CN107884824A - 一种叠前地震数据弹性参数反演问题的改进粒子群算法 - Google Patents

一种叠前地震数据弹性参数反演问题的改进粒子群算法 Download PDF

Info

Publication number
CN107884824A
CN107884824A CN201711013493.2A CN201711013493A CN107884824A CN 107884824 A CN107884824 A CN 107884824A CN 201711013493 A CN201711013493 A CN 201711013493A CN 107884824 A CN107884824 A CN 107884824A
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
msup
elastic parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711013493.2A
Other languages
English (en)
Inventor
颜雪松
朱志新
伍庆华
王丽萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201711013493.2A priority Critical patent/CN107884824A/zh
Publication of CN107884824A publication Critical patent/CN107884824A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/512—Pre-stack
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6224—Density

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种叠前地震数据弹性参数反演问题的改进粒子群算法，该方法对传统的粒子群优化算法予以改进，在对弹性参数进行初始化操作时，运用改进策略对第一组弹性参数的范围予以约束，使其比较接近于真实值，其他组弹性参数采用差值的范围予以约束，可提升反演的精度。该方法改进方式简单高效，算法简单；全局以及局部搜索能力较强，探索效率较高，耗时较少，求解效率较高；针对于传统三参数反演问题，横波波速、纵波波速、密度参数等反演较好；在反演过程中，反演出的振幅地震数据和实际振幅地震数据十分拟合，同时弹性参数之间的相关系数很高。

