CN111856614B - 一种基于相关性约束和靶区动态调控的多元物性联合反演方法 - Google Patents
一种基于相关性约束和靶区动态调控的多元物性联合反演方法 Download PDFInfo
- Publication number
- CN111856614B CN111856614B CN202010740818.2A CN202010740818A CN111856614B CN 111856614 B CN111856614 B CN 111856614B CN 202010740818 A CN202010740818 A CN 202010740818A CN 111856614 B CN111856614 B CN 111856614B
- Authority
- CN
- China
- Prior art keywords
- target area
- physical properties
- constraint
- target
- physical property
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Abstract
本发明公开了一种基于相关性约束和靶区动态调控的多元物性联合反演方法。多元物性间联合反演是地球物理数据处理解释的趋势,而传统联合反演方法仅适合于两种物性间联合反演。本发明提出引入靶区动态调控机制,结合多元物性间子域Pearson相关性约束算法,消除不同物性耦合项间差异,实现多元物性间的同步均衡约束和地下区域的差异化约束,改善局部不同源区域的影响,提高联合反演稳定性;同时通过同步迭代并行策略分解目标函数,实现不同物性间的迭代并行,提高反演效率。本项目研究成果将进一步改善反演多解性问题,挖掘联合反演的多源数据融合潜力,拓展其应用范围和前景。
Description
技术领域
本发明属于地球物理数据反演技术领域,涉及一种多元物性间的联合反演方法。
背景技术
联合反演可以综合利用多种地球物理勘探数据信息,是改善多解性问题的有效途径之一。但同一区域往往进行多种地球物理场的观测,使两种物性的联合反演难以满足实际需求,发展多元物性联合反演是必然趋势。本发明基于这一发展趋势,发现传统方法应用到多元物性联合反演存在如下问题:
(1)如何构建多元物性间均衡耦合关系,使不同物性在联合反演中处于平等地位,从而充分利用不同地球物理场信息;
(2)随着多元物性的引入,不同物性间分布共性对联合反演稳定性造成影响;
(3)复杂的多元物性互相约束使所需迭代次数和时间增加,效率不高。
发明内容
本发明的目的是针对现有技术在多元物性联合反演中的不足,结合物性空间分布特点,提出一种基于相关性约束和靶区动态调控的多元物性联合反演方法。
发明思想:该方法基于子域Pearson相关性约束算法,实现多元物性均衡约束;引入靶区动态识别和调控机制,根据先验信息和Pearson系数综合识别靶区,并在反演过程中根据每次迭代结果动态更新靶区,有针对性地增强靶区内相应物性间的相关性约束强度,实现靶区和非靶区的差异化调控,改善复杂环境下局部不相关区域对整体联合反演效果的影响;通过并行和交替迭代约束策略,建立同步迭代并行策略,按数据类型分解联合反演目标函数实现并行迭代,并在迭代中通过耦合约束项关联各子任务。
为实现上述目的,本发明是通过以下技术方案实现的:
一种基于相关性约束和靶区动态调控的多元物性联合反演方法,包括以下步骤:
1、输入所有观测数据,设计反演区域及网格剖分,设置模型及其他参数初始值和迭代终止条件,设置反演区域子域大小,确定子域个数H;
2、利用最新模型参数,根据多元物性Pearson相关性约束算法,计算所有物性间的联合约束项ΦJ(m1,m2,…,mn),具体计算方式如下:
n为物性种类数,H表示子域数量,子域中单元数为M,mi表示第i种物性参数,ri为第i个子域的标准差权重;pi表示第i个子域内两物性的Pearson相关系数。即每两个物性间均需要计算不同子域的Pearson相关系数,确定物性分布相关性。
3、按照正则化理论,依据物性分类分别构建计算不同物性的目标函数,目标函数定义如下:
Φ1(m1,m2,…,mn)=Φd1(m1)+β1Φm1(m1)+λ1ΦJ(m1,m2,…,mn)
Φ2(m1,m2,…,mn)=Φd2(m2)+β2Φm2(m2)+λ2ΦJ(m1,m2,…,mn)
Φn(m1,m2,…,mn)=Φdn(mn)+βnΦmn(mn)+λnΦJ(m1,m2,…,mn)
其中,Φdi(mi)表示第i种物性的数据拟合项,Φmi(mi)为模型约束项,ΦJ(m1,m2,…,mn)为步骤2中计算的联合约束项;βi、λi为相应权重参数。由于所有的目标函数的数据拟合项和模型拟合项不存在关联,且ΦJ(m1,m2,…,mn)已在步骤2中计算完成,因此目标函数间可以并行计算。
4、由先验信息和子域Pearson相关系数综合确定当前迭代的靶区,其中子域Pearson相关系数确定靶区的方法如下:
满足上式的区域即可识别为靶区,即子域内物性间的平均Pearson系数不低于k(k>=0.8,Pearson系数大于0.8为极强相关关系)。
5、根据确定的靶区,进行靶区调控:对靶区内相应物性的耦合约束关系设置权重wt arg et>1,加大其约束强度,形成靶区与非靶区差异化约束。具体调控方式如图2所示,每次迭代后,需要根据Pearson系数不断更新靶区范围,同时相应改变wt arg et约束范围。
