CN1710446A - 一种利用叠前地震波形反演构建虚拟井数据的方法 - Google Patents

Abstract

本发明涉及一种利用叠前地震波形反演构建虚拟井数据的方法，包括：1)通过采集的叠前地震数据的分析，给定实测角道集地震记录；2)建立地质模型；3)选择收敛函数，确定反演精度；4)确定模型参数搜索范围和搜索间隔，对其进行整数编码，生成拟合地质模型的初始随机模型总体；5)计算随机模型总体的合成地震记录，与实测地震记录比较，计算目标函数值；6)进行GA计算，更新初始随机模型总体生成新的随机模型总体P_[j]；7)计算P_[j]的合成地震记录Syn_[j]，比较Syn_[j]与Seis，计算并保存目标函数值；8)若满足结束条件，结束并输出结果，否则重复步骤6－8。本发明可提高无井约束条件下地震波阻抗反演的分辨率。

Description

一种利用叠前地震波形反演构建虚拟井数据的方法

技术领域

本发明涉及一种石油地球物理探测中的波阻抗反演算法，特别是涉及一种基于遗传算法的利用叠前地震数据获取虚拟声波测井数据的方法。

背景技术

地震反演可分为叠前反演和叠后反演。一般叠前反演方法所得到的物理特性与叠后反演方法相比提供了更详细的地下地层特征。叠前反演分辨率高，但速度慢、稳定性差，现处于研究阶段，距大规模生产应用还有一定距离。叠后反演虽然分辨率要低一些，但速度快、稳定性好，满足大规模生产应用的需要，因此反演通常在叠后数据上进行，但叠后地震数据由于缺乏叠前数据所包含的丰富的振幅和旅行时信息，一些细微的地层反演特征在叠后反演结果上是得不到的。在存在大量并控资料的情况下，叠后地震数据的定量分析是储层特征描述的有效方法。然而，在无井控制情况下，岩石参数的准确定量估算是难以理解的，而地震岩性分析的日常应用就很难超出异常识别的范畴。特别是当油藏本身的厚度远小于地震分辨能力时，叠后反演结果很难确定产层的准确位置。这样，人们还需要进行叠前反演方法的研究。

叠前地震波形反演所面临的难题在于：1)计算量和数据量非常庞大；2)数据和模型之间高度非线性；3)目标函数具有多个极小值；4)有多个模型与地震数据匹配良好，具有多解性。非线性、非唯一性和大计算量交织在一起，使叠前地震波形反演的难度很大。但它对储层岩性和所含流体的高分辨率，对广大油气勘探开发技术研究人员来说，吸引力是巨大的。针对叠前地震波形反演所面临的难题，近十年来，有许多地球物理工作者进行了大量的探索，获得了如下重要的研究成果：

1)采用遗传算法(GA)和模拟退火(SA)全局寻优的非线性反演方法比较成功的解决了叠前地震波形反演所面临的数据和模型之间高度非线性及目标函数具有多个极小值问题。遗传算法(GA)的代表性研究成果有：Sen andStoffa(1992)^[1]，Mallick(1995，1999)^[3].模拟退火(SA)的代表性研究成果有：Sen and Stoffa(1991)^[4]，Xia，Sen and Stoffa(1998)^[5]。Ingber andRosen(1992)^[6]，两种方法均能实现全局寻优。

2)采用分步反演提高叠前地震波形反演的速度和稳定性。分步反演方法：第一步，用旅行时反演估算背景速度；第二步，用线性反演波阻抗的扰动量；第三步，联合第一和第二步的结果构建初始模型，用VFSA/GA叠前地震波形反演估算弹性参数。代表性研究成果有：Xia，Sen and Stoffa(1998)^[5]，Sen(2001)^[7]。

