CN112182481B - 一种基于改进型差分进化算法的地震波形反演方法及系统 - Google Patents
一种基于改进型差分进化算法的地震波形反演方法及系统 Download PDFInfo
- Publication number
- CN112182481B CN112182481B CN202011081509.5A CN202011081509A CN112182481B CN 112182481 B CN112182481 B CN 112182481B CN 202011081509 A CN202011081509 A CN 202011081509A CN 112182481 B CN112182481 B CN 112182481B
- Authority
- CN
- China
- Prior art keywords
- sub
- dimension
- differential evolution
- evolution algorithm
- individual
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于改进型差分进化算法的地震波形反演方法及系统,所述方法包括:步骤1,计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;步骤2,使用改进型差分进化算法优化步骤1获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演。本发明能克服传统差分进化算法优化高维的地震波形反演问题时子成分差异大、各个维度间进化失衡的缺陷。
Description
技术领域
本发明属于科学和工程技术领域,特别涉及一种基于改进型差分进化算法的地震波形反演方法及系统。
背景技术
石油和天然气是人类社会发展的重要能源。随着石油、天然气的勘探程度越来越高,勘探目标也越发复杂;如何得到勘探目标复杂地下构造的精细刻画成了石油天然气勘探的难题之一。地震波形反演技术利用人工制造的地震波形中含有的关于地下介质的信息来构建一个精细的地下介质模型,因而能够很好地指导油气勘探。在地震波形反演的问题中,数据与模型之间的关系往往是强非线性的,一般的局部优化方法难以很好地应用到地震波形反演问题中;然而,差分进化算法作为一种全局优化算法,在整个搜索空间内进行搜索,不受限于初始模型,其在地震波形反演问题中得到广泛应用。
差分进化(Differential Evolution)算法是由Rainer Storn和Kenneth Price在遗传算法的基础上提出的,本质是一种优化算法,用于求解多维空间中的全局最优解。差分进化算法受到自然界中生物适应性进化和“优胜劣汰”的自然选择机制的启发,将优化的过程模拟成进化过程,将优化目标看作是环境,将解向量则看作生物种群,在反复地正演中寻找问题的最优解。
地震波形反演问题的维度非常高,常在100维到1000维之间,利用差分进化算法在解决高维的波形反演的问题时,常面临收敛精度不足和收敛速度慢的问题。目前的差分进化算法只在个体和种群两个层面上进行操作,没有利用到个体的子成分这一层面。在高维优化问题中各个维度的差异非常大,每一个维度的当前进化程度、收敛的速度也不尽相同。忽视子成分这一层面会导致个体在各个维度间进化失衡,最终影响波形反演的效果。
综上,亟需一种新的基于改进型差分进化算法的地震波形反演方法及系统。
发明内容
本发明的目的在于提供一种基于改进型差分进化算法的地震波形反演方法及系统,以解决上述存在的一个或多个技术问题。本发明能够克服利用传统差分进化算法优化高维的地震波形反演问题时子成分差异大、各个维度间进化失衡的缺陷。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于改进型差分进化算法的地震波形反演方法,包括以下步骤:
步骤1,计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;
步骤2,使用改进型差分进化算法优化步骤1获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演;
其中,所述改进型差分进化算法具体包括以下步骤:
(1)随机生成个体数量为预设值的初始化种群;
(2)对步骤(1)获得的初始化种群进行差分进化算法迭代;其中,在每一次差分进化算法迭代时,保存最优个体的每一个维度的子成分;每间隔K次迭代,计算获得K次迭代间所保存的子成分的每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标;
(4)基于变异策略对需要变异的个体执行传统差分进化算法的变异操作,得到变异个体;对除当前迭代的最优个体以外的任意变异个体进行子成分学习,获得经过子成分学习的变异个体;
(5)对经过子成分学习的变异个体进行传统差分进化算法的交叉操作,获得试验个体;对试验个体进行传统差分进化算法的选择操作,获得目标函数值更小的个体;
(6)重复步骤(2)至步骤(5),直至满足预设终止条件;输出迭代终止时,使目标函数值最小的个体对应的解向量,将解向量作为地下介质模型的物理参数。
本发明的进一步改进在于,步骤2的步骤(4)中的子成分学习的方法表示为:
本发明的进一步改进在于,步骤2的步骤(4)中,α的计算方法如下:
式中,rsuccess为当前迭代的之前的K次迭代间全种群的选择成功率的平均值。
本发明的进一步改进在于,步骤1中,目标函数的表达式为:
式中,NR代表采集地震数据的接收器数量,do,r(t)表示第r个接收器上的实际地震数据,dc,r(t,m)则表示通过模型计算获得的计算地震数据,t是旅行时;
计算地震模型的正演表示为:d=g(m),
式中,d代表计算获得的地震数据,g表示正演操作,m表示地下介质模型的物理参数。
本发明的进一步改进在于,步骤2的步骤(2)中,K值取20。
本发明的进一步改进在于,步骤2的步骤(5)中,
变异操作的方法表示为:
式中,Vi G是变异个体,r1,r2,r3是1到NP中的随机产生的整数,且r1≠r2≠r3≠i,F表示变异因子;NP为初始化种群的个体数量。
本发明的进一步改进在于,步骤2的步骤(6)中,
所述交叉操作的方法表示为:
式中,为第i个试验个体的第j维的子成分,是第i个变异个体第j维的子成分,是第i个目标个体的第j维的子成分,rand(0,1)代表在0到1之间产生一个服从均匀分布的随机数;jrand为1到D之间的随机整数,CR为交叉率;
所述选择操作的方法表示为:
本发明的一种基于改进型差分进化算法的地震波形反演系统,包括:
目标函数获取模块,用于计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;
地震波形反演模块,用于使用改进型差分进化算法优化目标函数获取模块获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演;
其中,所述改进型差分进化算法具体包括以下步骤:
(1)随机生成个体数量为预设值的初始化种群;
(2)对步骤(1)获得的初始化种群进行差分进化算法迭代;其中,在每一次差分进化算法迭代时,保存最优个体的每一个维度的子成分;每间隔K次迭代,计算获得K次迭代间所保存的子成分的每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标;
(4)基于变异策略对需要变异的个体执行传统差分进化算法的变异操作,得到变异个体;对除当前迭代的最优个体以外的任意变异个体进行子成分学习,获得经过子成分学习的变异个体;
(5)对经过子成分学习的变异个体进行传统差分进化算法的交叉操作,获得试验个体;对试验个体进行传统差分进化算法的选择操作,获得目标函数值更小的个体;
(6)重复步骤(2)至步骤(5),直至满足预设终止条件;输出迭代终止时,使目标函数值最小的个体对应的解向量,将解向量作为地下介质模型的物理参数。
本发明的进一步改进在于,地震波形反演模块中的步骤(4)中的子成分学习的方法表示为:
与现有技术相比,本发明具有以下有益效果:
本发明的方法提供了一种基于监测子成分收敛和子成分变异的差分进化算法的地震波形反演优化方法。本发明能克服传统差分进化算法优化高维的地震波形反演问题时子成分差异大、各个维度间进化失衡的缺陷;本发明利用差分进化算法优化高维的地震波形反演问题时子成分的进化程度不同、收敛速度不同的特点,将差分进化算法的变异最小单元从个体扩展到子成分,利用收敛程度高的子成分加快其他子成分的收敛,最终加快算法收敛速度,提高波形反演的精度。具体的,本发明改进了传统差分进化算法,通过监测历代子成分的变化情况,找出收敛程度高的子成分,通过子成分层面的定向变异技术让其它子成分向这些收敛程度高的子成分学习,加快收敛过程,最终解决了地震波形反演收敛速度慢、精度低的问题,从而能刻画出更加精细的地下介质模型,提高了油气勘探的效率。
本发明的系统,能克服传统差分进化算法优化高维的地震波形反演问题时子成分差异大、各个维度间进化失衡的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于改进型差分进化算法的地震波形反演方法的流程示意图;
图2是本发明实施例中,子成分收敛曲线的示意图;
图3是本发明实施例中,任意一维子成分学习过程的示意图;
图4是本发明实施例中,改进差分进化算法的流程示意图;
图5是本发明实施例中,本发明收敛曲线与jDE方法的对比示意图;其中,图5中的(a)为本发明与CEC2005测试集中F2函数的收敛曲线对比示意图,图5中的(b)为本发明与CEC2005测试集中F6函数的收敛曲线对比示意图,图5中的(c)为本发明与CEC2005测试集中F14函数的收敛曲线对比示意图,图5中的(d)为本发明与CEC2005测试集中F17函数的收敛曲线对比示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图1至图4,本发明实施例的一种基于改进型差分进化算法的地震波形反演优化方法,包括以下步骤:
步骤一:将计算获得的地震数据与实际测得的地震数据的拟合程度作为优化的目标函数,目标函数的形式如下:
公式(1)中,NR代表采集地震数据的接收器数量,do,r(t)表示第r个接收器上的实际地震数据,dc,r(t,m)则表示通过模型计算得到的计算地震数据,t是旅行时。
计算地震模型的正演表示如下:
d=g(m), (2)
公式(2)中,d代表了计算获得的地震数据,g是正演操作,而m则是地下介质模型的物理参数。
步骤二:随机生成个体数量为NP的初始化种群,任意一个个体的任意子成分的初始化方法如下:
