回归分析在油气勘探中的应用实例
基于回归分析的地质勘探矿产储量预测技术研究
基于回归分析的地质勘探矿产储量预测技术研究近年来，地质勘探技术的不断创新发展，让地质资源的探测、控制和评价变得更加精确、快捷和可靠。
其中，基于回归分析的地质勘探矿产储量预测技术，正成为矿产勘探中的重要手段。
回归分析是统计学中常用的一种方法，其基本思想是通过一定的数学模型，建立自变量与因变量之间的关系，并利用该关系对未来的因变量进行预测。
在地质勘探中，回归分析被应用于矿藏的储量预测，通过分析矿床的形成机理、岩石学特征、地球物理、地球化学等多种因素，探讨各因素与采矿量的关系，进而确定其权重，并建立回归模型，进行矿产储量预测。
回归分析的应用在地质勘探中具有以下几个优点：1. 高准确性回归分析建立数学模型的基础是大量的实测数据，因此，在建模过程中，需要考虑的因素非常全面，能够体现出矿藏的多层次、多角度的特性，从而提高了预测结果的准确性。
2. 快速反馈回归分析算法具有快速计算的特点，能够在较短时间内完成对样本数据的处理和分析，从而使矿产勘探者能够快速地得出预测结论，及时地进行决策。
3. 决策依据回归分析算法可以为矿产勘探提供决策依据，根据预测模型所得出的结果，可以合理分配勘探投入，减少不必要的勘探成本和风险，提高矿产品质量和收益。
根据现有的文献，可以看出回归分析算法在地质勘探中的应用是多方面的，如核磁共振技术的矿藏储量预测、地震勘探的油气储量预测等等。
具体应用范围还待进一步研究和探讨。
相对于传统的地质勘探方法，基于回归分析的储量预测技术具有更高的精度和效率，同时为勘探过程提供了更加合理的决策方案。
因此，在今后的矿产勘探中，回归分析技术将扮演着更加重要的角色。
总之，基于回归分析的地质勘探矿产储量预测技术，将是未来矿产勘探中越来越重要的技术手段之一。
我们应该重视其在矿产勘探研究中的应用价值，不断加强研究和技术创新，为我国的矿产资源利用和开发做出更大贡献。
回归分析法在井架检测数据处理上的应用
一、数理统计概述任何检测方法都无法避免一定的偶然误差，从而使检测数据具有一定的离散性，这是检测方法的局限性所在。
实际检测是验证某个检测指标方面是否达到控制标准，实际应用中，我们通过检测所得到的数据均为点数据，如果点数据检测不准确或点数据代表性不强，可能会导致检测数据对被验证指标的不准确，有时会出现严重的情况，因此在检测中，常常会以提高检测频率的方法来提高点数据的代表性或准确率。
随着检测手段的不断发展和计算机的应用，就出现了科学的检测数据处理方法，这就是数理统计法及数理统计分析的方法，采用数理统计方法对采集的检测数据进行分析，寻找被检测指标的规律、发展趋势及终值，这就涉及到数理统计回归分析的方法论。
如果检测数据有一定的规律，那么我们通过数理统计和回归分析，寻找并发现检测数据的发展趋势和规律，就可以通过计算机数据处理，排除不正确的点数据，进而确保检测数据的真实性、正确性及代表性。
二、数理统计的方法1.点数据的选取及数据关系表的建立一般是采用检测仪器对被测对象的特定参数进行测试，得到足够频率的点数据，是下一步数据处理的基础。
实际检测数据一般都不是单一的，都是相关联的数据，我们在检测实践中发现诸如载荷与钢结构强度、时间与位移、拉力与变形等等的关系，这是数理统计方法的基础，在我们所得到的数据确定了相关关系后，就可以建立数据关系表，数据关系表就能形象地表现出数据与各关系变量之间的联系。
2.绘制数据曲线、建立数据描述公式依据数据关系表，绘制初步数据曲线图，初步确定点数据与关系变量之间的曲线形式，确定采用回归分析的方法。
检测数据与关系变量之间的曲线形式可通过数据曲线初步判断。
数理统计方中，涉及检测数据关系曲线目前主要采用直线、指数、对数和双曲等四种曲线函数进行线性回归计算，这也就是数理统计分析中数据线性化理论体系。
3.数据线性回归分析检测数据线性回归采用数理分析的一元线性拟合过程，确定数据关系参数值构成的最优直线，检测点数据与理论值的偏差最小，从概率论的最大拟然估算法估算未知参数，对于任意组测量值，其平方和最小，所确定的函数值与实际测量值之间的偏差最小，即最小二乘法确定的回归方程为最优拟合。
致密油藏多元回归产能预测方法研究与应用
Ｏ ０ ０ Ｏ ０ Ｏ Ｏ Ｏ
素） 。其中储层 因素包括储层岩性 、 储层物性 、 储层
含 油气性 、 储 层流体 性 质等 ； 而 非储 层 因素则有 表皮 系数 、 油 井半径 、 完井 方 式 、 开 发 方 式 等 。这里 根 据 吉木 萨 尔 凹陷储层 资 料 和 油井 试 采 资 料 ， 分析 了渗 透率 、 孔 隙度 、 含油饱 和度 和油 藏厚 度对 油井产 能 的 影 响 。在分析 过程 中 ， 以上述 ４个 因素作 为 自变量 ，
摘要
有关致 密油藏产能预测的 问题 ， 大 多是 以非达西渗流为基 础建立产 能预测模 型来进行产 能预测 ， 但 对
于利用测 井资料来预测 致密油藏产能 的成熟方法还 比较少见 。简单介 绍 了多元 回 归分析 方法 ， 以准噶 尔盆地 吉木 萨尔 凹陷致 密油藏 为例 ， 分析 了四种测井参数 （ 测井 渗透率 、 孔 隙度 、 含 油饱和 度 ， 以及有 效厚度 ） 对该 区油藏产 能 的影响 ， 建 立 了上述 四种测井参数 与采 油指 数 的关 系模 型。提 出了针 对该 区块 的致 密油藏 产 能回 归分 析预测 模 型， 分析 了该 预测模型的可信度。结果表 明， 该 预测模 型精度较 高 ， 误差合 理， 对该 区块 的 油藏 实 际开发具有 指导
0引言多元回归分析法是先分别分析储层产能与各储目前有关油藏产能预测的问题在油藏工程中层参数间的关系得出产量与各参数问的关系模式已有多种方法它们主要是利用油井系统测试资料即明确是线性对数还是指数等关系然后再通即包括地层压力井底流动压力和测试产量进行计过多元线性回归的方法建立储层产量与对各参数模算
