一种基于知识迁移的叠前AVA弹性参数反演方法及系统技术方案

本发明专利技术公开了一种基于知识迁移的叠前AVA弹性参数反演方法及系统，基于精确Zoeppritz方程构建正演模型，实现多组变异差分进化算法，通过知识迁移的思想引入旁道弹性参数最优解信息，加速本道迭代收敛的同时保证反演弹性参数剖面的横向连续性，通过在多组变异差分进化算法的选择过程中，引入叠后纵波阻抗信息，约束参数间关系，提高反演三参数结果的相关性；从而最终提高叠前AVA弹性参数反演的精度，以及保证横向连续性；本发明专利技术的基础是对于模型中已知的叠前AVA正演角道集，基于给定的初始模型采用MMDE方法进行弹性参数的单道反演。然后，为保证横向连续性，采用知识迁移将旁道的结果映射到当前道的反演过程中，最终得到横向连续的弹性参数反演结果。连续的弹性参数反演结果。连续的弹性参数反演结果。

【技术实现步骤摘要】
一种基于知识迁移的叠前AVA弹性参数反演方法及系统


[0001]本专利技术属于地球物理勘探
，具体涉及一种基于知识迁移的叠前AVA弹性参数反演方法及系统。

技术介绍

[0002]能源是整个世界发展和经济增长的最基本的驱动力，是人类赖以生存的基础。石油、天然气等常规能源是促进社会进步和文明发展的主要能源。随着社会的飞速发展，人们对油气资源的需求也越来越大。其中，地震勘探是一种有效的石油勘探方法，它能够利用地下介质弹性和密度的差异，并采用信号处理与反演方法，观测和分析人工地震所产生的地震波在地下的传播规律，预测储层参数，从而推断地下岩层的性质和几何结构，并用来预测地下油气富集区。因此，对于各项地震勘探技术的研究发展就是地球物理勘探领域的主要的研究问题。
[0003]作为地震叠前反演的主要方法之一，AVA(Amplitude Variation with Angle，振幅随入射角变化)反演利用反射振幅随着入射角度的变化关系来寻找油气资源，能同时获得纵波速度(P
‑
wave Velocity)、横波速度(S
‑
wave Velocity)、密度(Density)等储层参数，已成为油气储层预测研究的热点技术之一，已在油气检测和储层特征描述等领域扮演了重要的角色，它直接利用地震叠前资料进行分析，充分利用了多次覆盖得到的原始地震信息，可以得到更多的弹性参数，更有利于储层岩性和流体性质的识别。同时，利用由叠前资料中的实际地震道集数据提取出的地层弹性参数，也可以帮助预测岩性和烃类，进行定量的油藏描述。叠前弹性参数反演因为具有很强的不适定性，且存在多参数耦合问题。传统的叠前AVA参数反演方法是采用广义线性反演方法，将非线性最小二乘问题转化为参数修正量的最小二乘问题，简化Zoeppritz方程的非线性算法，一定程度上保证了反演的精度。但其也存在着如：陷入局部极值，参数不易选取，不易收敛等问题。
[0004]为提高反演弹性参数的精度，降低对初始模型的依赖，基于智能优化算法的AVA参数反演方法被关注，并提出了一些工作。如基于量子行为的粒子群优化算法，直接将全局优化算法应用到AVA弹性参数反演中。基于遗传算法(Genetic algorithm)和射线理论的方法进行弹性参数的过程中，利用经验关系式作为约束条件，分析了恢复参数中纵波、横波速度和密度之间的相关性。但以上方法都没有考虑弹性参数的横向的连续性，并且经验公式约束参数间关系也存在着精度缺失等问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于知识迁移的叠前AVA弹性参数反演方法及系统，用于解决传统叠前AVA弹性参数反演中，反演剖面结果横向连续性差的技术问题。
[0006]本专利技术采用以下技术方案：
[0007]一种基于知识迁移的叠前AVA弹性参数反演方法，包括以下步骤：
[0008]S1、对叠后Marmousi II阻抗模型进行部分截取，并利用泥岩线经验公式生成横波速度和密度模型剖面，利用精确Zoeppritz方程对纵横波速度和密度模型数据进行正演，并于主频为30Hz的Ricker子波褶积得到叠前地震数据；
[0009]S2、根据多组变异差分进化算法对步骤S1得到纵横波速度和密度模型数据进行低频滤波，生成初始种群；
[0010]S3、在特定迭代次数G时，将知识迁移作用到测井道或相邻地震道迭代反演得到的旁道最优解P和当前道目前迭代次数的最优解Q
G
上，为种群变异提供保证横向连续性的候选解利用知识迁移得到的候选解和当前道在第G次迭代种群中的个体进行变异和交叉，得到融入旁道最优解信息的种群，加速当前道的迭代收敛过程；
[0011]S4、在多组变异差分进化算法选择过程中，依据设定的阈值，利用叠后阻抗信息约束纵波速度和密度的相关性，对步骤S2得到的初始种群中的候选解进行EPS滤波，比较目标函数值J[V
p
,V
s
,ρ]，得到当前迭代次数目标函数值最小的个体；
[0012]S5、将步骤S4当前迭代次数目标函数值最小的个体作为最优解Q
G
引导知识迁移中映射矩阵M的进化，设定最大迭代次数，对步骤S2～S4进行迭代，在达到最大迭代次数时，将目标函数值最小的种群个体作为参数最优解，同时作为下一道知识迁移的旁道最优解，即得到当前道的最优弹性参数反演结果V
