CN111539506A - 一种基于萤火虫算法的纵波时差实时提取方法 - Google Patents

一种基于萤火虫算法的纵波时差实时提取方法 Download PDF

Info

Publication number
CN111539506A
CN111539506A CN202010182709.3A CN202010182709A CN111539506A CN 111539506 A CN111539506 A CN 111539506A CN 202010182709 A CN202010182709 A CN 202010182709A CN 111539506 A CN111539506 A CN 111539506A
Authority
CN
China
Prior art keywords
firefly
time difference
longitudinal wave
fireflies
real
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
CN202010182709.3A
Other languages
English (en)
Inventor
刘建建
周军
余卫东
陈江浩
樊琦
雷晓阳
陈歆
于文茂
刘家雄
杨居朋
王伟
范晓文
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.)
China National Petroleum Corp
China Petroleum Logging Co Ltd
Original Assignee
China National Petroleum Corp
China Petroleum Logging Co Ltd
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 China National Petroleum Corp, China Petroleum Logging Co Ltd filed Critical China National Petroleum Corp
Priority to CN202010182709.3A priority Critical patent/CN111539506A/zh
Publication of CN111539506A publication Critical patent/CN111539506A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
    • E21B47/14—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves

Abstract

本发明公开了一种基于萤火虫算法的纵波时差实时提取方法，针对于使用数字声波仪器进行声波时差测井，包括：1)建立目标函数模型，同时给定纵波首波到达的时间范围和纵波时差范围；2)初始化参数；3)随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；4)计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向；5)更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度；6)判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3；7)输出最优个体值，即纵波时差值。本发明方法收敛速度快且能获得全局最优，同时设置参数少，可以用于井下数字声波仪器纵波时差的实时提取。

