CN108445537B - 基于Spark的叠前地震数据AVO弹性参数反演方法及系统 - Google Patents
基于Spark的叠前地震数据AVO弹性参数反演方法及系统 Download PDFInfo
- Publication number
- CN108445537B CN108445537B CN201810123704.6A CN201810123704A CN108445537B CN 108445537 B CN108445537 B CN 108445537B CN 201810123704 A CN201810123704 A CN 201810123704A CN 108445537 B CN108445537 B CN 108445537B
- Authority
- CN
- China
- Prior art keywords
- population
- avo
- individual
- elastic parameter
- spark
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 230000035772 mutation Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000011112 process operation Methods 0.000 claims 1
- 230000008929 regeneration Effects 0.000 abstract 1
- 238000011069 regeneration method Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 14
- 230000002068 genetic effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
- G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于Spark的叠前地震数据AVO弹性参数反演方法及系统，首先将初始化生成的种群转换为RDD，根据集群配置，并行对RDD中每个个体计算初始适应度值，然后根据锦标赛选择特点，并行选择出popsize个个体构成种群，并根据算术交叉特点，串行执行算术交叉，再根据自适应变异算子特点，并行对popsize个个体进行变异构成新种群；最后并行更新种群中个体的适应度值，重复执行选择变异交叉操作后得出最优解，根据最优解进行AVO弹性参数反演。采用本发明进行叠前地震数据AVO弹性参数反演，耗时明显降低，求解效率较高。
Description
技术领域
本发明涉及地震勘探领域，更具体地说，涉及一种基于Spark的叠前地震数据AVO弹性参数反演方法及系统。
背景技术
目前，地震勘探是利用地震信息进行石油勘探的一种方法，由于地震信息可以反映出储层参数的变化趋势，因此，可以使用该方法来预测储层参数。地震数据分为叠前和叠后两种，由于叠前地震数据比叠后地震数据包含了更多的流体信息，而且叠前反演方法具有结果稳定、分辨率高、可控制性强等明显优势，因此近年来，基于叠前地震数据的反演一直是地震勘探领域中的热门话题。作为地震勘探的一部分，用于研究地震反射振幅随炮点与接收器之间的距离即炮检距(或入射角)的变化特征来探讨反射系数响应随炮检距(或入射角)的变化，进而确定反射界面上覆、下伏介质的岩性特征及物性参数的以弹性波理论为基础的AVO(Amplitude variation with offset，振幅随偏移距的变化)技术与地震、地质以及测井等信息相结合用以油气预测已经取得巨大成功。AVO技术以弹性波理论为基础，利用叠前CDP道集对地震反射振幅随炮检距的变化特征进行研究、分析，得到反射系数与入射角的关系，用以分析反射界面上下的岩性特征及物性参数，进而预测和判断油气储层流体性质、储层岩性等。叠前地震资料中包含许多有用的信息可用于地下油气状况的预测，其中纵波速度、横波速度和密度这三个弹性参数是关键的参数。这三个弹性参数可以侧面反映出地下油气的饱和度状况，纵波速度与含气饱和度的关系是非线性的，密度与气体饱和度的关系则是线性的，横波速度可以反映一些岩石特性。因此在判断地下油气饱和度时需要这三个弹性参数的变化的信息。叠前地震数据包含有更多的反映地下底层特征的信息，利用AVO信息通过求解Zoeppritz方程的近似公式，叠前反演可以直接得到反映地下岩石特征的弹性参数—纵波波速、横波波速、密度。从本质上讲，叠前地震反演是非线性的，但是目前多采用线性近似方法求解，降低了地震反演的精度。叠前AVO弹性参数的反演需要构建合适的目标函数，然后对目标函数进行优化，该目标函数一般是非线性的。当使用线性或拟线性的方法来求解该问题时，由于这些方法存在对初始模型依赖较强等缺陷，若初始模型选择有误，就会导致反演结果不可靠；尤其在对具有多参数、多极值等特性的非线性反演问题进行求解时，这些线性反演方法便遇到了瓶颈。由此可见，AVO反演是一个非线性优化问题，因此，采用非线性的反演方法，其解空间的性质、状态应优越于线性反演方法，而基于全局最优的智能优化算法具有较强的局部和全局寻优能力，具有较好的收敛性，并提高了计算效率，适用于多参数多极值的地球物理反演问题。
