瑞雷面波频散曲线的粒子群蚁群混合优化反演

应用瑞雷面波频散曲线反演地下介质的横波速度剖面是面波勘探的重要步骤之一。传统线性反演方法已不能满足物探工程的要求,非线性的反演方法成为研究热点。文中将基于粒子群优化算法和蚁群优化算法的非线性混合优化算法应用于瑞雷面波频散曲线反演,获得横波速度剖面。该算法利用信息素引导机制更新粒子的早期位置,充分结合了粒子群优化算法对全局最优解的引导策略和蚁群优化算法的局部搜索能力,克服了粒子群算法在群体处于平衡状态时粒子群更新停滞不前和蚁群算法对多极值函数求解时收敛早熟的缺点。通过对多种理论模型频散曲线的反演,检验了该算法的有效性和稳定性;与单独的蚁群算法、粒子群算法反演结果的对比验证了该算法的优越性;实测数据反演结果检验了算法的实用性。     

改进的布谷鸟MT反演算法

由于大地电磁（MT）数据的反演是高度非线性的,传统的全局优化算法收敛速度慢,且易陷入局部极值。为此,提出一种结合单纯形法的全局布谷鸟算法（ICS）反演MT数据。针对布谷鸟算法（CS）精于探索、疏于开发的特点,引入粒子群算法中的全局最优解,加强算法的局部搜索能力;同时结合单纯形法对较差鸟巢进行改进,进一步提高寻优精度。理论和实测数据反演结果表明,改进后的算法反演结果更稳定,收敛速度更快,求解精度更高。     

免疫量子粒子群算法在地震层析反演中的应用

在地震走时层析静校正中,反演算法优化一直是个技术难点.与传统的线性反演算法不同,启发式群集智能算法具有自适应、自学习、智能搜索等全局寻优特点,成为一个高效的全局非线性寻优算法.引入量子行为的粒子群优化算法基于概率选择机制,能够有效地克服早熟现象,改善全局搜索能力.在此基础上,将免疫进化算法中的疫苗接种、克隆选择机制引入地震层析成像反演中,以增加抗体的多样性,进一步指导粒子的全局搜索行为,形成了免疫量子粒子群算法.通过理论模型与复杂近地表的静校正资料试算,验证了算法的可行性.     

基于粒子群优化算法波阻抗反演的研究与应用

 在地震勘探中占有重要地位的波阻抗反演属于求解最优化问题，其优化目标函数可能包含多个在一定范围内的连续变量，传统的优化手段存在对有些函数难以优化、容易陷入局部解及收敛速度缓慢等问题。粒子群算法只是考虑目标函数，对初始模型的依赖程度不高，并且可以随机地在全局域内进行搜索。本文基于粒子群算法的原理，提出了地震道反演中粒子群算法的实现方法，并详细地分析粒子群算法的抗噪能力；利用模型对该方法进行检测，得知在无噪时反演结果与模型一致；在依次加入3%、10%和25%的噪声后，反演前后的相关系数分别达到98.31%、93. 27%和82.09%；文中还用实际资料证明了该方法的有效性。     

大庆油田电力系统粒子群无功优化算法应用

粒子群优化(Particle Swarm Optimization,PSO)算法同遗传算法类似,是一种基于群体的优化工具.它作为一种新型的基于群体智能计算技术的优化方法,在解决经典优化算法难以求解的诸如不连续、不可微的非线性病态优化问题和组合优化问题时显出了强大的优势,并且有收敛速度快、设置参数少等优点.电力系统无功优化是典型的非线性规划问题,具有非线性、不连续、不确定因素较多等特点.本文将粒子群算法应用到电力系统无功优化中,并通过实例仿真验证,证明了粒子群算法在无功优化中的应用是正确、可行的.     