２ ０ １ ５年 ２月
渤海某油田CM多元回归法渗透率评价
光 电 嚷 柱
＼
ｉ ；
钙 蜃
牯 土
Ｅ 小 ／ ｃ ｍ 数
２５ ５ ６ ４ —Ｏ 一０ ０ Ｏ５
０
０ ５ ３
鼓 商 ｍ
７’ ＿＝ ２
４ ７ ７
８ ３ ５
东二下段。储层岩『 生 为湖相三角洲沉积的中 一 粗粒长 石岩屑砂岩 ，由上至下分为零 、一 、二 、三 、四、五
度 ， 数；１ 区经验 系数 ， 小 Ｄ 一地 本油 田应用 值为 ７７ 。 ． ２
态资料，发现根据岩石物理评价阶段建立的方法求 取 的开发 井 随 钻 测井 解 释 渗 透 率 与产 能一 致 性 不 佳 ， 于产 能预测难 有保 障 。 了提 高渗 透率解 释效 用 为 果 ，使测 井解 释渗透 率能 与油藏生 产数据 保持较 好 致性 ，使其 能够给 油藏进 一步应 用提供 可靠 的前
一
粒度中值与 自 然伽玛相对值 Ｄ Ｒ的关系如下 ： Ｇ
ｌＭ ＝ Ｉ ４ ２ Ｄ Ｒ （ ０６ ） ｇ ｄ － ． ２ ・ Ｇ Ｒ＝ ． ５ ６
Ｄ Ｒ （Ｒ Ｇ ｍｉ）Ｇ ｍ ｘ Ｇ ｍ ｎ Ｇ ＝Ｇ － Ｒ ｎ （Ｒ ａ－ Ｒ ｉ） ／
式 中 ：Ｒ ｎ一纯 砂 岩 伽 玛 值 ， ｐ； Ｒ ａ Ｇ ｍｉ ｉＧ ｍ ｘ一纯 泥
２ １年第 ５ ００ 期
国 外 测 井 技 术 ＷＯ Ｌ ＷＥ Ｌ Ｏ Ｇ Ｎ Ｅ Ｈ Ｏ Ｏ Ｙ ＲＤ Ｌ Ｌ Ｇ Ｉ Ｇ Ｔ Ｃ Ｎ Ｌ Ｇ
渤海某油 田 ＯＶ 多元 回归法渗透率评价 ｉ ｌ
顾 保 祥
（ 中海 石 油 （ 国 ） 限公 司 ） 中 有
摘
要 ： 油 田实际生产 中， 常采 用岩心孔 隙度 与岩心 渗透 率的 回归。 在 油田开发 阶段 ， 在 经 但 随着 井
多元回归方法在油田开发中的应用
大庆石 油地 质与 开发
Ｐ Ｇ ０ Ｄ Ｄ ． ．．．．
第２ ５卷 第 ４期
将 上述 已经 算 出 递 减参 数 的 １ ２个 区块 做 为 １ ２个 样本 ，利用 多元 回归程 序进 行 计算 ，分别 建 立递 减 指
数经验 公式 和初 始递减 率经 验公 式 （ ）递 减指数 经验 公式 １
减 指数 、初 始 递 减 率 ） 与地 质 参数 建立 关 系 ，从 而
建 立该类 区块 的递 减参数 经 验公式 。 即 ４类 区块 中每 类 分别对 应 ２个经 验公式 。用 此经 验公 式可 以确定 每
一
类 中的刚投 产 区块 的递减 参数 ，从 而进行 产量 预测
（ １。 表 ）
表 ４ 喇萨 杏 油 田年 对 年 自然 递 减 率影 响 因素
关 键 词：多元 回归 ；递减 率 ；注采 比
中 图 分 类 号 ：Ｔ ３ ９ Ｅ ２ 文献 标 识 码 ： Ｂ
多元 回归 作 为一 种统 计方 法 ，在气象 、矿 业 、林
元 回归方 法 ，将 开 发 时 间较 长 区块 的 递 减 参 数 （ 递
业、 石油等许多技术领域都得到了广泛的应用…，
１ 多 元 回 归 方 法 在 预 测 递 减 指 数 和 初 始 递减 率 中 的应 用
Ａ ｐ 递 减 曲线 在 油 田产 量 预 测 中得 到 了 广 泛 的 ｒｓ 应用 。对 生 产 历 史 较 长 、规 律 性 较 明 显 的 区 块 ， 目前 已有多 种方法 确定 递减 参数 。而对 于生 产历史 较 短 的区块 ，本 文 提供 了一种 参数 确定方 法 。即利用 多
维普资讯
第２ ５卷
第 ４期
大庆石 油地 质与 开发
用回归_马氏链法预测我国油气的近期产量
油 气 储 运 2006年 设计计算用回归2马氏链法预测我国油气的近期产量许玉磊3 宋晓琴 杨宇航(西南石油大学)许玉磊 宋晓琴等:用回归2马氏链法预测我国油气的近期产量,油气储运,2006,25(11)16～18。
摘 要 精确的预测石油及天然气的产量对国家能源决策有着重要的作用,可为决策者提供理论依据,根据回归和马氏链的基本原理,并考虑其各自的特点,构造出预测我国石油及天然气产量的回归马氏链预测方法,该方法可以优势互补,使得预测结果更加合理可靠。
主题词 回归模型 马氏链 概率矩阵 油气产量 预测一、前 言 近年来,随着我国石油需求量的大幅增长(见表1),精确预测我国的油气产量,对于国家进口石油等决策的制定具有至关重要的作用。
而传统的回归模型主要适用于预测时间短、数据资料少、波动不大的数据对象,其预测趋势都是一条波动不大的较为平滑的曲线,对于随机性波动较大的数据,序列拟合较差,预测精度较低。
而在马氏链理论中,转移概率可以反映随机因素的影响情况,适用于随机波动较大的动态过程,弥补了回归模型的不足。
马氏链预测对象要求有马氏链和平稳过程等均值的特点,而客观世界的预测问题大都是随时间变化的,或呈某种变化趋势的非平稳过程,为此,将回归模型与马氏链有机地结合在一起,可以收到优势互补并弥补两者不足的效果。
表1 我国不同年份的油气产量年份原油产量(108m 3)天然气产量(108m 3)油气当量(108m 3)19991.230.12 1.32020001.220.14 1.31020011.210.16 1.36020021.220.17 1.38020031.230.17 1.4152004 1.240.24 1.460二、建立模型的基本原理 1、 回归原理〔1〕以我国近年来的实际数据为基础绘图,并观测其数据的走向情况,用曲线拟合的方法拟出方程。
2、 二元回归模型Y =a +bX 1+cX 2(1)式中 Y ———油气当量,m 3; a ———待定系数; b ———待定系数; c ———待定系数; X 1———原油产量,m 3; X 2———天然气产量,m 3。
石油勘探测量技术的应用案例分析
石油勘探测量技术的应用案例分析石油勘探探量技术的应用案例分析引言：石油是当今社会不可或缺的能源之一，而其开采又是一个高度复杂和技术密集的过程。
