CN112327364B - 一种改进型一步法三维crs叠加方法 - Google Patents
一种改进型一步法三维crs叠加方法 Download PDFInfo
- Publication number
- CN112327364B CN112327364B CN202011203749.8A CN202011203749A CN112327364B CN 112327364 B CN112327364 B CN 112327364B CN 202011203749 A CN202011203749 A CN 202011203749A CN 112327364 B CN112327364 B CN 112327364B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- population
- superposition
- dimensional
- simulated annealing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 157
- 238000002922 simulated annealing Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000001427 coherent effect Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 13
- 238000005457 optimization Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002921 genetic algorithm search Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019557 luminance Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Geophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于油气勘探地震资料处理技术领域,具体涉及一种改进型一步法三维CRS叠加方法。为遗传算法和模拟退火混合的多种群精英分层式混合并行算法;分为三层:算法的顶层是根据模拟退火算法中的热槽法;算法中层则是n个独立运行的遗传算法;算法的底层采用模拟退火算法对中层选出的精英种群进行迭代。本发明通过多组二维参数反演三维参数,发现可将推出的三维参数公式进行改进,以实现对非均匀各向同性介质条件下的三维零偏移距共反射面叠加旅行时公式的改进,最后成功的简化了公式,降低了三维情况下对CRS叠加中的波场八个参数的求取难度。
Description
技术领域:
本发明属于油气勘探地震资料处理技术领域,具体涉及一种改进型一步法三维CRS叠加方法。
背景技术:
近年来,随着勘探目标的复杂性增加,地震数据处理的要求也在不断增加,以满足在复杂地质条件下高精度成像的要求。因此,在强干扰环境下高效压制噪音,增强有效信号显得尤为重要,这使得适用于低信噪比数据的处理方法开始受到广泛关注和应用。共反射面元(CRS)叠加作为一种针对低信噪比数据的有效处理方法,在提升数据信噪比、改善成像效果方面一直发挥着其独有的优势,备受地球物理学界专家学者的关注。
共反射面元叠加与常规地震资料叠加方法相比的优势之处在于它仅受CRS波场参数及近地表速度控制,无需预知宏观速度模型。我们认为地下反射界面是由多个反射面元叠加构成,所以反射点的反射能量包括自身反射及附近其他反射面元贡献两个部分构成。基于共反射面元叠加公式对叠前数据进行CRS叠加后可得CRS叠加剖面、波场参数剖面及相干剖面。在叠加过程中,考虑到反射点附近一定范围内的反射面元,扩大了参与叠加的数据范围,增加了覆盖次数,提高数据信噪比,最终实现对成像效果的提高。对比看来,CRS叠加比CMP叠加更适合处理复杂的地质体;如低信噪比数据、倾斜层、山地资料等。
近年来,实际地震资料处理中二维CRS叠加理论逐步拓展到了三维,并得到了进一步的研究应用。三维CRS叠加中,包含八个参数:ZO射线在地表出射角(包括倾角和方位角)、法向入射点波(NIP波)和法向波(N)在地面的波前曲率矩阵(矩阵是22的对称矩阵)。参数的增多增加了叠加处理的计算难度,但正因为复杂参数的约束,CRS叠加效果才更加准确,也更能适用于低信噪比的复杂地质区域。通过相干分析求取的八参数之间存在耦合现象,因此,应用三维CRS时,高效的参数搜索策略是非常必要的,以准确地从叠前地震数据中确定8个参数。