步骤三:保存差分进化算法在每一次迭代时最优个体的每一个维度的子成分,每间隔K次迭代计算这K次迭代间所保存的子成分计算每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标,任意维度的标准差计算方法如下:
公式(4)中,j表示解向量的任意一个维度,μj表示第j维的子成分K次迭代的平均值,G表示本次迭代的次数,表示第G-i次迭代时最优个体的第j个维度的子成分。σ(j)表示第j个维度的标准差,在本发明中称为第j个维度子成分的收敛程度。
步骤四:计算本次迭代待学习的子成分的数量n,将步骤二计算出的标准差最小的n个维度所对应的本次迭代时最优个体的子成分列为待学习的子成分。计算当前迭代待学习的子成分的数量方法如下:
步骤五:进化差分进化算法的变异操作,变异操作的方法如下:
在公式(6)中,Vi G是变异操作产生的个体,称之为变异个体,r1,r2,r3,r4,r5是1到NP中的随机产生的整数,且r1≠r2≠r3≠r4≠r5≠i,F表示变异因子,F控制着差分向量的缩放比例。
变异操作之后,对除本次迭代的最优个体以外的任意个体进行子成分层面的定向变异,本发明称之为子成分学习,子成分学习的方法如下:
在公式(8)中rsuccess为本次迭代的之前的K次迭代间全种群的选择成功率的平均值。
最后输出经过子成分学习后的变异个体。
步骤六:进行差分进化算法的交叉操作,交叉操作的方法如下所示:
公式(9)中,为第i个试验个体的第j个子成分,是第i个变异个体第j个子成分,是第i个目标个体的第j个子成分,rand(0,1)代表在0到1之间产生一个服从均匀分布的随机数;jrand为1到D之间的随机整数,CR为交叉率。
进行差分进化算法的选择操作,选择操作的方法如下:
重复步骤三到步骤六直至满足差分进化算法的终止条件。
步骤七:输出最终的适应度函数值最小的解向量Xbest,并将解向量Xbest作为地下介质模型的物理参数m。
相对于现有技术,本发明具有以下优点:能够监测差分进化算法优化高维波形反演问题时历代子成分的变化情况,找出收敛程度高的子成分,通过子成分层面的定向变异技术让其它子成分向这些收敛程度高的子成分学习,加快收敛过程,最终加快差分进化算法的收敛速度,最终解决了高维波形反演收敛速度慢、精度低的问题。
本发明实施例步骤三中,基于差分进化算法的子成分差异大的事实,如图2,五种子成分在进化过程中收敛差异很大,本发明保存差分进化算法在每一次迭代时最优个体的每一个维度的子成分,每间隔K次迭代计算这K次迭代间所保存的子成分计算每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标。
本发明实施例中,变异操作之后,对除本次迭代的最优个体以外的任意个体进行子成分层面的定向变异,本发明称之为子成分学习,任意维的子成分学习的过程如图3所示,
本发明实施例中,图5是在CEC 2005测试集的F2、F6、F14以及F17四个函数上,优化问题维数为30维,迭代次数3000次时,使用本发明的方法的收敛曲线图和经典的jDE方法的收敛曲线图的对比结果图。图5中的横坐标表示迭代的次数,纵坐标表示当前优化的误差值,越小表示优化效果越好。图5的收敛曲线表明,基于本发明的优化方法SLDE在CEC2005测试集的单峰函数F2,简单多峰函数F6,扩展多峰函数F14,以及组合函数F17上都具有比经典的jDE方法更快的收敛速度,和更高的收敛精度。图5可以说明本发明在解决实际优化问题的显著效果。
本发明实施例的一种基于改进型差分进化算法的地震波形反演系统,包括:
目标函数获取模块,用于计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;
地震波形反演模块,用于使用改进型差分进化算法优化目标函数获取模块获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演;
其中,所述改进型差分进化算法具体包括以下步骤:
(1)随机生成个体数量为预设值的初始化种群;
(2)对步骤(1)获得的初始化种群进行差分进化算法迭代;其中,在每一次差分进化算法迭代时,保存最优个体的每一个维度的子成分;每间隔K次迭代,计算获得K次迭代间所保存的子成分的每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标;
(4)基于变异策略对需要变异的个体执行传统差分进化算法的变异操作,得到变异个体;对除当前迭代的最优个体以外的任意变异个体进行子成分学习,获得经过子成分学习的变异个体;
(5)对经过子成分学习的变异个体进行传统差分进化算法的交叉操作,获得试验个体;对试验个体进行传统差分进化算法的选择操作,获得目标函数值更小的个体;
(6)重复步骤(2)至步骤(5),直至满足预设终止条件;输出迭代终止时,使目标函数值最小的个体对应的解向量,将解向量作为地下介质模型的物理参数。
优选的,地震波形反演模块中的步骤(4)中的子成分学习的方法表示为:
综上,本发明实施例描述了一种基于改进型差分进化算法的地震波形反演优化方法及系统,所述方法针对差分进化算法优化高维的地震波形反演的问题时子成分数量多且子成分间差异大的特点,通过监测不同子成分的变化情况找出收敛速度快、进化程度高的子成分,然后利用子成分层面的定向变异操作加快优化的速度,最终提高了地震波形反演的效率和速度,从而能够刻画出更加精细的地下介质模型。本发明主要包含以下步骤:首先通过对比计算地震数据和实测地震数据,建立波形反演的目标函数。然后在差分进化算法中通过标准差监测个体子成分的收敛程度,之后计算待学习的子成分数量。最后利用子成分层面的变异使其他子成分向收敛快的子成分聚拢,加快收敛。本发明提出了一种有效的地震波形反演问题的优化方法,并通过实验验证了方法的有效性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种基于改进型差分进化算法的地震波形反演方法,其特征在于,包括以下步骤:
步骤1,计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;
步骤2,使用改进型差分进化算法优化步骤1获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演;
其中,所述改进型差分进化算法具体包括以下步骤:
(1)随机生成个体数量为预设值的初始化种群;
(2)对步骤(1)获得的初始化种群进行差分进化算法迭代;其中,在每一次差分进化算法迭代时,保存最优个体的每一个维度的子成分;每间隔K次迭代,计算获得K次迭代间所保存的子成分的每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标;
(4)基于变异策略对需要变异的个体执行传统差分进化算法的变异操作,得到变异个体;对除当前迭代的最优个体以外的任意变异个体进行子成分学习,获得经过子成分学习的变异个体;
(5)对经过子成分学习的变异个体进行传统差分进化算法的交叉操作,获得试验个体;对试验个体进行传统差分进化算法的选择操作,获得目标函数值更小的个体;
(6)重复步骤(2)至步骤(5),直至满足预设终止条件;输出迭代终止时,使目标函数值最小的个体对应的解向量,将解向量作为地下介质模型的物理参数。
6.根据权利要求1所述的一种基于改进型差分进化算法的地震波形反演方法,其特征在于,步骤2的步骤(2)中,K值取20。
9.一种基于改进型差分进化算法的地震波形反演系统,其特征在于,包括:
目标函数获取模块,用于计算获得待勘探地区的计算地震数据,测量获得待勘探地区的实际地震数据;将计算地震数据和实际地震数据的拟合程度作为目标函数;
地震波形反演模块,用于使用改进型差分进化算法优化目标函数获取模块获得的目标函数,获得待勘探地区的地下介质模型的物理参数,完成地震波形反演;
其中,所述改进型差分进化算法具体包括以下步骤:
(1)随机生成个体数量为预设值的初始化种群;
(2)对步骤(1)获得的初始化种群进行差分进化算法迭代;其中,在每一次差分进化算法迭代时,保存最优个体的每一个维度的子成分;每间隔K次迭代,计算获得K次迭代间所保存的子成分的每一个维度的标准差,以每一个维度的标准差作为衡量对应维度的子成分收敛程度的指标;
(4)基于变异策略对需要变异的个体执行传统差分进化算法的变异操作,得到变异个体;对除当前迭代的最优个体以外的任意变异个体进行子成分学习,获得经过子成分学习的变异个体;
(5)对经过子成分学习的变异个体进行传统差分进化算法的交叉操作,获得试验个体;对试验个体进行传统差分进化算法的选择操作,获得目标函数值更小的个体;
(6)重复步骤(2)至步骤(5),直至满足预设终止条件;输出迭代终止时,使目标函数值最小的个体对应的解向量,将解向量作为地下介质模型的物理参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081509.5A CN112182481B (zh) | 2020-10-10 | 2020-10-10 | 一种基于改进型差分进化算法的地震波形反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011081509.5A CN112182481B (zh) | 2020-10-10 | 2020-10-10 | 一种基于改进型差分进化算法的地震波形反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182481A CN112182481A (zh) | 2021-01-05 |
CN112182481B true CN112182481B (zh) | 2022-12-09 |
Family
ID=73948211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011081509.5A Active CN112182481B (zh) | 2020-10-10 | 2020-10-10 | 一种基于改进型差分进化算法的地震波形反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182481B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740903B (zh) * | 2021-08-27 | 2022-12-09 | 西安交通大学 | 数据与智能优化双驱动的深度学习地震波阻抗反演方法 |
