CN107843920A - 一种聚类分析优化粒子群储层属性预测方法 - Google Patents
一种聚类分析优化粒子群储层属性预测方法 Download PDFInfo
- Publication number
- CN107843920A CN107843920A CN201710916231.0A CN201710916231A CN107843920A CN 107843920 A CN107843920 A CN 107843920A CN 201710916231 A CN201710916231 A CN 201710916231A CN 107843920 A CN107843920 A CN 107843920A
- Authority
- CN
- China
- Prior art keywords
- particle
- reservoir
- forecasting methodology
- cluster
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 24
- 239000002245 particle Substances 0.000 claims abstract description 96
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 37
- 230000007935 neutral effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012679 convergent method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
技术领域
本发明设计一种根据储层地震属性预测储层属性的技术,属于油气田开发的地震勘 探预测技术领域。
背景技术
储层属性预测是利用测井、地震等信息,在地质理论的指导下,对储层参数和空间展布和集合形态进行宏观描述,进而预测其物性参数,揭示油气分布,指导油田下一步 的勘探开发。
属性预测分析中最为关键的是地震属性模型的建立,优化后的属性与地质构造间的 关系需要明确后才能应用。对于单一属性,可以将其与某种地质意义相联系,对于多属性分析,则需要建立多属性与储层参数之间的联系。实际上这种联系并非简单的线性关系,而且显式的定量关系式也难以建立,因此需要通过模式识别方法建立属性与储层间 的对应关系。建立储层三维地质模型的关键技术是如何根据已知的控制点数据内插、外 推已知点间及以外的储层物性参数估计值。即需要寻找和选择最能符合储层地质变量实 际空间变化规律的数值计算模型,来实现对储层特性的空间变化的正确定量描述。如何 利用先进的、合理的算法进行储层预测是研究的重点问题
传统粒子群算法存在收敛速度过快,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。
发明内容
本发明为了克服现有技术的不足,发明了一种利用地震属性预测储层属性的方法, 采用粒子群聚类优化神经网络方法来预测储层属性。
本发明采用的技术方案如下。
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。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分布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)
pgd为全局最优位置,ωω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。取值范围一般为 [0.9,1.2]、c1和c2为加速系数一般取值都为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:判断每个粒子的适用度是否满足要求,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,对初步建立预测网络模型进行修改,建立最终预测网络模型。
进一步,步骤1中,随机产生初始粒子群时,每个粒子由一个多为实数向量组成,随机分配粒子的速度和位置。
进一步,步骤3中,所述地震属性为多维地震属性。
进一步,步骤3中,指定迭代次数为6000-10000。
进一步,步骤3中,所述聚类分析算法为K-mean聚类分析算法。
进一步,步骤3中,判定是否过快收敛的方法为,设定一定迭代次数此次为6000,在设置聚类半径范围此次设置为0.2,当6000次后半径小于0.2则认为是过快收敛。
进一步,步骤3中,利用K-mean聚类分析算法对粒子的速度和位置分布情况进行分析,当判断粒子群过快的收敛时,以计算的每个簇的中心为圆心,统计一定半径内的粒 子的数量,并将其位置和速度重新分配随机值。
进一步,当判断粒子群过快的收敛时,相应的对优化粒子群的速度迭代按 照公式(1)进行调整。
进一步,所述半径为0.1-0.3。
进一步,步骤4中,根据公式(2)计算适应度值,
其中yp实测的储层厚度值,tp为模型预测的储层厚度值,n为计算数据数量。
进一步,判断每个粒子的适用度是否满足要求的方法是:当本次适应度值和前一次 计算的适应度值之差的绝对值小于设定的阈值,判定粒子的适用度满足要求;当本次适应度值计算为首次计算时,其对应的一次计算的适应度值视为0。
进一步,所述阈值为0.001-0.002。
进一步,建立最终预测网络模型后,利用提取的最小振幅属性和频率属性进行储层 厚度预测。
本发明的有益效果是: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。将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,并用聚类分析优化粒子群算法提高其稳定性和准确度。
附图说明
图1是本发明聚类分析优化粒子群储层属性预测方法的流程图。
图2是BP神经网络方法储层厚度预测结果。
图3是本发明方法储层厚度预测结果。
图4是人工神经元的结构示意图。
具体实施方式
下面对本发明做进一步描述。
实施例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。
人工神经网络是模仿人的大脑神经网络结构和功能而建立起来的一种信息处理系 统。大脑神经网络是由大量高度互联的神经元组成的网络,它通过网络中各神经元之间的相互作用,实现了对信息的处理和存储。模仿大脑神经网络结构和功能,把人工神经 元按一定结构和规则连接成网络,让网络中各神经元的连接权按一定的规则变化,从而 实现对输入模式的学习或识别。
如图4所示,神经网络模型应具备三个要素:
(1)具有一组突触或连接,常用wij表示神经元i和神经元j之间的连接权值。与 人脑神经元不同,人工神经元权值的取值可在负值和正值之间
(2)具有反映生物圣经元时空整合功能的输入信号累加器。
(3)具有一个激励函数用语限制神经元输出。激励函数将输出信号限制在一个允许 范围内,时期成为有限值。通常神经元输出的扩充范围在[0,1]或[-1,1]之间。
其中xj(j=1,2,…,N)为神经元i的输入信号,wij为连接权值,ui是由输入信号 线性组合后的输出,是神经元i的净输入。θi神经元的阀值,vi为经偏差调整后的 值,也称为神经元的局部感应区。
vi=ui+θi
f是激励函数,yi是神经元i的输出、
本方法中的地震属性作为神经网络模型的输入值,储层属性作为神经网络模型的输 出值。用已知的地震属性和储层属性建立神经网络模型进行储层属性预测。
神经网络模型的建立关键在于计算网络的链接权值。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,粒子群优化算法的优点在于有较好的稳定性和较高的精确度。
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 网络方法初步建立预测网络模型;
步骤3,将地震属性所为神经网络的输入值,计算输出值,此输出值为待预测的储层 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分布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,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;
步骤4:判断每个粒子的适用度是否满足要求,若满足要求,即获取到最优粒子位置 进入步骤5,否则,返回步骤1,即只要有一个粒子的适用度不够,都要返回步骤1。
步骤5,当步骤4满足要求后,粒子群算法优化迭代停止,根据公式(1)得到最优 位置。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。
步骤1中,随机产生初始粒子群时,每个粒子由一个多为实数向量组成,随机分配粒子的速度和位置。
步骤3中,所述地震属性为。
步骤3中,粒子群优化算法的公式为
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)
pgd为全局最优位置,ωω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。取值范围一般为 [0.9,1.2]、c1和c2为加速系数一般取值都为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3中,指定迭代次数为6000-8000。
步骤3中,所述聚类分析算法为K-mean聚类分析算法。
K-means算法:k-means算法的相似度计算根据一个簇中对象的平均值来进行,它的 处理流程如下。随机地选择个对象,每个对象初始地代表了一个簇的平均值或中心(质心)。对剩余的每个对象,根据其与各个质心的距离一般用欧氏距离,将它赋给最近的簇。然后重新计算每个簇的质心。
k-means算法的具体步骤为:
1)从n个数据对象随机选取k个对象作为初始簇中心;
2)计算每个簇的平均值,并用该平均值代表相应的簇;
3)根据每个对象与各个簇中心的距离,分配给最近的簇;
4)转第二步,重新计算每个簇的平均值;
这个过程不断重复,直到准则函数收敛。通常,采用平方误差准则,其定义如下
这里的E是数据库中所有对象的平方误差总和,是空间中的点,表示给定的数据对象,mi是簇Ci的平均值(p和mi都是多维的)。这个准则使生成的结果簇尽可能地紧凑 和独立。
算法尝试找出使平方误差函数值最小的k个划分。当结果簇是密集的,而簇与簇之间区别明显时,它的效果较好。对处理大数据集,该算法是相对可伸缩的和高效率的, 因为它的复杂度是0(nkt),其中,n是簇的数目,t是迭代的次数。通常,k<<n,且 t<<n。
步骤3中,判定是否过快收敛的方法为设定一定迭代次数此次为6000,在设置聚类半径范围此次设置为0.2,当6000次后半径小于0.2则认为是过快收敛。
步骤3中,利用K-mean聚类分析算法对粒子的速度和位置分布情况进行分析,当判断粒子群过快的收敛时,以计算的每个簇的中心为圆心,统计一定半径内的粒子的数量,并将其位置和速度重新分配随机值。
当判断粒子群过快的收敛时,相应的对优化粒子群的速度迭代按照公式1进 行调整;
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)
pgd为全局最优位置,ωω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。取值范围一般为 [0.9,1.2]、c1和c2为加速系数一般取值都为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。
所述一定半径为0.1-0.3。
步骤4中,根据公式(2)计算适应度值,
其中yp为实测的储层厚度值,tp模型预测的储层厚度值。n为计算数据数量。
判断每个粒子的适用度是否满足要求的方法是:当本次适应度值和前一次计算的适 应度值之差的绝对值小于设定的阈值,判定粒子的适用度满足要求;当本次适应度值计算为首次计算时,其对应的一次计算的适应度值视为0。
所述阈值为0.01。
建立最终预测网络模型后,利用提取的地震属性进行储层厚度预测。
实施例2。一种聚类分析优化粒子群储层属性预测方法,将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,并用聚类分析优化粒子群算法提高其稳定性和准确 度。
在优化粒子群建模过程中,利用K-mean聚类分析算法对粒子的速度和位置分布情况 进行分析,当判断粒子群过快的收敛时。以计算的每个簇的中心为圆心,统计一定半径内的粒子的数量,并将其位置和速度重新分配随机值。相应的对优化粒子群的速度迭代 公式(1)进行调整。公式(1)为:
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)
其中Xid,Pid,Vid,Vi(d+1),Xi(d+1),是主要的几个迭代数值。pgd为全局最 优位置,ωω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。取值范围一般为[0.9,1.2]、c1和c2为 加速系数一般取值都为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。