Description

一种叠前地震数据弹性参数反演问题的改进粒子群算法
技术领域
本发明涉及一种叠前地震数据弹性参数反演问题的改进粒子群算法，是一种利用地震信息进行石油勘探的方法，属于油气地球物理勘探中的地震数据反演技术领域。
背景技术
目前，地震勘探是利用地震信息进行石油勘探的一种方法，由于地震信息可以反映出储层参数的变化趋势，因此，可以使用该方法来预测储层参数。地震数据分为叠前和叠后两种，由于叠前地震数据比叠后地震数据包含了更多的流体信息，而且叠前反演方法具有结果稳定、分辨率高、可控制性强等明显优势。虽然智能算法是解决地球物理反演领域问题的主要方法之一，但它们在地球物理非线性反演中也面临一些难点。首先，这些智能算法自身都存在一些缺陷，遗传算法虽然善于全局搜索能力很强，但是存在局部搜索能力差、易早熟等问题；粒子群优化算法的问题最主要的是它容易产生早熟收敛(尤其是在处理复杂的多峰搜索问题中)、局部寻优能力较差等，粒子群优化算法陷入局部最小，主要归咎于种群在搜索空间中多样性的丢失。其次，在使用这些智能算法进行非线性反演问题研究时，在搜索解的过程中，常常存在计算效率低下等问题。遗传算法在进入算法后期时，由于局部搜索效率较差，导致搜索效率降低，耗时较多。算法的搜索效率与反演问题的求解效率紧密相关，搜索效率低下，问题的求解效率也必然低下。
针对于传统三参数反演问题，横波波速、纵波波速这两项往往能反演的很好，但密度项却很差，这是一个亟待解决的问题。在反演过程中，同样存在反演出的振幅地震数据和实际振幅地震数据十分拟合，但反演出的弹性参数与实际弹性参数存在较大误差，也就是弹性参数之间的相关系数很低，这同样也是一个亟待解决的问题。
发明内容
本发明的目的是解决传统三参数的反演问题，提高反演问题的求解效率，为叠前地震数据参数反演问题提供一种更为高效的改进粒子群算法。
为了实现上述目的，本发明采用的技术方案是：一种叠前地震数据弹性参数反演问题的改进粒子群算法，包括如下步骤：
步骤S1：对油田地下储层测井中的若干点进行采样，获取若干组弹性参数，测量出对应采样点的若干组地震记录值；
步骤S2：对步骤S1得到的所述若干组弹性参数进行初始化操作以获取取值范围，在所述取值范围内随机选取若干组弹性参数；
步骤S3：利用步骤S2中得到的所述随机选取的若干组弹性参数，测量其对应的若干组地震记录值；
步骤S4：基于反演目标函数，将步骤S3得到的地震记录值与所述步骤S1中的地震记录值比较，获得反演目标函数值，若反演目标函数值小于目标函数预设值，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则进入步骤S5；
步骤S5：对步骤S2中得到的所述弹性参数进行迭代运算，更新所述弹性参数的数值，迭代次数增加一次，若迭代次数超过最大迭代次数，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则回到步骤S3。
进一步地，每一组所述弹性参数为纵波速度Vp、横波速度Vs和密度ρ。
进一步地，所述步骤S1中对油田地下储层n+1个采样点进行测井，获取n+1组弹性参数：
[Vpi，Vsi，ρi]，(其中i＝1,2…,n+1)；
测量获得m组地震记录值：
[s(θij)](其中i＝1,2…,n；j＝1,2…m)
其中，Vpi，Vsi，ρi依次为第i组弹性参数中的纵波速度、横波速度和密度，[s(θij)]为第i层采样点中第j个角度对应的地震记录值，θ为角度。
进一步地，所述改进的粒子群优化算法中的每个粒子是长度为3n+3的实数型一维数组，所述步骤S2中初始化操作获取的取值范围是根据所述步骤S1中测井获取的n+1组共3n+3个弹性参数所定的。
进一步地，所述步骤S2中初始化操作获取的取值范围约束如下：第一组三个弹性参数的值按如下约束随机选取：
0.9·Vp1well≤Vp1≤1.1·Vp1well
0.9·Vs1well≤Vs1≤1.1·Vs1well
0.95·ρ1well≤ρ1≤1.05·ρ1well
第二组到第n组三个弹性参数的值按如下约束随机选取：