石油勘探探量技术的应用旨在提升勘探和开采的效率，降低成本，并确保资源的可持续开发。
本文将从地震勘探、测井、岩性分类三个方面，分析和探讨石油勘探探量技术的应用案例。
地震勘探：地震勘探是石油勘探过程中最常用且有重要地位的勘探技术之一。
通过观测地震波在地下的传播和反射，可以确定油气藏的位置、大小和性质。
近年来，随着技术的不断发展，地震勘探的精度和分辨率大大提高。
例如，在加拿大的一个石油开发项目中，利用三维地震成像技术成功找到了一处深埋在众多岩层之下的大型油田。
这项技术可以通过捕捉和分析地震反射波来获取更准确的地下地质信息，从而为勘探人员提供更多的石油开发机会。
测井：测井是一项通过在井中进行物理和地球化学测量来确定井孔油气储量和性质的技术。
在美国的一处石油开发项目中，利用测井技术成功确定了一处大型储层。
这项技术通过在井孔中测量地球物理参数，如放射性、电性、声学等进行瞬时分析和准确测量。
测井技术的应用可以提供恢复率、饱和度、压力和油藏流动性等信息，为石油开发提供重要依据。
岩性分类：岩性分类是确定沉积物岩石类型和分布的重要方法，也是评估能源资源潜力的基础。
在中国的一处石油勘探项目中，利用岩性分类技术成功找到了一处潜在的储层，并取得了可观的采收率。
岩性分类技术通过获取岩石的物理性质、组成和结构等信息，提供了岩石的地质历史、沉积环境和储层特征。
这种技术可以利用地球物理、地球化学以及现代仪器分析等手段，为石油开发项目提供可行性分析和措施。
结论：石油勘探探量技术的应用能够为勘探和开采项目提供准确和可靠的地质信息，降低勘探的风险和成本。
本文通过地震勘探、测井和岩性分类三个方面的案例分析，展示了石油勘探探量技术的重要性和应用价值。
随着技术的进一步发展和创新，相信这些技术将在未来发挥更大的作用，为石油资源的可持续开发做出更大贡献。
利用岭回归模型分析法判断油藏注采关联性
中 图分 类 号 ： Ｅ １ Ｔ ３９
文 献标 识 码 ： Ａ
Ａｐ ｉ ａ ｉ ｎ ｏ ｉ ｅｒ ｇ ｅ ｓｏ ｎａ ｙ ｉ ｎ ｔ ｅ ｒ ｓ ａ ｃ ｆｒ ｓ ｒ ｏ ｒ ｐｌｃ ｔｏ ｆｒｄｇ ｅ ｒ ｓ ｉ ｎ ａ ｌ ｓｓｉ ｈ ｅ ｅ ｒ ｈ ｏ ｅ ｅ ｖ ｉ
ｎ ｇ ｔ ｅ ｆ ｃｏ ， ， ｓ ａ ｄ ｄ ａ ｔ ｃａｌ ｎ ｐ ｎ ｉ ａ ｉｇ ｎ ｌ ｌｍｅ ｔｏ ｒｕ ｎ ｔ ｘ ｔ ｅ ｉｔ ｉｈ ｌ ｒ ｍ ｈ ｓ ｅ ｓ ｎ ｆ ｅ ａｉ ａ ｔｒ ｖ ｉ ｄ ｅ ｒｉ ｉｌ ｉ ｒ ｃｐ ｌ ａ ｏ ａ ｅ ｅ ｎ ｆａ ｇ ｍｅ ｔ ｉ ｆ ｙ ｉ ｄ ｍａｒ ｏ ｄ ｖａ ｅ ｌ ｔ ｆ ｉ ｇ ｙ ｏ ｔ ｅ ａ ｓ ｓｍｅ ｔｏ ｒ ｇ ｅ ｓｏ ｏ ｆ ｃｅ ｔ ｎ ｉｅｕ ｅ ｕ ｂ ａ ｅ ｎ ｓ ｒ ｅ ｅ ｒ ａ ｅｔ ｅ ｖ ｒａ ｃ ｎ ｅｍｅ ｎ ｓ ｕ ｒ ｌ ｒ， ｈ ｃ ｅ ｏ ｖ ｓｔｅ ｅ ｒ ｓ ｉｎ ｃ ｅ ｉｎ ｄ ｇｖ ｐｔ ｎ ｉ ｓ ｄ ｅ ｓｉ ｏ ｄ ｒｔ ｄ ｃ ｅ ｓ ｈ ａ ｎ ｅａ ｄ ｔ ａ ｑ ａ ｅ ｅ ｒ ｓ ｗ ｉｈ ｒ ｓ ｌ ｅ ｈ ｉ ａ ｈ ｎ Ｏ ｉ ｈ ｏ ｐ ｏ ｌｍ ｆ ｏ ｆｉｉｎ ｅｏ ｅｏ ｃ ｅ ｔｄ ｆ ｍ ｈ ｌ ｃ ｌ ｎ ａ ｉ ｆｐ ｒ ｒ ｎ ｅｄ ｔ． ｈ ｅｉｂ ｌ ｙ ｏ ｉ ｍｅ ｈ ｄ ｉ ｅ ｆ ｄ ｂ ｒ ｂ ｅ ｏ ｅｆ ｅ ｔ ｌｗ ｚ ｒ ｒ ａｅ ｏ ｔ ｅ ｍｕ ｔ ｏｌ ｅ ｒｔ ｏ ｅ ｏ ｍａ ｃ ａａ Ｔ ｅｒ ｌ ｉ ｔ ｆ ｈ ｓ ｔ ｏ ｓｖ ｒ ｅ ｙ ｃ ｃ ｂ ｒ ｉ ｉ ｙ ｆ ａ ｉ ｔ ｉ ｉ ａ ｓ ｌｃ ｅ ｌ ｃ ｔ ｅａ ｉｅｙ ｃ ｍｐ ｅｅ ｐ ｏ ｕ ｔ ｎ ｄ ｔ ． ｈ ｅ ｕ ｔ ｓ ｏ ｈ ｔ ｔ ｅ ｃ ｒｅａ ｉｎ ｃ ｅ ｃ ｅ ｔｉ ｔ ｒ ｒ ｔｄ ｂ ｉ ｇ ｅｅ ｔ ｄ ｂｏ ｋ ｗｉ ｒ ｌｔ ｌ ｏ ｌ ｔ ｒ ｄ ｃｉ ａ ａ Ｔ ｅ ｒ ｓ ｌ ｈ ｗｓ ｔ ａ ｈ ｏ ｒ ｌｔ ｏ ｆ ｉｎ ｎ ｅｐ ｅｅ ｙ ｒｄ ｅ ｈ ｖ ｏ ｏ ｉ ｒ ｇ ｅ ｓｏ ｔ ｏ ｓ ａ ｌｇ ｅ ｔｒ ｔ ａ ｅｏ ｆ ｒ ｔ ｅ ｗｅｌｇ ｏ ｐ ｉ ｔｒ ｒ ｔｄ ｂ ｈ ｅ ｓ ｓ ｕ ｒ ｔ ｏ ，ｉ ｉ ｈ ｔ ｅ ｃ ｒｅａ ｉｎ ｅ ｒ ｓ ｉｎ ｍｅ ｈ ｄ ｉ ｌ ｒ ａｅ ｈ ｎ ｚ ｒ ｏ ｈ ｌ ｒｕ ｎ ｅｐ ｅｅ ｙ ｔ ｅ ｌａ ｔ ｑ ａ ｅ ｍｅ ｈ ｄ ｎ ｗｈ ｃ ｈ ｏ ｒ ｌｔ ｏ ｃ ｅ ｃｅ ｔｏ ｉ ｗ ｔｒ ｌ ｓ ｅ ｓｔ ａ ｅ ｏ Ｃ ｍｐ ｒ ｄ ｔｅ ｅ ｐ ａｎ ｄ ｒ ｓ ｌ ｏ ｉｇ ｅ ｒ ｓ ｉｎ ｗ ｔ ｈ ｅ ｕ ｔ ｆｔ ｃ ｒ ｔｒ ｌ ｉ ｏ ｆ ｉｎ ｆ ｌ ａｅ ｌ ｉ ｌ ｓ ｎ ｚ ｒ ． ｏ ａｅ ｈ ｘ ｌ ｉ ｅ ｅ ｕ ｔ ｆ ｄ ｅｒ ｇ ｅ ｓｏ ｉ ｔ ｅ ｒｓ ｌ ｏ ａ ｅ ｅ ｉ ，ｔ ｉ ｏ— ｗｅ ｓ ｈ ｒ ｈ ｒ ｍａ ａ ｉ ｆ ｕ ｄ ｔ ａ ｈ ａｃ ｌｔ ｎ ｒ ｓ ｌ ｏ ｅ ｅ ｔ ｔ ｏ ｓ ｉ ｃ ｎｅ ｐ ｎ ｉ ｇ ｅ ｓ ｎ ｉ ｌ ， ｈ ｃ ｎ ｉａ ｅ ｈ ｔ ｈ ｔｏ ｒ ｐ ｓ ｄ ｉ ｓ ｏ ｎ ｈ ｔ ｅ ｃ ｌｕ ａｉ ｅ ｕ ｔ ｆｔ ｓ ｗｏ ｍｅｈ ｄ ｓ ｏ ＇ ｏ ｄ ｎ ｓｅ ｔ ｌ ｗ ｉｈ ｉ ｄ ｃ ｔ ｓｔ ａ ｅ ｍｅｈ ｄ ｐ ｏ ｏ ｅ ｎ ｔ ｏ ｈ ｓ ａｙ ｔ ｔ ｅｐ ｐ ｒ ａ ｅ ｔ ｉ ｅｉｂ ｌ ｙ Ｔ ｅｍｅ ｈ ｄ ｉ ｓｍｐ ｅａ ｄ ｓ ｉ ｂ ｅｆ ｒ ｒ ｃ ｉａ ｐ ｌ ａ ｉｎ ｈ ａ ｅ ｓ ｃ ｒａｎｒ ｌ ｉ ｔ． ｈ ｔ ｏ ｉ ｌ ｎ ｕ ｔ ｌ ｏ ａ ｔ ｌ ｐ ｉ ｔ ． ｈ ａ ａ ｉ ｓ ａ ｐ ｃ ａ ｃ ｏ Ｋｅ ｒ ｓ ｍｕ ｔ ｏ ｉ ｅ ｒ ｙ ｍｕ ｔ ｌ ｎ ａ ｇ ｅ ｓｏ ， ｉ ｇ ｇ ｅ ｓ ｎ ｐ ｒｏ ｍａ ｃ ａａ ｙ ｗｏ ｄ ： ｌ ｃ Ⅱ ｎ ａｉ ， ｌ ｐ ｅ ｌ ｅ ｒ ｅ ｒ ｓｉ ｎ ｒ ｅｒ ｒ ｓ ｉ ， ｅ ｒ ｎ ｅ ｄ ｔ ． ｉ ｔ ｉ ｉ ｒ ｄ ｅ ｏ ｆ