20世纪80年代中期，非线性全局智能优化反演技术开始受到地球物理领域专家学者的关注，很多其他领域的新思想、新方法也不断地被引入到地球物理领域。最早在理论上分析遗传算法用于多参数反演的可能性的是Berg E.。Mallick将遗传算法用于AVO反演问题的求解。Agarwal A等提出的基于FDR(Fitness-Distance-Ratio)PSO的走时约束的AVO反演方法在无噪声和2％噪声的人工合成地震数据中取得了不错的结果。
虽然智能算法是解决地球物理反演领域问题的主要方法之一，但是它们在地球物理非线性反演中也面临一些难点：
首先，这些智能算法的计算效率普遍较低。在使用这些智能算法进行非线性反演问题研究时，通过对目标函数进行优化来求解其中的重要参数，目标函数通常就是适应度函数，在反演求解的过程中，种群中往往有多个个体，需要迭代成千上万次，这样适应度的评估次数将会达到几十乃至上百万次，并且，在搜索解的过程中，常常存在计算效率低下等问题。例如遗传算法在进入算法后期时，由于局部搜索效率较差，容易陷入局部最优，导致搜索效率降低，耗时较多。算法的搜索效率与反演问题的求解效率紧密相关，搜索效率低下，问题的求解效率也必然低下。地震反演技术在不断地发展，这使得反演的研究趋势从叠后向叠前转变，叠前反演使用的数据数量巨大，反演的问题参数的规模也会进一步增加，要达到好的反演效果，此时可能需要增加种群中个体数目以及迭代次数，这样会导致整个反演过程的计算量飞速增长，大大地增加了智能算法在地球物理非线性反演中的数据处理量。
其次，随着地球物理反演问题研究的不断深入，一方面低维度的反演已经难以满足实际需求，反演问题的研究逐渐从低维度向高维度发展，另一方面，采集数据量也在持续的增加，并且，处理步骤也越来越复杂，在处理方法与计算能力上也提出了更高的要求。通过研究可以发现，地球物理中的反演问题不仅涉及偏微分方程系数项的求解，而且还涉及初始条件以及初始边界的求解。由此可见，地球物理非线性反演本身就具有计算量大的特点，并且随着方法从简单到复杂，处理精度由低到高，这些无疑都大大增加了数据处理量，并且由于求解反演问题过程中使用的大多数非线性方法采用的是启发性搜索，搜索点很多，导致每一代反演过程中需要进行几十、上百次正演模拟，耗时巨大，反演效率低，普通大型计算机难以满足需求。如果反演由一维上升到二维乃至三维，数据量加大，耗时将是巨大的。因此，采用分布式并行计算来处理地球物理非线性反演问题是一个不错的选择。
早在2014年，Cui等提出基于Spark架构的粒子群算法并与Hadoop平台下的粒子群算法进行比较，实验表明，Spark和Hadoop都可以进行正常的串行PSO无法处理的大数据计算。即使给予足够的内存，串行PSO可能需要几天甚至几个月的时间来计算，而Spark可以计算比众所周知的平台Hadoop快32倍，并且当PSO的迭代次数大于19时，这个差异甚至更大；Wu等基于Spark框架将PSO并行化应用于分布式ESN(The echo state network)问题，实验表明针对问题的速度、精度以及泛化等指标上，在大数据时代，该工作的准确可行的；Cao等提出的基于Spark框架下的并行协同粒子群优化算法，针对大规模数据问题，在20组benchmark上进行测试能获得比较好的结果，王诏远等为应对大数据时代中组合优化问题的求解，提出了基于Spark云计算框架的并行蚁群算法，通过TSP求解仿真，并在同等实验环境下对比于MapReduce的蚁群优化算法，优化速度提升达10倍以上；刘泽燊等针对SVM算法训练大规模数据时存在寻优速度慢、内存占用大等问题，提出了一种基于Spark平台的并行支持向量机算法，实验结果表明，新的并行训练方法在损失较小精度的前提下，在一定程度上减少了训练时间,能够很好地提高模型的学习效率；启发式算法是一种有效的方法用于解决复杂的全局优化问题，其中差分演化算法是其中十分流行的，然后针对现实问题应用常常十分耗时，针对这个问题，Diego Teijeiro等提出了基于Spark的分布式环境下的差分演化算法，随着计算节点的增加，算法体现了良好的加速比以及伸缩性；许智宏等在2017年针对传统遗传算法存在的早熟，并且在海量数据模型下的求解精度以及可扩展性较差的现象，利用了遗传算法固有的并行性，提出了基于Spark平台下仿细粒度的粗粒度双层并行遗传算法，并对TSP问题进行求解，实验结果表明，与传统的并行模型相比，改进后的算法可以明显缩短计算时间，增大搜索范围，早熟现象也得到了改善；黄进腊等针对相对波阻抗反演方法中使用的遗传算法分布式并行化，为遗传算法在地震属性的优化研究中提供了一种改进的思路。
实现基于Spark的智能优化算法的关键在保证求解精度情况下尽量减少反演耗时，智能优化算法进行反演过程中，每个个体进行的适应度评价的过程中需要执行整个正演流程，因此，适应度评价这个步骤是最耗时的。由于智能优化算法往往有多个个体并且需要迭代成百上千次，这样整个反演过程需要适应度评价上万次，也就是说整个正演过程会执行上万次。随着地球物理反演问题的不断深入，一方面低维度的反演已经难以满足实际的需求，因此，反演问题的研究逐步从低维度向高维度发展，另一方面，采集的数据量也在持续的增多，层数逐渐增加，处理步骤也越来越复杂，在处理方法与计算能力上也提出了更高的要求。由此可见，整个反演过程耗时将会是巨大的。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述基于Spark的智能优化算法采用智能优化算法进行反演过程中，每个个体进行的适应度评价的过程中需要执行整个正演流程，适应度评价这个步骤过于耗时的缺陷，提供一种基于Spark的叠前地震数据AVO弹性参数反演方法及系统。
