遗传算法在测井信息处理中的应用综述.docVIP

遗传算法在测井信息处理中的应用 胡 锦 宏 （西安石油大学 地球科学与工程学院，陕西 西安710065） 遗传算法是Holland教授于1962年提出的基于自然界中生物遗传与进化机理模仿的一种新型智能寻优算法[1]，它与人工神经网络、模糊理论一起构成智能计算的3个方向。由于其简单、鲁棒性强、隐含并行性等特点得到了广泛的应用[2]，特别适用于离散问题、非线性问题以及无函数关系的复杂问题优化。近年来因其弥补了传统优化方法的不足，在地震、测井等复杂问题的处理中显示了广阔的应用前景。 1 遗传算法的基本思想与1.1 遗传算法的基本思想 遗传算法3]。其基本原理是模仿生物界中的物竞天择、适者生存的演化法则[4]，它参数编码成通过复制、交叉和变异等遗传操作来交换种群中染色体的基因，最终生成符合优化目标的染色体，即求得最优解。 1.2 遗传算法的实现 遗传算法的运行过程为一个典型的迭代过程[]，其基本流程见图1。 图1 遗传算法的实现基本流程遗传算法在地震勘探中应用 遗传算法在地震勘探中剩余静校正AVO反演；各向异性参数反。 2.1. 遗传算法用于剩余静校正的估计 在地震勘探中，复杂地区的剩余静校正估计是一个难度较大的最优化问题[]。在地震资料中的剩余静校正量较大，信噪比较低时，常规的局部线性反演方法往往易于陷入局部极大值之中而剩余静校正问题实质上是非线性优化问题，地表一致性剩余静校正可作为一个最优化问题来求解，利用遗传算法的全局搜索的特点能很好解决这一问题彭真明[]、苟量[]、何超群[]等人开展了混合优化自动剩余静校正方法研究。何超群采用退火遗传算法处理山西某测线地震资料 图 山西某地不同处理方法得到的叠加剖面 图a）是该测线剩余静校正前的叠加剖面，层位连续性差，叠加效果不好；b）是采用遗传退火算法但未加入自适应空间滤波，存在零空间现象的叠加剖面，但是剖面成像效果并没有得到提高，层位连续性更差；c）是采用某商业处理软件最大能量法剩余静校正处理后的叠加剖面；d）是采用本文所述退火遗传算法并结合自适应空间滤波的剩余静校正处理后叠加剖面，利用该方法后，反射清晰，成像效果明显。 2.2 遗传算法在AVO反演中的应用 AVO技术是利用叠前道集上地震振幅随炮检距的变化来估算界面侧介质的弹性参数，分析反射界面上、下介质的岩性和物性特征，进而检测含油气状况。 Subhashis MalliCk将AVO反演纳人贝叶斯统计框架中。研究表明：遗传算法与传统的反演方法相比，因其不依赖于初始模型的选择，所以很适合于AVO反演，同时反演的精度也更细。张海燕等人提出用一种自适应免疫遗传算法来反演弹性参数变化率。该算法克服了常规遗传算法的早熟现象，保持了群体的多样性，又保证了算法的收敛性，可广泛应用于多参数、多极值的地球物理反演问题。 2.3 遗传算法在各向异性参数反演中的应用 Steve Horne2.4 遗传算法在波阻抗反演中的应3 遗传算法测井信息处理中的测井是地球物理勘探的重要分支。目前为止，测井探测精度在地球物理勘探垂向分辨率最高的，常规测井资料主要用于地层划分与对比、沉积相研究、流体识别、裂缝识别和评价、物性参数估算等方面，它为地质工作提供了可靠的依据。常规测井信息处理方法是建立在实验研究结果或地区经验构建的测井解释模型基础上，它是基于视觉层面一次性分析完成的，不能全方位搜索测井信息。为此，为了加强测井服务地质的能力，提高常规测井信息的处理能力，对遗传算法在测井信息处理中应用进行初步探索。 3.1 遗传算法在地层划分与对比中的应用 对不同地区同一时代形成的地层研究区的地史发展过程中的共性和异性，认识地层区域性特征，了解地层空间分布规律。通常地层划分方法有：采用标志层法、法、层序地层学法。但此类方法对于没有露头、岩稀少、测井数据量大情况下的深部隐伏地层划分存在难度为此，张振飞许少华等设计了一种适用于多参数测井地层划分的遗传最优分割算法参数改进的遗传算法，研究表明，该方法的自动分层结果符合地质实际，且计算速度很快3.2遗传算法在储层物性参数估算中的应用 物性是指岩石的物理性质，主要包括孔隙度、渗透率等方面，一般常用孔隙度测井曲线来判断物性，包括声波时差AC、密度测井DEN、中子测井CNL等。常规测井解释是建立在简单模型基础上的线性函数，而实际地层则由于其非均质性，其物性参数响应方程必然是非线性的。因此，遗传算法由于其强大的非线性优化优势，在储层物性参数估算中有着较好的应用。闫桂京罗银河等探讨了将遗传算法应用于测井解释参数估计中的潜力进行孔隙度预测，提高了预测结果的精度。实践证明，该方法简便，应用效果较好。曹旭光等把改进的多参数算法应用于测