CN104375171A - 一种高分辨率地震反演方法 - Google Patents

Abstract

本发明提供了一种高分辨率地震反演方法，属于油气及煤层气地震勘探与开发领域。所述方法由地震振幅数据和波阻抗模型数据构建用于波阻抗反演的目标函数，然后在波阻抗模型数据的基础上构建解的可行域空间，最后在该可行域空间内采用智能进化算法以完全非线性的方式求取得到地层波阻抗。本发明方法提高了地震反演的精度，容易加入约束条件，在一定程度上降低了波阻抗反演的多解性，可直接用于实际地震数据的反演。本发明的计算精度和实用性高，并且具有计算速度快、稳定性好的优点。

Description

一种高分辨率地震反演方法

技术领域

本发明属于油气及煤层气地震勘探与开发领域，具体涉及一种高分辨率地震反演方法。

背景技术

地震勘探技术是油气勘探中应用最为广泛的一种地球物理学方法，在地表或者井中人工激发地震波，利用地震波在不同介质中传播的速度、振幅、频率、相位、波形等参数的变化来分析、预测油气储层分布范围及储层物性特征。叠后地震数据显示了地下介质的构造形态信息，但是随勘探开发程度逐渐深入，地震勘探已经从认识地下构造形态的构造勘探，逐渐发展成直接应用地震信息判断岩性、分析岩相、定量计算岩层物性参数的岩性勘探。这些复杂沉积环境下的储层通常表现为具有厚度薄、物性高度非均质、有效储层规模小、分布分散、岩石物理关系复杂、储层岩性差异小等特征。波阻抗参数作为联系地震、测井及地质信息的纽带，是进行储层区域评价不可缺少的内容。波阻抗与振幅等反映界面性质的参数相比，波阻抗具有更高的储层横向预测能力，因而地震波阻抗反演技术是岩性油气勘探的重要技术手段，是反映储集岩储层特征的一种重要物性参数。近几十年来地震波阻抗反演技术获得了长足的进展，经历了从直接反演到模型反演，从叠后反演到叠前反演，从线性反演到非线性反演的发展过程。如道积分法、带限反演法、模型法、谱反演等。其中道积分法、带限反演法等直接反演方法计算速度快，横向连续性好，但是存在带限问题，纵向分辨率不高；模型法和谱反演等需要计算目标函数的梯度，目前大都采用中心差分法计算梯度。采用中心差分法计算目标函数梯度时需要计算2N次目标函数(N为参数个数)，计算量较大。并且由于差分法在计算每一个参数的偏导数时需要除以一个较小的数值，该较小值的取法没有一定的标准，使得该参数的偏导数误差较大，使得基于经典最优化算法的波阻抗反演迭代次数增加、计算量大，且反演结果分辨率低且存在多解性问题，不适于储层参数定量计算及薄储层预测，计算速度慢不适于实时解释，应用受到限制。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种高分辨率地震反演方法，针对常规波阻抗反演方法存在的分辨率低及多解性问题，不适于储层参数定量计算及薄储层预测，应用受到限制等缺点，本发明方法基于智能进化算法，在地震数据的基础上构建解的可行域空间，并充分利用地下介质的先验信息，通过智能进化算法的进化准则以完全非线性的方式求取地层波阻抗信息。目的是提高地震波阻抗反演的精度，加速算法收敛速度，降低波阻抗反演的多解性。用于地震资料的岩性参数解释，为寻找岩性(和地层)圈闭油气藏和非常规油气藏(煤层气、页岩气等)提供重要的资料。

本发明是通过以下技术方案实现的：

一种高分辨率地震反演方法，所述方法由地震振幅数据和波阻抗模型数据构建波用于阻抗反演的目标函数，然后在波阻抗模型数据的基础上构建解的可行域空间，最后在该可行域空间内采用智能进化算法以完全非线性的方式求取得到地层波阻抗。

所述方法包括以下步骤：

(1)输入地震振幅数据和初始波阻抗模型数据，构建目标函数；

(2)基于初始波阻抗模型数据构建解的可行域空间S；

(3)结合先验信息约束条件随机产生智能体种群；

(4)计算智能体种群中智能体的目标函数值；

(5)按照目标函数值从小到大的顺序选出前K个智能体；

(6)判断是否满足条件，如果否，则返回步骤(4)，如果是，则转入步骤(7)；

(7)输出反演结果。

所述步骤(1)是这样实现的：

利用公式(1)由实际地震振幅数据和初始波阻抗模型数据构建波阻抗反演的目标函数：

f＝‖s-d‖₂  (1)

