国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

專利名稱：一種利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種石油地球物理探測中的波阻抗反演算法，特別是涉及一種基于遺傳算法的利用疊前地震數(shù)據(jù)獲取虛擬聲波測井?dāng)?shù)據(jù)的方法。
背景技術(shù)：
地震反演可分為疊前反演和疊后反演。一般疊前反演方法所得到的物理特性與疊后反演方法相比提供了更詳細(xì)的地下地層特征。疊前反演分辨率高，但速度慢、穩(wěn)定性差，現(xiàn)處于研究階段，距大規(guī)模生產(chǎn)應(yīng)用還有一定距離。疊后反演雖然分辨率要低一些，但速度快、穩(wěn)定性好，滿足大規(guī)模生產(chǎn)應(yīng)用的需要，因此反演通常在疊后數(shù)據(jù)上進(jìn)行，但疊后地震數(shù)據(jù)由于缺乏疊前數(shù)據(jù)所包含的豐富的振幅和旅行時信息，一些細(xì)微的地層反演特征在疊后反演結(jié)果上是得不到的。在存在大量并控資料的情況下，疊后地震數(shù)據(jù)的定量分析是儲層特征描述的有效方法。然而，在無井控制情況下，巖石參數(shù)的準(zhǔn)確定量估算是難以理解的，而地震巖性分析的日常應(yīng)用就很難超出異常識別的范疇。特別是當(dāng)油藏本身的厚度遠(yuǎn)小于地震分辨能力時，疊后反演結(jié)果很難確定產(chǎn)層的準(zhǔn)確位置。這樣，人們還需要進(jìn)行疊前反演方法的研究。
疊前地震波形反演所面臨的難題在于1)計算量和數(shù)據(jù)量非常龐大；2)數(shù)據(jù)和模型之間高度非線性；3)目標(biāo)函數(shù)具有多個極小值；4)有多個模型與地震數(shù)據(jù)匹配良好，具有多解性。非線性、非唯一性和大計算量交織在一起，使疊前地震波形反演的難度很大。但它對儲層巖性和所含流體的高分辨率，對廣大油氣勘探開發(fā)技術(shù)研究人員來說，吸引力是巨大的。針對疊前地震波形反演所面臨的難題，近十年來，有許多地球物理工作者進(jìn)行了大量的探索，獲得了如下重要的研究成果
1)采用遺傳算法(GA)和模擬退火(SA)全局尋優(yōu)的非線性反演方法比較成功的解決了疊前地震波形反演所面臨的數(shù)據(jù)和模型之間高度非線性及目標(biāo)函數(shù)具有多個極小值問題。遺傳算法(GA)的代表性研究成果有Sen andStoffa(1992)[1]，Mallick(1995，1999)[3].模擬退火(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]，兩種方法均能實現(xiàn)全局尋優(yōu)。
2)采用分步反演提高疊前地震波形反演的速度和穩(wěn)定性。分步反演方法第一步，用旅行時反演估算背景速度；第二步，用線性反演波阻抗的擾動量；第三步，聯(lián)合第一和第二步的結(jié)果構(gòu)建初始模型，用VFSA/GA疊前地震波形反演估算彈性參數(shù)。代表性研究成果有Xia，Sen and Stoffa(1998)[5]，Sen(2001)[7]。
3)把地震數(shù)據(jù)轉(zhuǎn)換到τ-p域或角道集，減少計算工作量。
4)采用先進(jìn)的地質(zhì)建模技術(shù)，把地質(zhì)、測井、地震等多元地學(xué)信息統(tǒng)一到模型上，實現(xiàn)各類信息在模型空間的有機(jī)結(jié)合，提高反演的信息使用量，克服地震反演的多解性。
