貝葉斯決策油藏質量分類器設計學院：電氣信息工程學院.班級：信息13級1班.姓名：麻莉娜.學號：學1316040121.摘要：油藏分類方法研究是為了更好的對油藏進行管理，提高對油氣田的開發。目前對油藏的分類有很多標準，如粘度、密度、孔滲性等根據原有物性的分類，也有斷塊、背斜、不整合等根據圈閉構造的分類，也有很多學者進行了系統的聚類分析，實現了油藏的聚類分類方法，各種分類方式有各自的優缺點，適應不同的需求，本文將會用最小風險貝葉斯決策油藏質量分類器設計。關鍵詞：油藏分類；聚類分析；貝葉斯決策；構造分類一、引言11.1 課程背景及目的11.2 油藏的分類11.3 課題研究方法

2、2二、最小風險貝葉斯決策分類器的研究與分析22.1 分類器的概念22.2 分類器的構造方法3三、最小風險貝葉斯決策法的研究與分析33.1最小風險貝葉斯決策模型3四、最小風險貝葉斯決策的分類器的設計與編程實現44.1 開發環境的選擇44.2 油藏質量最小風險決策數據準備54.3 相關MATLAB：碼6五、結論.8六、參考文獻9一、引言油田進入開發后期，其含水率高、剩余油分布復雜、分析和挖潛難度增大，需要不斷改進開采技術、完善開發方案，才能達到提高開發效果和提高經濟效益的目的。要有效地改善油田開發效果，就必須建立一套完善的開發評價體系，而不同類型的油藏在開發時表現出的生產特征和生產指標不同，所以考

3、核標準也就不同。能體現油藏參數的指標是非常繁雜的，如構造圈閉類型、沉積微相類型、油層埋藏深度、油層厚度、流體性質、儲層孔隙度、滲透率、非均質性等等。這些油藏參數在不同的油田甚至在同一油田開發的不同時期，對油田的日產油量、采油速度、含水上升率、遞減規律、采收率等開發指標的影響程度也是不同的，也就是說，不同類型的油藏，開發評價和進行指標考核的標準是不同的。要科學合理地管理油田，最大限度地發揮油田潛力，就必須建立科學的油藏分類體系。1.1 課程背景及目的目前，油藏分類的指標體系很多。比如，按原油粘度分類，把油藏分為稀油、普通稠油、特稠油、超稠油；按照孔隙度、滲透率分類，把油藏分為特高滲、高滲、中滲、

4、低滲、特低滲。這些分類通常是按油藏的某一特殊指標進行分類的，突出了某一特殊指標的作用，對一些特殊類型的油藏，可以指導油田生產和管理，但是缺乏普遍性。油藏是指油在單一圈閉中具有同一壓力系統的基本聚集。如果在一個圈閉中只聚集了石油，稱為油藏；只聚集了天然氣，稱為氣藏。一個油藏中含有幾個含油砂層時，稱為多層油藏。對氣頂來說，稱為氣頂邊緣。它是油和水的內部分界線，一般情況下，在此線以內只有油，而沒有可流動的水。屬于此類的油氣藏有：背斜油氣藏、斷層遮擋油氣藏、斷塊油氣藏、構造裂隙油氣藏以及少見的向斜油氣藏。其中常見的有砂巖透鏡體、巖性尖滅和生物礁塊油（氣）藏。1.2 油藏的分類對油藏進行分類是為了更好的

5、對油藏進行管理，提高對油氣田的開發。目前對油藏的分類有很多標準，如粘度、密度、孔滲性等根據原有物性的分類，也有斷塊、背斜、不整合等根據圈閉構造的分類，也有很多學者進行了系統的聚類分析，實現了油藏的聚類分類方法，各種分類方式有各自的優缺點，適應不同的需求，本文將會就現有的研究成果，對油藏分類問題進行綜合的歸納。油藏的分類至今也沒有統一的答案，根據不同的標準，可以分成不同的等級、類別。但是油藏分類一般應遵循以下三個原則3:1）油藏的地質特征，包括油藏的圈閉、儲集巖、儲集空間、壓力等特征。2)油藏的流體及其分布特征。3)油藏的滲流物理特性，包括巖石表面的潤濕性，油水、油氣相對滲流效率等。4)油藏的天

6、然驅動能量和驅動類型。在遵循了這些原則的前提下，油藏的分類仍然受很多因素的影響，也就是分類的標準，包括粘度、揮發性、以及儲集層物性等。按原油的性質分為：低粘油，油層條件下原油粘度5mPa.s；中粘油，油層條件下原油粘度520mPa.s;高粘油，油層條件下原油粘度20-50mPa.s;稠油，油層條件下原油粘度50mPa.s,相對密度0.920.稠油又可細分為3大類4大級。在此我們將以油藏的強、較強、一般、差進行分類1.3 課題研究方法貝葉斯定理用數學家ThomsBayes命名的，他是18世紀概率論和決策論的早期研究者，在貝葉斯定理中設X是初始數據元組，H為某種假設，換言之，可以把X看成先在的證據

