CN110954955A - 一种基于进化优化算法的地震随机反演方法 - Google Patents

一种基于进化优化算法的地震随机反演方法 Download PDF

Info

Publication number
CN110954955A
CN110954955A CN201911334021.6A CN201911334021A CN110954955A CN 110954955 A CN110954955 A CN 110954955A CN 201911334021 A CN201911334021 A CN 201911334021A CN 110954955 A CN110954955 A CN 110954955A
Authority
CN
China
Prior art keywords
seismic
distribution
inversion
sampling
optimization algorithm
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.)
Pending
Application number
CN201911334021.6A
Other languages
English (en)
Inventor
徐云贵
黄旭日
贺训云
廖建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201911334021.6A priority Critical patent/CN110954955A/zh
Publication of CN110954955A publication Critical patent/CN110954955A/zh
Pending legal-status Critical Current

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. 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
    • 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
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes

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进化优化算法的地震随机反演方法。本发明主要是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演。本发明优化方法适合高维空间优化，能减少迭代次数，使物性参数的模拟路径朝着最佳方向进行，在解决复杂的非线性、非连续、凸优化、多维、非光滑、病态、含噪音等问题的优化表现优秀。依据本发明方法可以快速地优化样本空间，更新概率分布均值和协方差，得到下一代更好的估计分布，实现迭代优化的目的。