上述四項進(jìn)展，基本上解決了疊前地震波形反演所面臨的高度非線性和局部極小值問題；但對非唯一性和大計算量的問題沒得到很好解決。為此，有些學(xué)者采用了一種折衷的辦法，即疊前和疊后混合反演的辦法，首先在一些控制點進(jìn)行精細(xì)的疊前地震波形反演構(gòu)建虛擬井曲線，然后以虛擬井作為控制信息進(jìn)行疊后反演(Mallick，2000)[8]。疊前和疊后混合反演的辦法利用了疊前反演分辨率高，疊后反演速度快、穩(wěn)定性好的優(yōu)點，克服了各自的缺點，成為目前的一個研究亮點。
要進(jìn)一步提高地震波阻抗反演的分辨率，特別對于深海無井的情況，采用疊前和疊后混合反演的辦法實現(xiàn)深海無井地震反演，其關(guān)鍵是疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法，基于遺傳算法，利用在深水無井約束條件下的疊前反演建立虛擬井波阻抗數(shù)據(jù)，實現(xiàn)了無井約束條件下的高分辨率地震波阻抗反演。
本發(fā)明的技術(shù)方案為一種利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法，包括如下步驟步驟1，采集原始地震數(shù)據(jù)，并對其進(jìn)行疊前數(shù)據(jù)預(yù)處理和角道集抽取，得到實測角道集地震記錄Seis數(shù)據(jù)；步驟2，對所述角道集地震記錄進(jìn)行高精度速度分析，確定地質(zhì)模型參數(shù)VP，VS，ρ，建立各向同性彈性地質(zhì)模型；步驟3，選擇收斂的目標(biāo)函數(shù)objects的適當(dāng)形式，確定作為收斂條件的反演精度ε；步驟4，給定所述地質(zhì)模型參數(shù)的搜索范圍和搜索間隔，對所述地質(zhì)模型參數(shù)進(jìn)行整數(shù)編碼；令j＝0，生成包括Vp，Vs和ρ隨機(jī)模型的擬合地質(zhì)模型的初始模型總體P[j]；步驟5，計算隨機(jī)模型總體的角道集合成地震記錄Synj，比較Synj與Seis，計算目標(biāo)函數(shù)objects[j]的值；步驟6，進(jìn)行遺傳算法(GA)計算，用對objects[j]轉(zhuǎn)換計算出的適應(yīng)度函數(shù)fitness[j]來加速選擇優(yōu)秀個體，對Pj做重復(fù)、交差和變異處理，令j＝j(luò)+1，得到新的隨機(jī)模型總體P[j]；步驟7，計算隨機(jī)模型總體P[j]的合成地震記錄Syn[j]；并比較合成地震記錄Syn[j]與實測地震記錄Seis，計算并保存目標(biāo)函數(shù)objects[j]的值；步驟8，如果滿足結(jié)束條件objects[j]＜ε，保存計算最佳模型參數(shù)及合成記錄；若不滿足結(jié)束條件，則重復(fù)步驟6-步驟8。
所述疊前數(shù)據(jù)預(yù)處理包括疊前去噪、壓制多次波、真振幅恢復(fù)等。
所述的整數(shù)編碼滿足
參數(shù)值＝參數(shù)最小值+碼值*參數(shù)搜索精度；碼值＝(參數(shù)值-參數(shù)最小值)/參數(shù)搜索精度。
所述的根據(jù)目標(biāo)函數(shù)轉(zhuǎn)換得到適應(yīng)度函數(shù)是指開始時使用指數(shù)變換，當(dāng)群體中樣本目標(biāo)函數(shù)值之差小于某一給定閥值時使用S函數(shù)變換；當(dāng)群體各樣本適應(yīng)度之差小于某一更小的給定閥值時，再采用指數(shù)變換。
進(jìn)行GA計算時，采用有限深度回溯搜索，并在交叉中每對成員交叉變換使用兩次概率選擇方法，即先選成員對，再選參數(shù)，且每個參數(shù)分別選擇。
本發(fā)明的有益效果在于，可以大大提高無井約束條件下的地震波阻抗反演的分辨率，以用于油氣探測，尤其用于深海無井的油氣勘探。


