多尺度地震波形反演

在对复杂地层模型(如Marmousi模型)确定的地震数据进行反演时.迭代反演方法是不成功的。其主要困难是目的函数有着大量的局部极小值。由于反演问题中存在各种尺度的局部极小值,故反演迭代法无法以合理的收敛度同相邻的全局极小值的收敛度。多网格法通过用尺度分解了问题,改进了迭代     

人工神经网络非线性地震波形反演

地震波形反演是非线性问题，其目标函数阳多极值的函数，若用线性化的反演方法求解，常会遇到迭代收敛于目标函数局部最优等困难。本文研究能求得目标函数全局最优解的遗传算法训练人工神经网络的地震波形反演方法。考虑到遗传算法训练神经网络地震波形反演的未知能数量大，而通常的二进制编码遗传算法占用计算机内存量大，不能在较小内存的计算机上实现，故以可节省内存的０－１编码遗传算法训练神经网络，提出了加速网络收敛的方法     

用一种简明的共轭梯度算法对局部地层进行波阻抗反演

经典的共轭梯度迭代方法对线性反演问题是有效的。但是地球物理反演一般是非线性的，那未经典的方法得到的反演解法往往是无法控制的，又不能产生最大似然反演，更不会得到可重复的反演结果。本文提出了一种简明的反演算法，该算法在迭代过程中只需计算误差函数对各个反射系数变元的一阶梯度值，而无需进行复杂的矩阵运算和求逆，是一种简单明了且易于实现的快速算法。理论记录和实际记录处理表明，本文提供的方法具有可重复性和较快的收敛速度。     

一种新的用于全波形反演的能量加权梯度方法

在全波形反演中,深层区域的反演效果明显不如浅层区域的反演效果好。针对这一问题,在不增加计算量的前提下提出了一种新的能量加权梯度方法,引入了反偏移方法,利用反偏移方法计算得到的加权能量对梯度进行预处理。这种改进方法克服了常规能量加权梯度方法计算加权能量不准确、迭代收敛慢的缺陷,可以在提高深、浅层整体反演效果的同时加快迭代收敛速度。模型试算结果表明,基于改进后能量加权梯度方法的全波形反演效果及迭代收敛速度明显优于常规的能量加权梯度方法。     

同伦神经优化理论及其在地震反演中的应用

地震数据反演是一个典型的非线性逆问题，其目标函数都是多极值的函数。因此，传统的迭代优化方法常常会遇到局部收敛性的限制。本文提出的同伦神经优化理论（ＨＮＯＴ）及其算法（ＨＮＯＡ）能将非线性多极值目标函数较快地收敛于全局极值。是一种有效的反演方法。本文将该反演方法与相邻道互相关技术和层位信息约束有机地结合起来，实现了地震数据控制下的井资料高分辨率岩性参数联合反演。理论模型与实际资料的处理结果表明，本文     

地震波阻抗反演的ANNLOG技术及其应用效果

通过地震子波的多级分解和多级非线性变换，得到一种非线性地震褶积模型。将该模型与Ｆ－Ｐ模型人工神经理论相结合可形成一套利用测井和地层约束的高分辨率地地震波阻抗反演技术。其突出的特点是：多级非线性变换能使迭代反演快速收敛，并具有极高的纵向反演分辨率；用于存储多级地震子波的人工神经网络，可根据地震数据动力学特征在横赂上的变化进行了可靠的自适应外推反演，并在横向上保持纵向保持纵向分辩率的连续性。     

基于混合快速共轭梯度法的有限差分对比源反演

有限差分对比源反演（FDCSI）是一种解决逆散射问题的方法,该方法在反演中背景模型保持不变,只进行一次全正演计算,减少了计算量。FDCSI将逆散射问题转化为优化问题,采用常规共轭梯度法优化目标泛函,但收敛速度较慢,影响反演效率。为此,在研究频率域声波方程有限差分对比源反演方法的基础上,提出了基于混合快速共轭梯度法的有限差分对比源反演方法,提高了反演效率。混合快速共轭梯度法是在快速迭代收缩阈值算法基础上改进得到的优化方法,该方法适用于有限差分对比源反演,在不增加单次迭代计算量的基础上加速目标泛函收敛,保证了对比源反演算法的快速稳定收敛。     

地震波阻抗反演的预条件共轭梯度法

研究地震波阻抗线性反演求解方法。基于Cauchy准则,正则化稀疏反演问题,应用预条件共轭梯度法实现反射系数和子波同时迭代反演。在迭代求解正则化方程时,用共轭梯度法求解相应的原问题。给出初始子波估计的策略和波阻抗求解方法。用实际数据检验算法,表明预条件共轭梯度法反演的子波、反射系数和波阻抗要比直接稀疏反演精度高、收敛快、数值稳定。     

混合优化波阻抗反演方法研究

地震反演常用的线性算法具有较快的收敛速度，但是易陷入局部最优解。因此需要引进一些非线性优化算法求解全局最优解。近年来相继出现了模拟退火、遗传算法、禁忌搜索算法和混沌搜索算法等，虽然这些算法具有较强的全局优化性能，但是其计算速度慢，远远不能满足实际生产的要求。如何将上述两类算法结合起来实现优势互补成为了反演中的一个重要课题之一。文章提出的混合优化波阻抗反演方法综合了共轭梯度算法和模拟退火算法的优点，在模拟退火反演框架内加入共轭梯度迭代算法，即在模拟退火反演过程中，当目标函数值满足给定的条件时，进行一定次数的共轭梯度迭代反演，最终以模拟退火反演结果来判断其收敛性。实际计算表明，该方法不仅收敛速度快，而且抗干扰能力强，计算得到的波阻抗剖面能较好的反映地层地质特征。     

非线性各向异性波形反演方法

本文以经典的最优化理论为基础,将反演声波介质和各向同性弹性介质的弹性常数、波阻抗和密度等参数的非线性波形庆演方法．推广于弹性各向异性介质弹性参数和密度的反演.详细地推导了反演上述参数的迭代公式.为了有效地利用与各模型参数对应的目标函数的梯度分量,文中给出了子空间法修改模型参数的方法,使每个模型参数修正量的修正系统都能用最优化方法确定,从而有利于加快迭代的收敛速度.     

自适应混合反演剩余静校正

本文针对剩余静校正问题的非线性特点，分析了已有的线性反演及非线性反演方法的优缺点，在此基础上提出了一种计算效率较高、搜寻全局最优解的混合反演方法；即在求解过程中每次扰动采用线性寻优方法搜寻局部最优解，在迭代过程中采用模拟退火法随机搜寻，就可以用较少的迭代次数搜寻全局最优解。此文中还提出了反演参数的选取方法，使得该法具有自适应的特点。理论分析和数值计算表明，该法不仅解决了剩余静校正较强的非线性全局优化问题，而且提高了计算效率，是一种切实可行的自适应剩余静校正方法。     

一维大地电磁测深几种反演算法的比较研究

大地电磁反演算法主要分为线性与非线性两类。马奎特法、遗传算法以及模拟退火是其中具有代表性的算法。本文将三种方法的反演过程、结果及理论进行了对比研究，指出各自的优点与局限性，以及使用时应注意的相应条件。研究表明，马奎特法寻找目标函数全局最优的能力较差，只能局部寻优，但运算速度快；模拟退火法和遗传算法寻找目标函数全局最优的能力较强，但运算速度较慢。当对地下地电参数预先有一定程度了解，又可以选取比较合理的初始解时，可选择马奎特法，否则宜选用其他非线性全局寻优能力强的反演方法。     

遗传模拟退火算法在储层属性建模中的应用

介绍了遗传和模拟退火算法,比较了两种算法的特性,引入具有自适应能力的遗传模拟退火,并用于储层属性的随机模拟。结果表明,新算法能提高收敛速度,提供全局最优搜索保障,改善算法的实用性。     

一种改进的遗传算法及其在剩余静校正中的应用

本文综合利用模拟退火和遗传算法的特点，给出一种改进的遗传算法，即根据模拟退火的概率分布函数提供群体的初值，然后使用遗传算法的选择算子和杂交算子进行搜索，在此基础上，再降低温度提供新的初值，进行反复迭代，从而搜索到全局最优解，通过估计剩余静校正的模拟试验表明，该方法只需要较小的群体规律，与常规的遗传算法相比，没有其它更多的控制参数，且全局收敛的效率有了很大的提高。     

混合优化自动剩余静校正方法研究

剩余静校正量计算本质上是一个非线性优化问题。针对单独运用遗传算法或模拟退火算法求解剩余静校正计算效率低、精度不高等缺点，本文提出了混合全局优化的自动剩余静校正方法，即利用两者的优点（遗传算法具有较强的把握搜索过程总体的能力，模拟退火法具有较强的局部搜索能力）开发的一种优化算法。文中对混合全局优化自动剩余静校正的处理流程和实现技术作了深入研究。从模型数据试算和我国西部某地区实际资料的处理结果可以看到，混合优化技术无论在运算速度还是在求解精度上都优于其他方法。     

遗传和模拟退火混合寻优一步法三维CRS叠加

共反射面元(Common Reflection Surface,CRS)叠加充分利用了菲涅耳带半径内的地震信息,在不降低分辨率的前提下最大程度地提高了信噪比,是低信噪比地震资料成像的有力手段.同时,CRS叠加考虑了地下反射层的倾角和局部曲率,具有更高的成像精度.常规的三维CRS叠加,多步依次求取的八参数精度较低,影响了...     

混合智能优化地震反演

传统非线性反演方法存在着收敛效率低,有时会陷入局部极值的问题。为此,研究开发了融合粒子群优化算法和郭涛算法的混合智能优化地震非线性反演技术。粒子群优化算法对解的更新更具有目的性,收敛速度快;郭涛算法构造了多父体交叉重组算子并采用群体爬山策略,求解精度高;混合智能优化算法以粒子群优化算法为主体框架,融入郭涛算法的寻优机制。函数优化测试、理论模型试算和实际资料反演处理结果表明,混合智能优化算法具有求解效率高、全局寻优能力强的优点,适合解决复杂的地震反演问题。     

利用TS与GA的混合算法（TSGA）求取剩余静校正量

静校正问题是一个具有多参数、多极值的全局优化问题,当大量未知参数存在时,常规的遗传算法(GA)几乎必然存在早熟收敛现象,很难保证全局收敛。为此,在Glover理论的基础上,本文提出一种GA与TS(禁忌搜索算法)的混合策略——TSGA。通过把TS独有的记忆功能引入到GA进化搜索过程之中,构造了新的重组算子TSR,针对GA爬山能力差和易早熟的缺陷,把TS作为GA的灾变算子TSM,即当GA陷于局部极值时,用TS对GA进行适当规模灾变,这样既保持了GA的已有搜索成果,又可以使GA跳出可能的局部极值陷阱,最终使搜索向全局极值前进。TSGA通过TS算法克服了GA爬山能力差的弱点,综合了GA具有多出发点、TS具有记忆功能和爬山能力强的优点,较好地解决了剩余静校正量求取的复杂非线性问题。模型数据处理结果表明,文中方法具有适应能力强、能快速收敛于大静校正量最优解的优点,是一项实用的求取复杂地形条件下静校正量的方法。     

应用改进的神经网络学习方法预测储层参数

人工神经网络理论在石油科学的研究中具有重要的理论和现实意义。文章在分析了模拟退火算法和变尺度法各自的优势和原理基础上，针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极值点的缺点，将有全局寻优特性的模拟退火算法（SA）和快速收敛的局部寻优变尺度算法（BFGS）有效地结合，提出了一种快速、高效的前向网络混合学习策略，即SA-BFGS混合算法来训练网络。用它代替传统BP网络中的梯度下降法，通过训练网络权值，使网络具有较快的收敛速度和较高的逼近精度。在测井资料计算储层参数的实际应用中，该法能极大地改进前向网络的收敛速度与收敛性能，处理速度快、稳定性好、可信度高，具有较好的应用前景。