一种基于进化优化算法的地震随机反演方法技术

本发明专利技术公开了一种基于进化优化算法的地震随机反演方法。本发明专利技术主要是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演。本发明专利技术优化方法适合高维空间优化，能减少迭代次数，使物性参数的模拟路径朝着最佳方向进行，在解决复杂的非线性、非连续、凸优化、多维、非光滑、病态、含噪音等问题的优化表现优秀。依据本发明专利技术方法可以快速地优化样本空间，更新概率分布均值和协方差，得到下一代更好的估计分布，实现迭代优化的目的。

A random inversion method of earthquake based on evolutionary optimization algorithm

【技术实现步骤摘要】
一种基于进化优化算法的地震随机反演方法
本专利技术属于地震勘探的波阻抗反演领域，具体涉及一种快速优化算法引入到地震随机反演中来的基于进化优化算法的地震随机反演方法。
技术介绍
在地震勘探中，地震反演的最终目的是帮助地球科学家利用所有可用的数据和技术，建立具有较少不确定性的含油气的储层模型。储层建模的早期方法是利用“克里金”(Kriging)技术进行井插值，该方法利用二维或三维空间中不规则分布的数据来预测岩石性质的空间分布，是一种线性插值方法，预测出的地震数据在远离井的地方较平滑，不能体现地下储层的非均质性。“序贯高斯模拟”(SequentialGaussianSimulation，简称SGS)方法利用局部“克里金”概率密度函数随机生成弹性参数，能更逼近真实模型，并且具有较高的分辨率。随着序贯高斯模拟方法的发展出现了基于SGS的地震随机反演方法。其含义是在SGS随机生成弹性参数的时候添加地震数据做约束，这样既能生成分辨率比较高的岩性信息，这些信息也匹配地震数据。由于SGS插值利用了井和地层解释信息，外加地震约束后，反演结果不确定性更小，降低了地震勘探的风险。基于SGS的地震随机反演方法由于能够更精细准确的刻画地下储层情况，在叠后反演中运用较多，但是考虑到需要从众多的模拟岩性信息道中搜索出匹配地震数据的信息道，计算量巨大，需要对这一“反演”过程进行优化。适合此类优化方法众多，如模拟退火方法，蒙特卡洛方法等等，但是这些方法存在的问题有：(1)收敛慢；(2)计算量大；(3)方法应用接口复杂等。
技术实现思路
本专利技术的目的在于提供一种实现快速、稳定反演，从而得到高分辨率反演结果的基于进化优化算法的地震随机反演方法。本专利技术基于进化优化算法的地震随机反演方法，是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；(5)随机选择新的无井网格点位置B，将A视为一口新井，连同已有井，对B做步骤(1)至步骤(4)同样的处理和优化过程，得到位置B的最终分布；(6)依照位置A和B的处理过程，处理工区内其它所有无井点，最后得到所有无井点的最终优化的分布。具体的，所述CMAES优化算法可用公式(1)来表达：式(1)中，各参数含义是：g为迭代或者进化的次数，g+1表示第g+1次迭代；x为抽样集合；k为抽样集合中样本的维数；m为抽样集合估计的正态分布均值；σ为抽样集合估计的正态分布方差；C为抽样结合的协方差；N为正态分布符号函数；cm为学习快慢因子；wi为第i个权重因子，i取值(1，n)；μ为抽样集合中样本的个数；T为矩阵转置符号；公式(1)的主要流程是：(a)首先计算在第g次迭代时，依据g次的均值、方差和协方差，抽样性形成g+1次的抽样样本集合；(b)其次计算m(g+1)：依据第g次的均值、学习快慢因子和g+1次的抽样样本，计算g+1次迭代的均值；(c)最后计算依据已经计算的相关参数，计算g+1次的协方差，之后到下一次迭代转到步骤(a)。本专利技术创新性地首次提出将“协方差矩阵自适应进化策略”(CovarianceMatrixAdaptionEvolutionStrategy，简称CMAES)的优化方法引入到地震随机反演过程来，克服其他方法存在的问题，实现快捷而易于编程的SGS的地震随机反演。“协方差矩阵自适应进化策略”(CMAES)是目前较先进的全局优化算法，由Hansen于2006年首次提出，该算法逐步更新“后验模型”的高斯分布均值和下一代标准差，直至达到目标函数中定义的期望阈值。该优化方法适合高维空间优化，能减少迭代次数，使物性参数的模拟路径朝着最佳方向进行，在解决复杂的非线性、非连续、凸优化、多维、非光滑、病态、含噪音等问题的优化表现优秀。总之，依据以上公式和流程可以快速地优化样本空间，更新概率分布均值和协方差，得到下一代更好的估计分布，实现迭代优化的目的。附图说明图1是本专利技术方法的流程框图。图2是本专利技术实施例的数据实验工区图。图3是本专利技术实施例中测线1的确定性反演波阻抗剖面图。图4是本专利技术实施例中测线1的运用本专利技术方法随机反演波阻抗实现的均值剖面图。图5是本专利技术实施例测线1的运用本专利技术方法随机反演波阻抗实现的方差剖面图，其中，蓝色竖杠是井位置，由于有井约束此处方差较小。具体实施方式下面结合附图和实施例对本专利技术作进一步详细的描述。参见图1，是本专利技术方法的流程框图。本专利技术基于进化优化算法的地震随机反演方法，是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；CMAES优化算法可用公式(1)来表达：式(1)中，各参数含义是：g为迭代或者进化的次数，g+1表示第g+1次迭代；x为抽样集合；k为抽样集合中样本的维数；m为抽样集合估计的正态分布均值；σ为抽样集合估计的正态分布方差；C为抽样结合的协方差；N为正态分布符号函数；cm为学习快慢因子；wi为第i个权重因子，i取值(1，n)；μ为抽样集合中样本的个数；T为矩阵转置符号；公式(1)的主要流程是：(a)首先计算在第g次迭代时，依据g次的均值、方差和协方差，抽样性形成g+1次的抽样样本集合；(b)其次计算m(g+1)：依据第g次的均值、学习快慢因子和g+1次的抽样样本，计算g+1次迭代的均值；(c)最后计算依据已经计算的相关参数，计算g+1次的协方差，之后到下一次迭代转到步骤(a)。上述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧本文档来自技高网...

【技术保护点】
1.一种基于进化优化算法的地震随机反演方法，其特征在于：将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：/n(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；/n(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；/n(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；/n(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；/n(5)随机选择新的无井网格点位置B，将A视为一口新井，连同已有井，对B做步骤(1)至步骤(4)同样的处理和优化过程，得到位置B的最终分布；/n(6)依照位置A和B的处理过程，处理工区内其它所有无井点，最后得到所有无井点的最终优化的分布。/n...

【技术特征摘要】
1.一种基于进化优化算法的地震随机反演方法，其特征在于：将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：
(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；
(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；
(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；
(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；
(5)随机选择新的无井网格点位置B，将A视...

【专利技术属性】
技术研发人员：徐云贵，黄旭日，贺训云，廖建平，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：四川;51