CN109633748B - 一种基于改进遗传算法的地震属性优选方法 - Google Patents
一种基于改进遗传算法的地震属性优选方法 Download PDFInfo
- Publication number
- CN109633748B CN109633748B CN201811339334.6A CN201811339334A CN109633748B CN 109633748 B CN109633748 B CN 109633748B CN 201811339334 A CN201811339334 A CN 201811339334A CN 109633748 B CN109633748 B CN 109633748B
- Authority
- CN
- China
- Prior art keywords
- seismic
- individuals
- population
- genetic algorithm
- seismic attribute
- 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
Images
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. analysis, for interpretation, for correction
- 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
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于改进遗传算法的地震属性优选方法,其特征在于采用标准化方法对井震数据进行预处理,获得带有类别标签的地震属性集;针对利用遗传算法筛选关键地震属性时容易陷入局部最优的不足,初始化种群参数,采用长度为地震属性个数的二进制格式对种群个体编码,以深度信念网络的分类准确率作为适应度函数,计算种群中个体的适应度值,保留适应度值大的一半个体,生成一个随机个体与保留的种群进行交叉操作,随机选择交叉后产生的一半新个体加入保留种群,维持种群总数的稳定性;反复运行,直到选择出最优地震属性组合。本发明通过在遗传算法的交叉过程中引入随机个体,增强个体的搜索能力,能够找到全局最优的地震属性组合,进而提高储层预测的有效性。
Description
技术领域
本发明属于地球物理勘探领域和人工智能领域,具体涉及一种基于改进遗传算法的地震属性优选方法。
背景技术
地震属性的种类众多,且地震属性与储层物性之间的关系复杂,单一地震属性不能反映储层分布规律,因此地震属性分析技术成为准确预测储层分布的重要手段。提高地震多属性精确预测储层分布的关键是地震属性的选择,而传统储层预测方法受限于现有的理论和技术,无法描述多维属性之间的关系,仅采用常用的3-4种地震属性进行预测,在地质情况复杂,不同地区、不同的储层对地震属性的敏感度不同的情况下,常规地震属性相关性差,导致预测结果具有多解性,不能准确预测储层分布。
随着计算机技术的高速发展,引入机器学习中特征选择的相关知识分析属性之间的相关性已经越来越普遍,通过对地震属性进行特征选择,去除冗余以及不相关的地震属性,筛选出关键地震属性集,进而通过分类算法,得到地震属性与储层物性之间的映射关系,实现储层的精准预测,从而辅助地质勘探人员快速有效地圈定储层分布。
发明内容
为了克服传统储层预测方法的不足,本发明提出了一种基于改进遗传算法的地震属性优选方法,通过改进遗传算法中的选择和交叉操作,增强全局的搜索能力,实现地震属性的优选。
为实现上述目的,本发明技术方案主要包括如下步骤:
A.数据预处理:
从测井曲线、地震勘探资料等数据源中提取地震属性以及储层物性数据,因各数据衡量尺度不一,存储方式不同,采用标准化的方式对多源异构数据进行处理,得到规范化的数据表示格式。
B.采用改进遗传算法筛选关键地震属性:
(1)原始地震属性的个数为D,设置种群个数为m,变异概率为P,最大迭代次数为T,采用长度为D的二进制编码X对种群进行初始化,其中编码0表示选择对应位置的地震属性,编码1表示没有选择对应位置的地震属性,初始化的种群为S={X1,X2,…,Xm},将个体X代表的地震属性组合作为输入,以深度信念网络的分类准确率f(X)作为适应度函数F;
(2)计算种群中个体的适应度值Fi,Fi=f(Xi),i=1,2,…,m,将种群中的个体按照其适应度值大小降序排序{X1′,X2′,…,X′m},X′i表示排序数为i的个体,选择适应度值大的一半个体构成种群A={X′1,X′2,…,X′m/2};
(3)随机生成一个新个体Xm+1,采用单点交叉的方式,对选择出的种群A和生成的个体Xm+1进行交叉操作,随机选择交叉后产生的一半新个体构成种群B,将A和B中的个体混合到一起,生成新的种群S′;
(4)按照变异概率P随机选择个体进行变异操作;
(5)重复步骤(2)-(4),直到满足迭代次数或者达到设置的阈值,停止运算。此时适应度值最大的个体对应的二进制值即为最优地震属性的组合。
本发明的有益效果是:根据遗传算法的核心思想,改进标准的选择、交叉操作,从而增强全局搜索能力,扩大搜索范围,采用改进后的遗传算法对井震数据进行相关性分析,能够避免陷入局部最优解,得到全局最优地震属性组合,进而更加准确地预测储层分布。
附图说明
图1是本发明的模型结构图
具体实施方式
下面结合图1对本发明作进一步详细的描述:
A.数据预处理:
从测井曲线、地震勘探资料等数据源中提取地震属性以及储层物性数据,因各数据衡量尺度不一,存储方式不同,采用标准化的方式对多源异构数据进行处理,得到规范化的数据表示格式,通过时深匹配,得到带有类别标签的地震属性集,类别1表示是储层,类别0表示不是储层。
B.采用改进遗传算法筛选关键地震属性:
(1)种群初始化
原始地震属性的个数为D,设置种群个数为m,变异概率为P,最大迭代次数为T,采用长度为D的二进制编码X对种群进行初始化,其中编码0表示选择对应位置的地震属性,编码1表示没有选择对应位置的地震属性,初始化的种群为S={X1,X2,…,Xm},将个体X代表的地震属性组合作为输入,以深度信念网络的分类准确率f(X)作为适应度函数F;
(2)选择操作
计算种群中个体的适应度值Fi,Fi=f(Xi),i=1,2,…,m,将种群中的个体按照其适应度值大小降序排序{X′1,X′2,…,X′m},X′i表示排序数为i的个体,选择适应度值大的一半个体构成种群A={X′1,X′2,…,X′m/2};
(3)交叉操作
交叉操作以设置的交叉概率为基准,交换某两个个体之间的部分基因。针对遗传算法在迭代过程中容易陷入局部最优解,且无法自动跳出的问题。本发明引入了随机机制,在保留部分当次迭代较优个体的同时,通过生成一个随机个体,与较优个体进行交叉操作,将交叉产生的新个体与保留个体重新组合成新种群,从而扩大了解的搜索范围。具体步骤如下:
随机生成一个新个体Xm+1,采用单点交叉的方式,对选择出的种群A和生成的个体Xm+1进行交叉操作,随机选择交叉后产生的一半新个体构成种群B,将A和B中的个体混合到一起,生成新的种群S′;
(4)变异操作
变异操作是以设置的变异概率为基准,对个体的某一个或某几个基因进行突变,本发明按照变异概率P使得个体发生变异,形成新个体;
(5)重复步骤(2)-(4),直到满足迭代次数或者达到设置的阈值就可以说明目前群体已经成熟且不再进化,停止运算。此时适应度值最大的个体对应的二进制值即为最优地震属性的组合。
以上所述,仅是本发明的较佳实施例,任何熟悉本专业的技术人员可能利用上述阐述的技术方案加以改型或变更为等同变化的等同实例。凡未脱离本发明技术方案内容,依据发明的技术方案对上述实施例进行的任何简单修改、变更或改型,均属于发明技术方案的保护范围。
Claims (1)
1.一种基于改进遗传算法的地震属性优选方法,其特征在于,包括以下步骤:从测井曲线、地震勘探资料数据源中提取地震属性以及储层物性数据,采用标准化方法对地震属性进行预处理,通过时深匹配,得到带有类别标签的地震属性集;利用遗传算法对关键地震属性进行筛选,初始化种群个数,交叉变异概率及最大迭代次数,采用长度为地震属性个数的二进制编码表示地震属性的组合,以深度信念网络的分类准确率作为适应度函数,计算种群中个体的适应度值,保留适应度值大的一半个体,生成一个随机个体与保留的种群进行交叉操作,随机选择交叉后产生的一半新个体加入保留种群,进行下一轮迭代直到得到最优的地震属性组合,提高储层预测的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339334.6A CN109633748B (zh) | 2018-11-12 | 2018-11-12 | 一种基于改进遗传算法的地震属性优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339334.6A CN109633748B (zh) | 2018-11-12 | 2018-11-12 | 一种基于改进遗传算法的地震属性优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633748A CN109633748A (zh) | 2019-04-16 |
CN109633748B true CN109633748B (zh) | 2020-05-01 |
Family
ID=66067691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339334.6A Expired - Fee Related CN109633748B (zh) | 2018-11-12 | 2018-11-12 | 一种基于改进遗传算法的地震属性优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633748B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059755B (zh) * | 2019-04-22 | 2023-10-13 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN111209679B (zh) * | 2020-01-13 | 2023-09-29 | 广东工业大学 | 一种基于遗传算法的土壤重金属含量空间插值方法 |
CN114821976B (zh) * | 2022-06-24 | 2022-09-30 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种多要素岩溶塌陷的智能预报系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201421275A (zh) * | 2012-11-23 | 2014-06-01 | Nat Taichung University Science & Technology | 一種應用基因演算法來自動分群並篩選自變數以同步進行迴歸模型參數校估之方法 |
CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
-
2018
- 2018-11-12 CN CN201811339334.6A patent/CN109633748B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201421275A (zh) * | 2012-11-23 | 2014-06-01 | Nat Taichung University Science & Technology | 一種應用基因演算法來自動分群並篩選自變數以同步進行迴歸模型參數校估之方法 |
CN107292406A (zh) * | 2016-03-30 | 2017-10-24 | 中国石油化工股份有限公司 | 基于向量回归机和遗传算法的地震属性优选方法 |
Non-Patent Citations (3)
Title |
---|
Genetic-algorithm/neural-network approach to seismic attribute selection for well-log prediction;Kevin P. Dorrington et al.;《GEOPHYSICS》;20040229;第69卷(第1期);第212-221页 * |
一种改进的遗传算法及应用;李延梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115(第01期);第38-39页 * |
基于地震数据的储层预测自动寻优模型研究;鲍彬彬;《中国优秀硕士学位论文全文数据库 基础科学辑》;20181015(第10期);第6-10、14、43-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633748A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633748B (zh) | 一种基于改进遗传算法的地震属性优选方法 | |
CN112215013B (zh) | 一种基于深度学习的克隆代码语义检测方法 | |
CN110346831B (zh) | 一种基于随机森林算法的智能化地震流体识别方法 | |
US8090538B2 (en) | System and method for interpretation of well data | |
CN109063164A (zh) | 一种基于深度学习的智能问答方法 | |
CN110851176B (zh) | 一种自动构造并利用伪克隆语料的克隆代码检测方法 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN111582325B (zh) | 一种基于自动特征编码的多阶特征组合方法 | |
CN112306494A (zh) | 一种基于卷积和循环神经网络的代码分类及聚类方法 | |
CN111897733B (zh) | 一种基于最小集合覆盖的模糊测试方法和装置 | |
CN112784013B (zh) | 一种基于上下文语义的多粒度文本推荐方法 | |
CN113761893B (zh) | 一种基于模式预训练的关系抽取方法 | |
CN109669210B (zh) | 基于多种地震属性评价准则的有利区预测方法 | |
CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
Indira et al. | Performance analysis of genetic algorithm for mining association rules | |
CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
CN109948825A (zh) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 | |
Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
Kumar et al. | Application of genetic algorithms for the prioritization of association rules | |
CN111539616A (zh) | 一种基于混合型特征选择的新钻井潜力评价方法 | |
CN112434736A (zh) | 一种基于预训练模型的深度主动学习文本分类方法 | |
CN105653686A (zh) | 一种域名网址活跃度统计方法及系统 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
Kumara et al. | A survey on K-means algorithm centroid initialization |
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 |
Granted publication date: 20200501 Termination date: 20211112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |