[發(fā)明專利]基于粒子群與線性加法器結(jié)合的地震數(shù)據(jù)反演方法

有效

• 申請?zhí)枺?/td>: 201310425517.0
• 申請日: 2013-09-18
• 公開（公告）號: CN103454677A
• 公開（公告）日: 2013-12-18
• 發(fā)明（設(shè)計）人: 劉力輝
• 申請（專利權(quán)）人: 成都晶石石油科技有限公司
• 主分類號: G01V1/28
• 分類號: G01V1/28
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 梁田

技術(shù)領(lǐng)域

本發(fā)明屬于地質(zhì)勘探領(lǐng)域，涉及石油勘探中的地震數(shù)據(jù)處理，特別是一種基于粒子群與線性加法器結(jié)合的地震數(shù)據(jù)反演方法。

背景技術(shù)

?地震反演是利用已經(jīng)采集的地震資料，將已知地質(zhì)信息和鉆井、測井數(shù)據(jù)作為反演中的約束條件，對地下地層的空間展布情況和物理性質(zhì)進行反演成像（求解）的過程?，F(xiàn)有的地震反演模型，如測井約束反演、地震巖性模擬反演、廣義線性反演、多道反演、地質(zhì)統(tǒng)計學反演、遺傳算法反演、混沌反演和波阻抗多尺度反演等都有各自的使用范圍，如地質(zhì)統(tǒng)計反演使用于各類復雜的地震預測和統(tǒng)計，尤其是鉆井資料較多、需要進行精細儲層描述的地區(qū)；波阻抗多尺度反演使用小波變換把目標函數(shù)分成不同尺度的分量，根據(jù)不同尺度上目標函數(shù)的特征逐步搜索全局最小點。

?測井約束反演測井約束反演是一種基于模型的反演，其反演結(jié)果的精度不僅依賴于研究目標的地質(zhì)特征、鉆井數(shù)量、井位分布以及地震資料的分辨率和信噪比，還取決于處理工作的精細程度，如測井資料的環(huán)境校正、層位的精細標定、子波提取等。

?廣義線性反演廣義線性反演（General?Linear?Inversion）也是一種建立在模型基礎(chǔ)上的反演技術(shù)。它是通過模型正演與實際地震剖面作比較，根據(jù)誤差的情況，最佳地逼近實際數(shù)據(jù)，從而迭代反復修改模型，直到滿意為止。該算法將模型看作一個線性系統(tǒng)，其反演問題歸結(jié)為求解一組線性聯(lián)立方程組（例如用矩陣表示的誤差方程組）。

地質(zhì)統(tǒng)計學反演技術(shù)綜合利用地震資料、地質(zhì)知識和測井資料，通過高斯模擬、高斯協(xié)模擬和隨機反演技術(shù)反演出各種儲層參數(shù)，這一技術(shù)適用于各類復雜的地震預測和描述，尤其是鉆井資料較多、需要進行精細儲層描述的地區(qū)。

?波阻抗多尺度反演多尺度反演是一種加快收斂速度、克服局部極值影響、搜索全局最小點的反演策略。使用小波變換把目標函數(shù)分成不同尺度的分量，根據(jù)不同尺度上目標函數(shù)的特征逐步搜索全局最小點。

地震反演模型構(gòu)造完成后，需要采取各種方法尋求模型參數(shù)的最優(yōu)解。目前廣泛采用的方法主要包括數(shù)學方法及智能方法。智能方法包括遺傳算法反演、模擬退火方法反演等，它們都是基于生物仿真的智能算法，但普遍存在著參數(shù)較多、訓練慢等缺點。

?地震資料的儲層參數(shù)反演是一個非線性問題，這是因為地震反演中的目標函數(shù)是一個非凸性的復雜的多峰函數(shù)。如果使用對初始模型有很大依賴性的線性優(yōu)化方法、最速下降法和共扼梯度法進行儲層參數(shù)參數(shù)反演，則容易陷入局部極值而難以得到全局極值。并且當反演參數(shù)較多時，搜索空間急劇膨脹，計算量非常大，導致搜索效率大大下降。

?粒子群算法(Particle?Swarm?Optimization,?PSO)的基本概念源于對鳥群捕食行為的簡化社會模型的模擬，1995年由Kenndy?和Eberhart等人提出，它同遺傳算法類似，通過個體間的協(xié)作和競爭實現(xiàn)全局搜索。系統(tǒng)初始化為一組隨機解，稱之為粒子。通過粒子在搜索空間的飛行完成尋優(yōu)，在數(shù)學公式中即為迭代，它沒有遺傳算法的交叉以及變異算子，而是粒子在解空間追隨最優(yōu)粒子進行搜索。

?PSO算法的數(shù)學描述為：假設(shè)在一個d維的目標搜索空間中，有m個代表潛在問題解的粒子組成的一個種群???????????????????????????????????????????????，其中表示第i個粒子在d維解空間的一個矢量點。將代入一個與求解問題相關(guān)的目標函數(shù)可以計算出相應的適應值。用記錄第i個粒子自身搜索到的最好點(所謂最好，是指計算得到的適應值為最小，即pbest)。而在這個種群中，至少有一個粒子是最好的，將其編號記為g，則就是種群搜索到的最好值(即gbest)，其中。而每個粒子還有一個速度變量，可以用表示第i個粒子的速度。對每一個粒子，它的第D維(1?≤D?≤?d)飛行速度和位置根據(jù)如下方程進行變化：

???????(1)

??????????????????????????(2)

其中：ω為慣性權(quán)值；c1和c2都是正常數(shù)，稱為加速系數(shù)；rand()是在[0,1]范

圍內(nèi)變化的隨機數(shù)；n為迭代次數(shù)。

此外，搜索時，微粒的位置被最大位置和最小位置限制，如果某微粒在某維的位置超出該維的最大位置或最小位置，則該微粒的位置被限制為該維的最大位置或最小位置。同樣，微粒的速度也被最大速度和最小速度所限制，即有

???????????????????(3)