3)把地震数据转换到τ-p域或角道集，减少计算工作量。

4)采用先进的地质建模技术，把地质、测井、地震等多元地学信息统一到模型上，实现各类信息在模型空间的有机结合，提高反演的信息使用量，克服地震反演的多解性。

上述四项进展，基本上解决了叠前地震波形反演所面临的高度非线性和局部极小值问题；但对非唯一性和大计算量的问题没得到很好解决。为此，有些学者采用了一种折衷的办法，即叠前和叠后混合反演的办法，首先在一些控制点进行精细的叠前地震波形反演构建虚拟井曲线，然后以虚拟井作为控制信息进行叠后反演(Mallick，2000)^[8]。叠前和叠后混合反演的办法利用了叠前反演分辨率高，叠后反演速度快、稳定性好的优点，克服了各自的缺点，成为目前的一个研究亮点。

要进一步提高地震波阻抗反演的分辨率，特别对于深海无井的情况，采用叠前和叠后混合反演的办法实现深海无井地震反演，其关键是叠前地震波形反演构建虚拟井数据。

发明内容

本发明的目的在于提供一种利用叠前地震波形反演构建虚拟井数据的方法，基于遗传算法，利用在深水无井约束条件下的叠前反演建立虚拟井波阻抗数据，实现了无井约束条件下的高分辨率地震波阻抗反演。

本发明的技术方案为：

一种利用叠前地震波形反演构建虚拟井数据的方法，包括如下步骤：

步骤1，采集原始地震数据，并对其进行叠前数据预处理和角道集抽取，得到实测角道集地震记录Seis数据；

步骤2，对所述角道集地震记录进行高精度速度分析，确定地质模型参数V_P，V_S，ρ，建立各向同性弹性地质模型；

步骤3，选择收敛的目标函数objects的适当形式，确定作为收敛条件的反演精度ε；

步骤4，给定所述地质模型参数的搜索范围和搜索间隔，对所述地质模型参数进行整数编码；令j＝0，生成包括V_p，V_s和ρ随机模型的拟合地质模型的初始模型总体P_[j]；

步骤5，计算随机模型总体的角道集合成地震记录Syn_j，比较Syn_j与Seis，计算目标函数objects_[j]的值；

步骤6，进行遗传算法(GA)计算，用对objects_[j]转换计算出的适应度函数fitness_[j]来加速选择优秀个体，对P_j做重复、交差和变异处理，令j＝j+1，得到新的随机模型总体P_[j]；

步骤7，计算随机模型总体P_[j]的合成地震记录Syn_[j]；并比较合成地震记录Syn_[j]与实测地震记录Seis，计算并保存目标函数objects_[j]的值；

步骤8，如果满足结束条件objects_[j]＜ε，保存计算最佳模型参数及合成记录；若不满足结束条件，则重复步骤6-步骤8。

所述叠前数据预处理包括：叠前去噪、压制多次波、真振幅恢复等。

所述的整数编码满足：

参数值＝参数最小值+码值*参数搜索精度；

码值＝(参数值-参数最小值)/参数搜索精度。

所述的根据目标函数转换得到适应度函数是指：开始时使用指数变换，当群体中样本目标函数值之差小于某一给定阀值时使用S函数变换；当群体各样本适应度之差小于某一更小的给定阀值时，再采用指数变换。

进行GA计算时，采用有限深度回溯搜索，并在交叉中每对成员交叉变换使用两次概率选择方法，即先选成员对，再选参数，且每个参数分别选择。

本发明的有益效果在于，可以大大提高无井约束条件下的地震波阻抗反演的分辨率，以用于油气探测，尤其用于深海无井的油气勘探。

附图说明

图1是本发明的基于GA算法的叠前地震波形反演建立虚拟测井数据曲线的工作流程图；

图2为本发明一实施例的基于遗传算法的叠前地震波形反演建立的虚拟测井数据曲线；

图3为利用实际井数据约束的波阻抗反演结果和虚拟井数据约束的波阻抗反演结果的对比。

具体实施方式

下面详细描述本发明的具体实施例。

叠前波形反演就是根据地层模型产生合成地震记录并与实测数据进行比较，根据二者的匹配程度修改模型参数，以在无并的条件下获取虚拟波阻抗测井曲线，达到提高无井约束条件下的地震波阻抗反演的分辨率，进而用于深海无井的油气勘探的目的。