本发明解决其技术问题，所采用的技术方案是构造一种基于Spark的叠前地震数据AVO弹性参数反演方法，包含如下步骤：
(1)获取叠前地震数据AVO弹性参数反演的种群，并进行初始化；
(2)将初始化生成的种群转换为弹性分布式数据集，弹性分布式数据集中个体总数记作popsize；
(3)根据集群配置，并行对弹性分布式数据集中各个子种群进行处理，每个并行处理进程串行计算一个子种群中每个个体的适应度值；
(4)每个进程采用锦标赛选择规则对各自处理的子种群进行选择操作，所有的子种群选择出的个体的总数为popsize个；
(5)对步骤(4)选择出的popsize个个体构成的新的种群串行执行算术交叉操作；
(6)根据自适应变异算子特点，并行对步骤(5)进行交叉操作后的popsize个个体进行变异构成新种群；
(7)每次均以步骤(6)形成的新种群作为新的处理对象，重复进行步骤(3)-(6)达到预设次数后输出最优解；
(8)根据最优解进行AVO弹性参数反演。
优选地，在本发明的基于Spark的叠前地震数据AVO弹性参数反演方法中，在步骤(3)中，各所述处理进程所处理的子种群所包含的个体的数目相同。
优选地，在本发明的基于Spark的叠前地震数据AVO弹性参数反演方法中，在步骤(7)中所述预设次数为1次。
根据本发明的另一方面，本发明为解决其技术问题，还提供了一种基于Spark的叠前地震数据AVO弹性参数反演系统，包含如下模块：
种群初始化模块，用于获取叠前地震数据AVO弹性参数反演的种群，并进行初始化；
RDD处理模块，用于将初始化生成的种群转换为弹性分布式数据集，弹性分布式数据集中个体总数记作popsize；
适应度计算模块，用于根据集群配置，并行对弹性分布式数据集中各个子种群进行处理，每个并行处理进程串行计算一个子种群中每个个体的适应度值；
选择操作模块，用于控制每个进程采用锦标赛选择规则对各自处理的子种群进行选择操作，所有的子种群选择出的个体的总数为popsize个；
交叉操作模块，用于对选择操作模块选择出的popsize个个体构成的新的种群串行执行算术交叉操作；
变异操作模块，用于根据自适应变异算子特点，并行对步骤交叉操作模块进行交叉操作后的popsize个个体进行变异构成新种群；
最优解获取模块，用于每次均以步骤变异操作模块形成的新种群作为新的处理对象，重复进行步骤适应度计算模块-变异操作模块达到预设次数后输出最优解；
参数反演模块，用于根据最优解进行AVO弹性参数反演。
优选地，在本发明的基于Spark的叠前地震数据AVO弹性参数反演系统中，在步骤适应度计算模块中，各所述处理进程所处理的子种群所包含的个体的数目相同。
优选地，在本发明的基于Spark的叠前地震数据AVO弹性参数反演系统中，在步骤最优解获取模块中所述预设次数为1次。
实施本发明的基于Spark的叠前地震数据AVO弹性参数反演方法及系统进行叠前地震数据AVO弹性参数反演，耗时明显降低，求解效率较高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是基于Spark分布式并行计算下的优化算法的流程图；
图2是基于Spark的叠前地震数据AVO弹性参数反演方法的流程图；
图3是六种模式三组数据迭代500次各自时间开销图；
图4是六种模式三组数据迭代500次各自加速比。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
基于Spark的智能优化算法研究中，由于每轮迭代，每个个体的适应度评价都是各自独立，互不影响的，受分而治之思想的启发，串行执行每个个体的适应度评价的过程如果采用分治的方式，同时执行，那么总的耗时将会是(1/并行度)。假设算法中有n个个体，同时有n个计算结点，具体流程如图1所示。
考虑到现有的设备以及实验环境，本发明将更多的cpu和内存利用上，来解决数据量大和计算复杂的地球物理反演问题，因此，不考虑容错性差、所有线程共享内存空间、硬件制约较大、性能上会受到通信网络的影响、并且主要针对循环并行化的并行编程模式，由于非线性反演问题的研究方法中使用的智能优化算法(例如，遗传算法)的处理过程往往是迭代式的，并且种群包含多个个体，求解过程中使用到的反演数据是层层相关密不可分的，因此，分布式框架中的Hadoop、Storm均不适合，经大量研究表明，Spark分布式计算框架十分适合基于粗粒度模型的分布式遗传算法，其基本思想是：将整个大的种群分成若干子种群，每个子种群包含若干个体，并分配给各自的处理器，每个处理器独立进行正演计算适应度值。
利用Apache Spark并行技术提高求解效率，首先要考虑的是如何将待处理的数据进行分发或切割，然后根据问题及Apache Spark框架特点，找到合适的求解方法。该问题的输入数据是具有一定关联性的，故不考虑切割，根据Apache Spark内存计算的特点，如果内存足够大，选择将数据存入到内容中。Apache Spark主要围绕着弹性分布式数据集(resilient distributed dataset，RDD)这个概念，RDD正是一种能被并行操作的，有着容错能力的数据集合，并且，本发明设计的遗传算法耗时主要体现在适应度评价上，由此设计具体步骤可参考图2：