基于混合智能优化算法的非线性AVO反演

针对常规叠前AVO反演存在强烈依赖于初始模型、易陷入局部最优值等问题,对基本遗传算法进行了自适应改进,然后将改进遗传算法与粒子群算法相结合,发展了遗传—粒子群算法混合的GA-PSO协同进化智能优化算法;对比改进遗传算法、粒子群算法及GA-PSO协同进化算法反演的理论模型合成地震记录的纵波速度、横波速度及密度,表明后者具有精确的反演结果及更强的稳定性和抗噪能力;最后利用GA-PSO协同进化算法对实际地震数据进行叠前AVO非线性反演,验证了算法的应用效果和适用性。     

量子行为的粒子群算法在叠前AVO反演中的应用

 量子行为的粒子群优化算法突破了粒子群优化算法所遵循的牛顿随机搜寻,在搜索过程中加入了量子运动,既改善了全局优化的能力和收敛速度,又减少了算法中需要控制的参数,有效地解决了传统粒子群优化算法无法收敛到全局最优解的问题。基于量子行为的粒子群优化算法原理简单,需要控制的参数很少,易于实现,可以进一步用于多参数、多极值地球物理反演。本文使用基于量子行为的粒子群优化算法进行叠前AVO弹性参数反演,无噪声和加噪声模型的反演结果说明了算法的有效性和稳定性,以及良好的抗噪性。     

地震波阻抗反演的粒子群算法实现

粒子群算法是一类基于群智能的随机优化算法。通过对粒子群算法原理的研究,提出了地震波阻抗反演的粒子群算法实现方法。并利用模型对该方法进行了检验,在无噪声的情况下,反演结果与模型一致;在加入不同程度的随机噪声后,反演结果与模型相差不大。最后在相同模型下比较了该方法与遗传算法的实现效果,结果表明,粒子群算法具有很强的全局搜索能力,反演结果精度较高。     

地震波阻抗反演的蚁群算法实现

波阻抗反演属于求解最优化问题,其优化目标函数可能包含多个在一定范围上的连续变量,传统的优化手段存在有些函数难以优化,容易陷入局部解,收敛速度较慢等问题.蚁群算法具有正反馈性、分布式计算和贪婪式启发搜索的特点,克服了传统优化算法的缺陷.通过分析蚁群算法的原理,提出了地震道非线性反演中蚁群算法的实现方法.利用模型对该方法进行了检验,在无噪情况下,反演结果与模型一致;在加入5%,10%和30%噪声的情况下,反演结果与模型的相似系数分别为98.76%,97.85%和86.42%.     

基于粒子群优化最小二乘支持向量机的非线性AVO反演

为了求解非线性AVO反演问题,本文提出基于粒子群算法和最小二乘支持向量机的非线性AVO反演方法,并用粒子群算法优化最小二乘支持向量机的参数。即首先通过精确Zoeppritz方程正演得到角道集,并进行动校正和部分角度叠加;然后运用最小二乘支持向量机方法建立反射振幅与弹性参数之间的非线性模型;最后以此非线性模型对地震道集数据进行反演。模型数据和实际资料的反演结果表明,该方法克服了常规广义线性AVO反演在远炮检距及弹性参数纵向变化大等情况下的缺陷,可直接从实际地震道集数据中提取较高精度的地层弹性参数,具有快速稳健、抗噪能力强的优点。     

基于波场计算的最优化速度反演

本文提出了一种适用于声学近似的地震反演方法，这种方法是基于混合法波场计算和最优化方法而建立的一种迭代速度反演。在波场计算中，采用了非均匀离散网格的混合算法使反演的计算速度有所提高。通过对长波长速度信息的恢复和合理使用最优化方法，加快了迭代反演的收敛。文中给出了这种反演方法用于地震反射资料的理论计算实例，表明方法是有效的，同时也说明了初始模型、噪音和信噪比对选代反演结果的影响。     