本发明是采用遗传算法(GA)叠前地震波形反演估算弹性参数，以利用叠前地震波形反演构建虚拟井数据。叠前反演在角道集上进行，以便减少计算工作量。

本发明的物质基础是通过野外高分辨率地震采集设备采集到大量原始地震数据。图1为本发明的基于GA算法的叠前地震波形反演框图。如图1所示，本发明的基于GA算法的叠前地震波形反演构建虚拟并数据的方法如下：

1)采集原始地震记录，并对原始地震记录进行叠前数据预处理得到实测地震记录数据。

将野外采集的原始叠前炮集地震数据解编整理后输入到计算机中，并对其采用叠前去噪、压制多次波、真振幅恢复等叠前数据预处理，和角道集抽取，得到角道集地震记录Seis。

2)对角道集地震记录Seis由高精度速度分析，构建其各向同性弹性初始地质模型，确定地质模型参数V_p、V_s、ρ；其中，V_p、V_s、ρ分别为横波波速、纵波波速和密度参数。

3)对给定的角道集地震记录，选择目标函数objects的恰当形式；并确定作为收敛结束条件的反演精度ε。

目标函数是刻画最优解的标准，也是适应度计算的依据。一般是以计算值与实测值之间的拟合程度或误差大小为标准的。

4)确定地质模型参数V_p、V_s、ρ的搜索范围和搜索间隔，根据搜索范围和搜索间隔对模型参数进行整数编码，并令j＝0，根据模型参数生成拟合地质模型的初始随机模型总体P_[j]。

根据搜索范围和搜索间隔，先确定各参数可能取得的不同值的个数，本发明为节省空间对所有参数进行整数编码，其满足：

参数值＝参数最小值+码值*参数搜索精度；

码值＝(参数值-参数最小值)/参数搜索精度。

对多参数、复杂非线性问题，其编码的优劣直接影响计算效率。本发明采用的整数编码方案有效降低了码的长度，加快了计算速度。

根据模型参数生成拟合地质模型的初始随机模型总体P_[j]，其包括V_p，V_s和ρ三种类型的随机模型；

假设生成了n个随机模型，则由X＝Xmin+Code*Dx，对V_p，V_s和ρ三个参数nt个样点用随机生成的方式生成整数码产生要求的样本量。其中[Xmin，Xmax]为给定模型参数X的取值范围，Dx＝(Xmax-Xmin)/CodeMax，CodeMax为参数搜索精度，Code＝(X-Xmin)/Dx。

5)计算随机模型总体的角道集合成地震记录Syn_[j]；

其中[j]表示第j个随机模型，所述合成地震记录采用Zoeppritz方程计算。

比较合成地震记录Syn_[j]与实测角道集地震记录Seis，计算并保存目标函数值objects_[j]，并根据所述目标函数值转换得到适应度函数fitness_[j]；

实测地震记录Seis与合成地震记录Syn_[j]之间的匹配程度称为模型的拟合度，如果随机模型与实际情况相差很远，由实测记录计算得到的角道集与相应的合成角道集匹配就会很差。相反如果所选随机模型接近实际情况，从而使由实测记录计算得到的角道集与相应的合成角道集能很好地匹配。

目标函数的计算如下：

$\mathrm{Objects}\left[j\right]=\underset{i}{\mathrm{\Σ}}\frac{\left|\mathrm{seis}\right[i]-\mathrm{syn}[j\left]\right[i\left]\right|}{\mathrm{nt}}$

i＝1，…，n，i表示第i个群体成员；

其中，

n为群体样本数；从理论上说，点越多，搜索效率应该越高。但实际上增加搜索点，也高增加了遗传计算的计算量。因此解决实际问题时，根据问题的性质及解空间的大小，做适当选择。在计算时，由于遗传计算量相对较大，选择了较小的群体。为便于操作和增加程序的适应能力，采用人机交互输入的方式选择8到32间的偶整数。