Description

一种基于萤火虫算法的纵波时差实时提取方法
技术领域
本发明属于石油天然气勘探开发技术领域，具体涉及一种基于萤火虫算法的纵波时差实时提取方法。
背景技术
声波时差测井在声波测井技术中占据着重要地位。随着数字信号处理技术的发展，各种声波数据处理方法不断完善。在实时测井中，声波处理算法主要有首波法、STC法、最大似然法、智能算法等。首波法也称门槛法，简单且容易实现，目前大多数字声波仪器仍采用这种方法实现，但是这种方法抗噪能力差，当仪器收到干扰碰撞时，很难用它来找准首波波至，从而造成误差。STC方法是Kimball等人于1984年提出的一种利用相关性处理提取声波慢度的一种方法，该方法抗噪能力强，计算精度高。但是其计算量巨大，技术难点多，同时该方法输入参数较多，对于现场实时提取时差来说，对现场操作工程师要求较高。最大似然法拥有较高的分辨能力，通过选择合适的滤波器参数，可以减轻操作人员的劳动强度，但当波列信号很弱时，无法准确计算。基于智能算法的时差求取方法主要有遗传算法、粒子群算法等，如遗传算法减少了参数的输入、提高了时差求取的准确性，但计算效率不高。
发明内容
本发明的目的在于提供一种基于萤火虫算法的纵波时差实时提取方法，以解决现有技术中存在的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于萤火虫算法的纵波时差实时提取方法，所述的纵波时差实时提取方法针对于使用数字声波仪器进行声波时差测井，利用萤火虫算法实时提取纵波时差值；
包括以下具体步骤：
(1)建立目标函数模型，同时给定纵波首波到达的时间范围和纵波时差范围；
(2)初始化参数；
(3)随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；
(4)计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向；
(5)更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度；
(6)判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3；
(7)输出最优个体值，即纵波时差值。
进一步地，步骤(1)所述的确定目标函数具体为：
选用波形相似法来定义相关函数，计算公式如下：
Figure BDA0002413127050000021
式中，ρ为相关系数，Xm(t)是N个接受换能器阵列中的第m个接受换能器，d为换能器间隔。s为慢度变量，Tw为时间窗。
以纵波首波到达的时间范围和纵波时差范围为约束条件，以相关系数ρ为目标函数解，建立纵波时差求取模型。
进一步地，步骤(2)所述的初始化参数具体为：
设置FA算法中萤火虫数量n、最大吸引度β0、光强吸收系数γ、步长因子α、最大迭代次数MG；
进一步地，步骤(3)所述的随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度具体为：
1)根据时间和时差的范围，随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；
进一步地，步骤(4)所述的计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向具体为：
1)萤火虫的相对荧光亮度为：
Figure BDA0002413127050000031
其中：I0为萤火虫的最大萤光亮度，即自身(r＝0处)荧光亮度，与目标函数值相关，目标函数值越优自身亮度越高；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，可设为常数；rij为萤火虫i与j之间的空间距离。萤火虫之间的距离使用欧式距离，用下式表示：
Figure BDA0002413127050000032
D为求解问题的空间维度；
2)萤火虫的吸引度函数为：
Figure BDA0002413127050000033
其中：β0为最大吸引度，即光源处(r＝0处)的吸引度；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，可设为常数；rij为萤火虫i与j之间的空间距离，与上所述一致。
进一步地，步骤(5)所述的更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度，具体为：对处在最佳位置的萤火虫进行随机扰动，假设第i只萤火虫被第j只萤火虫吸引，则位置更新计算公式为：
xi＝xi+β×(xj-xi)+α×(rand-1/2) (5)
其中，xi、xj为萤火虫i和j所处的空间位置；α为步长因子，是[0,1]上的常数；rand为[0,1]上服从均匀分布的随机因子。
进一步地，步骤(6)所述的判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3，具体为：
判断相关系数是否大于0.999或达到最大迭代次数MG，若满足，则停止迭代，否则转入步骤3；
本发明的有益效果如下：
1、本发明基于萤火虫算法(也称FA算法)的纵波时差实时提取方法，充分利用了萤火虫算法的特点，收敛速度快且能获得全局最优，同时设置参数少，可以用于井下数字声波仪器纵波时差的实时提取；
2、本发明基于萤火虫算法的纵波时差实时提取方法高效，具有自动细分和处理多峰的能力，同时可以调整FA的参数使得能够随着迭代的进行来控制随机性，从而加速收敛；
3、本发明基于萤火虫算法的纵波时差实时提取方法不受波列时间步长和慢度步长的影响；
4、本发明一种基于萤火虫算法的纵波时差实时提取方法算法避免了后续慢度标注过程中的插值拟合，该方法能快速准确地找到全局最优解，实时得到地层纵波时差值。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于萤火虫算法的纵波时差实时提取方法流程图；
图2为具体实施例的纵波时差对比图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
如图1所示，一种基于萤火虫算法的纵波时差实时提取方法，所述的纵波时差实时提取方法针对于使用数字声波仪器进行声波时差测井，利用萤火虫算法实时提取纵波时差值；
包括以下具体步骤：
(1)建立目标函数模型，同时给定纵波首波到达的时间范围和纵波时差范围；
(2)初始化参数；
(3)随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；
(4)计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向；
(5)更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度；
(6)判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3；
(7)输出最优个体值，即纵波时差值。
进一步地，步骤(1)所述的确定目标函数具体为：选用波形相似法(Semblance)来定义相关函数，计算公式如下：
Figure BDA0002413127050000061
式中，ρ为相关系数，Xm(t)是N个接受换能器阵列中的第m个接受换能器，d为换能器间隔。s为慢度变量，Tw为时间窗。以纵波首波到达的时间范围和纵波时差范围为约束条件，以相关系数ρ为目标函数解，建立纵波时差求取模型。
进一步地，步骤(2)所述的初始化参数具体为：设置FA算法中萤火虫数量n、最大吸引度β0、光强吸收系数γ、步长因子α、最大迭代次数MG；
进一步地，步骤(3)所述的随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度具体为：根据时间和时差的范围，随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；
进一步地，步骤(4)所述的计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向具体为，
1)萤火虫的相对荧光亮度为：
Figure BDA0002413127050000062
其中：I0为萤火虫的最大萤光亮度，即自身(r＝0处)荧光亮度，与目标函数值相关，目标函数值越优自身亮度越高；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，可设为常数；rij为萤火虫i与j之间的空间距离。萤火虫之间的距离使用欧式距离，用下式表示：
Figure BDA0002413127050000063
D为求解问题的空间维度；
2)萤火虫的吸引度函数为：
Figure BDA0002413127050000071
其中：β0为最大吸引度，即光源处(r＝0处)的吸引度；γ为光强吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，可设为常数；rij为萤火虫i与j之间的空间距离，与上所述一致。
进一步地，步骤(5)所述的更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度，具体为：对处在最佳位置的萤火虫进行随机扰动，假设第i只萤火虫被第j只萤火虫吸引，则位置更新计算公式为：
xi＝xi+β×(xj-xi)+α×(rand-1/2) (5)
其中，xi、xj为萤火虫i和j所处的空间位置；α为步长因子，是[0,1]上的常数；rand为[0,1]上服从均匀分布的随机因子。
进一步地，步骤(6)所述的判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3，具体为：判断相关系数是否大于0.999或达到最大迭代次数MG，若满足，则停止迭代，否则转入步骤3；
进一步地，步骤(7)所述的输出最优个体值，具体为：得到输出最优解，即纵波时差值。
下面将结合具体实施方式对本申请的技术方案作进一步介绍：
本发明中选取塔里木油田某井为研究对象，目标井段为5410-5470m，将上述算法用于实际测井，使用数字声波仪器为单发五收结构，声波采样点数为512点，采样间隔4μs，利用萤火虫算法实时提取一条纵波时差曲线。具体步骤如下：
(1)建立目标函数模型，同时给定纵波首波到达的时间范围和纵波时差范围。利用波形相似法(Semblance)来求取波形相关度，即公式(1)为目标函数，以纵波首波到达的时间范围和纵波时差范围为约束条件。对于纵波时差提取而言，起始时间设置为噪声门，即有效信号可能的最早到达时间；终止时间只需满足采集到的数据包含1～2个完整的波形即可。起始时差设置为20μs/ft，终止时差设置为200μs/ft。通常纵波时差不会超过该范围。
(2)初始化参数。设置萤火虫数量n＝100、最大吸引度β0＝1、光强吸收系数γ＝1、步长因子α＝0.05、最大迭代次数MG＝300，具体算法参数可以根据实际约束条件来调整。
(3)随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度。
(4)计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向。用公式(2)和公式(4)来计算相对荧光亮度和吸引度，从而确定目标函数最大的萤火虫位置。
(5)更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度。根据公式(5)更新萤火虫的空间位置，对处于最佳位置的萤火虫进行随机扰动，根据更新后萤火虫的位置，重新计算萤火虫的相对亮度。
(6)检验是否满足限制条件(相关系数大于0.999)或达到最大迭代次数，若满足，则进入下一步，否则返回上一步重新更新萤火虫的空间位置。
(7)输出个体最优值，即纵波时差值。
附图2为实时提取的纵波时差曲线，将该算法处理结果与国外商业软件ECLIPS-5700处理结果做对比，可以看出，两种方法计算结果基本一致，验证了该方法的有效性。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (7)

