[发明专利]一种聚类分析优化粒子群储层属性预测方法

摘要

一种聚类分析优化粒子群储层属性预测方法。本发明一种利用地震属性预测储层属性的方法，该预测方法通过神经网络方法建立符合储层地质变量实际空间变化规律的地震属性与储层参数之间的预测网络模型，来实现对储层特性的空间变化的正确定量描述。本发明采用粒子群算法对神经网络计算过程中的网络权值进行优化计算，得到最优粒子位置后，作为一组最优神经网络权值输出，建立最终预测网络模型。本发明解决了传统粒子群算法中收敛速度过快，往往导致收敛到局部最优解，而不是得到全局最优解，储层属性预测结果不够精确的问题。

主权项

1.一种聚类分析优化粒子群储层属性预测方法，该预测方法通过神经网络方法建立符合储层地质变量实际空间变化规律的地震属性与储层属性之间的预测网络模型，来实现对储层特性的空间变化的正确定量描述，其特征在于：在利用神经网络方法建立预测网络模型时，利用粒子群优化算法对神经网络权值进行优化计算，优化计算包括如下步骤：步骤1：随机产生初始粒子群；步骤2：利用每个粒子群的位置作为神经网络的一组权值，组成多个网络，利用神经网络方法建立初始预测网络模型；步骤3，将地震属性所作为神经网络的输入值，利用第2步建立的初始预测网络模型计算待预测的储层属性；设定粒子群优化算法及指定迭代次数，进行粒子位置和速度的迭代更新当迭代次数大于指定的值时，利用聚类分析算法对粒子的速度和位置情况进行分析，判断是否过快收敛，如果不过快收敛，根据公式(1)更新每个粒子的速度和位置，否则，重新随机分配粒子速度和位置并返回步骤1；vi(d+1)＝ω·vid+c1·rand()·(pid‑xid)+c2·rand()·(pgd‑xid)   公式(1)；其中，xi(d+1)＝xid+vid其中公式中各个参数意义如下：目前位置：xi＝(xi1，xi2，…，xid)，历史最优位置：pi＝(pi1，pi2，…，pid)速度：vi＝(vi1，vi2，…，vid)d为迭代次数，i为神经网络权值序号，vid为第d次迭代的速度，vi(d+1)为第d+1次迭代的速度，xid为序号为i的神经网络权值第d次迭代后的位置，xi(d+1)为序号为i的神经网络权值第d+1次迭代后的位置，pid为序号为i的神经网络权值第d次迭代后的最优位置；pgd为全局最优位置，ω为惯性权重，它决定了粒子先前速度对当前速度的影响程度，从而起到平衡算法全局搜索和局部搜索能力的作用；取值范围为[0.9，1.2]、c1和c2为加速系数取值都为2，rand()为介于[0，1]之间的随机数，pid为第i个粒子搜索到的最优位置；步骤4：判断每个粒子的适应度是否满足要求，若满足要求，进入步骤5，否则，返回步骤1；步骤5满足适应度条件时，位置迭代公式终止，即得到最优粒子位置，作为一组最优神经网络权值输出，对初步预测网络模型进行修改，建立最终预测网络模型。