多元回归分析在油气产能预测中的应用
卢 卢 卢 。＋ ｌ ＋ቤተ መጻሕፍቲ ባይዱ ｏ １ ２ ・卢 ＋ ＋ ＋ ‘ ￡
显 然 ， 归 值 与 Ｙ 实 际 值 有误 差 ， 回 ． 即
“
一
其 中 ， ， ” 待 估 参数 ， 是 随 卢 卢为
机误 差 ， 且 ～Ⅳ（ ， ） ０ 。 回 归 分 析 的 主 要 任 务 是 根 据 与 ， ，
文章编 号 ： ６ ４ ０ ８ （ ０ ８ ０ （） １ ９ ０ １ ７ — ９ Ｘ ２ ０ ） ７ｃ－０ — ３ ６
过 ， ， ， 来 进 行 预测 的随 机 变量 ， … 又 对 因 变 量 进 行 预 测 或控 制 。 估 计 它 们 之 间 存 在 某 种 线 性 关 系 ， 可 建 １ ２ 多 元回归 分析数学模 型参 数 ｂ， ” 则 ． 。ｂ 立 ｍ 元 线 性 回 归 模 型 ｂ 的确定
１ 多元 回归分析原理
并给 出回归方程 ：
我 们 希 望 与实 际值 Ｙ 偏 离程 度越 小 ，
越 好 ， 样 才 能 使 回 归 值 与 实 际 值 拟 合 得 这 因为 产 能 预 测 可 看 成 一 个 变 量 与 多个 Ｙ： ６ ，６ ＋ ＋ ｂ＋ ＋ ６ 变 量 之 间 的 相 关 关 系 ， 以 可 利 用 多元 线 所 （ ） 回归 方 程 进 行 显 著 检 验 ， 它 是 最 好 。这 里 与 Ｙ 偏 差越 小是 指所 有 ． 与 ２对 看 Ｖ ， 性 回归 的 方 法 进 行 模 拟 预 测 。 否 具 有 代表 性 ． 方程 显 著 即 可 使 用 ， 则 不 否 １ １ 多元线性 回归简 述 ． Ｙ 之 差 的 离 差 平 方 和 最 小 。 即 ． 能采用 。 多元 线性 回归 的 基本 思 想 ： 如果 ｙ是通 （ ） 方 程 显 著 条 件 下 ， 用 回 归方 程 ３在 利
统计学案例——相关回归分析
《统计学》案例——相关回归分析案例一质量控制中的简单线性回归分析1、问题的提出某石油炼厂的催化装置通过高温及催化剂对原料的作用进行反应，生成各种产品，其中液化气用途广泛、易于储存运输，所以，提高液化气收率，降低不凝气体产量，成为提高经济效益的关键问题。
通过因果分析图和排列图的观察，发现回流温度是影响液化气收率的主要原因，因此，只有确定二者之间的相关关系，寻找适当的回流温度，才能达到提高液化气收率的目的。
经认真分析仔细研究，确定了在保持原有轻油收率的前提下，液化气收率比去年同期增长1个百分点的目标，即达到12.24%的液化气收率。
2、数据的收集序号回流温度（℃）液化气收率（%）序号回流温度（℃）液化气收率（%）1 2 3 4 5 6 7 8 9 10 11 12 13 14 1536 39 43 43 39 38 43 44 37 40 34 39 40 41 4413.1 12.8 11.3 11.4 12.3 12.5 11.1 10.8 13.1 11.9 13.6 12.2 12.2 11.8 11.116 17 18 19 20 21 22 23 24 25 26 27 28 29 3042 43 46 44 42 41 45 40 46 47 45 38 39 44 4512.3 11.9 10.9 10.4 11.5 12.5 11.1 11.1 11.1 10.8 10.5 12.1 12.5 11.5 10.9目标值确定之后，我们收集了某年某季度的回流温度和液化气收率的30组数据（如上表），进行简单直线回归分析。
3.方法的确立设线性回归模型为εββ++=x y 10，估计回归方程为x b b y10ˆ+= 将数据输入计算机，输出散点图可见，液化气收率y 具有随着回流温度x 的提高而降低的趋势。
因此，建立描述y 和x 之间关系的模型时，首选直线型是合理的。
从线性回归的计算结果，可以知道回归系数的最小二乘估计值b 0=21.263和b 1=-0.229，于是最小二乘直线为x y229.0263.21ˆ-= 这就表明，回流温度每增加1℃，估计液化气收率将减少0.229%。
回归分析在油田产量预测中的研究与应用的开题报告
回归分析在油田产量预测中的研究与应用的开题报告一、选题背景与研究意义当今社会，石油资源已经成为国家经济发展和国际贸易的重要支柱。
而石油的开采生产，对于全球石油产业的稳步发展至关重要。
而油田产量的预测，又是决定油田开采可行性的重要因素之一。
因此，如何准确地进行油田产量预测，就成为了石油开采生产中亟待解决的问题。
回归分析作为一种可用于建立变量之间关系的统计方法，已经在多个领域中得到了广泛应用，如金融领域、营销研究等。
而将回归分析引入油田产量预测中，可以通过建立产量与其它变量（如油藏的地质条件、开采工艺、天气等）之间的数学模型，预测未来的产量水平。
因此，对于开采企业来说，对油田产量进行预测，不仅对于生产计划有着重要作用，同时还可以优化生产方式和资源分配。
二、研究内容和技术路线本研究的主要内容是在回归分析基础上，探讨如何对油田产量进行预测，并在实际应用中对其效果进行验证。
具体的技术路线如下：1. 收集油田相关数据：收集与油田产量相关的数据，包括地质条件、开采工艺、天气等方面的数据。
2. 分析数据特征：对收集到的数据进行分析，观察其分布情况、异常值情况等，并进行数据清洗和处理。