其中，Vpiwell为步骤S1中的测井第i层的纵波波速，Vsiwell为步骤S1中的测井第i层的横波波速，ρiwell为步骤S1中的测井第i层的密度，Vpi为初始化生成的第i层的纵波波速，ΔVpi为初始化生成的第i层和第i+1层的纵波波速差值，Vsi为初始化生成的第i层的横波波速，ΔVsi为初始化生成的第i层和第i+1层的横波波速差值，ρi为初始化生成的第i层的密度，Δρi为初始化生成的第i层和第i+1层的密度差值。
进一步地，步骤S3中测量所述弹性参数对应的所述地震记录值，包括如下步骤：
步骤1：使用Aki&Rechard近似方程计算反射系数Rpp，表达式如下：
其中，ΔVp，ΔVs，Δρ分别表示上下两层Vp、Vs和ρ的差值，和表示上下层Vp、Vs和ρ的平均值，θ为角度，
步骤2：获取雷克子波，表达式如下：
其中，Vm为主频，t为时间，可以手动设置；
步骤3：将所述反射系数与所述雷克子波进行褶积计算，表达式如下：
s(θ)＝Rpp(θ)*f(t)+n(t)
其中，Rpp(θ)为反射系数函数，f(t)为地震子波，n(t)为噪声。
进一步地，步骤S4中所述反演目标函数的建立，表达式如下：
其中，s(θi,j)为步骤S1中得到的所述地震记录值，s'(θi,j)为步骤S3中得到的所述地震记录值。
进一步地，步骤S5中的对所述弹性参数进行迭代运算，在每次迭代中，所述每个粒子通过个体极值和全局极值或局部极值来更新其弹性参数的数值，依据如下公式进行更新：
Vmin＝-Vmax
其中，是第i个粒子第j个维度上的速度，w是惯性权重，是第i个粒子第j个维度上的位置，是个体极值，是全局极值，rand()是0到1之间的随机数，c1、c2是学习因子，Vmax、Vmin分别对应第i个粒子第j个维度上的移动距离的最大、最小值。
进一步地，所述c1、c2的值均为2，所述w的值为0.5，所述粒子的个数为40个，所述最大迭代次数为5000。
与现有技术相比，本发明的方法具有的有益效果是：
1、全局以及局部搜索能力较强，探索效率较高，耗时较少，求解效率较高；
2、针对于传统三参数反演问题，横波波速、纵波波速、密度参数等反演较好；
3、在反演过程中，反演出的振幅地震数据和实际振幅地震数据十分拟合，同时反演出的弹性参数与实际弹性参数误差较小，也就是弹性参数之间的相关系数很高；
4、针对粒子群优化算法的改进没有采用传统的混合其他算法进行改进，改进方式简单高效，算法简单，易于理解。
附图说明
图1为本发明叠前地震数据参数反演问题的改进粒子群算法的反演流程图；
图2为本发明针对八个不同角度对应的地震记录；
图3为本发明对三种算法实验得到的三个弹性参数平均相关系数对比图；
图4为本发明对三种算法实验得到的反演目标函数图。
具体实施方式
为进一步方便本领域普通技术人员更好地理解本发明的实质，下面结合附图和实施例对本发明作进一步的详述：
如图1所示，本发明提供一种叠前地震数据弹性参数反演问题的改进粒子群算法，包括如下步骤：
步骤S1：对油田地下储层测井中的若干点进行采样，获取若干组弹性参数，测量出对应采样点的若干组地震记录值；
步骤S2：对步骤S1得到的所述若干组弹性参数进行初始化操作以获取取值范围，在所述取值范围内随机选取若干组弹性参数；
步骤S3：利用步骤S2中得到的所述随机选取的若干组弹性参数，测量其对应的若干组地震记录值；
步骤S4：基于反演目标函数，将步骤S3得到的地震记录值与所述步骤S1中的地震记录值比较，获得反演目标函数值，若反演目标函数值小于目标函数预设值，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则进入步骤S5；
步骤S5：对步骤S2中得到的所述弹性参数进行迭代运算，更新所述弹性参数的数值，迭代次数增加一次，若迭代次数超过最大迭代次数，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则回到步骤S3。