圖1是本發(fā)明的基于GA算法的疊前地震波形反演建立虛擬測井?dāng)?shù)據(jù)曲線的工作流程圖；圖2為本發(fā)明一實施例的基于遺傳算法的疊前地震波形反演建立的虛擬測井?dāng)?shù)據(jù)曲線；圖3為利用實際井?dāng)?shù)據(jù)約束的波阻抗反演結(jié)果和虛擬井?dāng)?shù)據(jù)約束的波阻抗反演結(jié)果的對比。
具體實施例方式
下面詳細(xì)描述本發(fā)明的具體實施例。
疊前波形反演就是根據(jù)地層模型產(chǎn)生合成地震記錄并與實測數(shù)據(jù)進(jìn)行比較，根據(jù)二者的匹配程度修改模型參數(shù)，以在無并的條件下獲取虛擬波阻抗測井曲線，達(dá)到提高無井約束條件下的地震波阻抗反演的分辨率，進(jìn)而用于深海無井的油氣勘探的目的。
本發(fā)明是采用遺傳算法(GA)疊前地震波形反演估算彈性參數(shù)，以利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)。疊前反演在角道集上進(jìn)行，以便減少計算工作量。
本發(fā)明的物質(zhì)基礎(chǔ)是通過野外高分辨率地震采集設(shè)備采集到大量原始地震數(shù)據(jù)。圖1為本發(fā)明的基于GA算法的疊前地震波形反演框圖。如圖1所示，本發(fā)明的基于GA算法的疊前地震波形反演構(gòu)建虛擬并數(shù)據(jù)的方法如下1)采集原始地震記錄，并對原始地震記錄進(jìn)行疊前數(shù)據(jù)預(yù)處理得到實測地震記錄數(shù)據(jù)。
將野外采集的原始疊前炮集地震數(shù)據(jù)解編整理后輸入到計算機(jī)中，并對其采用疊前去噪、壓制多次波、真振幅恢復(fù)等疊前數(shù)據(jù)預(yù)處理，和角道集抽取，得到角道集地震記錄Seis。
2)對角道集地震記錄Seis由高精度速度分析，構(gòu)建其各向同性彈性初始地質(zhì)模型，確定地質(zhì)模型參數(shù)Vp、Vs、ρ；其中，Vp、Vs、ρ分別為橫波波速、縱波波速和密度參數(shù)。
3)對給定的角道集地震記錄，選擇目標(biāo)函數(shù)objects的恰當(dāng)形式；并確定作為收斂結(jié)束條件的反演精度ε。
目標(biāo)函數(shù)是刻畫最優(yōu)解的標(biāo)準(zhǔn)，也是適應(yīng)度計算的依據(jù)。一般是以計算值與實測值之間的擬合程度或誤差大小為標(biāo)準(zhǔn)的。
4)確定地質(zhì)模型參數(shù)Vp、Vs、ρ的搜索范圍和搜索間隔，根據(jù)搜索范圍和搜索間隔對模型參數(shù)進(jìn)行整數(shù)編碼，并令j＝0，根據(jù)模型參數(shù)生成擬合地質(zhì)模型的初始隨機(jī)模型總體P[j]。
根據(jù)搜索范圍和搜索間隔，先確定各參數(shù)可能取得的不同值的個數(shù)，本發(fā)明為節(jié)省空間對所有參數(shù)進(jìn)行整數(shù)編碼，其滿足參數(shù)值＝參數(shù)最小值+碼值*參數(shù)搜索精度；碼值＝(參數(shù)值-參數(shù)最小值)/參數(shù)搜索精度。
對多參數(shù)、復(fù)雜非線性問題，其編碼的優(yōu)劣直接影響計算效率。本發(fā)明采用的整數(shù)編碼方案有效降低了碼的長度，加快了計算速度。
根據(jù)模型參數(shù)生成擬合地質(zhì)模型的初始隨機(jī)模型總體P[j]，其包括Vp，Vs和ρ三種類型的隨機(jī)模型；