1.一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，所述的纵波时差实时提取方法针对于使用数字声波仪器进行声波时差测井，利用萤火虫算法实时提取纵波时差值；
具体步骤如下：
1)建立目标函数模型，同时给定纵波首波到达的时间范围和纵波时差范围；
2)初始化参数；
3)随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度；
4)计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向；
5)更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度；
6)判断是否达到搜索精度或最大迭代次数，若满足，则停止迭代，否则转入步骤3；
7)输出最优个体值，即纵波时差值。
2.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，所述的步骤(1)中建立目标函数模型具体为：选用波形相似法来定义相关函数，计算公式如下：
Figure FDA0002413127040000011
式中，ρ为相关系数，Xm(t)是N个接受换能器阵列中的第m个接受换能器，d为换能器间隔，s为慢度变量，Tw为时间窗，以纵波首波到达的时间范围和纵波时差范围为约束条件，以相关系数ρ为目标函数解，建立纵波时差求取模型。
3.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，所述的步骤(2)中初始化参数包括以下内容：设置FA算法中萤火虫数量n、最大吸引度β0、光强吸收系数γ、步长因子α、最大迭代次数MG。
4.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，步骤(3)所述的随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度具体为：根据时间和时差的范围，随机初始化萤火虫的位置，计算目标函数值作为各自最大萤光亮度。
5.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，所述的步骤(4)中计算群体中萤火虫的相对亮度和吸引度，根据相对亮度决定萤火虫的移动方向具体为：
萤火虫的相对荧光亮度为：
Figure FDA0002413127040000021
其中：I0为萤火虫的最大萤光亮度，γ为光强吸收系数，rij为萤火虫i与j之间的空间距离；
萤火虫之间的距离使用欧式距离，用下式表示：
Figure FDA0002413127040000022
D为求解问题的空间维度；
萤火虫的吸引度函数为：
Figure FDA0002413127040000023
其中：β0为最大吸引度，γ为光强吸收系数，rij为萤火虫i与j之间的空间距离。
6.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，所述的步骤(5)中更新萤火虫的空间位置，同时重新计算萤火虫的相对亮度具体为：对处在最佳位置的萤火虫进行随机扰动，假设第i只萤火虫被第j只萤火虫吸引，则位置更新计算公式为：
xi＝xi+β×(xj-xi)+α×(rand-1/2) (5)
其中，xi、xj为萤火虫i和j所处的空间位置；α为步长因子，是[0,1]上的常数；rand为[0,1]上服从均匀分布的随机因子。
7.根据权利要求1所述的一种基于萤火虫算法的纵波时差实时提取方法，其特征在于，步骤(6)所述的判断是否满足限制条件或达到最大迭代次数，若满足，则停止迭代，否则转入步骤3，具体为：判断相关系数是否大于0.999或达到最大迭代次数MG，若满足，则停止迭代，否则转入步骤3。
CN202010182709.3A 2020-03-16 2020-03-16 一种基于萤火虫算法的纵波时差实时提取方法 Pending CN111539506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010182709.3A CN111539506A (zh) 2020-03-16 2020-03-16 一种基于萤火虫算法的纵波时差实时提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182709.3A CN111539506A (zh) 2020-03-16 2020-03-16 一种基于萤火虫算法的纵波时差实时提取方法