Nt＝nt*angles；

nt：地震道时间取样点数；

angles：角道集所选角度个数；

seis：实测记录角道集；

Syn[j][i]：第i个群体成员的第j个随机模型的合成记录角道集。根据目标函数值可以转换得到适应度函数，适应度函数的计算如下：

$\mathrm{Fitness}\left[i\right]=\frac{\exp (-\mathrm{Objects}[i]/\mathrm{\σ})}{\underset{i}{\mathrm{\Σ}}\exp (-\mathrm{Objects}[i]/\mathrm{\σ})}$

i＝1，…，n

其中，Objects[i]为第i个成员的目标函数值；

σ为群体目标函数的方差；

Fitness[i]为第i个成员的适应度值。

适应度函数是由目标函数转换而得的用以刻划个体适应生存能力的函数。对极小值问题一般采用指数变换，但这种变换是一种均匀变换，在计算后期当群体中各样本目标函数值接近时，为增加优秀个体在再生时被选中的可能性，从而加快算法收敛，本发明选择采用了S函数做叠加变换：

$y=\frac{1}{1+a{e}^{-b(x-{\mathrm{\θ}}_0)}}$

式中：x对应用不同样本的原适应度值；y为变换后的适应度值；θ₀为所有样本的平均适应度。a＞0表示用于控制放大比例参数，越大对平均值以上的部分放大越明显。b＞0表示调节系数，当a＝1时，可取b为8到10；b太大达不到对接近最大值处的适应度的放大，b较小时可用线性变换取代。

因此，对于适应度函数的转换，本发明开始时使用指数变换，当群体中样本目标函数值接近时，即目标函数值之差小于某一给定阀值，如0.2时使用S函数变换。在遗传迭代计算后期，当群体各样本适应度很接近，适应度之差小于某一更小的给定阀值，如0.1时，以指数形式放大平均适应度以上的样本适应度差异，缩小平均适应度以下的样本适应度的差异，以便更好地选择优秀个体。

6)进行GA计算，根据目标函数值及由其变换计算出的适应度函数对P_[j]做再生、交叉、变异操作，更新P_[j]，令j＝j+1，生成新的随机模型总体P_[j]；

一般GA在计算时采用的是上一代的适应度作为启发函数再生后进行的随机启发搜索方法。为提高算法速度在实际处理中除使用上一代的适应度，还充分利用了优秀的隔代遗传的信息作为启发信息，参与遗传过程的计算。采用一种有限深度回溯搜索的方法，避免了迭代计算的反复，从而加快了计算收敛速度。事实上，在超大解空间中，某一代的遗传性能往往很难决定最终结果的好坏。另外，在交叉中每对成员交叉变换使用两次概率选择方法，即先选成员对，再选参数，且每个参数分别选择，这样可以有效地增加搜索能力。

7)计算随机模型总体P_j的合成地震记录Syn_[j]；比较合成地震记录Syn_[j]与实测地震记录Seis，计算并保存目标函数值objects_[j]，并根据目标函数转换得到适应度函数；

8)如果满足结束条件Objects[j]＜ε，ε为反演精度，结束并输出结果；否则重复6)至8)直到结束。

下面以一应用实例来说明本发明的效果。

在本发明一实施例中所使用的地震数据采集系统的基本参数如下：

震源系统由4列BOLT长命枪子阵组成，每个子阵有10支BOLT枪，其中中深层油气探测震源子阵容量1270c.i.，总容量5080c.i.，低频大容量震源总容量5680或7560c.i.，工作压力达2000p.s.i.。

观测系统采用了如下采集参数：

电缆长度：    6000m(480道)

道距：        12.5m

炮间距：      50m

覆盖次数：    60次

电缆沉放深度：7m

最小炮间距：  250m

最大炮间距：  6250m

记录长度：    10s

采样率：      2ms

震源容量：    5080/3810cu.in.