CN114329702B (zh) * | 2021-12-21 | 2022-07-22 | 中国地震局工程力学研究所 | 基于改进的差分进化算法标定设计反应谱的高稳定性方法和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462924A (zh) * | 2017-07-27 | 2017-12-12 | 西安交通大学 | 一种不依赖于测井资料的绝对波阻抗反演方法 |
CN110441815A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 基于差分进化及块坐标下降改进的模拟退火瑞雷波反演方法 |
-
2020
- 2020-10-10 CN CN202011081509.5A patent/CN112182481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462924A (zh) * | 2017-07-27 | 2017-12-12 | 西安交通大学 | 一种不依赖于测井资料的绝对波阻抗反演方法 |
CN110441815A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 基于差分进化及块坐标下降改进的模拟退火瑞雷波反演方法 |
Non-Patent Citations (1)
Title |
---|
基于粒子群优化算法波阻抗反演的研究与应用;蔡涵鹏等;《石油地球物理勘探》;20081015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112182481A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105224984B (zh) | 一种基于深度神经网络的数据类别识别方法及装置 | |
CN112182481B (zh) | 一种基于改进型差分进化算法的地震波形反演方法及系统 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN112818595B (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
CN113239022A (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN115841076A (zh) | 基于bp神经网络模型的浅海分层海底地声参数反演方法 | |
Mo et al. | Well logging curve reconstruction based on genetic neural networks | |
Panigrahi et al. | Approximate post-selective inference for regression with the group lasso | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
Del Debbio et al. | Machine learning trivializing maps: A first step towards understanding how flow-based samplers scale up | |
CN114818548A (zh) | 一种基于卷积生成对抗网络的含水层参数场反演方法 | |
Fu et al. | Generating high coherence monophonic music using monte-carlo tree search | |
CN109858127B (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 | |
Pradana et al. | Comparison of Multi Layer Perceptron, Random Forest & Logistic Regression on Students Performance Test | |
Galindo et al. | Faster quantum alternative to softmax selection in deep learning and deep reinforcement learning | |
Naumov et al. | Development of the heuristic method of evolutionary strategies for reinforcement learning problems solving | |
Zykov et al. | Co-evolutionary variance can guide physical testing in evolutionary system identification | |
He et al. | Evolving Benchmark Functions to Compare Evolutionary Algorithms via Genetic Programming | |
CN113191486A (zh) | 基于参数服务器架构的图数据与参数数据的混合划分方法 |
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 |