專利名稱：粒子群優(yōu)化算法疊前非線性反演方法
技術(shù)領(lǐng)域：
本發(fā)明涉及油氣田勘探技術(shù)領(lǐng)域，屬于地震資料反演范疇，具體的說是通過粒子群優(yōu)化算法解決非線性的地震反演問題。
背景技術(shù)：
利用地震資料進(jìn)行儲層巖性識別和流體預(yù)測一直是地球物理學(xué)家努力追求的目標(biāo)。地震疊前反演即AVO反演的理論基礎(chǔ)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(fā)現(xiàn)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(xiàn)象，這一現(xiàn)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(biāo)志著實用AVO技術(shù)的出現(xiàn)。但
是，左普利茨方程十分復(fù)雜，物理含義也不明確。國內(nèi)外地球物理學(xué)家對其進(jìn)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(shù)，給出了區(qū)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(cè)重描述了縱、橫波速度和密度的變化對反射系數(shù)的影響。ShUey(1985)近似方程則將反射系數(shù)表示成法線入射與近、中、遠(yuǎn)不同入射的三項之和的關(guān)系式，較直觀的反映了振幅與入射角的關(guān)系。Smith和Gidlow(1987)在對含氣砂巖進(jìn)行AVO分析時，提出了 AVO分析的加權(quán)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(fā)，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(yù)測含氣砂巖的AVO響應(yīng)。Connolly(1999)提出的彈性阻抗(EI)概念和數(shù)學(xué)表達(dá)式，極大地豐富了 AVO分析技術(shù)的內(nèi)涵，擴大了 AVO反演技術(shù)的外延，將傳統(tǒng)的縱波阻抗反演推廣到分角度疊加數(shù)據(jù)。Ozdemir等(2001)提出了利用AVO信息進(jìn)行彈性參數(shù)同步反演，稱為“聯(lián)合反演”。馬勁風(fēng)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(shù)方法不斷發(fā)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(shù)。AVO的提出最初僅僅是為了提高烴類檢測能力，今天AVO的發(fā)展早已超出了這個范疇，滲透到地震勘探的各個領(lǐng)域。在裂縫檢測、壓力預(yù)測、油藏動態(tài)檢測、油氣預(yù)測、儲層非均質(zhì)性描述方面得到了廣泛應(yīng)用。粒子群優(yōu)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(xué)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(fā)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(guī)則，但是組成的群體行為卻非常復(fù)雜。很多科學(xué)家對鳥群或者魚群的群體行為進(jìn)行了研究，包括計算機仿真。粒子群優(yōu)化算法從這種模型中得到啟示并用于解決優(yōu)化問題，將優(yōu)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(jù)自己和其它粒子的“飛行經(jīng)驗”尋優(yōu)，從而達(dá)到全空間搜索最優(yōu)解的目的。許多學(xué)者和研究人員在基本PSO算法的基礎(chǔ)上在參數(shù)選擇、拓?fù)浣Y(jié)構(gòu)以及與其他優(yōu)化算法相融合方面，提出了很多改進(jìn)的PSO算法。Kennedy和Eberhart于1997年提出了二進(jìn)制粒子群(Binary ParticleSwarm Optimization, BPSO)算法，這是基于連續(xù)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(yōu)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(fā)展很快，被成功地應(yīng)用于函數(shù)尋優(yōu)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模式識別分類、模糊系統(tǒng)控制以及工程等眾多領(lǐng)域，大量實際應(yīng)用證明其是有效的。它有著較好的發(fā)展前景，值得做進(jìn)一步的研究。

發(fā)明內(nèi)容
本發(fā)明利用保幅處理的高分辨率地震資料進(jìn)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(shù)公式，并使用了粒子群算法進(jìn)行尋優(yōu)。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(xué)中，連續(xù)函數(shù)x(t)的反射系數(shù)的定義為，
η Δλ:^(0=77^
Δ/->0 ΔΧ\1)以dt的采樣間隔將連續(xù)函數(shù)x(t)采樣成離散的函數(shù)，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(biāo)I表示下伏地層的參數(shù)，下標(biāo)2表示上覆地層的參數(shù)。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(xiàn)上述目的采取的技術(shù)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(shù)、橫波速度反射系數(shù)、密度反射系數(shù)、以及橫縱波速度比的取值范圍，設(shè)定最大迭代次數(shù)以及種群的大小。給定慣性權(quán)重和學(xué)習(xí)因子，設(shè)定容許的誤差范圍。其中慣性權(quán)重、學(xué)習(xí)因子、種群大小有如下意義慣性權(quán)重勘探能力和開發(fā)能力的平衡是影響優(yōu)化算法性能的一個重要方面。對于粒子群優(yōu)化算法來說，這兩種能力的平衡是靠慣性權(quán)重w來實現(xiàn)的。較大的慣性權(quán)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(yuǎn)，具有更好的勘探能力；較小的慣性權(quán)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(fā)能力。
