[发明专利]粒子群优化算法叠前非线性反演方法

说明书

技术领域

本发明涉及油气田勘探技术领域，属于地震资料反演范畴，具体的说是通过粒子群优化算法解决非线性的地震反演问题。 

背景技术

利用地震资料进行储层岩性识别和流体预测一直是地球物理学家努力追求的目标。地震叠前反演即AVO反演的理论基础是著名的左普利茨(Zoeppritz)方程组。Ostrander(1984)在研究“亮点型”砂岩储层地震振幅特征过程中，发现了“含气砂岩反射振幅随偏移距增加而增大，含水砂岩反射振幅随偏移距增加而减小”的现象，这一现象极大的改善了烃类检测的能力，将人们的视线从叠后引向叠前，标志着实用AVO技术的出现。但是，左普利茨方程十分复杂，物理含义也不明确。国内外地球物理学家对其进行了很多形式的研究和简化，得到了一系列近似公式。Bortfeld(1961)利用地层厚度趋于零来逼近单界面的方法计算了平面纵波和透射波的反射系数，给出了区分流体和固体的简化公式。Aki和Richards于1980年提出的近似方程侧重描述了纵、横波速度和密度的变化对反射系数的影响。Shuey(1985)近似方程则将反射系数表示成法线入射与近、中、远不同入射的三项之和的关系式，较直观的反映了振幅与入射角的关系。Smith和Gidlow(1987)在对含气砂岩进行AVO分析时，提出了AVO分析的加权叠加处理方法，并引入了“流体因子”概念。Fatti等(1994)从Aki和Richards方程出发，在弱化地层密度项的前提下，提出了较为精简的公式用于预测含气砂岩的AVO响应。Connolly(1999)提出的弹性阻抗(EI)概念和数学表达式，极大地丰富了AVO分析技术的内涵，扩大了AVO反演技术的外延，将传统的纵波阻抗反演推广到分角度叠加数据。Ozdemir等(2001)提出了利用AVO信息进行弹性参数同步反演，称为“联合反演”。马劲风等(2003)提出了广义弹性波阻抗的概念。近几年，AVO分析和随机反演技术方法不断发展，叠前同步反演方法日益成熟，在同步反演方法中多采用非线性反演技术。AVO的提出最初仅仅是为了提高烃类检测能力，今天AVO的发展早已超出了这个范畴，渗透到地震勘探的各个领域。在裂缝检测、压力预测、油藏动态检测、油气预测、储层非均质性描述方面得到了广泛应用。 

粒子群优化算法(Particle Swarm Optimization，PSO)，又称微粒群算法，是群智能算法(Swarm Intelligence，SI)的一种。最先是由美国学者Kennedy和Eberhart于1995年提出。粒子群算法是受鸟类群体的防御、捕食行为中的搜索策略启发而形成的。自然界中许多生物具有一定的群体行为，如鸟群、鱼群等，虽然群体中单个个体只具有简单的行为规则，但是组成的群体行为却非常复杂。很多科学家对鸟群或者鱼群的群体行为进行了研究，包括计算机仿真。粒子群优化算法从这种模型中得到启示并用于解决优化问题，将优化问题的解看作是搜索空间中的点，称之为“粒子”。每个粒子的运动根据自己和其它粒子的“飞行经验”寻优，从而达到全空间搜索最优解的目的。许多学者和研究人员在基本PSO算法的基础上在参数选择、拓扑结构以及与其他优化算法相融合方面，提出了很多改进的PSO算法。Kennedy和Eberhart于1997年提出了二进制粒子群(Binary Particle Swarm Optimization，BPSO)算法，这是基于连续空间的离散粒子群(Discrete PSO，DPSO)算法。Clerc(2000)针对旅行熵问题(Traveling Salesman Problem，TSP)提出了TSP-DPSO算法，是基于离散空间的DPSO。Jun Sun等(2003)将量子行为引入到粒子群算法中，提出了量子粒子群算法(Quantum PSO，QPSO)。2004年高鹰提出了基于模拟退火的粒子群算法(SA-PSO)。P.S.Shelokar等人于2007年提出了基于蚁群和粒子群算法的混合算法，即PSACO(Particle Swarm Ant Colony Optimization)算法。周雅兰等(2008)把分布估计算法思想引入到PSO算法中，提出基于分布估计的离散粒子群(Estimation of Distribution PSO，EDPSO)算法。林东毅等(2008)将免疫机制引入到BPSO算法中，基于决策表差别矩阵的某种属性重要性度量作为疫苗模式，提出了一种基于免疫粒子群优化的最小属性约简算法，称为免疫离散粒子群算法(IPSO算法)。粒子群算法近年来发展很快，被成功地应用于函数寻优、神经网络训练、模式识别分类、模糊系统控制以及工程等众多领域，大量实际应用证明其是有效的。它有着较好的发展前景，值得做进一步的研究。