发明内容:
本发明要解决的技术问题是在应用三维CRS叠加时,因为公式的复杂、求取的参数数量多,通常使用三步法对8个参数依次进行求取,这种方法计算成本较低,但是它会系统性地累积误差,降低CRS属性参数的准确性,从而影响CRS叠加效果。
为解决上述问题,本发明提供了一种改进型的一步法三维CRS叠加技术,该方法首先基于Muller(2003)导出了非均匀各向同性介质条件下的三维零偏移距共反射面叠加旅行时公式。通过多组二维参数反演三维参数,发现可将推出的三维参数公式进行改进,以实现对非均匀各向同性介质条件下的三维零偏移距共反射面叠加旅行时公式的改进,最后成功的简化了公式,降低了三维情况下对CRS叠加中的波场八个参数的求取难度。
为达到上述目的,本发明通过以下技术方案实现:一种改进型一步法三维CRS叠加方法,为遗传算法和模拟退火混合的多种群精英分层式混合并行算法;如图1所示,整个算法从上到下分为三层:算法的顶层是根据模拟退火算法中的热槽法,通过概率分布函数随机的产生三维CRS叠加中8个相关参数的若干个候选值,这些值随机的分配到中层n个遗传算法中形成的每个种群的初始状态,形成初始种群;算法中层则是n个独立运行的遗传算法,这样可以一定程度上保证解得多样性,每个种群独立交叉、变异、选择形成新解,这些局部最优解将组成精英种群为算法底层模拟退火算法提供初始值;算法的底层采用模拟退火算法对中层选出的精英种群进行迭代,对全局最优解进行搜索,迭代一定次数之后,判断是否满足停止准则,若满足,则输出全局最优解;否则,中层的遗传算法在模拟退火算法产生的解中随机抽取一定数量的解放入种群中继续进化,直至得出全局最优解,输出相干值最大的波场8参数。
整个算法中,中上层是提高计算效率的重要步骤,在贡献局部最优解的同时也为下层模拟退火算法提供搜索初始值(即初始温度T)。中下层是算法的主体,也是对三维CRS叠加中8参数寻优质量的关键。算法从种群个体的组织结构出发,将局部搜索和全局搜索分离,使遗传算法和模拟退火算法有效地融为一体,增强了遗传算法逃逸局部解的能力,提高了模拟退火算法的搜索效率,完美实现了算法收敛速度快和全局收敛能力强之间的结合。
进一步的,在算法初期采用热槽法对三维CRS叠加中的8参数进行计算,得到其每一个可能搜索值的相对概率,并根据这个概率分布函数提取一个随机数作为该参数在该状态下的搜寻值接受下来,公式如下:
其中,Xi,i=1,2,…,M,表示有M个随机变量,τ1,τ2,…,τN表示每个变量Xi有N个可能的取值,qi(τp)表示取τp的能量函数,T为温度参数;
然后从概率分布函数中提取Xi的新值;无论迭加能量增加还是减小,Xi的新值总是保留,迭加总是在修改;若迭加能量qi(τp)增大,则Xi=τp的概率增加;当然选择使能量减小的τp也是可能的,但概率极小。
然后将通过概率分布函数随机地产生三维CRS叠加中8个相关参数的若干个候选值随机地分配到中层n个遗传算法中,形成的每个种群的初始状态,形成初始种群,这样也使得每个种群中的个体初值与全局最优解的相关性强,遗传算法搜索具有更高效率。
进一步的,图2所示为遗传算法和模拟退火混合的多种群精英分层式混合并行算法(以下简称GA-SAHP算法)的种群个体组织方式。根据步骤(1)产生n个遗传算法的初始种群,将其分别记为GA1、GA2、…、GAn;每个种群独立地运行遗传算法,通过选择、交叉重组或变异生成新的解,迭代一定次数后,取出各自种群中的精英个体组成精英种群,即局部最优解,放入下层的模拟退火算法中作为初始温度T。
进一步的,在计算过程中,两种算法先后交替进行迭代计算,并通过以下函数值来判断算法求得的8个波场参数的质量:
即采用模拟退火算法对中层选出的精英种群进行迭代,迭代一定次数之后,判断是否满足停止准则,若满足准则,则算法停止,输出全局最优解;否则,中层的每个遗传算法种群从下层的模拟退火算法产生的解中随机获得m个个体极值,随机替换掉自己种群中的m个个体;这样就算完成了第一轮的GA-SAHP算法;n个GA种群重新开始遗传算法操作,不断循环,直到满足停止准则,得出全局最优解,输出相干值最大的三维CRS叠加波场8参数。
其中,对于上述函数的改进过程如下:
描述一波前需要知道五个参数,即它的方向(用两个角度表示)和2×2的对称曲率矩阵。CRS叠加算子依赖于两个假想波波前,因此就需要10个参数。但是,两个波前是沿同一条中心射线的,因此参数就减少为最终的八个参数。如下:
