致密碎屑岩裂缝视密度高分辨率非线性反演的研究.pdfVIP

中国地球物理2006 致密碎屑岩裂缝视密度高分辨率非线性反演研究 吴朝容1段文枭2李正文1 (1．成都理工大学信息工程学院成都610059；。2，中国石化西南分公司成都610081) 1．方法基本原理 本方法是将自适应遗传算法与BP算法有机结合形成的一种自适应遗传．神经网络方法。BP前向 型神经网络是当前应用最广泛的一种人工神经网络，它具有结构简单，工作状态稳定，易于硬件实现， 可以逼近任意函数等优点。但它存在收敛速度慢，全局搜索能力低，搜索空间内具很大局部最优点等 缺点。而遗传算法的特点是适合大规模并行运算，且能以较大概率找到全局最优解。自适应遗传一神经 网络算法是利用遗传算法设计和训练神经网络的一种混合算法，它利用遗传算法的优点，克服了传统 BP算法的缺点。 方法采用的是有监督BP神经网络结构，它由编码方案、适应度函数、遗传操作及混合智能学习 (HI)等组成。 编码方案：采用实数编码，克服了二进制编码存在Hamming悬崖、位串过长、导致搜索效率降 低等缺点。 适应度神经网络输入a次信号，神经网络输出b次正确解，适应度函数用b与a的比值来表示适 应度函数值在10，11区问内，越接近于l的个体其输出信号正确率越高。 遗传操作：遗传操作的结果是生成子代种群。其一般方法为：首先将当代种群的个体按适应度由 太到小进行排序，选择一定比例下位个体淘汰掉。然后在上位个体中实行均匀交叉，生成子个体填补 到种群中，以保持种群规模不变。最后，实行变异操作。采用高斯变异法，产生一个符合正态分布的 随机数Q去扰动每个变异位的基因值，生成子代种群。 自适应因子：遗传算法中交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所 在。本文采用一种自适应遗传算法，其Pc和Pm能够随适应度自动改变：当种群各个适应度趋于一致 或趋于局部最优时，Pc和Pm增加；而当群体适应度逼近分散时，Pc和Pm减少。适应值高于群体平 均值的个体，对应于低的Pc和Pm，该解被保护进入下一代；而低于平均适应值的个体，对应于较高 保持群体多样性的同时，保证了遗传算法的收敛性。 混合智能学习方法：混合智能学习方法是将BP算法和自适应遗传算法有机地结合而构成的，它 兼有自适应遗传算法的杂交、变异算子在全变量空间搜索全局解的特点和BP算法在解点附近快速而 精确地收敛的特点。其实质是将BP算法作为一个算子嵌入到自适应遗传算法中，并以BP算子概率 PnP的方式进行BP算法搜索运算，这样就把遗传算法与BP学习法有机地结合在～起，兼有二者的优 点，从而快速而精确地找到全局最优点，获得最优解。 2．应用研究 以某地区成像测井得到的裂缝视密度数据为例，反演得到的速度剖面具更高分辨率，砂、泥岩和 标定的裂缝段在速度剖面上有较明显特征。裂缝视密度剖面上，本次重点层段T3；24之下和T3x2。之上 层段和须二段项部的视裂缝值相对较高，这与研究区已有的资料相符合。因此所反演的裂缝密度剖面 具有一定的可信度。 3．结束语 本文利用自适应遗传神经网络方法对某气田须二段裂缝性储层进行了高分辨率非线性反演，得到 的视密度剖面具较高分辨率和一定可信度，表明它对于该类储层裂缝预测具有重要参考价值，是值得 进一步探索的裂缝性储层研究方法。该方法有一定实际应用效果，可作为研究区裂缝性储层预测的一 种方法探索。但限于技术条件，该方法目前只能进行剖面反演，距平面和三维反演还有一定距离，这 是今后发展方向之一。 ’87·