具体地，每一组弹性参数为纵波速度Vp、横波速度Vs和密度ρ。假设有n个采样点，每个采样点作为一层，也就是有n层，求解模型的弹性参数为3*n个，则对应的个体编码方式可以用公式(1)表示。
Gi＝(Vp1,Vs1,ρ1,Vp2,Vs2,ρ2,…,Vpn,Vsn,ρn),n＝1,2,…,241 (1)
在种群空间中，采用传统的实数编码设计种群个体(粒子)，通过在一定范围内随机初始化的方法对种群个体进行初始化，每个粒子由一组实数构成。假设种群规模为N个粒子，其中Vpj,Vsj,ρj表示个体Gi的第j个采样点对应的三参数的值，其变化范围根据实际测井数据进行设定。
在步骤S2中，对步骤S1得到的所述若干组弹性参数进行初始化操作以获取取值范围，本发明采用如下策略进行初始化：
第一组三参数bound范围约束如公式(2)所示：
0.9·Vp1well≤Vp1≤1.1·Vp1well
0.9·Vs1well≤Vs1≤1.1·Vs1well
0.95·ρ1well≤ρ1≤1.05·ρ1well (2)
第二组到第n组三参数约束如公式(3)所示：
其中，Vpiwell为步骤S1中的测井第i层的纵波波速，Vsiwell为步骤S1中的测井第i层的横波波速，ρiwell为步骤S1中的测井第i层的密度，Vpi为初始化生成的第i层的纵波波速，ΔVpi为初始化生成的第i层和第i+1层的纵波波速差值，Vsi为初始化生成的第i层的横波波速，ΔVsi为初始化生成的第i层和第i+1层的横波波速差值，ρi为初始化生成的第i层的密度，Δρi为初始化生成的第i层和第i+1层的密度差值。
本发明中的初始化策略并不局限于上述限定，也可以是第一组到第x组的三参数按公式(2)约束范围，第x+1组到第n组的三参数按公式(3)约束范围，其中x＝1,2……n-1。本发明中，可以假设测井记录为n＝241层，即采样点为241个，则地震记录为240层，其中选取的粒子群中的粒子数为N＝40个。
建立反演褶积模型是进行叠前AVO(Amplitude variation with offset，振幅随偏移距的变化)弹性参数反演的主要步骤之一，反演褶积模型用于计算地震记录值。在步骤S3中，利用步骤S2得到的所述随机选取的若干组弹性参数，测量其对应采样点的若干组地震记录值的基本步骤如下：
步骤1：使用Aki&Rechard近似方程计算反射系数Rpp，表达式如公式(4)所示：
其中，ΔVp，ΔVs，Δρ分别表示上下两层Vp、Vs和ρ的差值， 和表示上下层Vp、Vs和ρ的平均值，θ为角度，根据实际数据计算得出，根据该公式可以获得Rpp，作为地震记录褶积运算的一个分量；
步骤2：获取地震子波，地震子波是地震记录褶积模型的另一个分量，通过将子波与反射系数做褶积运算得到地震记录数据，适用于建立正演模型和制作合成地震道记录，本发明使用的是雷克子波，是一种零相位的地震子波，获取雷克子波，表达式如公式(5)所示：
其中，Vm为主频，t为时间，可以手动设置；
步骤3：将所述反射系数与所述雷克子波进行褶积计算，表达式如公式(6)所示：
s(θ)＝Rpp(θ)*f(t)+n(t) (6)
其中，Rpp(θ)为反射系数函数，f(t)为地震子波，n(t)为噪声，在本发明中不考虑噪声因素，计算出的s(θ)可用来构建反演目标函数。
本发明使用的是在叠前共中心点道集中，非零炮检距地震道的反射系数包含纵波、横波及密度的信息的，强调岩性参数变化量的Aki&Rechard的近似方程。在使用Aki&Rechard提出的基于Zoeppritz近似方程计算反射系数Rpp的过程中，每个Rpp是根据上下两层的弹性参数求得的，但经过数学变换，Aki&Rechard近似方程最终可以由上层的弹性参数，以及上下两层弹性参数的差值来表示。公式(4)的变换过程可以用公式(7)表示：
假设Vp1比较接近真实值，ΔVp也比较接近真实值，那么Vp2也会接近真实值，以此类推，Vp3,Vp4,...,Vpn均会接近真实值，Vs、ρ同样会如此。这样计算出的反射系数Rpp也会十分精确，达到这样的效果很显然第一组三个弹性参数需要比较接近真实值。