对于CRS参数表达出的CRS时距公式,不能直接用于CRS叠加,还须改写为下面的形式:
这样就得到了定义在射线中心坐标系中的波前曲率矩阵和当然,我们可以利用二维CRS参数与三维CRS参数之间的关系来求取三维CRS参数。首先沿三条不同的地震测线在多次覆盖数据体中做二维CRS叠加处理,得到下列八个参数:
地震测线s 0:α0,RNIP,0,RN,0
地震测线s 1:α1,RNIP,1,RN,1
地震测线s 2:RNIP,2,RN,2
利用这些二维参数反演出三维参数,即:
w z=w z(α0,α1)
为了确定w z的两个分量,需要知道两个不同测线确定的观测面内的两个不同出射角。为了提高稳定性,建议选择更接近垂直的两条测线,这样可使|s i·s i|达到最小。相应的两个出射角度α1和α0用来确定w z到地面的投影wz:
三维CRS双曲线型旅行时近似公式:
遗传算法(genetic algorithm,GA)和模拟退火算法(Simulated Annealing,SA)都是一种群体智能全局寻优算法。在搜索精度以及搜索效率方面都有自身的特点和优势,同样也都有各自的不足和缺陷。许多学者已经证明,这类全局优化算法在结构上具有并行性,可以根据算法的特点进行有效的结合,取长补短,从而设计出性能更优的混合算法。目前应用于全局优化算法的混合模式可大致分为并联和串联。其特点多为将两种算法以同等的地位进行结合,这就导致了两种算法的结合方式固化,不能根据自身特点进行有机的结合,不能充分发挥两种算法在参数寻优方面的特点及优势。
遗传算法和模拟退火算法在面对小规模的优化问题时不管是参数优化效率还是参数求解质量上都有着很成功的表现。但是随着地震勘探转向更复杂的地质条件区域,实际地震资料处理也逐渐由二维扩展到三维,需要处理的地震数据体越来越大。这样一来,单纯的遗传算法或模拟退火算法在面对三维CRS叠加中8参数的求解问题时,无论是参数求解的效率还是精度效果均不理想。
遗传算法在算法运行初期,可以很快地收敛到局部最优解,但随着算法中种群的进化,算法的收敛速度急剧下降,即算法出现“早熟收敛”现象,这也印证了遗传算法简单易实现,但搜索精度不高,且算法得出的解并不是全局最优的特点,而且标准的遗传算法是随机产生初始群体,没有约束条件,这样就有概率会出现两种情况:一是初始群体中会产生一些远离最优解的个体,导致求解过程时间长、精度低;二是初始群体的多样性过低,更加容易收敛到局部最小值,而在三维CRS叠加中8参数寻优过程中每个参数的精度都是非常重要的,这直接影响了叠加的效果;模拟退火算法虽然收敛速度缓慢,但其搜索过程不断接近最优解直至以概率1最终收敛于全局最优解,模拟退火算法的求解时间是随着问题规模的增大和复杂急剧增加的,这种特性也使得模拟退火策略在面对复杂的三维地震数据体时显得有些乏力。
由此可见,遗传算法具有快速寻优能力,模拟退火算法有很好的全局收敛特性,两者有着几乎互补的优势,本发明结合分层混合的思想,根据全局优化算法的并行性及两者的算法特点,本发明提出的遗传算法和模拟退火混合的多种群分层式混合并行算法,实现了二者优势的有效结合。
本发明相比于现有技术,其有益效果在于:
单纯的全局优化算法(例如:模拟退火法、遗传算法、粒子群算法、Powell共轭梯度算法等)在搜索精度以及搜索效率方面各有优劣。本发明提出一种遗传算法和模拟退火混合的多种群分层式混合并行算法,实现了一步法求取三维CRS中的八个参数,显著降低了计算成本,为实现一步法求取八个参数,提供了一种搜索精度高、效率高的全局优化策略。
附图说明
图1是基于遗传算法和模拟退火混合的多种群精英分层式混合并行算法的流程图;
图2是体现GA-SAHP算法中的种群个体组织方式图;
图3是CMP道集示意图;
图4是叠加剖面示意图,其中,上图为CMP叠加剖面、下图为基于GA-SAHP算法参数搜索的CRS叠加剖面。
具体实施方式:
为使本发明实施例的目的、技术方案和优点更加清楚,下面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,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