假設(shè)生成了n個隨機(jī)模型，則由X＝Xmin+Code*Dx，對Vp，Vs和ρ三個參數(shù)nt個樣點用隨機(jī)生成的方式生成整數(shù)碼產(chǎn)生要求的樣本量。其中[Xmin，Xmax]為給定模型參數(shù)X的取值范圍，Dx＝(Xmax-Xmin)/CodeMax，CodeMax為參數(shù)搜索精度，Code＝(X-Xmin)/Dx。
5)計算隨機(jī)模型總體的角道集合成地震記錄Syn[j]；其中[j]表示第j個隨機(jī)模型，所述合成地震記錄采用Zoeppritz方程計算。
比較合成地震記錄Syn[j]與實測角道集地震記錄Seis，計算并保存目標(biāo)函數(shù)值objects[j]，并根據(jù)所述目標(biāo)函數(shù)值轉(zhuǎn)換得到適應(yīng)度函數(shù)fitness[j]；實測地震記錄Seis與合成地震記錄Syn[j]之間的匹配程度稱為模型的擬合度，如果隨機(jī)模型與實際情況相差很遠(yuǎn)，由實測記錄計算得到的角道集與相應(yīng)的合成角道集匹配就會很差。相反如果所選隨機(jī)模型接近實際情況，從而使由實測記錄計算得到的角道集與相應(yīng)的合成角道集能很好地匹配。
目標(biāo)函數(shù)的計算如下Objects[j]=Σi|seis[i]-syn[j][i]|nt]]>i＝1，…，n，i表示第i個群體成員；其中，n為群體樣本數(shù)；從理論上說，點越多，搜索效率應(yīng)該越高。但實際上增加搜索點，也高增加了遺傳計算的計算量。因此解決實際問題時，根據(jù)問題的性質(zhì)及解空間的大小，做適當(dāng)選擇。在計算時，由于遺傳計算量相對較大，選擇了較小的群體。為便于操作和增加程序的適應(yīng)能力，采用人機(jī)交互輸入的方式選擇8到32間的偶整數(shù)。
Nt＝nt*angles；nt地震道時間取樣點數(shù)；angles角道集所選角度個數(shù)；
seis實測記錄角道集；Syn[j][i]第i個群體成員的第j個隨機(jī)模型的合成記錄角道集。根據(jù)目標(biāo)函數(shù)值可以轉(zhuǎn)換得到適應(yīng)度函數(shù)，適應(yīng)度函數(shù)的計算如下Fitness[i]=exp(-Objects[i]/σ)Σiexp(-Objects[i]/σ)]]>i＝1，…，n其中，Objects[i]為第i個成員的目標(biāo)函數(shù)值；σ為群體目標(biāo)函數(shù)的方差；Fitness[i]為第i個成員的適應(yīng)度值。
適應(yīng)度函數(shù)是由目標(biāo)函數(shù)轉(zhuǎn)換而得的用以刻劃個體適應(yīng)生存能力的函數(shù)。對極小值問題一般采用指數(shù)變換，但這種變換是一種均勻變換，在計算后期當(dāng)群體中各樣本目標(biāo)函數(shù)值接近時，為增加優(yōu)秀個體在再生時被選中的可能性，從而加快算法收斂，本發(fā)明選擇采用了S函數(shù)做疊加變換y=11+ae-b(x-θ0)]]>式中x對應(yīng)用不同樣本的原適應(yīng)度值；y為變換后的適應(yīng)度值；θ0為所有樣本的平均適應(yīng)度。a＞0表示用于控制放大比例參數(shù)，越大對平均值以上的部分放大越明顯。b＞0表示調(diào)節(jié)系數(shù)，當(dāng)a＝1時，可取b為8到10；b太大達(dá)不到對接近最大值處的適應(yīng)度的放大，b較小時可用線性變換取代。
因此，對于適應(yīng)度函數(shù)的轉(zhuǎn)換，本發(fā)明開始時使用指數(shù)變換，當(dāng)群體中樣本目標(biāo)函數(shù)值接近時，即目標(biāo)函數(shù)值之差小于某一給定閥值，如0.2時使用S函數(shù)變換。在遺傳迭代計算后期，當(dāng)群體各樣本適應(yīng)度很接近，適應(yīng)度之差小于某一更小的給定閥值，如0.1時，以指數(shù)形式放大平均適應(yīng)度以上的樣本適應(yīng)度差異，縮小平均適應(yīng)度以下的樣本適應(yīng)度的差異，以便更好地選擇優(yōu)秀個體。