p
,V
s
,ρ；同时将当前道得到的最优解作为下一道反演过程中，知识迁移模块中所采用的旁道最优解P。
[0013]具体的，步骤S1中，利用经验公式生成横波和密度剖面如下：
[0014][0015]其中，v
s,i
为第i道的S波速度值，rho
i
为第i道的密度值，v
p,i
为第i道的密度值。
[0016]具体的，步骤S1中，地震数据d为：
[0017][0018]其中，为褶积，w为正演所采用的子波矩，r为根据Zoeppritz方程得到的P
‑
P波反射系数。
[0019]具体的，步骤S2中，低频滤波使用的滤波器为巴特沃斯低频滤波器，截止频率为3Hz，阶数设为2，单道反演中初始种群在滤波后弹性参数低频的
±
20％范围内随机生成。
[0020]具体的，步骤S3中，知识迁移得到的候选解为：
[0021][0022]其中，P为旁道最优解向量，M
G
为第G次迭代时的映射矩阵M，ΔG为迭代间隔，为映射算子，M为映射矩阵。
[0023]进一步的，映射矩阵M的求解过程如下：
[0024][0025]其中，Q
G
为当前反演道在第G次迭代时的最优解，P为旁道最优解向量。
[0026]进一步的，在单道反演过程中，经过多次测试，在模型实验中将迭代间隔ΔG设置
为20。
[0027]具体的，步骤S4中，叠后阻抗信息约束的目标函数为：
[0028][0029]其中，threshold为预先设定的阈值，为当前道的叠后纵波阻抗信息，为当前道在迭代反演过程的纵波速度信息，ρ
cur
为当前道在迭代反演过程的密度信息。
[0030]具体的，步骤S5中，目标函数J[V
p
,V
s
,ρ]为：
[0031][0032]其中，v
p
,v
s
,ρ为弹性参数，G(
·
)为正演算子，d
obs
为观测数据。
[0033]第二方面，本专利技术实施例提供了一种基于知识迁移的叠前AVA弹性参数反演系统，包括：
[0034]正演模块，对叠后Marmousi II阻抗模型进行部分截取，并利用泥岩线经验公式生成横波速度和密度模型剖面，利用精确Zoeppritz方程对纵横波速度和密度模型数据进行正演，并于主频为3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识迁移的叠前AVA弹性参数反演方法，其特征在于，包括以下步骤：S1、对叠后Marmousi II阻抗模型进行部分截取，并利用泥岩线经验公式生成横波速度和密度模型剖面，利用精确Zoeppritz方程对纵横波速度和密度模型数据进行正演，并于主频为30Hz的Ricker子波褶积得到叠前地震数据；S2、根据多组变异差分进化算法对步骤S1得到纵横波速度和密度模型数据进行低频滤波，生成初始种群；S3、在特定迭代次数G时，将知识迁移作用到测井道或相邻地震道迭代反演得到的旁道最优解P和当前道目前迭代次数的最优解Q
G
上，为种群变异提供保证横向连续性的候选解利用知识迁移得到的候选解和当前道在第G次迭代种群中的个体进行变异和交叉，得到融入旁道最优解信息的种群，加速当前道的迭代收敛过程；S4、在多组变异差分进化算法选择过程中，依据设定的阈值，利用叠后阻抗信息约束纵波速度和密度的相关性，对步骤S2得到的初始种群中的候选解进行EPS滤波，比较目标函数值J[V
p
,V
s
,ρ]，得到当前迭代次数目标函数值最小的个体；S5、将步骤S4当前迭代次数目标函数值最小的个体作为最优解Q
G
引导知识迁移中映射矩阵M的进化，设定最大迭代次数，对步骤S2～S4进行迭代，在达到最大迭代次数时，将目标函数值最小的种群个体作为参数最优解，同时作为下一道知识迁移的旁道最优解，即得到当前道的最优弹性参数反演结果V
p
,V
s
,ρ；同时将当前道得到的最优解作为下一道反演过程中，知识迁移模块中所采用的旁道最优解P。2.根据权利要求1所述的基于知识迁移的叠前AVA弹性参数反演方法，其特征在于，步骤S1中，利用经验公式生成横波和密度剖面如下：其中，v
s,i
为第i道的S波速度值，rho
i
为第i道的密度值，v
p,i
为第i道的密度值。3.根据权利要求1所述的基于知识迁移的叠前AVA弹性参数反演方法，其特征在于，步骤S1中，地震数据d为：其中，为褶积，w为正演所采用的子波矩，r为根据Zoeppritz方程得到的P
‑
P波反射系数。4.根据权利要求1所述的基于知识迁移的叠前AVA弹性参数反演方法，其特征在于，步骤S2中，低频滤波使用的滤波器为巴特沃斯低频滤波器，截止频率为3Hz，阶数设为2，单道反演中初始种群在滤波后弹性参数低频的
±
20％范围内随机生成。5.根据权利要求1所述的基于知识迁移的叠前AVA弹性参数反演方法，其特征在于，步骤S3中，知识迁移得到的候选解为：其中，P为旁道最优解向量，M
G
为第G次迭代时的映射矩阵M，ΔG为迭代间隔，为映射算子，M为映射矩阵。

【专利技术属性】
技术研发人员：高照奇，梁兴城，高静怀，李闯，杨涛，李振，李飞鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：