一种改进型一步法三维CRS叠加方法,为遗传算法和模拟退火混合的多种群精英分层式混合并行算法;如图1所示,整个算法从上到下分为三层:算法的顶层是根据模拟退火算法中的热槽法,通过概率分布函数随机的产生三维CRS叠加中8个相关参数的若干个候选值,这些值随机的分配到中层n个遗传算法中形成的每个种群的初始状态,形成初始种群;算法中层则是n个独立运行的遗传算法,这样可以一定程度上保证解得多样性,每个种群独立交叉、变异、选择形成新解,这些局部最优解将组成精英种群为算法底层模拟退火算法提供初始值;算法的底层采用模拟退火算法对中层选出的精英种群进行迭代,对全局最优解进行搜索,迭代一定次数之后,判断是否满足停止准则,若满足,则输出全局最优解;否则,中层的遗传算法在模拟退火算法产生的解中随机抽取一定数量的解放入种群中继续进化,直至得出全局最优解,输出相干值最大的波场8参数。具体包括以下步骤:
(1)在算法初期采用热槽法对三维CRS叠加中的8参数进行计算,得到其每一个可能搜索值的相对概率,并根据这个概率分布函数提取一个随机数作为该参数在该状态下的搜寻值接受下来,公式如下:
其中,Xi,i=1,2,…,M,表示有M个随机变量,τ1,τ2,…,τN表示每个变量Xi有N个可能的取值,qi(τp)表示取τp的能量函数,T为温度参数;
然后从概率分布函数中提取Xi的新值;无论迭加能量增加还是减小,Xi的新值总是保留,迭加总是在修改;若迭加能量qi(τp)增大,则Xi=τp的概率增加;当然选择使能量减小的τp也是可能的,但概率极小。
然后将通过概率分布函数随机地产生三维CRS叠加中8个相关参数的若干个候选值随机地分配到中层n个遗传算法中,形成的每个种群的初始状态,形成初始种群,这样也使得每个种群中的个体初值与全局最优解的相关性强,遗传算法搜索具有更高效率。
(2)图2所示为遗传算法和模拟退火混合的多种群精英分层式混合并行算法(以下简称GA-SAHP算法)的种群个体组织方式。根据步骤(1)产生n个遗传算法的初始种群,将其分别记为GA1、GA2、…、GAn;每个种群独立地运行遗传算法,通过选择、交叉重组或变异生成新的解,迭代一定次数后,取出各自种群中的精英个体组成精英种群,即局部最优解,放入下层的模拟退火算法中作为初始温度T。
(3)在计算过程中,两种算法先后交替进行迭代计算,并通过以下函数值来判断算法求得的8个波场参数的质量:
即采用模拟退火算法对中层选出的精英种群进行迭代,迭代一定次数之后,判断是否满足停止准则,若满足准则,则算法停止,输出全局最优解;否则,中层的每个遗传算法种群从下层的模拟退火算法产生的解中随机获得m个个体极值,随机替换掉自己种群中的m个个体;这样就算完成了第一轮的GA-SAHP算法;n个GA种群重新开始遗传算法操作,不断循环,直到满足停止准则,得出全局最优解,输出相干值最大的三维CRS叠加波场8参数。
为了进一步验证本专利方法的实际应用效果,对海上某3D地震数据进行基于GA-SAHP算法搜索参数的一步法CRS叠加处理。
所示,对海上三维数据的常规CRS叠加剖面和基于GA-SAHP算法参数搜索的CRS叠加剖面进行对比。如图3所示,图中道集已经过前期处理,包括去除噪声、振幅补偿等,但是图3下方的深层反射同相轴并不清晰;图4即叠加剖面示意图。由上述图片可以看出,在深层位置,基于GA-SAHP算法参数搜索的CRS叠加剖面反射同相轴更加清晰。在低信噪比条件下,基于GA-SAHP算法参数搜索算法的CRS叠加具有更好的效果,对于更深层的成像有明显的改进。因此,对基于GA-SAHP算法进行参数搜索的一步法三维CRS叠加与常规CRS叠加在成像效果方面,一步法CRS叠加的效果要明显强于常规CRS叠加。
在效率方面,对3D海上资料的处理中,海上资料的数据量大约30G。程序运行时使用具有28个节点的机群,每一个节点有8个CPU并且共享了16G的内存。基于GA-SAHP算法进行参数搜索实现一步法CRS叠加时,每个进程大约有1.6G内存进行计算,耗费总共17个小时的时间。而对于常规CRS叠加,三步法的第一步和第二部内存使用不多,每个进程大约占用1.2G内存,计算花费的时间短,但在第三步处理时也大约对1.6G内存进行了调用,花费的时间总共超过10小时。因此,相比于常规CRS叠加,基于GA-SAHP算法参数搜索的一步法三维CRS叠加的运算耗时及内存占用都在可承受范围内,并且参数搜索质量和成像效果得到了明显的提升。
并且从图中可以看出,针对实际资料的基于GA-SAHP算法参数搜索的一步法三维CRS叠加与常规三步法三维CRS叠加相比具有较大优势。在参数搜索效率以及叠加效果方面,基于GA-SAHP算法参数搜索的一步法三维CRS叠加都要强于常规三步法CRS叠加。改进后的CRS叠加,对低信噪比的深层成像效果更好,中深层的反射同相轴连续性增强。因此,基于混合寻优算法的一步法三维CRS叠加适合大型三维勘探区块海量低信噪比地震数据的处理,具有潜在的推广价值。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作出的等同变化与修改,均应属于本发明保护的范围。