6)進(jìn)行GA計算，根據(jù)目標(biāo)函數(shù)值及由其變換計算出的適應(yīng)度函數(shù)對P[j]做再生、交叉、變異操作，更新P[j]，令j＝j(luò)+1，生成新的隨機(jī)模型總體P[j]；一般GA在計算時采用的是上一代的適應(yīng)度作為啟發(fā)函數(shù)再生后進(jìn)行的隨機(jī)啟發(fā)搜索方法。為提高算法速度在實際處理中除使用上一代的適應(yīng)度，還充分利用了優(yōu)秀的隔代遺傳的信息作為啟發(fā)信息，參與遺傳過程的計算。采用一種有限深度回溯搜索的方法，避免了迭代計算的反復(fù)，從而加快了計算收斂速度。事實上，在超大解空間中，某一代的遺傳性能往往很難決定最終結(jié)果的好壞。另外，在交叉中每對成員交叉變換使用兩次概率選擇方法，即先選成員對，再選參數(shù)，且每個參數(shù)分別選擇，這樣可以有效地增加搜索能力。
7)計算隨機(jī)模型總體Pj的合成地震記錄Syn[j]；比較合成地震記錄Syn[j]與實測地震記錄Seis，計算并保存目標(biāo)函數(shù)值objects[j]，并根據(jù)目標(biāo)函數(shù)轉(zhuǎn)換得到適應(yīng)度函數(shù)；8)如果滿足結(jié)束條件Objects[j]＜ε，ε為反演精度，結(jié)束并輸出結(jié)果；否則重復(fù)6)至8)直到結(jié)束。
下面以一應(yīng)用實例來說明本發(fā)明的效果。
在本發(fā)明一實施例中所使用的地震數(shù)據(jù)采集系統(tǒng)的基本參數(shù)如下震源系統(tǒng)由4列BOLT長命槍子陣組成，每個子陣有10支BOLT槍，其中中深層油氣探測震源子陣容量1270c.i.，總?cè)萘?080c.i.，低頻大容量震源總?cè)萘?680或7560c.i.，工作壓力達(dá)2000p.s.i.。
觀測系統(tǒng)采用了如下采集參數(shù)電纜長度6000m(480道)道距12.5m炮間距 50m覆蓋次數(shù)60次電纜沉放深度7m最小炮間距 250m最大炮間距 6250m
記錄長度10s采樣率 2ms震源容量5080/3810cu.in.
工作壓力2000psi震源沉放深度6.0m接收系統(tǒng)為MSX出口型數(shù)字地震電纜。每條工作段長100m，有8個地震道，道間距12.5m。
采用MSX數(shù)據(jù)記錄系統(tǒng)，是一套集數(shù)字電纜的數(shù)據(jù)監(jiān)控與接收、記錄完整的質(zhì)量控制系統(tǒng)等功能于一體的完善的地震記錄系統(tǒng)。系統(tǒng)由數(shù)據(jù)接收、控制及數(shù)據(jù)處理、磁帶記錄、質(zhì)量控制等幾部分組成。
通過對一個過井的地震測線的數(shù)據(jù)采集和處理，得到了實測的角道集地震記錄Seis(步驟1)，并進(jìn)一步通過本發(fā)明的步驟2)-8)，獲得了利用疊前地震波形反演方法構(gòu)建的虛擬井?dāng)?shù)據(jù)曲線，如圖2所示。
圖中細(xì)線為反演出的虛擬測井?dāng)?shù)據(jù)得到的曲線，粗線為實際測井曲線，左三條曲線從左到右依次為縱波速度VP，橫波速度VS和密度ρ，由圖可以看出反演出的虛擬測井曲線與實際測井曲線比較接近。由此制作了合成地震記錄，右邊三條曲線為根據(jù)反演測井曲線制作的不同角度的合成角道集地震記錄與實際地震角道集記錄的對比，可以看出合成地震記錄與實際記錄也比較接近。說明反演效果良好，證實了本文提出的無井約束反演技術(shù)路線的正確性。