具体优化粒子群方法过程是:
(1)随机产生初始粒子群,每个粒子由一个多为实数向量组成,设定迭代次数n=0;
(2)每个向量作为神经网络的一组权值,组成网络,每个网络就是一个粒子;
(3)按照公式(1)所示粒子群优化算法进行迭代计算,每迭代一次,令迭代次数 n=n+1;
当迭代次数n大于指定的值时,利用K-mean聚类分析算法对粒子的分布速度和位置情况进行分析,判断是否过快收敛,如果过快收敛,就重新随机分配粒子的速度和位 置。
(4)根据公式(2)计算每个粒子的适应值;判断是否满足算法的终止条件,若满 足则转到步骤(6),不满足则转到步骤(5);公式(2)为:
其中yp为实测的储层厚度值,tp模型预测的储层厚度值。n为计算数据数量。
(5)按照粒子群优化算法速度迭代公式(1)更新每个微粒速度和位置,并转到步骤(2);
(6)当步骤4满足要求后,粒子群算法优化迭代停止,根据公式(1)得到最优位 置。得到最优粒子位置后,作为一组最优神经网络权值输出,即为优化结果,算法结束。
根据地震属性预测储层属性中最为关键的是地震属性模型的建立。对于多属性分析, 则需要建立多属性与储层参数之间的联系。这种联系的建立是以神经网络为基础,利用 粒子群优化算法对神经网络权值进行优化计算。在粒子群优化算法过程中,进行粒子位置和速度的迭代计算。传统的粒子位置和速度的迭代计算,其算法存在收敛过快,从而 影响算法稳定性和精度。利用聚类K-means聚类分析算法,分析粒子速度和位置的收敛 速度。当判断收敛速度过快是,对粒子的速度和位置重新随机分配,进行计算。本实施 例利用地震属性预测储层属性的方法,采用粒子群聚类优化神经网络方法来预测储层属 性。将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,并用聚类分析优化 粒子群算法提高其稳定性和准确度。
实施例3。以东营凹陷牛庄地区为例,以本方法预测地层厚度和储层厚度。已根据地 震资料提取了多种地震振幅、频率属性。根据本工区的钻井资料,统计井所在位置的地层厚度和储层厚度。
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。
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,如图1所示,优化计算包括如下步骤。
(1)随机产生初始粒子群,每个粒子的位置由一个多为实数向量组成,并且设定迭代次数n=0。
(2)每个向量作为神经网络的一组权值,组成多个网络,每个网络就是一个粒子。
(3)将选取的已知井所在位置的地震属性作为神经网络的输入值,数据输入第(2)步建立的网络模型,计算输出值。
(4)按照
当迭代次数n大于600次时,用K-mean聚类分析算法对粒子的分布速度和位置情况进行分析,判断是否过快收敛,如果过快收敛,就重新随机分配粒子的速度和位置,并 转到第(2)步。
判定收敛过快的方法是:设定一定迭代次数,此次为6000,在设置聚类半径范围此次设置为0.2,当6000次后半径小于0.2则认为是过快收敛。
(5)根据公式(2)计算适应度值。公式(2)为:
其中yp为实测的储层厚度值,tp模型预测的储层厚度值。n为计算数据数量。
判断本次计算的适应度值和前一次计算的适应度之差的绝对值小于0.01时计算终 止,转到第(7)步,否则转到(6)步。
(6)按照粒子群群计算公式(1)更新每个微粒速度和位置,并转到第(2)步。
公式(1)为:
vi(d+1)=ω·vid+c1·rand()·(pid-xid)+c2·rand()·(pgd-xid)(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)
pgd为全局最优位置,ωω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。取值范围一般为[0.9, 1.2]、c1和c2为加速系数一般取值都为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。
(7)得到最优粒子位置后,作为一组最优神经网络权值输出,即为优化结果,建立最终预测网络模型。
(8)利用得到的预测网络模型,利用提取的地震属性进行储层厚度预测。图1显示BP神经网络方法储层厚度预测结果。图2显示本发明方法储层厚度预测结果。从预测结 果来看,利用本方法预测的结果边界更清楚,储层与围岩区分对比更明显。
最后选择了5口井验证预测结构,其结果如下表所示。
表1
从上表可以看出,采用本实施例方法预测精度达到了80%以上,且预测精度的平均值 为82.22%,而采用传统的粒子群预测法,预测精度的平均值仅为18.26%。
Claims (13)
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,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分布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,L,piD)
速度:vi=(vi1,vi2,…,viD)
D为迭代次数;
pgd为全局最优位置,ωω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;取值范围一般为[0.9,1.2]、c1和c2为加速系数一般取值都为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:判断每个粒子的适用度是否满足要求,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,对初步建立预测网络模型进行修改,建立最终预测网络模型。
2.如权利要求1所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤1中,随机产生初始粒子群时,每个粒子由一个多为实数向量组成,随机分配粒子的速度和位置。
3.如权利要求1所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤3中,所述地震属性为多维地震属性。
4.如权利要求1所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤3中,指定迭代次数为6000-10000。
5.如权利要求4所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤3中,所述聚类分析算法为K-mean聚类分析算法。
6.如权利要求5所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤3中,判定是否过快收敛的方法为,设定一定迭代次数此次为6000,在设置聚类半径范围此次设置为0.2,当6000次后半径小于0.2则认为是过快收敛。
7.如权利要求5所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤3中,利用K-mean聚类分析算法对粒子的速度和位置分布情况进行分析,当判断粒子群过快的收敛时,以计算的每个簇的中心为圆心,统计一定半径内的粒子的数量,并将其位置和速度重新分配随机值。
8.如权利要求5所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:当判断粒子群过快的收敛时,相应的对优化粒子群的速度迭代按照公式(1)进行调整。
9.如权利要求7所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:所述半径为0.1-0.3。
10.如权利要求1所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:步骤4中,根据公式(2)计算适应度值,
其中yp为实测的储层厚度值,tp为模型预测的储层厚度值,n为计算数据数量。
11.如权利要求10所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:判断每个粒子的适用度是否满足要求的方法是:当本次适应度值和前一次计算的适应度值之差的绝对值小于设定的阈值,判定粒子的适用度满足要求;当本次适应度值计算为首次计算时,其对应的一次计算的适应度值视为0。
12.如权利要求11所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:所述阈值为0.001-0.002。
13.如权利要求1所述的一种聚类分析优化粒子群储层属性预测方法,其特征在于:建立最终预测网络模型后,利用提取的最小振幅属性和频率属性进行储层厚度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916231.0A CN107843920B (zh) | 2017-09-29 | 2017-09-29 | 一种聚类分析优化粒子群储层属性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916231.0A CN107843920B (zh) | 2017-09-29 | 2017-09-29 | 一种聚类分析优化粒子群储层属性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107843920A true CN107843920A (zh) | 2018-03-27 |
CN107843920B CN107843920B (zh) | 2019-04-02 |
Family
ID=61661700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916231.0A Active CN107843920B (zh) | 2017-09-29 | 2017-09-29 | 一种聚类分析优化粒子群储层属性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107843920B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618450A (zh) * | 2018-06-20 | 2019-12-27 | 中国石油化工股份有限公司 | 基于岩石物理建模的致密储层智能化含气性预测方法 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
CN111045080A (zh) * | 2019-12-25 | 2020-04-21 | 安徽省煤田地质局勘查研究院 | 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 |
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
CN112101672A (zh) * | 2020-09-22 | 2020-12-18 | 郑州铁路职业技术学院 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
CN115731658A (zh) * | 2021-08-31 | 2023-03-03 | 国家电网有限公司 | 一种电力系统设备安防定位装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104570101A (zh) * | 2013-10-09 | 2015-04-29 | 中国石油化工股份有限公司 | 一种基于粒子群算法的avo三参数反演方法 |
CN104914467A (zh) * | 2015-05-22 | 2015-09-16 | 中国石油天然气股份有限公司 | 提取分类模型道的地震相聚类分析方法 |
US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
EP2310880B1 (en) * | 2008-08-06 | 2017-08-02 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
-
2017
- 2017-09-29 CN CN201710916231.0A patent/CN107843920B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2310880B1 (en) * | 2008-08-06 | 2017-08-02 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
CN104570101A (zh) * | 2013-10-09 | 2015-04-29 | 中国石油化工股份有限公司 | 一种基于粒子群算法的avo三参数反演方法 |
US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104914467A (zh) * | 2015-05-22 | 2015-09-16 | 中国石油天然气股份有限公司 | 提取分类模型道的地震相聚类分析方法 |
Non-Patent Citations (10)