7、，在證據成立的情況下，假設H也成立的概率，記為P(H|X)。同時我們也稱P(H|X)是后驗概率，也就是在條件X滿足下，H的后驗概率。例如，假設有名職員，他的職位是經理，把這個事實記成X,他的收入是4000元以上，把這個事實記為H,那么P(H|X)就是指假設該員工是這家公司的經理，那么他的月收入可能是4000元以上的概率。相反，P(H)是先驗概率，針對上面的例子，就是公司的任意職員，不管其職位是什么。后驗概率比先驗概率包含更多的內在信息。貝葉斯定理就為這些概率提供了一種相互的聯系：P(H|X)=P(X|H)P(H)P(X)貝葉斯決策不是使決策問題完全無風險，而是通過其他途徑增加信息量是決策中的風

8、險減小。由此可以看出，貝葉斯決策是一種比較實際可行的方法。二、最小風險貝葉斯決策分類器的研究與分析2.1 分類器的概念分類器的定義：輸入的數據含有千萬個記錄，每個記錄又有很多個屬性，其中有一個特別的屬性叫做類(例如信用程度的高、中、低)。分類器的目的就是分析輸入的數據，并建立一個模型，并用這個模型對未來的數據進行分類，數據分類技術在信用卡審批、目標市場定位、醫療診斷、故障檢測、有效性分析、圖形處理及保險欺詐分析等領域，都可以看到分類器廣泛應用。分類是一種典型的有監督的機器學習方法，其目的是從一組已知類別的數據中發現分類模型，以預測新數據的未知類別。用于分類的數據是一組已知類別的樣本，每個樣本包

9、含一組相同的屬性。根據在分類中的作用，屬性可以分為條件屬性和目標屬性兩種。這樣，一個樣本就可以表示為(X1,X2,.Xm,Y)的形式，集中，Xi是條件屬性，Y是目標屬性。分類的目的就是發現X1,X2,.Xm和Y之間的依賴關系，這種依賴關系又稱為分類模型或者分類器。可以認為，分類器就是一個函數，它的輸入是未知類別的樣本，輸出是樣本的類別。2.2 分類器的構造方法分類的方法不同，模型的表示形式就不同，利用決策樹方法構造的分類模型就可能表示為樹狀結構過著分類規則，神經網絡哦的分類模型則可以表示為由單元和系數構造的網絡模型，而貝葉斯分類的模型則表示為數學公式。三、最小風險貝葉斯決策法的研究與分析3.1

10、最小風險貝葉斯決策模型貝葉斯決策就是在不完全請報下，對部分未知狀態用主觀概率估計。貝葉斯決策屬于風險型決策，決策者雖不能控制客觀因素的變化，但可掌握其變化的可能狀況及各種狀況的分布概率，并利用期望值即未來可能出現的平均狀況為決策準則。貝葉斯決策不是使決策問題完全無風險，而是通過其他途徑增加信息量是決策中的風險減小。由此可以看出，貝葉斯決策是一種比較實際可行的方法。本文運用最小風險貝葉斯決策法，進行油藏的分類器進行設計。設對于實際狀態為wj的向量x米取決策ai所帶來的損失為入(ai,wj),i=1,.,k,j=1,.,c該函數稱為損失函數，通常它可以用表格的形式給出，叫做決策表。需要知道，最小風

11、險貝葉斯決策中的決策表是需要人為確定的，決策表不同會導致決策結果的不同，因此在實際應用中，需要認真分析所研究問題的內在特點和分類目的，與應用領域的專家共同設計出適當的決策表，才能保證模式識別發揮有效的作用。對于一個實際問題，對于樣本X,最小風險貝葉斯決策的計算步驟如下：(1)利用貝葉斯公式計算后驗概率：cZP(wj|x)=p(x|wj)P(wj)/p(x|wi)P(wi),j=1,.,c其中要求先驗概率和類條件概率已知。(2)利用決策表，計算條件風險：cZR(ai|x)=j-入(ai|wj)P(wj|x),i=1,.k(3)決策：選擇風險最小的決策，即:哂a=argR(ai|x)假設:P(w1

12、)=0.9,P(w2)=0.1p(x|w1)=0.2,p(x|w2)=0.4入11=0，入12=6入21=1,入22=0計算得后驗概率為：p(w1|x)=0.818,p(w2|x)=0.182計算條件風險：R(a1|x)=Ej=12入1jP(wj|x)=入12P(w2|x)=1.092R(a2|x)=Ej=12入2jP(wj|x)=入21P(w1|x)=0.818由于R(a1|x)>R(a2|x),即判別為1類的風險更大，根據最小風險決策，應將其判別為2類。四、最小風險貝葉斯決策分類器的設計與編程實現4.1 開發環境的選擇Matlab是當今世界上使用最為廣泛的數學軟件，它具有相當強大的數

13、值計算、數據處理、系統分析、圖形顯示，甚至符號運算功能，是一個完整的數學平臺，在這個平臺上，你只需寥寥數語就可以完成十分復雜的功能，大大提高了工程分析計算的效率。另外由于Matlab的廣泛使用，于是出現了為各個領域專門使用的工具箱（即在某一研究領域常用數學工具的函數包），這些工具箱的出現更加促進了Matlab的流行4.2 油藏質量最小風險決策數據準備1、數據輸入（1）井頭數據輸入（井位文件.txt）（2）井斜數據輸入數據格式1的井斜數據輸入；數據格式2的井斜數據輸入（3）地質分層數據輸入（分層數據.txt）（4）測井數據輸入ASCII格式的測井數據輸入（測井數據M16.txt）;LAS格式的測