工作压力：    2000psi

震源沉放深度：6.0m

接收系统为MSX出口型数字地震电缆。每条工作段长100m，有8个地震道，道间距12.5m。

采用MSX数据记录系统，是一套集数字电缆的数据监控与接收、记录完整的质量控制系统等功能于一体的完善的地震记录系统。系统由数据接收、控制及数据处理、磁带记录、质量控制等几部分组成。

通过对一个过井的地震测线的数据采集和处理，得到了实测的角道集地震记录Seis(步骤1)，并进一步通过本发明的步骤2)-8)，获得了利用叠前地震波形反演方法构建的虚拟井数据曲线，如图2所示。

图中细线为反演出的虚拟测井数据得到的曲线，粗线为实际测井曲线，左三条曲线从左到右依次为纵波速度V_P，横波速度V_S和密度ρ，由图可以看出反演出的虚拟测井曲线与实际测井曲线比较接近。由此制作了合成地震记录，右边三条曲线为根据反演测井曲线制作的不同角度的合成角道集地震记录与实际地震角道集记录的对比，可以看出合成地震记录与实际记录也比较接近。说明反演效果良好，证实了本文提出的无井约束反演技术路线的正确性。

图3为利用实际井数据约束的波阻抗反演结果(上部分)和本发明的虚拟井数据约束的波阻抗反演结果(下部分)的对比。由图3可以看出二者吻合较好，这证明了通过本发明的方法可在无井条件下可取得与实际测井观测很接近的结果。

本发明的利用叠前地震波形反演构建虚拟井数据的方法大大提高了无井约束条件下的地震波阻抗反演的分辨率。首先在一些控制点利用本发明的方法构建虚拟井数据曲线，然后以虚拟井作为控制信息进行叠后反演，这样就利用了叠前反演分辨率高，叠后反演速度快、稳定性好的优点，克服了叠前反演和叠后反演各自的缺点。因此本发明利用在深水无井约束条件下的叠前反演建立虚拟井波阻抗数据，实现了无井约束条件下的高分辨率地震波阻抗反演，可以油气探测，尤其用于深海油气勘探中在无钻井地质信息条件下进行地震储层预测。

以上具体实施方式仅用于说明本发明，而非用于限定本发明。

参考文献：

[1]Sen，M.K.，and Stoffa，P.L.，1992，Rapid sampling of model space using geneticalgorithms：Examples from seismic waveform inversion，Geophys.J.Internat.，108，281-292.

[2]Mallick，S.，1995，Model-based inversion of amplitude-variation-with-offset data using agenetic algorithm，Geophysics，52，1355-1364.

[3]Mallick，S.，1999，Some practical aspects of prestack waveform inversion using a geneticalgorthm：An example from the east Texas Woodbine gas sand，Geophysics，64，326-336.

[4]Sen，M.K.，and Stoffa，P.L.，1991，Nonlinear one-dimensional seismic waveforminversion using simulated annealing，Geophysics，56，1624-1638.

[5]Xia，G.，Sen，M.K.，and Stoffa，P.L.，1998，1-D elastic waveform inversion：Adivide-and-conquer approach，Geophysics，63，1670-1684.

[6]Inger，L.，and Rosen，B.，1992，Genetic algorithms and very fast simulated annealing：Acomparision，Math.Comput.Modelling，16，87-100.

[7]Sen，M.K.，2001，Pre-stack waveform inversion：Current status and future direction，Institute for Geophysics.

[8]Mallick，S.，2000，Hybrid seismic inversion：A reconnaissance tool for deepwater exploration.The Leading Edge，19，1230-1237.