(1)获取叠前地震数据AVO弹性参数反演的种群，并进行初始化。
(2)将初始化生成的种群转换为弹性分布式数据集，弹性分布式数据集中个体总数记作popsize。
(3)根据集群配置，并行对弹性分布式数据集中各个子种群进行处理，每个并行处理进程串行计算一个子种群中每个个体的适应度值。第一个进程处理个体1至个体10，第二个进程处理个体11至个体20，依次类推。
(4)每个进程采用锦标赛选择规则对各自处理的子种群进行选择操作，所有的子种群选择出的个体的总数为popsize个。
(5)对步骤(4)选择出的popsize个个体构成的新的种群串行执行算术交叉操作。
(6)根据自适应变异算子特点，并行对步骤(5)进行交叉操作后的popsize个个体进行变异构成新种群；变异可采用非均匀、自适应变异。
(7)每次均以步骤(6)形成的新种群作为新的处理对象，重复进行步骤(3)-(6)后输出最优解。
(8)根据最优解进行AVO弹性参数反演。
实验环境：
进行算法实验的操作系统是Ubuntu14.04，为了方便将单机实验环境结果与并行实验环境结果进行对比，单机环境与并行环境均使用相同的配置。jdk版本为1.7.0.71。实验中集群配置如下表1。
表1集群配置
实验数据：
本发明的实验数据包含测井曲线数据及地震记录数据，并选用三组不同规模的数据集进行模型试算。数据集一中的测井曲线数据为有241个采样点的数据，包括纵波速度Vp、横波速度Vs及密度ρ。每个采样点对应8个不同的角度：[0°，6°，11°，17°，23°，29°，34°，40°]，每个数据集都使用这8个角度。利用Aki&Rechard公式对测井曲线理论模型进行正演，利用测井曲线模型计算出反射系数，再将反射系数与子波进行褶积，因为生成地震记录需要利用上下两组采样点间关系，因此地震记录数据中包含240*8个数据。数据集二包含2401个采样点数据，对应2400*8个地震记录数据。数据集三包含24000个采样点数据，对应23999*8个地震记录数据。数据集一、数据集二以及数据集三用于串行算法和基于Spark的分布式并行算法的实验结果进行比较。
表2测井曲线数据信息
| 数据名称 | 数据大小 |
| Well240 | 15KB |
| Well2400 | 141KB |
| Well23999 | 1407KB |
表3地震记录数据信息
| 数据名称 | 数据大小 |
| Conv240 | 41KB |
| Conv 2400 | 402KB |
| Conv 23999 | 4114KB |
为了更好的观察算法性能，本算法将遗传算法终止条件设为满足最大迭代次数500次，个体数为40，选择策略为锦标赛选择，交叉策略为算术交叉，交叉概率设为0.7，变异策略为非均匀、自适应的变异操作，变异概率设为0.05，使用数据集一、二、三作为实验数据，采用六组模式，重复实验30次，将实验得到反演结果、耗时、加速比等结果进行统计，取其均值，并对算法性能进行评价。
加速比公式：Sp＝T1/Tp，其中Sp是加速比，T1是单处理器下的运行时间，Tp是在有P个处理器并行系统中的运行时间。
实验过程：
1.Serial模式是在master节点上运行串行程序
2.Local模式是在master节点上运行并行程序
3.One slave模式是在master节点以及一个slave节点上运行并行程序
4.Two slaves模式是在master节点以及两个slave节点上运行并行程序
5.Three slaves模式是在master节点以及三个slave节点上运行并行程序
6.Four slaves模式是在master节点以及四个slave节点上运行并行程序
表4六种模式三组数据迭代500次平均耗时(秒)
表5 Serial模式三组数据中数据大小以及耗时倍数对比
表6六种模式三组数据迭代500次平均加速比
由表4、表5以及图3可知，不论在单机环境下还是Spark环境下，随着数据量的增加，算法的运行时间呈现指数级增长。由表1可知，在分布式环境下的运行时间比单机环境下算法的运行时间有显著减少，而且随着计算节点数目的增加，算法计算时间也在不断减少。由于个体之间在计算适应度值的时候是相互独立的，因此可以并行地计算种群个体的适应度值，这样既可以保证相同的适应度值计算次数，还能有效地减少算法运行时间，提高了算法的效率。由表6、图4可知，随着计算节点的增加以及数据集层数大小的增加，加速比越来越高，并行带来的效益越来越客观。由此可见，使用并行技术可以有效地减少算法运行时间。与此同时，在单机环境和Spark环境下反演得到的结果相差不大，由此可知，使用该并行策略，既能保证总的个体数量和适应度值计算次数，还能获得与单机环境相近甚至更好的实验结果，同时减少了算法的执行时间，因此，可得出结论，该方法可有效求解叠前地震数据AVO参数反演问题。
