基于KNN的剩余油形態(tài)識(shí)別
2020年信息技術(shù)與網(wǎng)絡(luò)安全第1期
程小龍，王正勇，滕奇志
（四川大學(xué) 電子信息學(xué)院 圖像信息研究所，四川 成都 610065）
摘要： 對(duì)從實(shí)驗(yàn)中采集到的剩余油圖像進(jìn)行分析研究，可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間，對(duì)待分類剩余油特征數(shù)據(jù)進(jìn)行歸一化處理，之后求取歐氏距離。使用KNN（K近鄰）分類方法近鄰?fù)镀贝_定剩余油類別，可以較為快速準(zhǔn)確地得到分類結(jié)果。
中圖分類號(hào)：TP312
文獻(xiàn)標(biāo)識(shí)碼：A
DOI： 10.19358/j.issn.2096-5133.2020.01.020
引用格式：程小龍，王正勇，滕奇志。基于KNN的剩余油形態(tài)識(shí)別［J］。信息技術(shù)與網(wǎng)絡(luò)安全，2020,39（1）：104-107.
文獻(xiàn)標(biāo)識(shí)碼：A
DOI： 10.19358/j.issn.2096-5133.2020.01.020
引用格式：程小龍，王正勇，滕奇志。基于KNN的剩余油形態(tài)識(shí)別［J］。信息技術(shù)與網(wǎng)絡(luò)安全，2020,39（1）：104-107.
Knearest neighbor method for recognizing the shape of residual oil
Cheng Xiaolong,Wang Zhengyong,Teng Qizhi
（Institute of Image Information,School of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China）
Abstract： The analysis of the remaining oil images collected from the experiment can provide a theoretical basis for the later stage of reservoir development.In this paper,the remaining oil characteristic data of the determined type is collected as the sample set vector space,and the Euclidean distance is obtained after normalizing the residual oil characteristic data to be classified.According to the KNN （Knearest neighbor） classification method,the neighbor voting determines the category,and the classification result can be obtained quickly and accurately.
Key words : remaining oil classification；Knearest neighbor；morphological recognition
0 引言
石油地質(zhì)研究人員一般通過微觀驅(qū)替實(shí)驗(yàn)來研究采收效率，該實(shí)驗(yàn)是對(duì)玻璃刻蝕模型進(jìn)行驅(qū)替仿真并在驅(qū)替過程中收集驅(qū)替圖像，實(shí)驗(yàn)過程如圖1所示。剩余油顧名思義是剩余的油，當(dāng)驅(qū)替結(jié)束時(shí)，孔隙空間中尚殘余的油即為剩余油。研究剩余油的形態(tài)分類，可對(duì)充分挖掘油藏潛力，提高油田采收效率提供理論支撐，為此本文提出了基于KNN的分類方法對(duì)剩余油形態(tài)進(jìn)行分類。
本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.xxav2194.com/resource/share/2000003149
作者信息：
程小龍，王正勇，滕奇志
（四川大學(xué) 電子信息學(xué)院 圖像信息研究所，四川 成都 610065）
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。