在步骤S4中，基于反演目标函数，将步骤S3得到的地震记录值与所述步骤S1中的地震记录值比较，获得反演目标函数值。模拟-优化方法是把叠前AVO弹性参数反演问题转化为优化问题，然后利用优化算法进行求解。从优化的角度来看，当优化后的弹性参数生成的反演地震数据和实际的地震记录数据的差值为0或小于某一阈值时，则认为该弹性参数是符合要求的。因为优化算法会根据反演目标函数转换的适应度函数来评价个体的好坏，所以针对反演问题所构建的反演目标函数的优劣是影响叠前AVO弹性参数反演效果的主要因素，本发明中的反演目标函数即为适应度函数。
在本发明中，首先利用Aki&Rechard近似方程求出Rpp的值，即反射纵波的反射系数，然后通过对Rpp和子波进行褶积，得到合成地震记录数据。设采样点数为n，每个采样点需要m个不同的角度，计算出n×m个地震记录数据。最后，将通过优化得到的每个采样点的m组地震记录数据与实际的地震记录数据做差后平方，累加求和后除以m，然后将n个采样点求得的该数据累加后除以n，将最后结果开方后，即是所求。根据以上公式推导，可建立反演目标函数如公式(8)所示：
其中，s(θi,j)为正演地震记录，即步骤S1中得到的所述地震记录值，s'(θi,j)为反演地震记录，即步骤S3中得到的所述地震记录值。
由于反射系数Rpp的计算是通过弹性参数Vp、Vs和ρ得到的，并且最终计算得到同一组反演地震数据由无限种Vp、Vs和ρ组合得到。因此，存在三参数都有误差计算得到的反演地震数据和两参数没有误差、一个参数存在误差计算得到的反演地震数据相同的情况。为了更好地评价优化算法对叠前AVO弹性参数反演结果的好坏，本发明采用了皮尔逊积矩相关系数(Pearson product-moment correlation coefficient，又称作PPMCC或PCCs)来度量反演出的三参数与实际的三参数的相关情况，建立的相关系数函数如公式(9)所示：
其中，Xi为三参数某个参数标准值，Yi为与之对应的反演值，分别为一组值的平均值。
由于地震数据求解过程十分复杂，反演目标函数值越小，三参数的相关系数不一定越高，并且，三参数的相关系数越高，目标函数值同样也不一定越小，但是，当目标函数达到理论最优值即为0的时候，Vp、Vs和ρ的相关系数均能达到理论最优值1。因此，本发明通过将目标函数值和相关系数相结合的方式共同评判反演结果的优劣。最终目标是既能使得反演得到的目标函数值小，同时也让三参数的相关系数高。
本发明中，利用Zoeppritz近似方程对模型进行正演，设测井层数为241层，也即采样点数为241个，地震记录为240层，每个采样点分别取0°,6°,11°,17°,23°,29°,34°和40°这八个角度，计算各层的反射系数，计算出的八个反射系数序列与零相位雷克子波进行褶积计算，得到合成的地震记录，即角道集数据如图2所示。
如图3所示，对三种算法实验得到的三参数平均相关系数对比，从左往右分别是遗传算法(genetic algorithm,GA)、粒子群优化算法(particle swarm optimization,PSO)、改进的粒子群优化算法(improved particle swarm optimization,IPSO)的Vp、Vs和ρ的相关系数，可知本发明中应用的改进的粒子群优化算法对应的三参数平均相关系数均是最高的。
如图4所示的三种算法实验得到的反演目标函数图，是迭代次数从0到5000的每一代的反演目标函数值曲线图，也即设置最大迭代次数为5000，图中的三条曲线由上至下依次为GA、PSO、IPSO对应反演目标函数值曲线，可知本发明中应用的改进的粒子群优化算法的反演结果是最优的。
本发明的方法改进方式简单高效，算法简单；全局以及局部搜索能力较强，探索效率较高，耗时较少，求解效率较高；针对于传统三参数反演问题，横波波速、纵波波速、密度参数等反演较好；在反演过程中，反演出的振幅地震数据和实际振幅地震数据十分拟合，同时弹性参数之间的相关系数很高。
综上所述，以上仅对本发明进行了详细说明，但并不应以此限制本发明的保护范围。但凡依照本发明的技术方案所做的简单改进、修饰或等效变换，都落在本发明的权利要求保护范围之内。