圖3為利用實際井?dāng)?shù)據(jù)約束的波阻抗反演結(jié)果(上部分)和本發(fā)明的虛擬井?dāng)?shù)據(jù)約束的波阻抗反演結(jié)果(下部分)的對比。由圖3可以看出二者吻合較好，這證明了通過本發(fā)明的方法可在無井條件下可取得與實際測井觀測很接近的結(jié)果。
本發(fā)明的利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法大大提高了無井約束條件下的地震波阻抗反演的分辨率。首先在一些控制點利用本發(fā)明的方法構(gòu)建虛擬井?dāng)?shù)據(jù)曲線，然后以虛擬井作為控制信息進(jìn)行疊后反演，這樣就利用了疊前反演分辨率高，疊后反演速度快、穩(wěn)定性好的優(yōu)點，克服了疊前反演和疊后反演各自的缺點。因此本發(fā)明利用在深水無井約束條件下的疊前反演建立虛擬井波阻抗數(shù)據(jù)，實現(xiàn)了無井約束條件下的高分辨率地震波阻抗反演，可以油氣探測，尤其用于深海油氣勘探中在無鉆井地質(zhì)信息條件下進(jìn)行地震儲層預(yù)測。
以上具體實施方式
僅用于說明本發(fā)明，而非用于限定本發(fā)明。
參考文獻(xiàn)[1]Sen，M.K.，and Stoffa，P.L.，1992，Rapid sampling of model space using geneticalgorithmsExamples from seismic waveform inversion，Geophys.J.Internat.，108，281-292. Mallick，S.，1995，Model-based inversion of amplitude-variation-with-offset data using agenetic algorithm，Geophysics，52，1355-1364. Mallick，S.，1999，Some practical aspects of prestack waveform inversion using a geneticalgorthmAn example from the east Texas Woodbine gas sand，Geophysics，64，326-336. Sen，M.K.，and Stoffa，P.L.，1991，Nonlinear one-dimensional seismic waveforminversion using simulated annealing，Geophysics，56，1624-1638. Xia，G.，Sen，M.K.，and Stoffa，P.L.，1998，1-D elastic waveform inversionAdivide-and-conquer approach，Geophysics，63，1670-1684. Inger，L.，and Rosen，B.，1992，Genetic algorithms and very fast simulated annealingAcomparision，Math.Comput.Modelling，16，87-100. Sen，M.K.，2001，Pre-stack waveform inversionCurrent status and future direction，Institute for Geophysics. Mallick，S.，2000，Hybrid seismic inversionA reconnaissance tool for deepwater exploration.The Leading Edge，19，1230-1237.