公式(1)中，d为地震振幅数据，s是由摺积合成的地震记录s由以下公式(2)计算：

$s_i=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}\frac{Z_{j+1}-Z_j}{Z_{j+1}+Z_j}\·w_j,i=1,...,n---\left(2\right)$

(2)式中，w为人为给定的地震子波，Z为波阻抗模型数据，i和j为下标。

所述步骤(2)是这样实现的：

在初始波阻抗模型数据Z₀的基础上构建解的可行域空间S，S是由初始波阻抗模型数据定义的n维搜索空间，由n组参数边界确定即其中为下边界，为上边界，由公式(3)确定：

$\left\{\begin{array}{cc}\underset{\‾}{z}=({\underset{\‾}{z}}_1,{\underset{\‾}{z}}_2,...,{\underset{\‾}{z}}_n),& \stackrel{\‾}{z}=({\stackrel{\‾}{z}}_1,{\stackrel{\‾}{z}}_2,...,{\stackrel{\‾}{z}}_n)\\ {\underset{\‾}{z}}_i=(1-\mathrm{\λ})\×z_{0i},& {\stackrel{\‾}{z}}_i=(1+\mathrm{\λ})\×z_{0i},i=1,n\end{array}\right.---\left(3\right)$

其中，Z₀＝(z₀₁，z₀₂，…，z_0n)为初始波阻抗模型数据，样点个数为n，初始波阻抗模型数据Z₀是已知的，是与地震振幅数据一同输入的；公式(3)中，λ为调节参数。

所述步骤(2)中的λ的取值范围为0≤λ≤1，默认取为0.5。λ的值越小，构建的可行域空间就越小，继而算法搜索的空间就越小，算法收敛速度也越快，但是当可行域空间过小时就容易将真正的解排除在外；当λ的值过大时，构建的可行域空间就越大，此时虽然能够保证将真正解包含在内，但是由于算法需要搜索的可行域空间大，导致计算量过大。所以λ的值应保证将真正的解包含在可行域空间。

所述步骤(3)是这样实现的：

(31)利用公式(4)在可行域空间S上随机产生一个解X₁＝(x₁，x₂，…，x_n)，这个解被称为智能体：

$x_i={\underset{\‾}{z}}_i+r\×({\stackrel{\‾}{z}}_i-{\underset{\‾}{z}}_i),i=1,n---\left(4\right)$

所述公式中，r为[0，1]上均匀分布的随机数，为可行域空间的下边界，为可行域空间的上边界；

(32)利用先验信息对上述随机产生的解进行约束，如果不满足先验信息约束条件，那么重新按照公式(4)在可行域空间内随机产生解，直到满足先验信息约束条件为止；

(33)通过重复步骤(31)和(32)来产生N个解，即X_i，i＝1，N，即产生一个由N个智能体组成的智能体种群。所述智能体种群是由一组智能体组成，步骤(31)中用随机方式产生的解X₁就是一个智能体。

所述步骤(32)中的所述先验约束条件如公式(5)所示：

$\left|\frac{x_{i+1}-x_i}{x_{i+1}+x_i}\right|<\mathrm{\&beta;},i=1,n---\left(5\right)$

所述公式(5)中，x_i为利用公式(4)随机产生的波阻抗，β为常数，地下介质的反射系数绝对值一般小于0.2，因此β通常取值为0.2。

所述步骤(4)是这样实现的：

利用公式(1)依次计算该种群中各个智能体的目标函数值，按照目标函数值从小到大的顺序选出前K个智能体，所述K为智能系数，一般取值为10。

所述步骤(5)是这样实现的：

重复步骤(31)和(32)，产生N-K个智能体，记为利用公式(1)计算这组智能体的目标函数值，并与步骤(4)中的K个解进行比较，再次按照目标函数值从小到大的顺序选出前K个智能体。

所述步骤(6)中的条件如公式(6)所示：

f≤ε    (6)

(6)式中，f为智能体的目标函数值，ε是根据地震资料品质设定的常数，为一个较小的数。具体来说，地震资料品质好、信噪比高，那么ε可以取小一些，如果地震资料品质差，信噪比低，ε取值不易过小。一般ε取为0.1即可。

与现有技术相比，本发明的有益效果是：本发明方法利用地震子波数据和先验信息，在地震数据的基础上构建解的可行域空间，通过智能进化算法的进化准则以完全非线性的方式求取地层波阻抗信息。本发明方法提高了地震反演的精度，容易加入约束条件，在一定程度上降低了波阻抗反演的多解性，可直接用于实际地震数据的反演。本发明的计算精度和实用性高，并且具有计算速度快、稳定性好的优点。

附图说明

图1(a)是实施例1中地震振幅数据；

图1(b)是实施例1中真实波阻抗、波阻抗初始模型、反演结果，其中，虚线为真实的波阻抗，黑色细线为初始波阻抗模型，黑色较粗的实线为反演结果；

图2是本发明方法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明的目的就是针对常规波阻抗反演方法在储层参数定量计算及薄储层预测中的不足，围绕反演结果的分辨率和多解性问题，提供一种基于智能进化算法的高分辨率地震反演方法。利用地震子波数据和先验信息，在地震数据的基础上构建解的可行域空间，通过智能进化算法的进化准则以完全非线性的方式求取地层波阻抗信息。提高了地震反演的精度，并且容易加入约束条件，在一定程度上降低了波阻抗反演的多解性，可直接用于实际地震数据的反演。便于地震资料的岩性参数解释和精细储层描述，为寻找岩性(和地层)圈闭油气藏和非常规油气藏(煤层气、页岩气等)提供可靠的资料。

为了从叠后地震数据反演得到能够用于计算储层岩性参数的绝对波阻抗，本发明方法在地震数据的基础上构建解的可行域空间，在可行域空间内随机生成解，并利用先验约束条件对产生的解进行筛选，通过智能进化算法的进化准则以完全非线性的方式(该方式指的是在可行域空间内以随机的方式生成一组解，然后通过目标函数值来判断该组解的可行性。体现在步骤(3)、(4)、(5)、(6)中。通过上述步骤的迭代计算，实现智能体种群的进化，最终得到满足条件的结果。)求取地层波阻抗信息。提高了地震反演的精度，并且容易加入约束条件，在一定程度上降低了波阻抗反演的多解性，可直接用于实际地震数据的反演。

下面以理论波阻抗模型数据的应用实例来说明本发明的效果。

本实施例是本发明用于理论模型地震数据的实施实例，一种基于智能进化算法的高分辨率地震反演方法的步骤如图2所示，包括：

1)输入地震数据和初始波阻抗模型数据，利用公式(1)建立目标函数；

2)给定调节参数λ，在初始波阻抗模型数据的基础上利用公式(3)构建可行域空间；

3)在可行域空间内用公式(4)以随机的方式产生一个解，应用先验约束公式(5)对该解进行判断，如果该解满足先验约束公式(5)，那么该解符合条件，否则重新利用公式(4)产生一个解，直到产生的这个解满足先验约束公式(5)为止，产生的满足先验约束条件的解称为智能体；

4)重复上述过程，产生N个智能体，作为智能体种群，利用公式(1)中目标函数公式计算智能体种群中各个智能体的目标函数值，按照目标函数值从小到大的顺序选出前10个目标函数值小的智能体左右精英智能体；

5)利用上述步骤3)产生N-10个智能体，与上述步骤4)中的精英智能体共同组成智能体种群。按照与步骤4)相同的方式计算该智能体种群中各个智能体的目标函数值，并按照目标函数值从小到大的顺序选出前10个目标函数值小的智能体左右精英智能体；

6)循环上述步骤5)，直到产生满足条件的解为止。最后得到的结果是地层波阻抗。在给定的初始波阻抗模型数据的基础上构建了解的可行域空间，在该可行域空间内以智能体种群(多个智能体，每一个智能体是一个候选解)的方式进行全局搜索，智能体种群是以随机的方式在可行域空间内生成的，判断智能体种群中的各个智能体是否继续在种群中生存的标准是步骤(4)，其余N-K个智能体由步骤(5)实现。

图1(a)为一单道地震数据，图1(b)中显示了真实波阻抗、波阻抗初始模型和反演结果。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (10)

1.一种高分辨率地震反演方法，其特征在于：所述方法由地震振幅数据和波阻抗模型数据构建用于波阻抗反演的目标函数，然后在波阻抗模型数据的基础上构建解的可行域空间，最后在该可行域空间内采用智能进化算法以完全非线性的方式求取得到地层波阻抗。

2.根据权利要求1所述的高分辨率地震反演方法，其特征在于：所述方法包括以下步骤：

(1)输入地震振幅数据和初始波阻抗模型数据，构建目标函数；

(2)基于初始波阻抗模型数据构建解的可行域空间S；

(3)结合先验信息约束条件随机产生智能体种群；

(4)计算智能体种群中智能体的目标函数值；

(5)按照目标函数值从小到大的顺序选出前K个智能体；

(6)判断是否满足条件，如果否，则返回步骤(4)，如果是，则转入步骤(7)；

(7)输出反演结果。

3.根据权利要求2所述的高分辨率地震反演方法，其特征在于：所述步骤(1)是这样实现的：

利用公式(1)由实际地震振幅数据和初始波阻抗模型数据构建波阻抗反演的目标函数：

f＝‖s-d‖₂    (1)