从整体实验结果来看，达到了预期加速的效果，由于在分布式环境中，节点间的网络通信开销还是比较大的，数据量小的时候，计算开销比通信开销要小，或者节点数目少的时候，加速效果不能抵消通信开销，但随着数据的不断增加，计算开销会远远大于通信开销，并且此时，即使只有一个slave节点，加速效果也能抵消通信开销，这时并行的效果就体现出来了。利用基于Spark的并行策略来提高叠前地震大数据参数反演问题的求解效率，并根据问题特征，寻找最适合求解非线性反演问题的并行策略。使用适应度值分布式求解的并行策略，可以保证与单机环境下相同的适应度值计算次数，还能有效地减少算法运行时间，提高了算法的求解效率。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (6)
1.一种基于Spark的叠前地震数据AVO弹性参数反演方法，其特征在于，包含如下步骤：
(1)获取叠前地震数据AVO弹性参数反演的种群，并进行初始化；
(2)将初始化生成的种群转换为弹性分布式数据集，弹性分布式数据集中个体总数记作popsize；
(3)根据集群配置，并行对弹性分布式数据集中各个子种群进行处理，每个并行处理进程串行计算一个子种群中每个个体的适应度值；
(4)每个进程采用锦标赛选择规则对各自处理的子种群进行选择操作，所有的子种群选择出的个体的总数为popsize个；
(5)对步骤(4)选择出的popsize个个体构成的新的种群串行执行算术交叉操作；
(6)根据自适应变异算子特点，并行对步骤(5)进行交叉操作后的popsize个个体进行变异构成新种群；
(7)每次均以步骤(6)形成的新种群作为新的处理对象，重复进行步骤(3)-(6)达到预设次数后输出最优解；
(8)根据最优解进行AVO弹性参数反演。
2.根据权利要求1所述的基于Spark的叠前地震数据AVO弹性参数反演方法，其特征在于，在步骤(3)中，各所述处理进程所处理的子种群所包含的个体的数目相同。
3.根据权利要求1所述的基于Spark的叠前地震数据AVO弹性参数反演方法，其特征在于，在步骤(7)中所述预设次数为1次。
4.一种基于Spark的叠前地震数据AVO弹性参数反演系统，其特征在于，包含如下模块：
种群初始化模块，用于获取叠前地震数据AVO弹性参数反演的种群，并进行初始化；
RDD处理模块，用于将初始化生成的种群转换为弹性分布式数据集，弹性分布式数据集中个体总数记作popsize；
适应度计算模块，用于根据集群配置，并行对弹性分布式数据集中各个子种群进行处理，每个并行处理进程串行计算一个子种群中每个个体的适应度值；
选择操作模块，用于控制每个进程采用锦标赛选择规则对各自处理的子种群进行选择操作，所有的子种群选择出的个体的总数为popsize个；
交叉操作模块，用于对选择操作模块选择出的popsize个个体构成的新的种群串行执行算术交叉操作；
变异操作模块，用于根据自适应变异算子特点，并行对步骤交叉操作模块进行交叉操作后的popsize个个体进行变异构成新种群；
最优解获取模块，用于每次均以步骤变异操作模块形成的新种群作为新的处理对象，重复进行步骤适应度计算模块-变异操作模块达到预设次数后输出最优解；
参数反演模块，用于根据最优解进行AVO弹性参数反演。
5.根据权利要求4所述的基于Spark的叠前地震数据AVO弹性参数反演系统，其特征在于，在步骤适应度计算模块中，各所述处理进程所处理的子种群所包含的个体的数目相同。
6.根据权利要求4所述的基于Spark的叠前地震数据AVO弹性参数反演系统，其特征在于，在步骤最优解获取模块中所述预设次数为1次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810123704.6A CN108445537B (zh) | 2018-02-07 | 2018-02-07 | 基于Spark的叠前地震数据AVO弹性参数反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810123704.6A CN108445537B (zh) | 2018-02-07 | 2018-02-07 | 基于Spark的叠前地震数据AVO弹性参数反演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108445537A CN108445537A (zh) | 2018-08-24 |
| CN108445537B true CN108445537B (zh) | 2019-05-31 |
Family
ID=63191720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810123704.6A Expired - Fee Related CN108445537B (zh) | 2018-02-07 | 2018-02-07 | 基于Spark的叠前地震数据AVO弹性参数反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108445537B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109375873B (zh) * | 2018-09-27 | 2022-02-18 | 郑州云海信息技术有限公司 | 一种分布式存储集群中数据处理守护进程的初始化方法 |