Claims (3)
1.一种改进型一步法三维CRS叠加方法,其特征在于:为遗传算法和模拟退火混合的多种群精英分层式混合并行算法;分为三层:算法的顶层是根据模拟退火算法中的热槽法;算法中层则是n个独立运行的遗传算法;算法的底层采用模拟退火算法对中层选出的精英种群进行迭代;算法的顶层通过概率分布函数随机的产生三维CRS叠加中8个相关参数的若干个候选值,这些值随机的分配到中层n个遗传算法中形成的每个种群的初始状态,形成初始种群;
算法中层为根据n个遗传算法产生的初始种群,将其分别记为GA1、GA2、…、GAn;每个种群独立地运行遗传算法,通过选择、交叉重组或变异生成新的解,迭代一定次数后,取出各自种群中的精英个体组成精英种群,即局部最优解,放入下层的模拟退火算法中作为初始温度T;
算法的底层采用模拟退火算法对中层选出的精英种群进行迭代,对全局最优解进行搜索,迭代一定次数之后,判断是否满足停止准则,若满足,则输出全局最优解;否则,中层的遗传算法在下层的模拟退火算法产生的解中随机抽取一定数量的解放入种群中继续进化,直至得出全局最优解,输出相干值最大的波场8参数。
2.如权利要求1所述的改进型一步法三维CRS叠加方法,其特征在于:在算法初期采用热槽法对三维CRS叠加中的8参数进行计算,得到其每一个可能搜索值的相对概率,并根据这个概率分布函数提取一个随机数作为该参数在该状态下的搜索值接受下来,公式如下:
其中,Xi,i=1,2,...,M,表示有M个随机变量,τ1,τ2,…,τN表示每个变量Xi有N个可能的取值,qi(τp)表示取τp的能量函数,T为温度参数;
然后从概率分布函数中提取Xi的新值;无论迭加能量增加还是减小,Xi的新值总是保留,迭加总是在修改;若迭加能量qi(τp)增大,则Xi=τp的概率增加;
然后将通过概率分布函数随机地产生三维CRS叠加中8个相关参数的若干个候选值随机地分配到中层n个遗传算法中,形成的每个种群的初始状态,形成初始种群。
3.如权利要求1所述的改进型一步法三维CRS叠加方法,其特征在于:算法底层为在计算过程中,两种算法先后交替进行迭代计算,并通过以下函数值来判断算法求得的8个波场参数的质量:
即采用模拟退火算法对中层选出的精英种群进行迭代,迭代一定次数之后,判断是否满足停止准则,若满足准则,则算法停止,输出全局最优解;否则,中层的每个遗传算法种群从下层的模拟退火算法产生的解中随机获得m个个体极值,随机替换掉自己种群中的m个个体;这样就算完成了第一轮的遗传算法和模拟退火混合的多种群精英分层式混合并行算法;n个遗传算法种群重新开始遗传算法操作,不断循环,直到满足停止准则,得出全局最优解,输出相干值最大的三维CRS叠加波场8参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203749.8A CN112327364B (zh) | 2020-11-02 | 2020-11-02 | 一种改进型一步法三维crs叠加方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203749.8A CN112327364B (zh) | 2020-11-02 | 2020-11-02 | 一种改进型一步法三维crs叠加方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327364A CN112327364A (zh) | 2021-02-05 |
CN112327364B true CN112327364B (zh) | 2022-04-29 |
Family
ID=74324319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203749.8A Active CN112327364B (zh) | 2020-11-02 | 2020-11-02 | 一种改进型一步法三维crs叠加方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327364B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494808B2 (en) * | 2010-05-17 | 2013-07-23 | The Johns Hopkins University | Method for optimizing parameters for detection systems |