6、并行计算不同目标函数梯度,利用共轭梯度法迭代,更新所有模型;
7、判断是否满足迭代终止条件:如果满足,输出模型和拟合数据;如果不满足,利用更新的模型参数返回步骤2,进行下一次迭代,直至迭代终止。
本发明的有益效果:与现有技术相比,本发明提出一种多元物性间的子域Pearson相关性约束算法,避免传统算法中耦合项权重参数选取不恰当对联合反演结果的影响;引入靶区动态识别与调控机制,实现靶区与非靶区差异化控制,加强靶区相关性约束,提高联合反演针对性、灵活性和稳定性;建立同步迭代并行策略,通过分解、并行联合反演目标函数,提高多组数据联合反演的效率。
附图说明
图1是本发明的流程图。
图2是靶区调控过程示意图。
图3是电阻率、密度和磁化率靶区示意图。
具体实施方式
一种基于相关性约束和靶区动态调控的多元物性联合反演方法的流程如图1所示,每次迭代过程中,不同目标函数间并行计算。为结合实施例对本发明进行说明,以密度、电阻率、磁化率三种物性的联合反演为例,对本发明进行详细说明。
1、输入重力、电法和磁法观测数据,设计反演区域及网格剖分,设置密度、电阻率和磁化率初始模型,设置子域大小及其他参数初始值和迭代终止条件;
2、利用最新模型参数,根据多元物性Pearson相关性约束算法,计算三种物性间的联合约束项ΦJ(σ,κ,ρ),具体计算方式如下:
ΦJ(σ,κ,ρ)=φJ(σ,κ)+φJ(κ,ρ)+φJ(σ,ρ)
H表示子域数量,子域中单元数为M,σ、κ和ρ分别表示密度、磁化率和电阻率,ri为第i个子域的标准差权重;pi表示第i个子域内两物性的Pearson相关系数。
3、构建密度、电阻率和磁化率的目标函数,目标函数利用并行计算提高效率,目标函数定义如下:
Φ1(σ,κ,ρ)=Φd1(σ)+β1Φm1(σ)+λ1ΦJ(σ,κ,ρ)
Φ2(σ,κ,ρ)=Φd2(κ)+β2Φm2(κ)+λ2ΦJ(σ,κ,ρ)
Φ3(σ,κ,ρ)=Φd3(ρ)+β3Φm3(ρ)+λ3ΦJ(σ,κ,ρ)
Φdi表示第i种物性的数据拟合项,Φmi(mi)为模型约束项,ΦJ(σ,κ,ρ)为步骤2中计算的联合约束项;βi、λi为相应权重参数。
4、由先验信息和子域Pearson相关系数综合确定当前迭代的靶区,不同物性间靶区位置和范围可能完全不同,如图3所示。其中子域Pearson相关系数确定方法如下:
满足上式的区域即可识别为靶区,即子域内物性间的平均Pearson系数不低于k(Pearson系数大于0.8为极强相关关系)。
5、根据确定的靶区,进行靶区调控:对靶区内相应物性的耦合约束关系设置权重wt arg et>1,加大其约束强度,形成靶区与非靶区差异化约束。具体调控方式如图2所示,每次迭代后,需要根据Pearson系数不断更新靶区范围,同时相应改变wt arg et约束范围。
6、并行计算不同目标函数梯度,利用共轭梯度法迭代,更新模型;
7、判断是否满足迭代终止条件:如果满足,输出模型和拟合数据;如果不满足,利用更新的模型参数返回步骤2,进行下一次迭代,直至迭代终止。
Claims (1)
1.一种基于相关性约束和靶区动态调控的多元物性联合反演方法,其特征在于:包括以下步骤:
1)、输入重力、电法和磁法观测数据,设计反演区域及网格剖分,设置密度、电阻率和磁化率初始模型,设置子域大小及其他参数初始值和迭代终止条件;
2)、利用最新模型参数,根据多元物性Pearson相关性约束算法,计算三种物性间的联合约束项ΦJ(σ,κ,ρ),具体计算方式如下:
ΦJ(σ,κ,ρ)=φJ(σ,κ)+φJ(κ,ρ)+φJ(σ,ρ)
H表示子域数量,子域中单元数为M,σ、κ和ρ分别表示密度、磁化率和电阻率,ri为第i个子域的标准差权重;pi表示第i个子域内两物性的Pearson相关系数;
3)、构建密度、电阻率和磁化率的目标函数,目标函数利用并行计算提高效率,目标函数定义如下:
Φ1(σ,κ,ρ)=Φd1(σ)+β1Φm1(σ)+λ1ΦJ(σ,κ,ρ)
Φ2(σ,κ,ρ)=Φd2(κ)+β2Φm2(κ)+λ2ΦJ(σ,κ,ρ)
Φ3(σ,κ,ρ)=Φd3(ρ)+β3Φm3(ρ)+λ3ΦJ(σ,κ,ρ)
Φdi表示第i种物性的数据拟合项,Φmi(mi)为模型约束项,ΦJ(σ,κ,ρ)为步骤2)中计算的联合约束项;βi、λi为相应权重参数;
4)、由先验信息和子域Pearson相关系数综合确定当前迭代的靶区,不同物性间靶区位置和范围可能完全不同,其中子域Pearson相关系数确定方法如下:
满足上式的区域即可识别为靶区,即子域内物性间的平均Pearson系数不低于k,Pearson系数大于0.8为极强相关关系;
5)、根据确定的靶区,进行靶区调控:对靶区内相应物性的耦合约束关系设置权重wtarget>1,加大其约束强度,形成靶区与非靶区差异化约束;每次迭代后,需要根据Pearson系数不断更新靶区范围,同时相应改变wtarget约束范围;
6)、并行计算不同目标函数梯度,利用共轭梯度法迭代,更新模型;