Description

一种基于进化优化算法的地震随机反演方法
技术领域
本发明属于地震勘探的波阻抗反演领域，具体涉及一种快速优化算法引入到地震随机反演中来的基于进化优化算法的地震随机反演方法。
背景技术
在地震勘探中，地震反演的最终目的是帮助地球科学家利用所有可用的数据和技术，建立具有较少不确定性的含油气的储层模型。储层建模的早期方法是利用“克里金”(Kriging)技术进行井插值，该方法利用二维或三维空间中不规则分布的数据来预测岩石性质的空间分布，是一种线性插值方法，预测出的地震数据在远离井的地方较平滑，不能体现地下储层的非均质性。“序贯高斯模拟”(Sequential Gaussian Simulation，简称SGS)方法利用局部“克里金”概率密度函数随机生成弹性参数，能更逼近真实模型，并且具有较高的分辨率。
随着序贯高斯模拟方法的发展出现了基于SGS的地震随机反演方法。其含义是在SGS随机生成弹性参数的时候添加地震数据做约束，这样既能生成分辨率比较高的岩性信息，这些信息也匹配地震数据。由于SGS插值利用了井和地层解释信息，外加地震约束后，反演结果不确定性更小，降低了地震勘探的风险。
基于SGS的地震随机反演方法由于能够更精细准确的刻画地下储层情况，在叠后反演中运用较多，但是考虑到需要从众多的模拟岩性信息道中搜索出匹配地震数据的信息道，计算量巨大，需要对这一“反演”过程进行优化。适合此类优化方法众多，如模拟退火方法，蒙特卡洛方法等等，但是这些方法存在的问题有：(1)收敛慢；(2)计算量大；(3)方法应用接口复杂等。
发明内容
本发明的目的在于提供一种实现快速、稳定反演，从而得到高分辨率反演结果的基于进化优化算法的地震随机反演方法。
本发明基于进化优化算法的地震随机反演方法，是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：
(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；
(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；
(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；
(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；
(5)随机选择新的无井网格点位置B，将A视为一口新井，连同已有井，对B做步骤(1)至步骤(4)同样的处理和优化过程，得到位置B的最终分布；
(6)依照位置A和B的处理过程，处理工区内其它所有无井点，最后得到所有无井点的最终优化的分布。
具体的，所述CMAES优化算法可用公式(1)来表达：
Figure BDA0002330463540000031
式(1)中，各参数含义是：g为迭代或者进化的次数，g+1表示第g+1次迭代；x为抽样集合；k为抽样集合中样本的维数；m为抽样集合估计的正态分布均值；σ为抽样集合估计的正态分布方差；C为抽样结合的协方差；N为正态分布符号函数；cm为学习快慢因子；wi为第i个权重因子，i取值(1，n)；μ为抽样集合中样本的个数；T为矩阵转置符号；
公式(1)的主要流程是：
(a)首先计算
Figure BDA0002330463540000032
在第g次迭代时，依据g次的均值、方差和协方差，抽样性形成g+1次的抽样样本集合；
(b)其次计算m(g+1)：依据第g次的均值、学习快慢因子和g+1次的抽样样本，计算g+1次迭代的均值；
(c)最后计算
Figure BDA0002330463540000033
依据已经计算的相关参数，计算g+1次的协方差，之后到下一次迭代转到步骤(a)。
本发明创新性地首次提出将“协方差矩阵自适应进化策略”(Covariance MatrixAdaption Evolution Strategy，简称CMAES)的优化方法引入到地震随机反演过程来，克服其他方法存在的问题，实现快捷而易于编程的SGS的地震随机反演。“协方差矩阵自适应进化策略”(CMAES)是目前较先进的全局优化算法，由Hansen于2006年首次提出，该算法逐步更新“后验模型”的高斯分布均值和下一代标准差，直至达到目标函数中定义的期望阈值。该优化方法适合高维空间优化，能减少迭代次数，使物性参数的模拟路径朝着最佳方向进行，在解决复杂的非线性、非连续、凸优化、多维、非光滑、病态、含噪音等问题的优化表现优秀。总之，依据以上公式和流程可以快速地优化样本空间，更新概率分布均值和协方差，得到下一代更好的估计分布，实现迭代优化的目的。
附图说明
图1是本发明方法的流程框图。
图2是本发明实施例的数据实验工区图。
图3是本发明实施例中测线1的确定性反演波阻抗剖面图。
图4是本发明实施例中测线1的运用本发明方法随机反演波阻抗实现的均值剖面图。
图5是本发明实施例测线1的运用本发明方法随机反演波阻抗实现的方差剖面图，其中，蓝色竖杠是井位置，由于有井约束此处方差较小。
具体实施方式
下面结合附图和实施例对本发明作进一步详细的描述。
参见图1，是本发明方法的流程框图。本发明基于进化优化算法的地震随机反演方法，是将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；CMAES优化算法可用公式(1)来表达：
Figure BDA0002330463540000041
式(1)中，各参数含义是：g为迭代或者进化的次数，g+1表示第g+1次迭代；x为抽样集合；k为抽样集合中样本的维数；m为抽样集合估计的正态分布均值；σ为抽样集合估计的正态分布方差；C为抽样结合的协方差；N为正态分布符号函数；cm为学习快慢因子；wi为第i个权重因子，i取值(1，n)；μ为抽样集合中样本的个数；T为矩阵转置符号；
公式(1)的主要流程是：
(a)首先计算
Figure BDA0002330463540000051
在第g次迭代时，依据g次的均值、方差和协方差，抽样性形成g+1次的抽样样本集合；
(b)其次计算m(g+1)：依据第g次的均值、学习快慢因子和g+1次的抽样样本，计算g+1次迭代的均值；
(c)最后计算
Figure BDA0002330463540000052
依据已经计算的相关参数，计算g+1次的协方差，之后到下一次迭代转到步骤(a)。
上述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：
(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；
(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；
(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；
(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；
(5)随机选择新的无井网格点位置B，将A视为一口新井，连同已有井，对B做步骤(1)至步骤(4)同样的处理和优化过程，得到位置B的最终分布；
(6)依照位置A和B的处理过程，处理工区内其它所有无井点，最后得到所有无井点的最终优化的分布。
为了验证本发明的优越性，我们依据一个实际油田地震数据，进行了两种反演，一种是常规确定性反演(用于对比参照)，一种是本发明的随机反演，以实例形式描述具体实施方式和本方法的优点。本测试输入数据包括工区内的地震数据、6口井数据和地层网格信(如图2所示，图2中圆圈表示井的位置，各字母和数字表示井的名称)和常规确定性反演的结果，实施步骤按照本发明的“发明内容”章节里面的详细步骤实施，得到整个工区的随机反演三维波阻抗均值和方差，下面通过对比常规确定性反演的结果和本发明随机反演的结果说明本发明方法的优越性。
首先，本发明的随机反演方法快捷而且容易编程实现，得到反演的三维高分辨率波阻抗数据。图3所示是确定性反演的波阻抗剖面，对比图4本发明的波阻抗多个实现的均值剖面，图3的结果明显分辨率比较低，而且结果比较平滑，无细节信息，但是图4描述的细节信息丰富，分布律有很大提高，水平连续的薄层(图4箭头所指)更清楚。图5是图4对应的随机反演波阻抗多个实现的方差剖面图，蓝色竖杠是井位置，由于有井约束此处方差较小，这种方差分布规律符合随机反演的一般特征。总之，对比确定性反演(图3所示)和本发明的随机反演结果(图4所示)，本发明的结果生成速度快，结果分辨率比较高，而且有方差剖面，利用方差剖面能确定反演结果的风险大小，对实际地震勘探和找油找气具有重要的指导意义。
最后应说明的是，上述仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书对本发明已进行了详细的说明，但是，本领域的技术人员仍然可以对本发明进行修改或等同替换，一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