| CN113534246B (zh) * | 2020-04-17 | 2023-11-24 | 中国石油化工股份有限公司 | 基于蜂群优化算法的叠前avo反演方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004097457A2 (fr) * | 2003-04-28 | 2004-11-11 | Compagnie Generale De Geophysique | Procede de traitement de cubes sismiques corresppondant pour une meme zone au sol, a differentes valeurs de deports source/recepteur et/ou d’angles d’incidence |
| CN102854528A (zh) * | 2012-07-13 | 2013-01-02 | 孙赞东 | 粒子群优化算法叠前非线性反演方法 |
| CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
| CN103605151A (zh) * | 2013-11-20 | 2014-02-26 | 中北大学 | 基于相位测量的分布式群波浅层微震定位方法 |
| CN104991974A (zh) * | 2015-07-31 | 2015-10-21 | 中国地质大学（武汉） | 一种基于粒子群算法的多标签分类方法 |
| CN107024717A (zh) * | 2017-05-27 | 2017-08-08 | 伍庆华 | 一种用于叠前地震数据参数反演的改进遗传算法 |
| CN107247973A (zh) * | 2017-06-29 | 2017-10-13 | 中国矿业大学 | 一种基于spark的支持向量机参数优选并行粒子群寻优方法 |
| CN107561585A (zh) * | 2017-09-19 | 2018-01-09 | 北京大学 | 一种多核多节点并行三维地震波场生成方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2409304B (en) * | 2003-12-19 | 2007-11-14 | Westerngeco Ltd | Processing geophysical data |
-
2018
- 2018-02-07 CN CN201810123704.6A patent/CN108445537B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004097457A2 (fr) * | 2003-04-28 | 2004-11-11 | Compagnie Generale De Geophysique | Procede de traitement de cubes sismiques corresppondant pour une meme zone au sol, a differentes valeurs de deports source/recepteur et/ou d’angles d’incidence |
| CN102854528A (zh) * | 2012-07-13 | 2013-01-02 | 孙赞东 | 粒子群优化算法叠前非线性反演方法 |
| CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
| CN103605151A (zh) * | 2013-11-20 | 2014-02-26 | 中北大学 | 基于相位测量的分布式群波浅层微震定位方法 |
| CN104991974A (zh) * | 2015-07-31 | 2015-10-21 | 中国地质大学（武汉） | 一种基于粒子群算法的多标签分类方法 |
| CN107024717A (zh) * | 2017-05-27 | 2017-08-08 | 伍庆华 | 一种用于叠前地震数据参数反演的改进遗传算法 |
| CN107247973A (zh) * | 2017-06-29 | 2017-10-13 | 中国矿业大学 | 一种基于spark的支持向量机参数优选并行粒子群寻优方法 |
| CN107561585A (zh) * | 2017-09-19 | 2018-01-09 | 北京大学 | 一种多核多节点并行三维地震波场生成方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| "一种基于Spark的高光遥感图像分类并行化方法";刘震 等;《电子设计工程》;20170630;第25卷(第12期);第19-22、26页 |
| "基于Spark的并行推荐算法的研究与实现";郑凤飞;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20161015(第10（2016）期);第I138-610页 |
| "基于粒子群优化最小二乘支持向量机的非线性AVO反演";谢玮 等;《石油地球物理勘探》;20161231;第51卷(第6期);第1187-1194页 |
| "基于遗传算法的波阻抗反演方法研究";黄进腊;《中国优秀硕士学位论文全文数据库（基础科学辑）》;20190815(第08（2009）期);第A011-324页 |
