×

使用浮点编码遗传算法对电缆测井进行探索性因素分析。 (英语) Zbl 1406.86038号

摘要:本文采用一种新的反演方法来解决因子分析问题。采用浮点数编码遗传算法作为全局优化方法,利用裸眼测井数据提取因子变量。所建议的统计工作流程不仅用于对因素进行可靠估计,还用于对油气层中相关的岩石物理性质进行可靠估计。在第一步中,使用Jöreskog的快速近似方法估计因子载荷和分数,并通过遗传算法对其进行逐步改进。通过直接从因子得分计算电缆测井曲线,解决了正向问题。在每一代中,对观测和计算的测井曲线进行比较,以更新因子总体。在遗传算法运行期间,因子种群的平均适应度被最大化,以在观测数据和理论数据之间提供最佳拟合。利用第一因素与地层泥质之间的经验关系,页岩沿钻孔估算体积。渗透率作为导出量也与第一个因子相关,第一个因子允许从独立来源进行测定。估算结果与独立确定性建模和岩心测量结果吻合良好。匈牙利和美国的案例研究证明了基于全局优化的因子分析的可行性,为改进储层特征提供了有用的工具。

MSC公司:

86A32型 地理统计学
62H25个 因子分析和主成分;对应分析
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Akça I,Basokur AT(2010)通过混合遗传算法提取基于结构的地电模型。地球物理学75:F15-F22·doi:10.190/1.3273851
[2] Alvarez JPF,Martínez JLF,Pérez COM(2008)使用二进制遗传算法作为重要采样器应用于一维直流电阻率反演问题的可行性分析。数学地理40:375-408·Zbl 1142.86009号 ·doi:10.1007/s11004-008-9151-y
[3] Asfahani J(2014)通过解释核测井和电测井数据表征玄武岩的统计因子分析技术(叙利亚南部的案例研究)。应用辐射同位素84:33-39·doi:10.1016/j.apradiso.2013.09.019
[4] Bartlett MS(1937)心理因素的统计概念。英国心理学杂志28:97-104
[5] Basilevsky A(1994)统计因素分析和相关方法:理论和应用。约翰·威利父子公司,霍博肯,第367-381页·Zbl 1130.62341号 ·数字对象标识代码:10.1002/9780470316894
[6] Bóna A,Slawinski MA,Smith P(2009)《模拟退火射线追踪:弯曲法》。地球物理学74:T25-T32·数字对象标识代码:10.1190/1.3068006
[7] Boschetti F,Dentith MC,List RD(1996)使用遗传算法反演地震折射数据。地球物理学61:1715-1727·doi:10.1190/1.1444089
[8] 长春Y,霍奇斯G(2007)机载电磁反演的模拟退火。地球物理学72:F189-F195·doi:10.1190/1.2736195
[9] Cranganu C、Luchian H、Breaban ME(2015)《石油地质科学中的人工智能方法》。施普林格国际出版公司,瑞士·doi:10.1007/978-3-319-16531-8
[10] Dobróka M,SzabóNP(2011)测井数据的区间反演,用于客观确定结构参数。地球物理学学报59:907-934·doi:10.2478/s11600-011-0027-z
[11] Dobróka M,SzabóNP(2012)测井数据的区间反演,用于使用浮点编码遗传算法自动确定地层边界。宠物科学与工程杂志86-87:144-152·doi:10.1016/j.petrol.2012.03.028
[12] Dobróka M,SzabóNP,Tóth J,Vass P(2016)改进测井解释的区间反演方法。地球物理学81:D163-D175·doi:10.1190/geo2015-0422.1
[13] Dorrington KP,Link CA(2004),测井预测地震属性选择的遗传算法/神经网络方法。地球物理学69:212-221·数字对象标识代码:10.1190/1.1649389
[14] Fang Z,Yang D(2015)基于稳健混合遗传算法的储层孔隙度、饱和度和渗透率反演。地球物理学80:R265-R280·doi:10.1190/地理位置2014-0502.1
[15] Gryc G(1988)《阿拉斯加国家石油储备地质与勘探》,1974年至1982年。美国地质调查教授Pap 1399:1-940
[16] Holland JH(1975)《自然和人工系统的适应》。密歇根大学出版社,安娜堡·兹伯利0317.68006