3. 进行回归分析：根据收集到的数据建立回归模型，预测油田产量。
重点分析不同自变量对于因变量的影响程度，并对模型进行检验和优化。
4. 验证模型效果：将建立好的模型应用到不同的油田数据中进行生产量预测，并将预测结果与实际产量进行比较分析，验证模型的效果和准确性。
5. 区别分析：对不同类型的油田数据进行分组，探讨不同类型的油田数据对于回归模型的适用性和预测效果。
三、预期成果和意义本研究的预期成果有：1. 建立油田产量预测模型。
通过回归分析方法，建立针对油田生产的数学模型，预测油田未来的产量。
2. 验证模型效果。
将建立好的模型应用到实际油田数据中进行预测，验证模型的预测效果和准确性。
3. 提高开采效率。
通过预测油田产量，对于企业生产计划进行优化和资源分配，提高油田开采的效率。
利用多元回归分析方法进行产量预测——以白音查干凹陷达尔其油田为例
关 键 词 ： 元 回 归 分 析 ； 量 预 测 ； 测 模 型 棚 １ 特 征 参 数 ｔ 尔 其 油 田 多 产 预 井 达
达 尔其 油 田位 于 二 连 盆 地 白音 查 干 凹陷 ， 于 处 内蒙古 自治 区 巴颜 淖 尔盟 乌 拉特 中旗 境 内 ， 中 心 其 点位 于 东经 １ ８ ， 纬 ４ 。６。构 造 上属 于二连 盆 地 ０ 。北 ２Ｏ 川 井坳 陷北 部 白音 查 干 凹 陷南 斜 坡 白音 构 造带 （ 图 １， ）经过 十 多年 的油 气勘 探研 究 ， 取得 了一定 的勘 探 成 果和 丰富 的地 质认 识 。
数。
都 一 段 和 腾 格 尔 组 的 测 试 资 料 大 部 分 为 多 层 合
试 ， 要 对 合 试 层 段 进 行 单 层 产 能 剖 分 （ 产 油 层 不 需 非
计 算 在 内 ） 。
段 进 行 产 量 预 测 时 ， 影 响 储 层 产 能 的 关 键 因 素 如 以 孔 隙 度 、 透 率 、 油 饱 和 度 及 有 效 厚 度 等 为 主 要 评 渗 含 价 参 数 ， 用 常 规 测 井 资 料 对 达 尔 其 油 田都 一 段 和 利 腾 格 尔组 未 测试 层 段 的原 油 产 能进 行 预 测 评 价 ， 进 而 达 到优 选 测 试 层 位 、 导 油 （ ） 勘 探开 发 的 目 指 气 田
及 油 气 性 能 等 共 同 决 定 的 。 然 而 在 特 定 的 研 究 区 域
内 ， 部环 境 条件 和油 气性 能等 是 相对 固定不 变 的 ， 外 此 时 油 气 储 层 的 自身 性 质 将 对 储 层 的产 能 高 低 产 生 兴 定 性 的 影 响 ” 。 需 要 说 明 的 是 ， 具 有 特 殊 孑 、 、 缝 型 （ 局 对 Ｌ洞 裂 即 部 的 溶 蚀 孑 洞 和 构 造 裂 缝 ） 产 层 须 进 行 剔 除 ， 为 Ｌ 的 因
案例分析：油气勘探工作量对储量发现的贡献
关键词 储量发现 勘探工作量 二维地震 三维地震 探井 边际产出 案例分析 回归模型
际产 出的经 济意 义是每 增加 一个单 位要 素投 入所增
勘 探 工 作 量 对 储 量 发 现 贡献 的 基本 测算 方法
现 的贡献 就成 为工程 技 术人 员和 经济评价 人 员面 前 投 入 已经很 小 。
的一 个现 实 问题 。
（ ）三 维地 震工作 量 ２ Ａ油 田三 维地 震 工作量 的投 入与 二维地 震 工作
由于 储 量 发现 与探 井 工作 量 的 投 入 高度 相 关 ，
见 ） 七 同时 探井 工作 量的 投入 与二维 、三 维地 震 的投入 有 量 的投 入有 所不 同 （ 图 ３ 。 “ 五”时期该 油 田
１建立探明储量与探井工作量回归模型，确定相关系数 （）并检验 ． ａ
（ ）探 井进尺 工作 量 ５
Ａ油 田探 井工 作量 （ 图 ４ 见 ）的投 入在 “ 五” 七
１０ ０ ６０
１ｏ ｏ ４０ １００ ２０ １００ ０ ０ ８０ ００
匿
ｌ
： ｌ
２建立探井工作量与当期和上期二维、三维地震工作量回归模型， ． 确定各 自回归系数 （， ） ｂ ｃ 并检验
线性 ， 并有效地测算二维地震和三维地震工作量对储量 发现的贡献。 该方法应 用于国内某油田， 通过 建立模型 ， 模拟分析储量 发现 与探 井工作量、 井工作量与地震工作量之间的回归并进行系数的综合 探 计算 ， 可以计算 出油田长期及短期各个阶段勘探工作量效益的变化趋势。 该方法的分析结果可以用作 企业确 定油田工作量投入和调整的参考依据之一。 案例分析结果显示 ， 经过多年开采的油田， 工作量 的覆盖面积 已经较 大， 拓展空间相对有限。因此 ， 加大工作量投入的途径应主要依靠科技创新 ， 大 加 各个勘探 阶段科技要 素的投入 ， 进一 步优化投 资和工作 量部署方案； 应加强二维地震老资料的重新处
测井时间序列的支持向量机回归预测
测井时间序列的支持向量机回归预测引言测井是石油勘探中的重要工具，能够获取地下储层的物性参数，对于油气资源的评价和开发具有重要意义。
随着技术的发展，测井数据的获取越来越容易，然而如何准确地预测地下储层的物性参数仍然是一个挑战。
支持向量机（Support Vector Machine, SVM）是一种广泛应用于模式识别和回归分析的机器学习方法。
其通过找到一个最优超平面，将样本进行分类或者回归。
在现实应用中，支持向量机回归模型常常可以实现较好的预测效果。
本文将介绍如何使用支持向量机回归方法对测井时间序列进行预测，并通过代码示例给出具体操作步骤。
数据准备首先，我们需要准备测井时间序列的数据。
测井时间序列一般会包含多个物性参数，如电阻率、密度等。
为了简化问题，我们选取其中一个物性参数作为预测目标。
以电阻率测井数据为例，我们收集到了一份包含了测井时间序列的数据集。
