粒子群優化算法疊前非線性反演方法技術

隨著我國經濟持續穩定的增長，對能源的需求也持續快速增加，我們將面臨石油天然氣資源短缺的嚴峻考驗。儲層預測是石油勘探生產中的重要研究環節，優質儲層的發現需要充分利用地震資料所蘊含的地下地層的構造、巖性等信息，而這些信息往往要通過地震反演得到。但常規反演基于線性簡化的模型，并且有較多的人為因素干擾，往往得不到高精度的儲層參數。本發明專利技術對粒子群優化算法這一課題展開研究，以粒子群優化算法的思想和原理為基礎，將左普利茨(Zoeppritz)方程進行推導簡化，使其適于粒子群優化算法的求解，然后將粒子群優化算法用于疊前反演。分別對二維理論模型及海上地震資料進行疊前反演取得令人滿意的結果。

【技術實現步驟摘要】

本專利技術涉及油氣田勘探
，屬于地震資料反演范疇，具體的說是通過粒子群優化算法解決非線性的地震反演問題。
技術介紹
利用地震資料進行儲層巖性識別和流體預測一直是地球物理學家努力追求的目標。地震疊前反演即AVO反演的理論基礎是著名的左普利茨(Zoeppritz)方程組。Ostrander(1984)在研究“亮點型”砂巖儲層地震振幅特征過程中，發現了“含氣砂巖反射振幅隨偏移距增加而增大，含水砂巖反射振幅隨偏移距增加而減小”的現象，這一現象極大的改善了烴類檢測的能力，將人們的視線從疊后引向疊前，標志著實用AVO技術的出現。但是，左普利茨方程十分復雜，物理含義也不明確。國內外地球物理學家對其進行了很多形式的研究和簡化，得到了一系列近似公式。Bortfeld(1961)利用地層厚度趨于零來逼近單界面的方法計算了平面縱波和透射波的反射系數，給出了區分流體和固體的簡化公式。Aki和Richards于1980年提出的近似方程側重描述了縱、橫波速度和密度的變化對反射系數的影響。ShUey(1985)近似方程則將反射系數表示成法線入射與近、中、遠不同入射的三項之和的關系式，較直觀的反映了振幅與入射角的關系。Smith和Gidlow(1987)在對含氣砂巖進行AVO分析時，提出了 AVO分析的加權疊加處理方法，并引入了“流體因子”概念。Fatti等(1994)從Aki和Richards方程出發，在弱化地層密度項的前提下，提出了較為精簡的公式用于預測含氣砂巖的AVO響應。Connolly(1999)提出的彈性阻抗(EI)概念和數學表達式，極大地豐富了 AVO分析技術的內涵，擴大了 AVO反演技術的外延，將傳統的縱波阻抗反演推廣到分角度疊加數據。Ozdemir等(2001)提出了利用AVO信息進行彈性參數同步反演，稱為“聯合反演”。馬勁風等(2003)提出了廣義彈性波阻抗的概念。近幾年，AVO分析和隨機反演技術方法不斷發展，疊前同步反演方法日益成熟，在同步反演方法中多采用非線性反演技術。AVO的提出最初僅僅是為了提高烴類檢測能力，今天AVO的發展早已超出了這個范疇，滲透到地震勘探的各個領域。在裂縫檢測、壓力預測、油藏動態檢測、油氣預測、儲層非均質性描述方面得到了廣泛應用。粒子群優化算法(Particle Swarm Optimization, PSO),又稱微粒群算法,是群智能算法(Swarm Intelligence, SI)的一種。最先是由美國學者Kennedy和Eberhart于1995年提出。粒子群算法是受鳥類群體的防御、捕食行為中的搜索策略啟發而形成的。自然界中許多生物具有一定的群體行為，如鳥群、魚群等，雖然群體中單個個體只具有簡單的行為規則，但是組成的群體行為卻非常復雜。很多科學家對鳥群或者魚群的群體行為進行了研究，包括計算機仿真。粒子群優化算法從這種模型中得到啟示并用于解決優化問題，將優化問題的解看作是搜索空間中的點，稱之為“粒子”。每個粒子的運動根據自己和其它粒子的“飛行經驗”尋優，從而達到全空間搜索最優解的目的。許多學者和研究人員在基本PSO算法的基礎上在參數選擇、拓撲結構以及與其他優化算法相融合方面，提出了很多改進的PSO算法。Kennedy和Eberhart于1997年提出了二進制粒子群(Binary ParticleSwarm Optimization, BPSO)算法，這是基于連續空間的離散粒子群(Discrete PSO, DPS0)算法。Clerc (2000)針對旅行熵問題(Traveling Salesman Problem, TSP)提出了 TSP-DPSO算法，是基于離散空間的DPSO。Jun Sun等(2003)將量子行為引入到粒子群算法中，提出了量子粒子群算法(Quantum PSO, QPS0)。2004年高鷹提出了基于模擬退火的粒子群算法(SA-PSO)。P. S. Shelokar等人于2007年提出了基于蟻群和粒子群算法的混合算法，即PSACO(Particle Swarm Ant Colony Optimization)算法。周雅蘭等(2008)把分布估計算法思想引入到PSO算法中，提出基于分布估計的離散粒子群(Estimation of DistributionPS0，EDPS0)算法。林東毅等(2008)將免疫機制引入到BPSO算法中，基于決策表差別矩陣的某種屬性重要性度量作為疫苗模式，提出了一種基于免疫粒子群優化的最小屬性約簡算法，稱為免疫離散粒子群算法(IPS0算法)。粒子群算法近年來發展很快，被成功地應用于函數尋優、神經網絡訓練、模式識別分類、模糊系統控制以及工程等眾多領域，大量實際應用證明其是有效的。它有著較好的發展前景，值得做進一步的研究。
技術實現思路
本專利技術利用保幅處理的高分辨率地震資料進行非線性反演，在解決非線性問的過 程中使用了更新的反射系數公式，并使用了粒子群算法進行尋優。這一措施可以減少人為誤差，有效的提聞反演的精度。首先做如下定義在地球物理學中，連續函數x(t)的反射系數的定義為， η Δλ:^(0=77^ Δ/->0 ΔΧ\1)以dt的采樣間隔將連續函數x(t)采樣成離散的函數，那么，X2-X1& S其中X可以為縱波速度α、橫波速度β、密度P。下標I表示下伏地層的參數，下標2表示上覆地層的參數。定義橫縱波速度比^ / ,^ =—I本專利使用保幅處理得到的反射角域共反射點道集作為輸入，實現上述目的采取的技術方案如下步驟I :對于地下任意位置。首先給定縱波速度反射系數、橫波速度反射系數、密度反射系數、以及橫縱波速度比的取值范圍，設定最大迭代次數以及種群的大小。給定慣性權重和學習因子，設定容許的誤差范圍。其中慣性權重、學習因子、種群大小有如下意義慣性權重勘探能力和開發能力的平衡是影響優化算法性能的一個重要方面。對于粒子群優化算法來說，這兩種能力的平衡是靠慣性權重w來實現的。較大的慣性權重使粒子在自己原來的方向上具有更大的速度，從而在原方向上飛行更遠，具有更好的勘探能力；較小的慣性權重使粒子繼承了較少的原方向的速度，從而飛行較近，具有更好的開發能力。學習因子學習因子為非負常數，代表粒子偏好的權值，使粒子具有自我總結和向群體中優秀個體學習的能力，從而向群體內或鄰域內最優點靠近。Kennedy認為，兩個學習因子之和應為4. O左右，此時的搜索效果比較好。通常的做法是將他們都設為2. 05。群體大小當群體大小設定的很小時，陷入局部極優的可能性很高；當群體大小為一時，粒子群優化算法變為基于個體搜索的方法，一旦陷入局優，將不可能跳出；當群體大小很大時，粒子群優化算法的優化能力更好，但會導致計算時間大幅增加，并且當群體數目增長至一定水平時，繼續增長將不再有顯著的作用。至于究竟多少粒子參加搜索能夠取得理想的效果，前人通過使用多個基準函數對數量不同的種群計算其平均適應度，認為種群數量保持在30左右時搜索效率較好。步驟2 :對各個粒子的縱波速度反射系數、橫波速度反射系數、密度反射系數、以及橫縱波速度比用隨機數進行初始化，并設定初始速度為零，令粒子的個體最優值與初始值相同，并計算各個粒子的適應度，選擇適應度最小的粒子為當前的全局最優解。粒子適應度本文檔來自技高網...

