用多层前馈网络进行三维储层参数反演的方法

地震反演的主要任务是依据地震资料并综合利用地质、测井等资料得到地下地层的详细信息。三维地震反演需要处理庞大的地震数据体 ,同时在反演过程中既要考虑模型和测井的约束 ,又要考虑地震在横向上的连续性。将地震反演看作是地震数据到储层参数的模糊映射 ,并利用神经网络建立了这种映射关系。针对网络收敛速度慢、学习时间长等缺陷 ,提出了一种学习率自适应调整算法。该算法使每个权都有自己的学习率 ,使网络的训练速度大幅度提高。利用该方法进行地震反演 ,抛开了褶积模型的限制 ,也无须已知地震子波。外推过程是在三维空间内进行的 ,所得的储层参数数据体保持了横向上合理自然的连续性。对该数据体进行三维可视化解释 ,可以直接描述储层的空间展布。     

层状半空间叠前地震记录的波动方程正演模拟

振幅随偏移距变化 (AVO)分析是一项利用振幅随偏移距变化特征来分析岩性和油气藏的地震勘探技术 ,它极大地改善了地震勘探的烃类检测能力。并不是所有气层的反射振幅都随偏移距增加 ,特殊岩性体也会产生AVO效应。利用弹性动力学方程变换和递归算法 ,计算了反射矩阵 ,从理论上推导了球面波在层状弹性半空间传播时产生的地面反射记录的计算公式。在实例模拟中 ,对计算速度和精度、空间假频、截断效应等给出了相应的解决方案。计算实例说明 ,波场模拟有助于AVO分析和叠前反演。     

基于地震数据的岩石弹性参数反演方法

针对拉梅参数反演中缺少横波速度资料的问题,建立一种在缺少横波速度情况下的拉梅参数反演方法。首先,对井旁叠前地震道集进行贝叶斯反演,得到井位置处的横波速度;然后,对地震数据体采用拉梅参数直接反演,获得地下介质的拉梅参数信息;结合研究区的地质、测井信息,对储层进行描述和预测。该方法应用于J区块含气储层的预测,取得了良好的应用效果。该方法拓宽了拉梅参数反演在油气储层预测中的适用范围,具有较好的实用性。     

贝叶斯序贯高斯模拟方法

各种静态数据约束下的三维储层模型是指可以同时满足地震和测井数据的模型。研究了整合中等垂向分辨率地震数据的方法。引入贝叶斯定理的序贯高斯模拟方法,即贝叶斯序贯高斯模拟,用来整合中等垂向分辨率的地震数据,在给定地震频率的条件下,提高模型的分辨率。模拟结果表明,该方法能很好地整合中等垂向分辨率的地震数据,解决整合地震和测井数据存在的“体支撑”难题,生成高于地震垂向分辨率、低于或等于测井分辨率的三维储层模型。     

神经网络在储层横向预测中的应用

传统的冯·诺依曼程序存储式计算机擅长于数据处理，但在类似于面貌及声音识别这样一些简单的认知问题方面，与人类相差很大，这种差异推动神经网络的研究，本文讨论误差反向传播网络（ＢＰ）。给出了ＢＰ网络在储层横向预测测方面的应用。     

基于混合遗传算法的叠前随机反演方法

针对常规随机反演方法计算效率低的问题,提出一种基于混合遗传算法的叠前随机反演方法。该方法充分利用测井资料中的高频信息,并以地震数据作为约束,首先通过快速傅里叶滑动平均(fast Fourier transform-moving average,FFT-MA)谱模拟算法进行随机模拟得到基于地质统计学的初始模型信息,随后结合提出的混合遗传算法对模拟结果进行快速优化,得到符合地下地质结构的反演剖面,实现对叠前弹性参数的反演。混合遗传算法避免了一般遗传算法常见问题,如收敛速度慢以及产生"早熟"现象,与模拟退火相结合能够快速收敛达到全局最优,保证了反演精度。数值试验结果表明,融入混合遗传算法的叠前随机反演方法,在充分利用叠前信息的同时可以保证反演结果有效收敛,并且与模型数据吻合较好,与传统的叠前反演方法相比具有较高的分辨率,在储层识别和油藏描述中起到了重要作用。     

波动方程保幅叠前深度偏移与AVO响应

从全声波方程出发,基于严格的解耦理论进行单程波保幅分解,得到直观、高效率的直接面对地震波传播波场的压力分量进行延拓的单程波动方程;按照叠前深度偏移方法中的波场双重向下延拓理论实现共炮域公式到CMP(共中心点)域公式的转换,推导出由双平方根方程定义的保幅单程波动方程,从而将振幅误差补偿作为偏移的一部分在偏移过程中实现,使得地震成像在给出正确位置的同时也给出真实振幅.在此基础上获得的CRP(共反射点)道集在保证真实振幅的前提下,有效解决了绕射波干涉、反射点弥散、与倾角有关的NMO等问题,使AVO响应更加清晰,提高了AVO资料的分析精度.     

基于快速匹配追踪的混合域地震稀疏反演方法

匹配追踪稀疏地震反演是基于模型参数L0范数稀疏性度量的高分辨率反射系数反演方法。针对经典匹配追踪反演策略抗噪能力强但计算效率低的问题,通过控制多原子迭代次数和迭代阈值搜索模型最优解,提出基于快速匹配追踪算法的混合域地震稀疏反演方法。首先,在相对纵波阻抗低频模型约束下,构建混合域褶积模型正演算子和正则化方程,低频背景的引入将有效缩小模型参数的搜索空间;然后,在多原子快速匹配追踪反演框架推导混合域稀疏反演目标泛函,提高地层反射系数的恢复效率和收敛精度;最后,利用数据测试及实际地震资料对该方法的预测精度和可靠性进行试验分析,该方法相比常规时间域反演有助于选择高信噪比的频率分量提高算法的抗噪能力,而且在改善反演分辨率的同时避免了匹配追踪算法存在的计算效率低和局部极值的问题。     

储层属性的遗传神经克里金插值方法及其应用

储层属性参数预测是油藏描述的一项重要基础工作,克里金或神经网络插值法是较为有效的简便预测方法。针对克里金法具有平滑性、神经网络难以反映变量的空间相关性等缺点,用变异函数修正了神经网络的目标函数,并利用遗传算法对神经网络进行全局优化,形成了一种遗传神经克里金混合插值方法。应用实例表明,该方法具有神经网络较好的自学习、自适应能力;利用变异函数能较好地恢复数据的空间相关性;通过遗传算法全局优化,克服了神经网络目标函数容易陷入局部极小的缺点;对不同空间分布的样本点均能得到稳定的插值结果,具有比其他插值方法更高的精度和稳定性。     

反演法在提高地震资料信噪比中的应用

t-x预测滤波法是噪音衰减的通用且有效的方法,但是在噪音背景中存在平行同相轴时将产生假同相轴及出现子波畸变和振幅衰减等现象,这是因为噪音的存在影响了滤波器的计算,利用反演法对理论模型和实际数据进行了滤波处理,该方法可以有效地消除一般t-x预测滤波处理中存在的缺陷,实际应用表明,这种方法更能满足对地震资料高分辨率,高信噪比和高保真的要求,处理效果更接近实际。