时间电阻率t1100t2110t3105t495t5120t6130t7115t8100数据预处理在进行支持向量机回归之前，我们需要对数据进行预处理。
预处理的目的是将数据转化为支持向量机算法可以处理的格式。
常见的预处理方法包括特征缩放、特征选择、数据标准化等。
我们首先对时间特征进行编码，将其转化为数值型的特征。
可以使用One-Hot编码或者Label-Encoding等方法进行处理。
接下来，我们对电阻率特征进行标准化处理，将其缩放到0-1之间。
可以使用Min-Max标准化方法，或者Z-Score标准化方法进行处理。
# 数据预处理步骤from sklearn.preprocessing import LabelEncoder, MinMaxScaler# 时间特征编码label_encoder = LabelEncoder()time_encoded = label_encoder.fit_transform(time)# 电阻率特征标准化scaler = MinMaxScaler()resistivity_scaled = scaler.fit_transform(resistivity)模型训练在数据预处理完成后，我们可以开始训练支持向量机回归模型。
测井时间序列的支持向量机回归预测
测井时间序列的支持向量机回归预测支持向量机（Support Vector Machine, SVM）是一种常用的机器学习算法，能够对数据进行分类和回归分析。
在地球科学领域，测井数据是一种重要的地下信息获取手段，可以用于油气勘探、地质分析等。
本文将介绍如何使用支持向量机回归对测井时间序列进行预测分析。
首先，我们需要明确什么是测井时间序列。
测井时间序列是在地下井孔中进行测量的数据，通常包括地层参数、地球物理参数等。
由于地下地质条件的多样性和复杂性，测井时间序列往往具有高度的噪声和非线性特征，传统的预测方法往往难以处理。
支持向量机回归是一种机器学习方法，旨在通过构建一个合适的超平面来拟合和预测数据。
支持向量机回归能够处理高维数据和非线性关系，同时对噪声有较好的鲁棒性。
下面我们介绍支持向量机回归预测测井时间序列的步骤。
第一步是数据准备。
首先需要获取测井时间序列的原始数据，包括特征变量和目标变量。
特征变量是我们用来预测目标变量的输入参数，而目标变量是我们需要预测的结果。
对于测井时间序列，特征变量可以是时间、井深等信息，目标变量可以是地层参数、地球物理参数等。
第二步是数据清洗和特征选择。
由于地下环境的复杂性，测井时间序列往往包含大量的噪声和异常值。
因此，在进行支持向量机回归之前，需要对数据进行清洗和预处理，剔除异常值和噪声。
同时，还需要对特征变量进行选择和提取，选择对目标变量具有较高影响的特征变量。
第三步是数据标准化。
由于不同特征变量的量纲和范围不同，需要将数据进行标准化处理，使得各个特征变量处于相同的量级范围内。
这样可以避免某些特征变量对回归结果的影响过大。
第四步是模型构建和训练。
在支持向量机回归中，我们需要选择一个合适的核函数来建立模型。
常用的核函数包括线性核函数、多项式核函数和径向基函数等。
在选择核函数之后，我们需要通过训练数据对模型进行训练，建立出一个能够拟合数据的超平面。
第五步是模型评估和预测。
在模型训练完成后，我们需要使用测试数据对模型进行评估。
含气量回归方程
含气量回归方程
摘要：
1.含气量回归方程的概述
2.含气量回归方程的计算方法
3.含气量回归方程的应用实例
4.含气量回归方程的优缺点分析
正文：
一、含气量回归方程的概述
含气量回归方程是一种在地球物理勘探中常用的计算方法，主要用于预测地下岩石或矿床中的气体含量。
通过对地震、测井等资料的分析，可以得到含气量回归方程，从而为油气藏的勘探和开发提供科学依据。
二、含气量回归方程的计算方法
1.确定地震属性：通过地震资料处理，提取含气量相关的地震属性，如振幅、频率等。
2.选择适当的数学模型：根据地质条件和资料特点，选择合适的数学模型，如线性回归、多项式回归、支持向量机等。
3.训练模型：利用已知的地震属性和含气量数据，对模型进行训练，得到回归方程。
4.验证模型：利用验证数据集检验模型的预测效果，评估模型的准确性和稳定性。
三、含气量回归方程的应用实例
1.油气藏勘探：通过含气量回归方程，可以预测油气藏的存在与否，为油气藏的勘探提供依据。
2.油气藏开发：在油气藏开发过程中，含气量回归方程可以用于评估开发效果，优化开发方案。
3.矿产资源勘查：含气量回归方程在矿产资源勘查中同样具有重要意义，可以帮助预测矿床的含气量，指导矿产资源的开发。
四、含气量回归方程的优缺点分析
1.优点：含气量回归方程具有较高的预测精度，可以为油气藏的勘探和开发提供有效的支持。
同时，该方法具有较强的适应性，适用于多种地质条件和资料特点。
2.缺点：含气量回归方程的计算过程较为复杂，需要对地震资料进行多次处理和分析。
钻井液滤失规律及其回归方程
钻井液滤失规律及其回归方程今天，钻井液滤失规律以及其回归方程式在石油开发工程中起着越来越重要的作用。
为了满足不断增长的钻井液滤失需求，不仅要进行大量的实验研究，还需要建立有效的回归模型来提高计算效率。
本文通过对许多有关钻井液滤失的实验数据和实践经验的分析研究，建立了一种有效的钻井液滤失回归方程。
首先，在实验中，我们对已知的钻井液滤失规律进行了详细的研究和分析，以获得钻井液滤失的基本参数。
在此基础上，我们建立了一个有效的回归方程，以确定钻井液滤失的关系式。
此外，我们还进行了实验，确定温度、压力和添加剂的影响，并对此进行深入的研究，以验证和完善钻井液滤失规律和其回归方程。
在经过一系列实验和分析后，我们发现，钻井液滤失规律可以用一组解析公式表示，这组公式如下：E（F=αt +p +a），其中α、β、γ分别为温度、压力和添加剂的影响系数。
通过上述公式，我们可以预测钻井液滤失的大小和分布。