Claims (9)

1.一种叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于，包括如下步骤：
步骤S1：对油田地下储层测井中的若干点进行采样，获取若干组弹性参数，测量出对应采样点的若干组地震记录值；
步骤S2：对步骤S1得到的所述若干组弹性参数进行初始化操作以获取取值范围，在所述取值范围内随机选取若干组弹性参数；
步骤S3：利用步骤S2中得到的所述随机选取的若干组弹性参数，测量其对应的若干组地震记录值；
步骤S4：基于反演目标函数，将步骤S3得到的地震记录值与所述步骤S1中的地震记录值比较，获得反演目标函数值，若反演目标函数值小于目标函数预设值，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则进入步骤S5；
步骤S5：对步骤S2中得到的所述弹性参数进行迭代运算，更新所述弹性参数的数值，迭代次数增加一次，若迭代次数超过最大迭代次数，则停止计算，输出此时的弹性参数以及对应的地震记录值，否则回到步骤S3。
2.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：每一组所述弹性参数为纵波速度Vp、横波速度Vs和密度ρ。
3.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：所述步骤S1中对油田地下储层测井中采样n+1个点，获取n+1组弹性参数：
[Vpi，Vsi，ρi]，(其中i＝1,2…,n+1)；
测量获得m组地震记录值：
[s(θij)](其中i＝1,2…,n；j＝1,2…m)
其中，Vpi，Vsi，ρi依次为第i组弹性参数中的纵波速度、横波速度和密度，[s(θij)]为第i层采样点中第j个角度对应的地震记录值，θ为角度。
4.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：所述改进的粒子群优化算法中的每个粒子是长度为3n+3的实数型一维数组，所述步骤S2中初始化操作获取的取值范围是根据所述步骤S1中测井获取的n+1组共3n+3个弹性参数所定的。
5.根据权利要求4所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：所述步骤S2中初始化操作获取的取值范围约束如下：第一组三个弹性参数的值按如下约束随机选取：
0.9·Vp1well≤Vp1≤1.1·Vp1well
0.9·Vs1well≤Vs1≤1.1·Vs1well
0.95·ρ1well≤ρ1≤1.05·ρ1well
第二组到第n组三个弹性参数的值按如下约束随机选取：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>Vp</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>Vp</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;Delta;Vp</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>Vs</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>Vs</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;Delta;Vs</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;Delta;&amp;rho;</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.8</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>Vp</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Vp</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;Vp</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>1.2</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>Vp</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Vp</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.8</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>Vs</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Vs</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;Vs</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>1.2</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>Vs</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Vs</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.9</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;&amp;rho;</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>1.1</mn> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>w</mi> <mi>e</mi> <mi>l</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow>
其中，Vpiwell为步骤S1中的测井第i层的纵波波速，Vsiwell为步骤S1中的测井第i层的横波波速，ρiwell为步骤S1中的测井第i层的密度，Vpi为初始化生成的第i层的纵波波速，ΔVpi为初始化生成的第i层和第i+1层的纵波波速差值，Vsi为初始化生成的第i层的横波波速，ΔVsi为初始化生成的第i层和第i+1层的横波波速差值，ρi为初始化生成的第i层的密度，Δρi为初始化生成的第i层和第i+1层的密度差值。
6.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：步骤S3中测量所述弹性参数对应的所述地震记录值，包括如下步骤：
步骤1：使用Aki&Rechard近似方程计算反射系数Rpp，表达式如下：