基于遗传算法的叠前地震波形反演构建虚拟井曲线

 鉴于叠前反演分辨率高，叠后反演速度快、稳定性好，所以叠前和叠后混合反演正成为人们研究的热点。其关键技术是叠前地震波形反演构建虚拟井曲线，在此基础上以虚拟井作为控制信息进行叠后反演。本文采用遗传算法（GA）全局寻优的非线性反演方法构建虚拟井曲线，成功地解决了叠前地震波形反演面临的数据和模型之间高度非线性及目标函数具有多个极小值问题。文中给出了利用GA地震波形反演的计算步骤及关键步骤的注意事项。实例结果表明该方法可行。     

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。     

利用地震资料定量反演孔隙度和饱和度的新方法

提出了一种基于岩石物理模型与混合优化算法同时反演孔隙度和饱和度的新方法.将孔隙度和饱和度的取值范围加入反演过程作为约束,能提高反演的稳定性和精度.基于地震纵、横波速度反演结果,直接得到油藏参数值.该方法也可以推广到直接利用地震振幅属性来进行反演.分析了不同属性组合对孔隙度和饱和度反演结果的影响.模型计算结果表明,该方法具有精度高、稳定性好等优点,同时易于推广到多种岩石物理模型、多地震属性组合与多参数定量反演中.     

利用粒子群优化算法快速、稳定反演瑞雷波频散曲线

反演瑞雷波频散曲线能有效地获取横波速度和地层厚度,但基于局部线性化的瑞雷波频散曲线反演方法很难适应反演目标函数的非线性、多参数、多极值的特点。为此,提出并测试了一种新的基于全局优化策略的粒子群优化（PSO）算法的瑞雷波频散曲线反演方法。首先反演了三个理论模型的无噪声和含噪声数据,验证了PSO对瑞雷波数据反演的有效性与稳定性;然后将PSO与模拟退火法（SA）进行对比,说明PSO相对于SA具有全局收敛性强、收敛速度快、求解精度高的特点;最后,反演了来自美国怀俄明地区的实测数据,检验了PSO对瑞雷波数据反演的适用性。理论模型试算和实测资料分析表明,PSO可以用于瑞雷波频散曲线的定量解释。     

储层密度预测技术研究

 储层密度预测技术是一种基于改进的混合智能学习算法的地震非线性预测方法。它是利用地震波阻抗剖面在测井密度数据约束下，对目标问题编码产生染色体，将禁忌搜索算法加在遗传操作的交叉点上，使染色体不断进化，并按一定的概率自始至终执行遗传算法和模糊神经网络算法，且概率自适应变化，以达到混合算法均衡，实现储层密度预测，获得高分辨率和高精度的储层密度剖面。在获得的储层密度剖面基础上，利用流体密度计算技术，即可得到流体密度剖面。应用实例与统计表明，流体密度从富集油气层的密度变至水层的密度，其异常相对幅度可达70%以上，因此流体密度是预测油气层的一个“绝好参数”，它是反映流体性质的最直接证据。可为地震勘探直接寻找油气提供一个关键性参数。     

地震波形约束的蒙特卡洛——马尔科夫链随机反演方法

以地质统计学为基础、以测井资料为条件数据的地震随机反演方法的分辨率高于常规确定性反演,因此迅速得到广泛应用,但是提高计算效率以及消除随机性一直是难点.为此,提出了基于地震波形约束的蒙特卡洛—马尔科夫链(MCMC)随机反演方法.充分利用观测地震数据和待反演参数之间的地球物理映射关系,应用相关系数,根据已知的地震波形之间的...     

地震道的非线性约束反演

对于复杂波场储层研究，非线性反演在解空间的性质、状态方面比线性反演更具有优势。基于非线性最优化理论，本文提出了构造测井约束下的地震资料非线性反演方法，该方法综合了测井约束反演和宽带约束反演等线性反演方法的优点。实际地震资料的处理结果表明，该方法运算速度快、稳定、精度高，在油气储层研究中具有良好的应用前景。