此外，对其中的参数进行调整和调节，可以实现对钻井液滤失的更好的控制。
通过以上研究，我们建立了一种有效的钻井液滤失回归方程，可以更好地控制在实际环境下的钻井液滤失的大小和分布，从而提高石油开发水平。
其中，实验数据的有效处理及其回归方程的可靠性是导致这一成果的关键因素。
钻井液滤失规律及其回归方程是钻井液处理技术中的一个重要部分，在石油开发及其他钻井液处理工作中起着重要作用。
在石油勘探开发过程中，钻井液的滤失特性具有重要的意义，其可以有效改善钻井液的循环流动性能，保证钻井液施加的压力足够，以达到有效的钻井液处理效果。
总之，回归方程可以有效地预测钻井液滤失，从而提高钻井液处理的效率。
钻井液滤失规律及其回归方程为实际钻井液处理提供了可靠的数学模型，从而更好地改善了钻井液处理工作的效率和精度。
回归分析在油气勘探中的应用实例
回归分析在油气勘探中的应用实例例1．预测油气储量（资源量）沉积盆地中单位面积的油气储量（储量密度）Q与油气生成聚集的地质条件V f、V r、S n、K、和N之间有着密切的线性相关关系，即有Q=a0 +a1V f +a2V r +a3S n + a4K+a5N (1)的关系。
式（1）中：Q —储量密度，104t/km2；V f—生油岩体积与沉积岩体积之比（生、盖条件），%；V r—储集岩体积与沉积岩体积之比（储、运条件），%；S n—近油源圈闭面积与沉积岩体积之比（聚集、圈闭条件），%；K—总烃与有机碳之比，即有机质转化率（生油条件），%；N —盆地经历的剥蚀次数（保存条件）。
根据我国东部勘探程度较高的一些含油气凹陷的探明储量和油气生成聚集地质条件统计资料，利用多元线性回归分析方法得回归方程如下：Q = 0.136V f + 0.356V r + 0.125S n + 0.152K-0.12N -5.37 (2)采用概算储量和油气生成聚集地质条件统计资料，得到的回归方程为：Q = 0.835V f +0.269V r +0.142S n +0.597K-0.05N-6.654 (3)前梨园洼陷沙二下段生油岩面积为460平方公里，由式（3）计算的概算储量密度为：Q = 28.834 (104t)总概算储量为：∑Q= 28.8×460 = 1326.64 (104t)例2 体积速度法预测油气地质储量1．И.И.Несмеров(1975)等根据世界上勘探程度较高的22个含油气盆地的统计资料分析，认为盆地的油气总地质储量与盆地的平均体积速度有关，并求得回归方程：lg Q = 1.613V + 2.183上式中：Q—油气地质储量，Mt；V —盆地沉积物的平均体积速度，103km3/Ma。
2．В.В.波捷梁耶娃对稳定的克拉通盆地，如阿拉伯地台、乌拉尔—伏尔加、二叠盆地等资料进行了分析，得到回归方程lg Q = 1.4004lg V -1.8911 （4）克拉通盆地具含油气层系多的特点，但通常只有一个层系具有较高的沉积速度，它基本上决定了盆地的储量。
统计学案例——相关回归分析
《统计学》案例——相关回归分析案例一质量控制中的简单线性回归分析1、问题的提出某石油炼厂的催化装置通过高温及催化剂对原料的作用进行反应，生成各种产品，其中液化气用途广泛、易于储存运输，所以，提高液化气收率，降低不凝气体产量，成为提高经济效益的关键问题。
通过因果分析图和排列图的观察，发现回流温度是影响液化气收率的主要原因，因此，只有确定二者之间的相关关系，寻找适当的回流温度，才能达到提高液化气收率的目的。
经认真分析仔细研究，确定了在保持原有轻油收率的前提下，液化气收率比去年同期增长1个百分点的目标，即达到12.24%的液化气收率。
2、数据的收集目标值确定之后，我们收集了某年某季度的回流温度与液化气收率的30组数据（如上表），进行简单直线回归分析。
3.方法的确立设线性回归模型为εββ++=x y 10，估计回归方程为x b b y10ˆ+= 将数据输入计算机，输出散点图可见，液化气收率y 具有随着回流温度x 的提高而降低的趋势。
因此，建立描述y 与x 之间关系的模型时，首选直线型是合理的。
从线性回归的计算结果，可以知道回归系数的最小二乘估计值b 0=21.263和b 1=-0.229，于是最小二乘直线为x y229.0263.21ˆ-= 这就表明，回流温度每增加1℃，估计液化气收率将减少0.229%。
（3）残差分析为了判别简单线性模型的假定是否有效，作出残差图，进行残差分析。
从图中可以看到，残差基本在-0.5—+0.5左右，说明建立回归模型所依赖的假定是恰当的。
误差项的估计值s=0.388。
（4）回归模型检验 a.显著性检验在90%的显著水平下，进行t 检验,拒绝域为︱t ︱=︱b 1/ s b1︱>t α/2=1.7011。
由输出数据可以找到b 1和s b1，t=b 1/ s b1=-0.229/0.022=-10.313，于是拒绝原假设，说明液化气收率与回流温度之间存在线性关系。
b.拟合度检验判定系数r 2=0.792。
回归分析应用实例讲解
故当原油产量为16225.86万吨，生铁产量为12044.54万吨，原煤产量为13.87万吨以及发电量为12334.89亿千瓦时时，成品钢材量预测值为10727.33875万吨；当原油产量为17453万吨，生铁产量为12445.96万吨，原煤产量为14.54万吨以及发电量为13457亿千瓦时时，成品钢材量预测值为10727.33875万吨。
钢材的需求量设为y，作为被解释变量，而原油产量％、生铁产量X2、原煤产量X3、发电量X4作为解释变量，通过建立这些经济变量的线性模型来研究影响成品钢材需求量的原因。
能源转换技术等因素。
在此，收集的数据选择与其相关的四个因素：原油产量、生铁产量、原煤产量、发电量，1980—1997的有关数据如下表。