| "量子行动的粒子群算法在叠前AVO反演中的应用";严哲 等;《石油地球物理勘探》;20100831;第45卷(第4期);第517-519页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108445537A (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | A physics-based neural-network way to perform seismic full waveform inversion | |
| US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
| CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
| CN107290782B (zh) | 储层孔隙度、含水饱和度和泥质含量参数同时反演新方法 | |
| Wang et al. | On a new method of estimating shear wave velocity from conventional well logs | |
| BR112021004693B1 (pt) | Sistema, método e meio não transitório legível por computador | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| CN102854528B (zh) | 粒子群优化算法叠前非线性反演方法 | |
| US12032111B2 (en) | Method and system for faster seismic imaging using machine learning | |
| US11668848B2 (en) | Method and system for seismic imaging using S-wave velocity models and machine learning | |
| CN104570101A (zh) | 一种基于粒子群算法的avo三参数反演方法 | |
| CN110568494B (zh) | 基于广义极值分布的叠前非高斯avo反演方法 | |
| Ouadfeul et al. | Lithofacies classification using the multilayer perceptron and the self-organizing neural networks | |
| CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
| WO2022232572A1 (en) | Method and system for high resolution least-squares reverse time migration | |
| CN108445537B (zh) | 基于Spark的叠前地震数据AVO弹性参数反演方法及系统 | |
| CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
| CN105044775A (zh) | 一种地震流体反演识别方法和装置 | |
| CN113947198A (zh) | 一种基于非线性自回归神经网络模型的测井曲线重构方法 | |
| Yan et al. | Spark-based intelligent parameter inversion method for prestack seismic data | |
| Vasco et al. | Nonuniqueness in traveltime tomography: Ensemble inference and cluster analysis | |
| Bazulin et al. | Determination of the elastic parameters of a VTI medium from sonic logging data using deep learning | |
| Dai et al. | Split shear-wave analysis using an artificial neural network | |
| Bi et al. | Prestack AVO inversion for brittleness index of shale based on BI_Zoeppritz equation and NSGA II | |
| Huang et al. | Determination of porosity and permeability in reservoir intervals by artificial neural network modelling, offshore eastern Canada |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190531 Termination date: 20210207 |