公式(1)中，d为地震振幅数据，s是由摺积合成的地震记录s由以下公式(2)计算：

$s_i=\underset{j=0}{\overset{m}{\mathrm{\&Sigma;}}}\frac{Z_{j+1}-Z_j}{Z_{j+1}+Z_j}\&CenterDot;w_j,i=1,...,n---\left(2\right)$

(2)式中，w为人为给定的地震子波，Z为波阻抗模型数据，i和j为下标。

4.根据权利要求3所述的高分辨率地震反演方法，其特征在于：所述步骤(2)是这样实现的：

在初始波阻抗模型数据Z₀的基础上构建解的可行域空间S，S是由初始波阻抗模型数据定义的n维搜索空间，由n组参数边界确定即其中为下边界，为上边界，由公式(3)确定：

$\left\{\begin{array}{cc}\underset{\&OverBar;}{z}=({\underset{\&OverBar;}{z}}_1,{\underset{\&OverBar;}{z}}_2,\&CenterDot;\&CenterDot;\&CenterDot;,{\underset{\&OverBar;}{z}}_n),& \stackrel{\&OverBar;}{z}=({\stackrel{\&OverBar;}{z}}_1,{\stackrel{\&OverBar;}{z}}_2,\&CenterDot;\&CenterDot;\&CenterDot;,{\stackrel{\&OverBar;}{z}}_n)\\ {\underset{\&OverBar;}{z}}_i=(1-\mathrm{\&lambda;})\&times;z_{0i},& {\stackrel{\&OverBar;}{z}}_i=(1+\mathrm{\&lambda;})\&times;z_{0i},i=1,n\end{array}\right.---\left(3\right)$

其中，Z₀＝(z₀₁，z₀₂，…，z_0n)为初始波阻抗模型数据，样点个数为n，初始波阻抗模型数据Z₀是已知的，是与地震振幅数据一同输入的；公式(3)中，λ为调节参数。

5.根据权利要求4所述的高分辨率地震反演方法，其特征在于：所述步骤(2)中的λ的取值范围为0≤λ≤1，默认取为0.5。

6.根据权利要求5所述的高分辨率地震反演方法，其特征在于：所述步骤(3)是这样实现的：

(31)利用公式(4)在可行域空间S上随机产生一个解X₁＝(x₁，x₂，…，x_n)，这个解被称为智能体：

$x_i={\underset{\&OverBar;}{z}}_i+r\&times;({\stackrel{\&OverBar;}{z}}_i-{\underset{\&OverBar;}{z}}_i),i=1,n---\left(4\right)$

所述公式中，r为[0，1]上均匀分布的随机数，为可行域空间的下边界，为可行域空间的上边界；

(32)利用先验信息对上述随机产生的解进行约束，如果不满足先验信息约束条件，那么重新按照公式(4)在可行域空间内随机产生解，直到满足先验信息约束条件为止；

(33)通过重复步骤(31)和(32)来产生N个解，即X_i，i＝1，N，即产生一个由N个智能体组成的智能体种群。

7.根据权利要求6所述的高分辨率地震反演方法，其特征在于：所述步骤(32)中的所述先验约束条件如公式(5)所示：

$\left|\frac{x_{i+1}-x_i}{x_{i+1}+x_i}\right|<\mathrm{\&beta;},i=1,n---\left(5\right)$

所述公式(5)中，x_i为利用公式(4)随机产生的波阻抗，β为常数，取值为0.2。

8.根据权利要求7所述的高分辨率地震反演方法，其特征在于：所述步骤(4)是这样实现的：

利用公式(1)依次计算该种群中各个智能体的目标函数值，按照目标函数值从小到大的顺序选出前K个智能体，所述K为智能系数，取值为10。

9.根据权利要求8所述的高分辨率地震反演方法，其特征在于：所述步骤(5)是这样实现的：

重复步骤(31)和(32)，产生N-K个智能体，记为利用公式(1)计算这组智能体的目标函数值，并与步骤(4)中的K个解进行比较，再次按照目标函数值从小到大的顺序选出前K个智能体。

10.根据权利要求9所述的高分辨率地震反演方法，其特征在于：所述步骤(6)中的条件如公式(6)所示：

f≤ε    (6)

(6)式中，f为智能体的目标函数值，ε是根据地震资料品质设定的常数。