Title |
---|
JUNJUN WANG ET AL.: "Parallel K-PSO Based on MapReduce", 《2012 IEEE》 * |
S. H. LING ET AL.: "Improved Hybrid Particle Swarm Optimized Wavelet Neural Network for Modeling the Development of Fluid Dispensing for Electronic Packaging", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
XUEGONG ZHANG ET AL.: "Early-stage reservoir analysis with SOMA: A neural network approach", 《SEG TECHNICAL PRORAM EXPANDED ABSTRACTS 1995》 * |
冯德永等: "基于子波分解的地质统计学岩性反演方法在储层预测中的应用", 《中国石油大学胜利学院学报》 * |
张䶮等: "基于SOM和PSO的非监督地震相分析技术", 《地球物理学报》 * |
徐洪斌等: "《地层、岩性油气藏地震勘探方法与技术》", 31 July 2012, 北京:石油工业出版社 * |
曹琳昱等: "基于粒子群优化的BP网络在地震属性融合技术中的应用", 《石油与天然气地质》 * |
林卓琼等: "基于K-均值聚类粒子群算法的变电站定容选址", 《陕西电力》 * |
潘烁等: "基于K-均值聚类粒子群优化算法的组合测试数据生成", 《计算机应用》 * |
阮海贵等: "神经网络的粒子群优化算法及其在地震预测中的应用", 《计算机与数字工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618450A (zh) * | 2018-06-20 | 2019-12-27 | 中国石油化工股份有限公司 | 基于岩石物理建模的致密储层智能化含气性预测方法 |
CN110618450B (zh) * | 2018-06-20 | 2021-07-27 | 中国石油化工股份有限公司 | 基于岩石物理建模的致密储层智能化含气性预测方法 |
CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
CN111045080A (zh) * | 2019-12-25 | 2020-04-21 | 安徽省煤田地质局勘查研究院 | 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 |
CN111045080B (zh) * | 2019-12-25 | 2022-07-05 | 安徽省煤田地质局勘查研究院 | 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 |
CN113129157A (zh) * | 2019-12-30 | 2021-07-16 | 中石化石油工程技术服务有限公司 | 一种适用于页岩气长水段的井下卡钻故障实时预警方法 |
CN111487676A (zh) * | 2020-03-31 | 2020-08-04 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
CN112101672A (zh) * | 2020-09-22 | 2020-12-18 | 郑州铁路职业技术学院 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
CN115731658A (zh) * | 2021-08-31 | 2023-03-03 | 国家电网有限公司 | 一种电力系统设备安防定位装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107843920B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107843920B (zh) | 一种聚类分析优化粒子群储层属性预测方法 | |
CN104615862B (zh) | 基于进化算法的高含水油田确定井位的方法 | |
CN107122861A (zh) | 一种基于pca‑pso‑elm的瓦斯涌出量预测方法 | |
CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN106529667B (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
CN110807557A (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN108460461A (zh) | 基于ga-bp神经网络的火星壤剪切参数预测方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN110348046B (zh) | 一种基于模糊综合评价的钻进轨迹多目标优化方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN103984788A (zh) | 一种煤巷锚杆支护自动智能设计与优化系统 | |
CN111914478A (zh) | 一种综合地质钻孔测井岩性识别方法 | |
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
CN104778338A (zh) | 一种低能耗分子蒸馏过程给定值的优化方法 | |
CN102279419A (zh) | 一种基于遗传算法提高缝洞型油藏自动历史拟合效率的方法 | |
CN114509556B (zh) | 一种预测场地重金属污染物浓度的方法 | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN105676288B (zh) | 一种基于反射系数分析的砂体叠置关系判别方法 | |
CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
CN108765562A (zh) | 基于三维地质模型的油气产能评价方法 | |
CN104657429A (zh) | 基于复杂网络的技术驱动型产品创新方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |