遗传算法在测井信息处理中的应用综述.doc

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） 摘要：遗传算法是一种全局寻优的智能搜索方法，适用于离散问题、非线性问题以及无特定函数关系的复杂储层参数优化；在地震资料处理中，遗传算法可用于剩余静校正的估计、AVO反演、各向异性参数反演、波阻抗反演等方面；在测井信息处理中，遗传算法可用于地层划分与对比、流体识别、储层物性参数估算、水淹层识别、沉积微相识别等。将遗传算法引入到测井信息处理中，能有效推进地球物理勘探中有关地质问题的解决。 关键词：遗传算法； 地震资料处理； 测井资料处理 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实现方法 1.1 遗传算法的基本思想 遗传算法是一种随机全局搜索和优化算法[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]，它把问题参数编码成染色体，通过复制、交叉和变异等遗传操作来随机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[5，6]，其基本流程见图1。 杂交 杂交 用新生群体代替上一群体 编码和初始群体 计算适应度 合格 终止运算 选择 变异 是 否 图1 遗传算法的实现基本流程 1.3 遗传算法的优势 传统的反演方法已不能完全适应地球物理学对解非线性、多参数反演问题的需要[7]，鉴于遗传算法简单、鲁棒性强、含并行性等特点在寻优求解的过程中不要求直接计算响应函数值，特别适用于离散问题、非线性问题以及无特定函数关系的复杂储层参数优化。 2 遗传算法在地震勘探中的应用 遗传算法因其优越性在地震勘探中有着很好的应用，尤其在剩余静校正；AVO反演；各向异性参数反演；波阻抗反演等诸多方面应用效果较好。 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[12]。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[13]、苟量[14]、何超群[15]等人将遗传算法应用在剩余静校正估算中，开展了混合优化自动剩余静校正方法研究。例如：何超群采用退火遗传算法处理山西某测线地震资料，结果见图2。 图2 山西某地不同处理方法得到的叠加剖面 从图2可以看出，（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 传统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2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。与传统的反演方法不一样，遗传算法不依赖于初始模型的选取，在AVO 反演中有着很好的应用。 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 Horne张文生等用遗传算法来反演各向异性介质的弹性常数。傅旦丹等在常规遗传算法的基础上引人Metropol抽样准则，提出了一种改进的遗传算法。改进算法更有利于作全局搜索，具有改善遗传算法全局收敛性的效果。针对正交各向异性介质模型，用改进的遗传算法进行了各向异性多参数反演工作，以说明新方法在处理这样高度非线性最优化问题时的处理效果。张世俊等针对