Claims (8)

1.一种利用叠前地震波形反演构建虚拟井数据的方法，其特征在于，包括如下步骤：

步骤1，采集原始地震数据，并对其进行叠前数据预处理和角道集抽取，得到实测角道集地震记录Seis数据；

步骤2，对所述角道集地震记录进行高精度速度分析，确定地质模型参数V_P，V_S，ρ，建立各向同性弹性地质模型；其中，V_p、V_s、ρ分别为横波波速、纵波波速和密度参数；

步骤3，选择收敛的目标函数objects的适当形式，确定作为收敛条件的反演精度ε；

步骤4，给定所述地质模型参数的搜索范围和搜索间隔，对所述地质模型参数进行整数编码；令j＝0，生成包括V_p，V_s和ρ随机模型的拟合地质模型的初始随机模型总体P_[j]；

步骤5，计算随机模型总体的角道集合成地震记录Syn_j，比较Syn_j与Seis，计算目标函数objects_[j]的值；

步骤6，进行遗传算法计算，用对objects_[j]转换计算出的适应度函数fitness_[j]来加速选择优秀个体，对P_j做重复、交差和变异处理，令j＝j+1，得到新的模型总体P_[j]；

步骤7，计算模型总体P_[j]的合成地震记录Syn_[j]；并比较合成地震记录Syn_[j]与实测地震记录Seis，计算并保存目标函数objects_[j]的值；

步骤8，如果满足结束条件objects_[j]＜ε，保存计算最佳模型参数及合成记录；若不满足结束条件，则重复步骤6-步骤8。

2.根据权利要求1所述的方法，其特征在于：步骤1中所述叠前数据预处理包括：叠前去噪、压制多次波和真振幅恢复。

3.根据权利要求1所述的方法，其特征在于，所述的整数编码满足：

参数值＝参数最小值+码值*参数搜索精度；

码值＝(参数值-参数最小值)/参数搜索精度。

4.根据权利要求1所述的方法，其特征在于，所述的根据目标函数转换得到适应度函数是指：开始时使用指数变换，当群体中样本目标函数值之差小于某一给定阀值时使用S函数变换；当群体各样本适应度之差小于某一更小的给定阀值时，再采用指数变换。

5.根据权利要求1所述的方法，其特征在于，所述步骤6进行遗传算法计算时，采用有限深度回溯搜索，并在交叉中每对成员交叉变换使用两次概率选择方法，即先选成员对，再选参数，且每个参数分别选择。

6.根据权利要求1中所述的方法，其特征在于，所述目标函数计算如下：

$\mathrm{Objects}\left[j\right]=\underset{i}{\mathrm{\Σ}}\frac{\left|\mathrm{seis}\right[i]-\mathrm{syn}[j\left]\right[i\left]\right|}{\mathrm{nt}}$

i＝1，…，n

n为群体样本数；

Nt＝nt*angles；

nt：地震道时间取样点数；

angles：角道集所选角度个数；

seis：实测角道集地震记录；

Syn[j ][i]：第i个群体成员的第j个随机模型的合成记录角道集。

7.根据权利要求1或6所述的方法，其特征在于，所述适应度函数的计算如下：

$\mathrm{Fitness}\left[i\right]=\frac{\exp (-\mathrm{Objects}[i]/\mathrm{\σ})}{\underset{i}{\mathrm{\Σ}}\exp (-\mathrm{Objects}[i]/\mathrm{\σ})}$

i＝1，…，n

其中，Objects[i]为第i个成员的目标函数值；

σ为群体目标函数的方差；

Fitness[i]为第i个成员的适应度值。

8.根据权利要求5所述的方法，其特征在于，所述的S变换为：

$y=\frac{1}{1+\mathrm{ae}-b(x-{\mathrm{\θ}}_0)},$

其中，x对应用不同样本的原适应度值；y为变换后的适应度值；θ₀为所有样本的平均适应度。

Images