Claims (2)

1.一种基于进化优化算法的地震随机反演方法，其特征在于：将协方差矩阵自适应进化策略即CMAES优化算法引入到地震勘探领域的地震随机反演的过程中来，得到高分辨率反演结果；其中，所述的地震随机反演指的是地震约束的序贯高斯模拟即SGS随机反演，加入CMAES优化算法后的反演详细步骤如下：
(1)在地震勘探工区的平面内，任意选择工区无井网格点位置A，利用工区已知井的波阻抗作为输入，使用克里金插值，估计位置A的波阻抗分布均值和方差；
(2)依据估计位置A的波阻抗分布均值和方差，抽样生成若干波阻抗样本，计算这些样本对应合成地震数据与观测数据的欧氏距离；
(3)定义步骤(2)中欧氏距离为目标函数，将抽样生成的波阻抗样本信息和对应的目标函数值即样本对应的欧氏距离作为输入，使用CMAES优化算法，更新样本的分布均值和协方差，更新后的分布生成的样本通常具有更小的欧氏距离；
(4)利用更新后的分布，抽样形成新的波阻抗样本，计算这些波阻抗的欧式距离，利用样本和欧氏距离作为输入，使用CMAES做第二次优化，以此类推，直到得到满意的欧氏距离为止，此时得到的分布为位置A最终分布；
(5)随机选择新的无井网格点位置B，将A视为一口新井，连同已有井，对B做步骤(1)至步骤(4)同样的处理和优化过程，得到位置B的最终分布；
(6)依照位置A和B的处理过程，处理工区内其它所有无井点，最后得到所有无井点的最终优化的分布。
2.根据权利要求1所述基于进化优化算法的地震随机反演方法，其特征在于：所述CMAES优化算法用公式(1)表达：
Figure FDA0002330463530000021
式(1)中，各参数含义是：g为迭代或者进化的次数，g+1表示第g+1次迭代；x为抽样集合；k为抽样集合中样本的维数；m为抽样集合估计的正态分布均值；σ为抽样集合估计的正态分布方差；C为抽样结合的协方差；N为正态分布符号函数；cm为学习快慢因子；wi为第i个权重因子，i取值(1，n)；μ为抽样集合中样本的个数；T为矩阵转置符号；
公式(1)的主要流程是：
(a)首先计算
Figure FDA0002330463530000022
在第g次迭代时，依据g次的均值、方差和协方差，抽样性形成g+1次的抽样样本集合；
(b)其次计算m(g+1)：依据第g次的均值、学习快慢因子和g+1次的抽样样本，计算g+1次迭代的均值；
(c)最后计算
Figure FDA0002330463530000023
依据已经计算的相关参数，计算g+1次的协方差，之后到下一次迭代转到步骤(a)。
CN201911334021.6A 2019-12-23 2019-12-23 一种基于进化优化算法的地震随机反演方法 Pending CN110954955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911334021.6A CN110954955A (zh) 2019-12-23 2019-12-23 一种基于进化优化算法的地震随机反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911334021.6A CN110954955A (zh) 2019-12-23 2019-12-23 一种基于进化优化算法的地震随机反演方法