<mrow> <msub> <mi>R</mi> <mrow> <mi>p</mi> <mi>p</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msup> <mi>tan</mi> <mn>2</mn> </msup> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mfrac> <mrow> <msub> <mi>&amp;Delta;V</mi> <mi>p</mi> </msub> </mrow> <mover> <msub> <mi>V</mi> <mi>p</mi> </msub> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <msup> <mi>sin</mi> <mn>2</mn> </msup> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mfrac> <mrow> <msub> <mi>&amp;Delta;V</mi> <mi>s</mi> </msub> </mrow> <mover> <msub> <mi>V</mi> <mi>s</mi> </msub> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>4</mn> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <msup> <mi>sin</mi> <mn>2</mn> </msup> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mfrac> <mrow> <mi>&amp;Delta;</mi> <mi>&amp;rho;</mi> </mrow> <mover> <mi>&amp;rho;</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> </mrow>
其中，ΔVp，ΔVs，Δρ分别表示上下两层Vp、Vs和ρ的差值， 和表示上下层Vp、Vs和ρ的平均值，θ为角度，
步骤2：获取雷克子波，表达式如下：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msup> <mi>&amp;pi;</mi> <mn>2</mn> </msup> <msup> <msub> <mi>V</mi> <mi>m</mi> </msub> <mn>2</mn> </msup> <msup> <mi>t</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mi>&amp;pi;</mi> <mn>2</mn> </msup> <msup> <msub> <mi>V</mi> <mi>m</mi> </msub> <mn>2</mn> </msup> <msup> <mi>t</mi> <mn>2</mn> </msup> </mrow> </msup> </mrow>
其中，Vm为主频，t为时间，可以手动设置；
步骤3：将所述反射系数与所述雷克子波进行褶积计算，表达式如下：
s(θ)＝Rpp(θ)*f(t)+n(t)
其中，Rpp(θ)为反射系数函数，f(t)为地震子波，n(t)为噪声。
7.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：步骤S4中所述反演目标函数的建立，表达式如下：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>s</mi> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>-</mo> <msup> <mi>s</mi> <mo>&amp;prime;</mo> </msup> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mi>m</mi> </mrow> </mfrac> </msqrt> </mrow>
其中，s(θi,j)为步骤S1中得到的所述地震记录值，s'(θi,j)为步骤S3中得到的所述地震记录值。
8.根据权利要求1所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：步骤S5中的对所述弹性参数进行迭代运算，在每次迭代中，所述每个粒子通过个体极值和全局极值或局部极值来更新其弹性参数的数值，依据如下公式进行更新：
<mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msubsup> <mi>pbest</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>-</mo> <msubsup> <mi>population</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mo>&amp;CenterDot;</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msubsup> <mi>gbest</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>-</mo> <msubsup> <mi>population</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>V</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>bound</mi> <mn>1</mn> <mi>j</mi> </msubsup> <mo>-</mo> <msubsup> <mi>bound</mi> <mn>0</mn> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mn>0.1</mn> </mrow>
Vmin＝-Vmax
<mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>V</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>&gt;</mo> <mi>V</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>V</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>&lt;</mo> <mi>V</mi> <mi>min</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mrow> <msubsup> <mi>population</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <msubsup> <mi>population</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mi>j</mi> </msubsup> </mrow>
其中，是第i个粒子第j个维度上的速度，w是惯性权重，是第i个粒子第j个维度上的位置，是个体极值，是全局极值，rand()是0到1之间的随机数，c1、c2是学习因子，Vmax、Vmin分别对应第i个粒子第j个维度上的移动距离的最大、最小值。
9.根据权利要求8所述的叠前地震数据弹性参数反演问题的改进粒子群算法，其特征在于：所述c1、c2的值均为2，所述w的值为0.5，所述粒子的个数为40个，所述最大迭代次数为5000。
CN201711013493.2A 2017-10-25 2017-10-25 一种叠前地震数据弹性参数反演问题的改进粒子群算法 Pending CN107884824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711013493.2A CN107884824A (zh) 2017-10-25 2017-10-25 一种叠前地震数据弹性参数反演问题的改进粒子群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711013493.2A CN107884824A (zh) 2017-10-25 2017-10-25 一种叠前地震数据弹性参数反演问题的改进粒子群算法

Publications (1)

Publication Number Publication Date
CN107884824A true CN107884824A (zh) 2018-04-06

Family

ID=61782487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711013493.2A Pending CN107884824A (zh) 2017-10-25 2017-10-25 一种叠前地震数据弹性参数反演问题的改进粒子群算法

Country Status (1)

Country Link
CN (1) CN107884824A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596354A (zh) * 2020-05-11 2020-08-28 同济大学 一种机器学习框架下考虑空间约束的地震储层预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854528A (zh) * 2012-07-13 2013-01-02 孙赞东 粒子群优化算法叠前非线性反演方法
CN103454677A (zh) * 2013-09-18 2013-12-18 成都晶石石油科技有限公司 基于粒子群与线性加法器结合的地震数据反演方法
CN104570101A (zh) * 2013-10-09 2015-04-29 中国石油化工股份有限公司 一种基于粒子群算法的avo三参数反演方法
EP2310880B1 (en) * 2008-08-06 2017-08-02 Halliburton Energy Services, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN107024717A (zh) * 2017-05-27 2017-08-08 伍庆华 一种用于叠前地震数据参数反演的改进遗传算法
CN107193044A (zh) * 2017-05-31 2017-09-22 河海大学 一种混合全局优化算法的叠前地震多参数反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2310880B1 (en) * 2008-08-06 2017-08-02 Halliburton Energy Services, Inc. Systems and methods employing cooperative optimization-based dimensionality reduction
CN102854528A (zh) * 2012-07-13 2013-01-02 孙赞东 粒子群优化算法叠前非线性反演方法
CN103454677A (zh) * 2013-09-18 2013-12-18 成都晶石石油科技有限公司 基于粒子群与线性加法器结合的地震数据反演方法
CN104570101A (zh) * 2013-10-09 2015-04-29 中国石油化工股份有限公司 一种基于粒子群算法的avo三参数反演方法
CN107024717A (zh) * 2017-05-27 2017-08-08 伍庆华 一种用于叠前地震数据参数反演的改进遗传算法
CN107193044A (zh) * 2017-05-31 2017-09-22 河海大学 一种混合全局优化算法的叠前地震多参数反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王丽萍: "智能优化算法叠前AVO非线性反演研究", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596354A (zh) * 2020-05-11 2020-08-28 同济大学 一种机器学习框架下考虑空间约束的地震储层预测方法
CN111596354B (zh) * 2020-05-11 2021-06-04 同济大学 一种机器学习框架下考虑空间约束的地震储层预测方法

Similar Documents

Publication Publication Date Title
Dorrington et al. Genetic-algorithm/neural-network approach to seismic attribute selection for well-log prediction
US5838634A (en) Method of generating 3-D geologic models incorporating geologic and geophysical constraints
CN101872024B (zh) 一种利用时移地震进行井位部署的方法
CN104570101A (zh) 一种基于粒子群算法的avo三参数反演方法
CN103527184A (zh) 一种白云岩储层的预测方法和***
CN104237937B (zh) 叠前地震反演方法及其***
CN106707339A (zh) 一种深度域相控反演方法
CN102880903A (zh) 混沌量子粒子群模糊神经网络叠前非线性流体识别方法
Veeken et al. Nonlinear multitrace genetic inversion applied on seismic data across the Shtokman field, offshore northern Russia
Kianoush et al. Compressional and shear interval velocity modeling to determine formation pressures in an oilfield of SW Iran
CN110895348A (zh) 一种地震弹性阻抗低频信息提取方法、***及存储介质
Coléou et al. Petrophysical seismic inversion
Sun et al. Intelligent AVA inversion using a convolution neural network trained with pseudo-well datasets
Zhang et al. AVA simultaneous inversion of prestack seismic data using particle swarm optimization
Walls et al. North Sea reservoir characterization using rock physics, seismic attributes, and neural networks; a case history
CN107884824A (zh) 一种叠前地震数据弹性参数反演问题的改进粒子群算法
Hosseini et al. A Meta attribute for reservoir permeability classification using well logs and 3D seismic data with probabilistic neural network.
Malvić et al. Neural networks in petroleum geology as interpretation tools
CN111175824B (zh) 岩相驱动下的时频联合域地震反演方法
Russell et al. Combining geostatistics and multiattribute transforms-A channel sand case study
Li et al. Well Log Prediction Using Deep Sequence Learning
Chopra et al. Improving porosity and gamma-ray prediction for the Middle Jurassic Hugin sandstones in the southern Norwegian North Sea with the application of deep neural networks
Amiri Bakhtiar et al. Sand fraction prediction from seismic attributes using optimized support vector regression in an oil reservoir
CN111399045A (zh) 一种基于统计约束的叠后密度反演方法
Wang et al. Stochastic inversion based on spectral simulation of non-stationary statistical characteristic parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180406

RJ01 Rejection of invention patent application after publication