Publications (1)

Publication Number Publication Date
CN111539506A true CN111539506A (zh) 2020-08-14

Family

ID=71974818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182709.3A Pending CN111539506A (zh) 2020-03-16 2020-03-16 一种基于萤火虫算法的纵波时差实时提取方法

Country Status (1)

Country Link
CN (1) CN111539506A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3014965A1 (en) * 2010-05-27 2011-12-01 Ndi Medical, Llc Waveform shapes for treating neurological disorders optimized for energy efficiency
WO2017215044A1 (zh) * 2016-06-14 2017-12-21 广东技术师范学院 一种移动机器人的自动规划路径方法及移动机器人
CN107506541A (zh) * 2017-08-10 2017-12-22 佛山科学技术学院 一种基于分层搜索萤火虫算法的管柱设计方法
CN108388666A (zh) * 2018-03-16 2018-08-10 重庆邮电大学 一种基于萤火虫算法的数据库多表连接查询优化方法
CN109919294A (zh) * 2019-02-28 2019-06-21 湖北工业大学 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3014965A1 (en) * 2010-05-27 2011-12-01 Ndi Medical, Llc Waveform shapes for treating neurological disorders optimized for energy efficiency
WO2017215044A1 (zh) * 2016-06-14 2017-12-21 广东技术师范学院 一种移动机器人的自动规划路径方法及移动机器人
CN107506541A (zh) * 2017-08-10 2017-12-22 佛山科学技术学院 一种基于分层搜索萤火虫算法的管柱设计方法
CN108388666A (zh) * 2018-03-16 2018-08-10 重庆邮电大学 一种基于萤火虫算法的数据库多表连接查询优化方法
CN109919294A (zh) * 2019-02-28 2019-06-21 湖北工业大学 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋延杰等: "慢度-时间相关法与遗传算法结合提取阵列声波时差" *

Similar Documents

Publication Publication Date Title
CN110992974B (zh) 语音识别方法、装置、设备以及计算机可读存储介质
CN107703486B (zh) 一种基于卷积神经网络cnn的声源定位方法
CN102129860B (zh) 基于无限状态隐马尔可夫模型的与文本相关的说话人识别方法
CN1329883C (zh) 语音模型的噪声适应系统及方法
CN103258533B (zh) 远距离语音识别中的模型域补偿新方法
CN105976827A (zh) 一种基于集成学习的室内声源定位方法
CN1234110C (zh) 语音识别噪声自适应系统及方法
CN102243320A (zh) 一种地震波初至拾取方法
CN103474072B (zh) 利用纹理特征与随机森林的快速抗噪鸟鸣声识别方法
CN107167770A (zh) 一种混响条件下的麦克风阵列声源定位装置
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
CN107605470A (zh) 一种纵横波径向速度变化成像方法
CN115327616B (zh) 一种海量数据驱动的矿山微震震源自动定位方法
CN112884134A (zh) 面向地震震相识别的基于时域的卷积神经网络模型及应用
CN110895348A (zh) 一种地震弹性阻抗低频信息提取方法、系统及存储介质
CN103278849B (zh) 基于地震资料和测井资料进行子波估计的方法及系统
CN111539506A (zh) 一种基于萤火虫算法的纵波时差实时提取方法
CN107657961B (zh) 一种基于vad和ann的噪声消除方法
CN1198261C (zh) 基于决策树的语音辨别方法
CN107679614B (zh) 一种基于粒子群优化的声波时差实时提取方法
CN113671564B (zh) 基于narx动态神经网络的微地震有效事件自动拾取方法
CN113345425A (zh) 一种智能饮水机的远场语音识别模型训练方法
CN113672840B (zh) 斯通利波衰减提取方法及装置
CN115047408A (zh) 一种基于单层大卷积核神经网络的水下多声源定位方法
Wang et al. Transfer learning based DNN-HMM hybrid system for rare sound event detection

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