學(xué)習(xí)因子學(xué)習(xí)因子為非負(fù)常數(shù)，代表粒子偏好的權(quán)值，使粒子具有自我總結(jié)和向群體中優(yōu)秀個體學(xué)習(xí)的能力，從而向群體內(nèi)或鄰域內(nèi)最優(yōu)點靠近。Kennedy認(rèn)為，兩個學(xué)習(xí)因子之和應(yīng)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(shè)為2. 05。群體大小當(dāng)群體大小設(shè)定的很小時，陷入局部極優(yōu)的可能性很高；當(dāng)群體大小為一時，粒子群優(yōu)化算法變?yōu)榛趥€體搜索的方法，一旦陷入局優(yōu)，將不可能跳出；當(dāng)群體大小很大時，粒子群優(yōu)化算法的優(yōu)化能力更好，但會導(dǎo)致計算時間大幅增加，并且當(dāng)群體數(shù)目增長至一定水平時，繼續(xù)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(zhǔn)函數(shù)對數(shù)量不同的種群計算其平均適應(yīng)度，認(rèn)為種群數(shù)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(shù)、橫波速度反射系數(shù)、密度反射系數(shù)、以
及橫縱波速度比用隨機數(shù)進(jìn)行初始化，并設(shè)定初始速度為零，令粒子的個體最優(yōu)值與初始值相同，并計算各個粒子的適應(yīng)度，選擇適應(yīng)度最小的粒子為當(dāng)前的全局最優(yōu)解。粒子適應(yīng)度的計算方法為首先定義矩陣
權(quán)利要求
1.本發(fā)明利用保幅處理的高分辨率地震資料進(jìn)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(shù)公式，并使用了粒子群算法進(jìn)行尋優(yōu)。這ー措施可以減少人為誤差，有效的提聞反演的精度。
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(xiàn)上述目的采取的技術(shù)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(shù)、橫波速度反射系數(shù)、密度反射系數(shù)、以及橫縱波速度比的取值范圍，設(shè)定最大迭代次數(shù)以及種群的大小，給定權(quán)重因子和學(xué)習(xí)因子，設(shè)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(shù)、橫波速度反射系數(shù)、密度反射系數(shù)、以及橫縱波速度比用隨機數(shù)進(jìn)行初始化，并設(shè)定初始速度為零，令粒子的個體最優(yōu)值與初始值相同，并計算各個粒子的適應(yīng)度，選擇適應(yīng)度最小的粒子為當(dāng)前的全局最優(yōu)解。
步驟3 :比較當(dāng)前的全局最優(yōu)的適應(yīng)度是否達(dá)到了誤差容許范圍，如果達(dá)到誤差容許范圍就停止計算，輸出全局最優(yōu)為反演結(jié)果，否則進(jìn)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(shù)増加一次，若迭代次數(shù)超過最大迭代次數(shù)，則停止計算，輸出全局最優(yōu)。
步驟5 :重新計算粒子的適應(yīng)度，檢測各個粒子的適應(yīng)度是否小于更新前的適應(yīng)度，若小于則更新粒子的個體最優(yōu)為粒子更新后的位置。
步驟6 :比較新的個體最優(yōu)，選擇適應(yīng)度最小的個體最優(yōu)作為全局最優(yōu)，判斷全局最優(yōu)是否達(dá)到誤差容許范圍，達(dá)到誤差容許范圍就輸出全局最優(yōu)為反演結(jié)果，否則回到步驟4，直到處理完地下所有計算點。
2.根據(jù)權(quán)利要求書I所述的粒子群優(yōu)化算法疊前非線性反演方法，其特征在于，所述的各個步驟中的縱波速度反射系數(shù)、橫波速度反射系數(shù)、密度反射系數(shù)、橫縱波速度比按以下方式定義 在地球物理學(xué)中，連續(xù)函數(shù)x(t)的反射系數(shù)的定義為，
3.根據(jù)權(quán)利要求書I所述的粒子群優(yōu)化算法疊前非線性反演方法，其特征在于，所述的步驟2、3、5中的粒子適應(yīng)度的計算方法為 首先定義矩陣
全文摘要
隨著我國經(jīng)濟持續(xù)穩(wěn)定的增長，對能源的需求也持續(xù)快速增加，我們將面臨石油天然氣資源短缺的嚴(yán)峻考驗。儲層預(yù)測是石油勘探生產(chǎn)中的重要研究環(huán)節(jié)，優(yōu)質(zhì)儲層的發(fā)現(xiàn)需要充分利用地震資料所蘊含的地下地層的構(gòu)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(guī)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(shù)。本發(fā)明對粒子群優(yōu)化算法這一課題展開研究，以粒子群優(yōu)化算法的思想和原理為基礎(chǔ)，將左普利茨(Zoeppritz)方程進(jìn)行推導(dǎo)簡化，使其適于粒子群優(yōu)化算法的求解，然后將粒子群優(yōu)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(jìn)行疊前反演取得令人滿意的結(jié)果。
文檔編號G01V1/28GK102854528SQ20121024178
公開日2013年1月2日 申請日期2012年7月13日 優(yōu)先權(quán)日2012年7月13日
發(fā)明者孫贊東, 陳蕾, 張遠(yuǎn)銀 申請人:孫贊東, 陳蕾, 張遠(yuǎn)銀