7)、判断是否满足迭代终止条件:如果满足,输出模型和拟合数据;如果不满足,利用更新的模型参数返回步骤2),进行下一次迭代,直至迭代终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740818.2A CN111856614B (zh) | 2020-07-29 | 2020-07-29 | 一种基于相关性约束和靶区动态调控的多元物性联合反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740818.2A CN111856614B (zh) | 2020-07-29 | 2020-07-29 | 一种基于相关性约束和靶区动态调控的多元物性联合反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111856614A CN111856614A (zh) | 2020-10-30 |
CN111856614B true CN111856614B (zh) | 2021-10-29 |
Family
ID=72948781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010740818.2A Active CN111856614B (zh) | 2020-07-29 | 2020-07-29 | 一种基于相关性约束和靶区动态调控的多元物性联合反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111856614B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726761A (zh) * | 2008-10-15 | 2010-06-09 | 中国石油天然气股份有限公司 | 一种风险约束的油气资源空间分布预测方法 |
CN105093320A (zh) * | 2014-05-16 | 2015-11-25 | 中国石油化工股份有限公司 | 针对高速结晶盐壳覆盖区层析静校正初至拾取方法 |
CN109471190A (zh) * | 2018-11-12 | 2019-03-15 | 吉林大学 | 一种不同高度重力数据和井中重力数据联合反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759757A (zh) * | 2012-07-06 | 2012-10-31 | 中国石油天然气股份有限公司 | 一种基于井震结合的辉绿岩蚀变带储层预测方法 |
US10197702B2 (en) * | 2015-04-27 | 2019-02-05 | Pgs Geophysical As | Seismic guided inversion of electromagnetic survey data |
-
2020
- 2020-07-29 CN CN202010740818.2A patent/CN111856614B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726761A (zh) * | 2008-10-15 | 2010-06-09 | 中国石油天然气股份有限公司 | 一种风险约束的油气资源空间分布预测方法 |
CN105093320A (zh) * | 2014-05-16 | 2015-11-25 | 中国石油化工股份有限公司 | 针对高速结晶盐壳覆盖区层析静校正初至拾取方法 |
CN109471190A (zh) * | 2018-11-12 | 2019-03-15 | 吉林大学 | 一种不同高度重力数据和井中重力数据联合反演方法 |
Non-Patent Citations (1)
Title |
---|
鄂尔多斯盆地黄土塬三维地震技术突破及勘探开发效果;付锁堂,等;《中国石油勘探》;20200131;第25卷(第1期);67-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN111856614A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Westermann et al. | Surrogate modelling for sustainable building design–A review | |
Yousri et al. | Fractional-order calculus-based flower pollination algorithm with local search for global optimization and image segmentation | |
Köksoy et al. | Robust design using Pareto type optimization: a genetic algorithm with arithmetic crossover | |
Thapar et al. | Satisficing solutions of multi-objective fuzzy optimization problems using genetic algorithm | |
Hiramatsu et al. | Estimation of interregional input–output table using hybrid algorithm of the RAS method and real-coded genetic algorithm | |