14、井數據輸入2、petrel模型（全井號的完整模型建模文件。）包括：孔隙度、滲透率、砂巖厚度、有效厚度、網格構架、井軌跡等數據文件。3、原油的高壓物性（pvt）: 地面條件下油、水、氣的密度； 油藏壓力、巖石壓縮系數； 干氣的PVT生質（包括：氣相壓力、相應的氣體地層體積系數、相應的氣體粘度），以數據表的格式提供（不少于2行）；濕氣的PVT生質（包括：氣相壓力、壓力下的飽和氣揮發油氣比、壓力下飽和氣氣體地層體積系數、壓力下飽和氣的氣體粘度），以數據表的格式提供（不少于2行）；水的PVT生質（包括：地層壓力、該壓力下的地層水體積系數、水壓縮系數、該壓力下的水粘度、水的粘性系數）；原油的PVT生質（

15、包括：溶解氣油比、該溶解氣油比下的原油泡點壓力、該泡點壓力下的飽和原油的原油地層體積系數、該壓力下的飽和原油的原油粘度）04、相對滲透率數據：油水相對滲透率（包括：水的飽和度、該飽和度下的水相對滲透率、油水共存時油的相對滲透率、相應的油水毛管壓力）；油氣相對滲透率（包括：氣體飽和度、對應的氣的相對滲透率、對應的油的相對滲透率、對應的油氣毛管壓力）。5、平衡區參數：該區溶解氣油比與深度的關系（包括：深度、該深度下的溶解氣油比，不少于兩行數據）；8油藏中深、該深度下的油藏壓力、水油界面的深度、在油水界面處的油水毛管壓力、氣油界面深度、在氣油界面的氣油毛管壓力。6、開發數據：單井的生產數據（包括：月

16、產油、月產水、月產氣、月注水、月注氣、生產天數）；單井的射孔數據（包括：射孔時間、射孔層位、補孔時間、補孔層位、封堵時間、封堵層位等等一系列的井史情況）；4.3相關MATLA默碼clearallclc請選擇訓練數據(此處為t1.txt)');請選擇訓練數據(止匕處為t2.txt)');%輸入實驗樣本filename,pathname=uigetfile('*.txt','t1=importdata(pathnamefilename);filename,pathname=uigetfile('*.txt','t2=importdat

17、a(pathnamefilename);filename,pathname=uigetfile('*.txt','請選擇訓練數據(止匕處為t3.txt)');t3=importdata(pathnamefilename);P=t1;t2;t3;A=2348;P1=P(:,5:7);P2=P(:,A);a,b=size(P1);q=mean(P1);s=var(P1);fprintf('COD?0BOD5和SS運行2果:n')forj=1:bfori=1:ay(i,j)=(P1(i,j)-min(P1)/(max(P1)-min(P1);enden

18、dfprintf(,輸出預處理數據：n')y%求出矩陣y的全部特征值和對應的特征向量fprintf(,輸出協方差：n')st=cov(y)fprintf('特征向量V及特征值D:n')V,D=eig(st)nd=diag(D);y,i=sort(nd);fprintf('特征根按照從小到大的順序排序的結果：n')forz=1:length(y)newy(z)=y(length(y)+1-z);endfprintf('%gn',newy)rate=y/sum(y);fprintf('n主成分貢獻率:n')nr=new

19、y/sum(newy)sr=0;newi=;3/8頁fork=length(y):-1:1sr=sr+rate(k);newi(length(y)+1-k)=i(k);ifsr>0.90break;endendfprintf(,主成分的個數：gnn',length(newi);fprintf(,因子負荷量矩陣為:n')forp=1:length(newi)forq=1:length(y)result(q,p)=sqrt(nd(newi(p)*V(q,newi(p);endenddisp(result)a,b=size(P2);q=mean(P2);s=var(P2);fp

20、rintf('PH?堿度？氨氮和硝態氮：n')forj=1:bfori=1:ay(i,j)=(P2(i,j)-min(P2)/(max(P2)-min(P2);endendfprintf(,輸出預處理數據:n')yfprintf('輸出協方差:n')st=cov(y)fprintf('特征向量V及特征值D:n')V,D=eig(st)nd=diag(D);y,i=sort(nd);fprintf(特征根按照從小到大的順序排序的結果:n')forz=1:length(y)newy(z)=y(length(y)+1-z);endfprintf('%gn',newy)rate=y/sum(y);fprintf('n主成分貢獻率:n')nr=newy/sum(newy)4/8o3sr=0;newi=;10fork=length(y):-1:1sr=sr+rate(k);newi(length(y)+1-k)=i(k);ifsr>0.90break;endendfprintf('主成分的個數：gnn',length(newi);fprintf('因子負荷量矩陣為：n')forp=1:length(newi)forq=