權(quán)利要求
1.一種利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法，其特征在于，包括如下步驟步驟1，采集原始地震數(shù)據(jù)，并對其進(jìn)行疊前數(shù)據(jù)預(yù)處理和角道集抽取，得到實測角道集地震記錄Seis數(shù)據(jù)；步驟2，對所述角道集地震記錄進(jìn)行高精度速度分析，確定地質(zhì)模型參數(shù)VP，VS，ρ，建立各向同性彈性地質(zhì)模型；其中，Vp、Vs、ρ分別為橫波波速、縱波波速和密度參數(shù)；步驟3，選擇收斂的目標(biāo)函數(shù)objects的適當(dāng)形式，確定作為收斂條件的反演精度ε；步驟4，給定所述地質(zhì)模型參數(shù)的搜索范圍和搜索間隔，對所述地質(zhì)模型參數(shù)進(jìn)行整數(shù)編碼；令j＝0，生成包括Vp，Vs和ρ隨機(jī)模型的擬合地質(zhì)模型的初始隨機(jī)模型總體P[j]；步驟5，計算隨機(jī)模型總體的角道集合成地震記錄Synj，比較Synj與Seis，計算目標(biāo)函數(shù)objects[j]的值；步驟6，進(jìn)行遺傳算法計算，用對objects[j]轉(zhuǎn)換計算出的適應(yīng)度函數(shù)fitness[j]來加速選擇優(yōu)秀個體，對Pj做重復(fù)、交差和變異處理，令j＝j(luò)+1，得到新的模型總體P[j]；步驟7，計算模型總體P[j]的合成地震記錄Syn[j]；并比較合成地震記錄Syn[j]與實測地震記錄Seis，計算并保存目標(biāo)函數(shù)objects[j]的值；步驟8，如果滿足結(jié)束條件objects[j]＜ε，保存計算最佳模型參數(shù)及合成記錄；若不滿足結(jié)束條件，則重復(fù)步驟6-步驟8。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟1中所述疊前數(shù)據(jù)預(yù)處理包括疊前去噪、壓制多次波和真振幅恢復(fù)。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的整數(shù)編碼滿足參數(shù)值＝參數(shù)最小值+碼值*參數(shù)搜索精度；碼值＝(參數(shù)值-參數(shù)最小值)/參數(shù)搜索精度。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的根據(jù)目標(biāo)函數(shù)轉(zhuǎn)換得到適應(yīng)度函數(shù)是指開始時使用指數(shù)變換，當(dāng)群體中樣本目標(biāo)函數(shù)值之差小于某一給定閥值時使用S函數(shù)變換；當(dāng)群體各樣本適應(yīng)度之差小于某一更小的給定閥值時，再采用指數(shù)變換。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟6進(jìn)行遺傳算法計算時，采用有限深度回溯搜索，并在交叉中每對成員交叉變換使用兩次概率選擇方法，即先選成員對，再選參數(shù)，且每個參數(shù)分別選擇。
6.根據(jù)權(quán)利要求1中所述的方法，其特征在于，所述目標(biāo)函數(shù)計算如下Objects[j]=Σi|seis[i]-syn[j][i]|nt]]>i＝1，…，nn為群體樣本數(shù)；Nt＝nt*angles；nt地震道時間取樣點數(shù)；angles角道集所選角度個數(shù)；seis實測角道集地震記錄；Syn[j ][i]第i個群體成員的第j個隨機(jī)模型的合成記錄角道集。
7.根據(jù)權(quán)利要求1或6所述的方法，其特征在于，所述適應(yīng)度函數(shù)的計算如下Fitness[i]=exp(-Objects[i]/σ)Σiexp(-Objects[i]/σ)]]>i＝1，…，n其中，Objects[i]為第i個成員的目標(biāo)函數(shù)值；σ為群體目標(biāo)函數(shù)的方差；Fitness[i]為第i個成員的適應(yīng)度值。
8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述的S變換為y=11+ae-b(x-θ0),]]>其中，x對應(yīng)用不同樣本的原適應(yīng)度值；y為變換后的適應(yīng)度值；θ0為所有樣本的平均適應(yīng)度。
全文摘要
本發(fā)明涉及一種利用疊前地震波形反演構(gòu)建虛擬井?dāng)?shù)據(jù)的方法，包括1)通過采集的疊前地震數(shù)據(jù)的分析，給定實測角道集地震記錄；2)建立地質(zhì)模型；3)選擇收斂函數(shù)，確定反演精度；4)確定模型參數(shù)搜索范圍和搜索間隔，對其進(jìn)行整數(shù)編碼，生成擬合地質(zhì)模型的初始隨機(jī)模型總體；5)計算隨機(jī)模型總體的合成地震記錄，與實測地震記錄比較，計算目標(biāo)函數(shù)值；6)進(jìn)行GA計算，更新初始隨機(jī)模型總體生成新的隨機(jī)模型總體P
文檔編號G01V1/28GK1710446SQ200510077488
公開日2005年12月21日 申請日期2005年6月21日 優(yōu)先權(quán)日2005年6月21日
發(fā)明者王英民, 楊紹國 申請人:中國石油大學(xué)(北京)