Sakawa et al. | Interactive fuzzy random two-level linear programming based on level sets and fractile criterion optimization | |
Liang et al. | An enhanced slime mould algorithm and its application for digital IIR filter design | |
CN111856614B (zh) | 一种基于相关性约束和靶区动态调控的多元物性联合反演方法 | |
Wang et al. | A novel surrogate-assisted multi-objective optimization method for well control parameters based on tri-training | |
CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
Zhang et al. | Multi-objective optimization for design under uncertainty problems through surrogate modeling in augmented input space | |
Bi et al. | Proximal alternating-direction-method-of-multipliers-incorporated nonnegative latent factor analysis | |
Liu et al. | An efficient manta ray foraging optimization algorithm with individual information interaction and fractional derivative mutation for solving complex function extremum and engineering design problems | |
Farcaș et al. | Context-aware learning of hierarchies of low-fidelity models for multi-fidelity uncertainty quantification | |
Ghasemi et al. | A self-competitive mutation strategy for Differential Evolution algorithms with applications to Proportional–Integral–Derivative controllers and Automatic Voltage Regulator systems | |
Lin et al. | Evolutionary search with multiple utopian reference points in decomposition-based multiobjective optimization | |
CN114039659A (zh) | 一种光纤通信高阶色散预测算方法 | |
CN113378314A (zh) | Tw-ei在机械夹爪手指部件设计中的应用方法 | |
Yang et al. | A modified social spider optimization for economic dispatch with valve-point effects | |
Cheng | A grey CES production function model and its application in Calculating the contribution rate of economic growth factors | |
CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 | |
Xiao et al. | Distributed gauss-newton optimization with smooth local parameterization for large-scale history-matching problems | |
Puppala | Optimal Allocation of Capacitor Banks and DSTATCOMs in Radial Distribution System Considering Electric Vehicle Load Growth. | |
CN117270072B (zh) | 基于改进型差分进化算法的重磁位场成像反演方法及系统 | |
Ku et al. | Offline data-driven optimization based on dual-scale surrogate ensemble |
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 |