[17] Houck CR,Joines J,Kay M(1995)函数优化的遗传算法:Matlab实现。In:NCSU-IE技术报告95-09。北卡罗来纳州立大学,罗利,第1-14页
[18] 约雷斯科格,KG;Cudeck,R.(编辑);MacCallum,RC(编辑),因子分析及其扩展,47-77(2007),马哈瓦
[19] Kaiser HF(1958)因子分析中分析旋转的方差最大准则。心理学23:187-200·Zbl 0095.33603号 ·doi:10.1007/BF02289233
[20] Keprt A,Snášel V(2005)用遗传算法进行二元因子分析。收录:Abraham A、Dote Y、Furuhashi T、Köppen M、Ohuchi A、Ohsawa(编辑)跨学科科学与技术的软计算。第四届IEEE国际研讨会WSTST’05会议记录。柏林施普林格,第1259-1268页
[21] Larionov VV(1969)《钻孔辐射测量》。莫斯科内德拉(俄语)
[22] Lawley DN,Maxwell AE(1962)作为统计方法的因子分析。统计学家12:209-229·doi:10.2307/2986915
[23] Menke W(1984)地球物理数据分析:离散反演理论。纽约学术出版社
[24] Michalewicz Z(1992)遗传算法+数据结构=进化程序。纽约州施普林格·Zbl 0763.68054号 ·doi:10.1007/978-3-662-02830-8
[25] Michalski A(2013)《全局优化:理论、发展和应用》。在:数学研究发展。计算数学与分析系列。纽约新星科学出版社
[26] Puskarczyk E、Jarzyna J、Porebski Sz(2015)基于电缆测井的多变量统计方法在描述杂岩储层中的应用——以喀尔巴阡前渊盆地(波兰东南部中新世中期)为例。地质Q 59:157-168
[27] Rao BN,Pal PC(1980),《解释印度Singhbum地区Roro超镁铁质岩岩石物理数据的因子分析》。Geophys展望28:112-118·doi:10.1111/j.1365-2478.1980.tb01215.x
[28] Sen MK,Bhattacharya BB,Stoffa PL(1993)电阻率测深数据的非线性反演。地球物理学58:496-507·doi:10.190/1.1443432
[29] Sen MK,Stoffa PL(2013)地球物理反演中的全局优化方法。剑桥大学出版社·doi:10.1017/CBO9780511997570
[30] 斯皮尔曼C(1904)两个事物之间联系的证明和测量。美国心理学杂志15:72-101·doi:10.307/1412159
[31] Steiner F(1991)最常见的值:现代统计学概念的介绍。布达佩斯学术出版社·Zbl 0725.62001号
[32] SzabóNP(2011)基于测井数据因子分析的页岩体积估算。地球物理学学报59:935-953·doi:10.2478/s11600-011-0034-0
[33] SzabóNP,Dobróka M(2013)扩展了电缆测井数据因子分析得出的页岩体积估算公式的应用。数学地质45:837-850·Zbl 1321.86033号 ·doi:10.1007/s11004-013-9449-2
[34] SzabóNP,Balogh GP(2016)工程地球物理探测测井的最常见基于值的因子分析。在:第78届EAGE会议和展览上,论文Tu SBT4 12。维也纳,第1-5页
[35] SzabóNP,Dobróka M(2017)通过迭代加权因子分析对储层泥质进行稳健估计。地球物理学82:D69-D83·doi:10.1190/geo2016-0393.1
[36] Timur A(1968)砂岩储层渗透率、孔隙度和残余水饱和度关系的研究。日志分析9:8-17
[37] 美国地质调查局(1999)从阿拉斯加国家石油储备区的11口探井中选取数据。收录:美国地质勘探局开放文件报告99-015。https://pubs.usgs.gov/of/1999/orf-99-0015/ofr-99-0015.html
[38] Yang H,Bozdogan H(2011)探索性因子分析中的学习因子模式,使用遗传算法和信息复杂性作为适应度函数。J模式识别研究6:307-326·数字对象标识代码:10.13176/11.335
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。