【技術保護點】
本專利技術利用保幅處理的高分辨率地震資料進行非線性反演，在解決非線性問題的過程中使用了更新的反射系數公式，并使用了粒子群算法進行尋優。這一措施可以減少人為誤差，有效的提高反演的精度。本專利使用保幅處理得到的反射角域共反射點道集作為輸入，實現上述目的采取的技術方案如下：步驟1：對于地下任意位置，首先給定縱波速度反射系數、橫波速度反射系數、密度反射系數、以及橫縱波速度比的取值范圍，設定最大迭代次數以及種群的大小，給定權重因子和學習因子，設定容許的誤差范圍。步驟2：對各個粒子的縱波速度反射系數、橫波速度反射系數、密度反射系數、以及橫縱波速度比用隨機數進行初始化，并設定初始速度為零，令粒子的個體最優值與初始值相同，并計算各個粒子的適應度，選擇適應度最小的粒子為當前的全局最優解。步驟3：比較當前的全局最優的適應度是否達到了誤差容許范圍，如果達到誤差容許范圍就停止計算，輸出全局最優為反演結果，否則進入步驟4。步驟4：更新粒子的速度，并用新的粒子速度更新粒子的位置，迭代次數增加一次，若迭代次數超過最大迭代次數，則停止計算，輸出全局最優。步驟5：重新計算粒子的適應度，檢測各個粒子的適應度是否小于更新前的適應度，若小于則更新粒子的個體最優為粒子更新后的位置。步驟6：比較新的個體最優，選擇適應度最小的個體最優作為全局最優，判斷全局最優是否達到誤差容許范圍，達到誤差容許范圍就輸出全局最優為反演結果，否則回到步驟4，直到處理完地下所有計算點。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：孫贊東，陳蕾，張遠銀，
申請(專利權)人：孫贊東，陳蕾，張遠銀，
類型：發明
國別省市：