理论上成品钢材的需求量的影响因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、原始数据（中国统计年鉴）12445.96万吨，原煤产量为14.54万吨以及发电量为13457亿千瓦时时，成品钢材量预测值为10727.33875万吨。
钢材的需求量设为y,作为被解释变量，而原油产量％、生铁产量为、原煤产量％、发电量xq作为解释变量，通过建立这些经济变量的线性模型来研究影响成品钢材需求量的原因。
能源转换技术等因素。
在此，收集的数据选择与其相关的四个因素：原油产量、生铁产量、原煤产量、发电量，1980— 1997的有关数据如下表。
理论上成品钢材的需求量的影响因素主要有经济发展水平、收入水平、产业发展、人民生活水平提高、原始数据（中国统计年鉴）年份y Xi X2X3X41980 2716.20 10595.00 3802.40 6.20 3006.201981 2670.10 10122.00 3416.60 6.20 3092.701982 2902.00 10212.00 3551.00 6.66 3277.001983 3072.00 10607.00 3738.00 7.15 3514.001984 3372.00 11461.30 4001.00 7.89 3770.001985 3693.00 12489.50 4384.00 8.72 4107.001986 4058.00 13068.80 5064.00 8.94 4495.001987 4356.00 13414.00 5503.00 9.28 4973.001988 4689.00 13704.60 5704.00 9.80 5452.001989 4859.00 13764.10 5820.00 10.54 5848.001990 5153.00 13830.60 6238.00 10.80 6212.001991 5638.00 14009.20 6765.00 10.87 6775.0012445.96万吨，原煤产量为14.54万吨以及发电量为13457亿千瓦时时，成品钢材量预测值为10727.33875万吨。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
回归分析在油气勘探中的应用实例
例1．预测油气储量（资源量）
沉积盆地中单位面积的油气储量（储量密度）Q与油气生成聚集的地质条件V f、V r、S n、K、和N之间有着密切的线性相关关系，即有
Q=a0 +a1V f +a2V r +a3S n + a4K+a5N (1)
的关系。
式（1）中：
Q —储量密度，104t/km2；
V f—生油岩体积与沉积岩体积之比（生、盖条件），%；
V r—储集岩体积与沉积岩体积之比（储、运条件），%；
S n—近油源圈闭面积与沉积岩体积之比（聚集、圈闭条件），%；
K—总烃与有机碳之比，即有机质转化率（生油条件），%；
N —盆地经历的剥蚀次数（保存条件）。
根据我国东部勘探程度较高的一些含油气凹陷的探明储量和油气生成聚集地质条件统计资料，利用多元线性回归分析方法得回归方程如下：
Q = 0.136V f + 0.356V r + 0.125S n + 0.152K-0.12N -5.37 (2)
采用概算储量和油气生成聚集地质条件统计资料，得到的回归方程为：
Q = 0.835V f +0.269V r +0.142S n +0.597K-0.05N-6.654 (3)
前梨园洼陷沙二下段生油岩面积为460平方公里，由式（3）计算的概算储量密度为：
Q = 28.834 (104t)
总概算储量为：
∑Q= 28.8×460 = 1326.64 (104t)
例2 体积速度法预测油气地质储量
1．И.И.Несмеров(1975)等根据世界上勘探程度较高的22个含油气盆地的统计资料分析，认为盆地的油气总地质储量与盆地的平均体积速度有关，并求得回归方程：
lg Q = 1.613V + 2.183
上式中：Q—油气地质储量，Mt；
V —盆地沉积物的平均体积速度，103km3/Ma。
2．В.В.波捷梁耶娃对稳定的克拉通盆地，如阿拉伯地台、乌拉尔—伏尔加、二叠盆地等资料进行了分析，得到回归方程
lg Q = 1.4004lg V -1.8911 （4）
克拉通盆地具含油气层系多的特点，但通常只有一个层系具有较高的沉积速度，它基本上决定了盆地的储量。
式（4）适合于预测克拉通盆地主要含油气层系的资源量。
3．А.А.阿尔巴托夫与А.В.康达科夫对世界40个研究程度高的小型山间盆地（沉积岩
体积为1000~93300km3）进行了统计分析，得到沉积充填体积与烃类储量的关系为
lg(Q+1)=0.871lg(V)+2.07 （5）
上述40个盆地可分为两类：一类是沉积岩分布面积广（7000~10000km2）、体积大，而深度和沉降速度不大的沉积盆地，如美国的圣—克鲁斯、摩洛哥的舍利夫、阿尔及利亚的南帖尔盆地等；另一类是沉积岩分布面积小，而深度和沉降速度大的沉积盆，如美国的落山矶盆地和圣马利亚盆地。
后一类的石油地质储量远大于前者的地质储量。
4. 贾维同等（1983）曾对我国206个盆地的沉积体积速度与储量的关系进行了研究，得出适用于我国东部中新生代盆地资源预测的公式：
lg Q = 1.31lg V + 3.210 （6）而波海湾盆地12个勘探程度较高凹陷资源量与体积速度的关系为
lg Q = 1.451lg V + 3.415 （7）说明：
1．法的理论基础
体积速度法预测油气资源量的理论基础是：沉积速度越快，氧化作用对有机质的破坏程度就越小，而分散有机质向石油的转化条件越好。
2．对于沉积速度大于降速度而形成磨拉石建造的沉积盆地来说，尽管沉积速度大，也难以形成丰富的油气资源，如我国的渭河地塹、内蒙地塹等。
例3 追踪有机成熟区。