CN109061731B (zh) * | 2018-09-18 | 2019-10-25 | 中国地震局地壳应力研究所 | 面波频散与体波谱比联合反演浅层速度的全局优化方法 |
CN109345023A (zh) * | 2018-10-19 | 2019-02-15 | 上海交通大学 | 一种混合模拟退火和粒子群的最优化算法 |
CN109581488A (zh) * | 2018-12-18 | 2019-04-05 | 中国石油大学(华东) | 一种基于粒子群优化crs超道集地震波成像方法 |
-
2020
- 2020-11-02 CN CN202011203749.8A patent/CN112327364B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112327364A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106099393A (zh) | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 | |
CN101876704B (zh) | 干涉合成孔径雷达三维陆地场景回波仿真方法 | |
CN103091710A (zh) | 一种逆时偏移成像方法及装置 | |
CN104656073B (zh) | 三维成像声纳波束形成方法及在多核处理器上的实现方法 | |
CN105445718A (zh) | 一种基于阵列重构的分布式多载舰超视距雷达的doa估计方法 | |
CN106324556A (zh) | 一种稀疏重构辅助的非均匀阵列波达方向估计方法 | |
CN112099082B (zh) | 一种共面元共方位角道集的地震回折波走时反演方法 | |
CN107656239B (zh) | 一种基于极化敏感阵列的相干信源测向方法 | |
CN109031235A (zh) | 快速获取雷达基本反射率三维等值线数据的方法 | |
US6980482B2 (en) | Seismic survey system | |
Sorkhabi et al. | Deep learning of GPS geodetic velocity | |
CN113866718B (zh) | 一种基于互质阵的匹配场被动定位方法 | |
CN112327364B (zh) | 一种改进型一步法三维crs叠加方法 | |
Liu et al. | Physics-driven self-supervised learning system for seismic velocity inversion | |
CN117077547B (zh) | 森林地上生物量估计方法及系统 | |
CN114187533A (zh) | 一种基于随机森林时序分类的GB-InSAR大气改正方法 | |
CN106842314B (zh) | 地层厚度的确定方法 | |
Savage et al. | Shear wave splitting across the Rocky Mountain Front | |
CN109100798A (zh) | 实现折射多次波层析反演的方法、装置及处理终端 | |
CN109782341B (zh) | 一种基于信息散度的地震数据属性提取方法 | |
CN111812580A (zh) | 基于欠定信源克拉美罗界的运动线性稀疏阵列优化方法 | |
CN117434597A (zh) | 一种基于共反射面元的三维立体层析速度建模方法 | |
Greening et al. | Matched-field localization for multiple sources in an uncertain environment, with application to Arctic ambient noise | |
Li et al. | Application of Snell's law in reflection raytracing using the multistage fast marching method | |
CN112633376A (zh) | 基于深度学习的点云数据地物分类方法、系统与存储介质 |
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 |