Publications (1)

Publication Number Publication Date
CN110954955A true CN110954955A (zh) 2020-04-03

Family

ID=69983729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911334021.6A Pending CN110954955A (zh) 2019-12-23 2019-12-23 一种基于进化优化算法的地震随机反演方法

Country Status (1)

Country Link
CN (1) CN110954955A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120191843A1 (en) * 2011-01-26 2012-07-26 Nec Laboratories America, Inc. Systems and methods for application dependency discovery
CN103033846A (zh) * 2011-10-10 2013-04-10 中国石油化工股份有限公司 地质相控制的地震反演系统和地震反演方法
CN109856676A (zh) * 2018-11-30 2019-06-07 西南石油大学 一种实现地震共反射面叠加参数优化的方法
CN110516756A (zh) * 2019-08-29 2019-11-29 南京邮电大学 基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120191843A1 (en) * 2011-01-26 2012-07-26 Nec Laboratories America, Inc. Systems and methods for application dependency discovery
CN103033846A (zh) * 2011-10-10 2013-04-10 中国石油化工股份有限公司 地质相控制的地震反演系统和地震反演方法
CN109856676A (zh) * 2018-11-30 2019-06-07 西南石油大学 一种实现地震共反射面叠加参数优化的方法
CN110516756A (zh) * 2019-08-29 2019-11-29 南京邮电大学 基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXANDER V. GRAYVER ET AL.: "Exploring equivalence domain in nonlinear inverse problem using Covariance Matrix Adaption Evolution Strategy (CMAES) and random sampling", 《GEOPHYSICAL JOURNAL INTERNATIONAL》 *
徐云贵等: "基于CMAES算法的三维随机反演方法研究", 《2019年油气地球物理学术年会论文集》 *
黄亚飞等: "基于适应性均衡模型的CMAES约束优化算法", 《中南大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
Srivastava An overview of stochastic methods for reservoir characterization
US8805659B2 (en) System and method for uncertainty quantification in reservoir simulation
CN108645994B (zh) 一种基于多点地质统计学的地质随机反演方法及装置
CN103913774B (zh) 基于微地震事件的储层地质力学参数反演方法
CN104297785A (zh) 岩相约束储层物性参数反演方法及装置
AU2011295892A1 (en) Iterative method and system to construct robust proxy models for reservoir simulation
CN107132578A (zh) 一种微地震地面监测速度模型校正算法
CN105103196A (zh) 河流三角洲环境的无网格模拟
CN108318921A (zh) 一种基于横向约束的快速地震随机反演方法
CN109670195B (zh) 融合单井敏感性局域化的EnKF油藏辅助历史拟合方法
CN104122581A (zh) 一种叠后声波阻抗反演方法
CN111027249B (zh) 一种基于机器学习的井间连通性评价方法
CN112396230A (zh) 基于近邻神经网络的油藏地质建模静态参数分布预测方法
US20200124764A1 (en) Method of characterising a subsurface volume
CN114861519A (zh) 复杂地质条件下初始地应力场加速优化反演方法
CN110954955A (zh) 一种基于进化优化算法的地震随机反演方法
EP0864882B1 (en) Method for estimating or simulating parameters of a stratum structure
Zeng et al. Local coupled Markov chain model for simulating varied stratigraphy
CN115437008A (zh) 一种基于地质统计学的瑞雷波频散曲线反演方法及系统
CN115407397A (zh) 一种瑞雷波频散曲线有监督学习反演方法及系统
Jahanbakhshi et al. Joint estimation of facies boundaries and petrophysical properties in multi-facies channelized reservoirs through ensemble-based Kalman filter and level set parametrization
CN117471536A (zh) 一种基于mcmc的叠前多参数反演最优化求解方法及系统
GB2502918A (en) Computer estimation method, and method for oil exploration and development using such a method
CN111594156A (zh) 一种天然气水合物饱和度计算方法及系统
CN112649867A (zh) 虚拟井构建方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200403

WD01 Invention patent application deemed withdrawn after publication