专利名称：混沌量子粒子群模糊神经网络叠前非线性流体识别方法
技术领域：
本发明属于石油勘探领域，涉及利用混沌量子粒子群模糊神经网络非线性优化算法对流体性质进行识别，为流体识别提供了一种新的技术方法。
背景技术：
随着油气勘探与开发的不断深入，对识别储层中流体的要求也更高，但难度也很大。利用地震资料对储层中的流体进行识别是油气勘探最重要的研究工作。叠后地震资料在经过多次叠加后，信噪比有了较大的提高，但同时也损失了大量的振幅信息，很难通过叠后的技术手段对储层中流体的充填性质做出准确判断，导致在实际勘探 中出现了许多找到了储层但没有找到油气的例子。叠前地震数据与叠后地震数据相比，包含着更加丰富的振幅和旅行时信息，能更灵敏地反映地下油气藏的变化。目前叠前AVO技术已成为流体检测的重要地球物理手段之一。自Ostrander(1984)首先提出利用反射系数随入射角变化来识别“亮点”型含气砂岩开始，基于地震资料的流体识别技术得到了迅速发展。Smith等(1987)提出利用不同加权函数对叠前数据进行叠加，得到伪泊松比剖面和流体因子来预测岩性和流体；Goodway等(1997)提出一种拉梅参数和密度的AVO反演方法(LMR技术)，指出拉梅系数与密度的乘积(λ ρ)可以作为流体因子进行含油气性的直接检测；Hilterman(2001)在前人研究的基础上提出了流体因子的概念；RuSSell等(2003)提出了识别流体组分的Russell法；Dillon等(2003)提出了直接油气指示(DHI)的波阻抗差分析法；Gidlow等(2003)根据叠前AVO分析，提出了交会图角度和流体因子角度的概念，并利用这两种角度进行计算得到流体因子；QUakenbUSh等(2006)提出了泊松阻抗的概念，并将其作为流体因子取得了一定的应用效果；李景叶等(2008)根据Gassmann方程和其他岩石物理模型定量分析了孔隙度变化对流体识别因子的影响，详细阐述了利用纵横波速度来计算新流体识别因子的方法。贺振华等(2009)提出基于炮检距差异的扩展流体识别因子(EFDO)，并应用于川东二叠系长兴组生物礁滩气藏中气水层的识别当中，取得了显著效果。目前利用叠前AVO反演进行流体识别研究还处于发展和完善阶段，其本身仍存在一定的局限性，例如①目前叠前AVO反演都是基于Zoeppritz方程及其近似方程推导出来的，其推导过程是基于各向同性的均匀水平层状介质假设，但很多实际应用情况都无法满足方程的这一假设条件，这无疑影响了反演的精度Zoeppritz方程的近似公式大都是基于反射界面两侧介质的弹性参数差异较小或者波阻抗差较小的假设条件下简化得到的，并且通常假设纵、横波速度比近似等于2，而许多实际情况都不满足这一假设条件；③现今的叠前AVO反演大多都是基于模型的线性反演方法，反演过程人为影响因素较大，子波估算不准确等因素，都会直接影响反演结果的准确性，进而影响流体检测的结果；④岩石物理分析是连接地震数据(属性参数)与油藏特性(储集参数)的“桥梁”，目前主要通过岩石物理分析来进行纵横波速度的预测，其准确程度会对叠前反演结果起到重要的影响。
发明内容
针对目前利用叠前AVO反演进行流体识别存在的不足，本发明提供一种利用混沌量子粒子群模糊神经网络非线性优化算法对流体性质进行识别的方法。通过本发明的算法改进，研发一种“混沌量子粒子群模糊神经网络”的新型非线性群体智能优化算法，从根本上改善了目前优化算法中存在的全局搜索能力差、早熟收敛等问题，有效解决传统流体检测手段进行流体识别时存在的问题，显著提高了流体的识别精度，为流体识别提供一种新的科学有效的技术方法。本发明实现上述目的的具体实施方案如下步骤I :通过数值模拟和物理模拟，研究饱含不同流体AVO响应特征，为流体识别因子的构建提供理论依据；步骤2 :将共炮记录通过AVO资料预处理可以得到角度道集，将一定角度范围内的道集叠加起来得到三个部分角度叠加数据体(近、中、远)，为了降低地震资料噪音对预测结果的影响，分别提取多种地震属性，并根据不同流体性质AVO响应的差异，构建多属性角道集组合流体识别因子，以突出含油气性，压制含水性；
权利要求
1.基于混沌量子粒子群优化的模糊神经网络叠前非线性流体识别方法，其特征在于，包括如下步骤 步骤I :通过数值模拟和物理模拟，研究饱含不同流体AVO响应特征，为流体识别因子的构建提供理论依据； 步骤2 :将一定角度范围内的道集叠加得到三个部分角度叠加数据体(近、中、远)，分别提取多种地震属性，以增加流体识别的稳定性，降低噪音对预测结果的影响，根据不同流体性质AVO响应的差异，构建多属性角道集组合流体识别因子，以突出含油气性，压制含水性； 步骤3 :利用多个量子粒子种群进行协同优化，增加种群的多样性，提高量子粒子群的全局寻优能力，初始化多个量子粒子种群参数，以钻井揭示的流体信息作为已知训练样本，多属性角道集组合流体识别因子作为模糊神经网络的输入，将预测结果与已知流体性质的均方差作为量子粒子群的适应度值，判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4 ； 步骤4 :利用非线性自适应调整的方法控制收缩-扩展系数α，根据每个粒子距群体极值点的远近实际情况自动调节； 步骤5 :引入早熟收敛判断机制，当判断量子粒子群由于失去多样性过早的进入收敛状态，则启动早熟处理操作运行步骤6，否则转入步骤9 ； 步骤6:将遗传算法引入到量子粒子群算法中，根据适应度的大小在对部分比较差的粒子进行遗传操作的同时，也对部分极值点也引入变异机制，避免量子粒子群陷入局部极值点，使其能够引导种群迅速跳出局部最优； 步骤7 :为避免种群退化现象发生，提出“主导全局最优粒子”的概念，利用“主导全局最优粒子”记忆种群最佳极值点的位置和适应度，如果变异后的群体极值点适应度比变异前更差，则将主导全局最优粒子赋给变异后的群体极值点，并在量子粒子群更新公式中增加主导全局最优粒子这一项，引领群体的搜索方向，决定搜索到最终解的优劣程度； 步骤8 :发挥混沌变量具有遍历性、规律性和随机性的特点，利用混沌搜索机制优化量子粒子群算法，对全局极值点进行混沌操作，使量子粒子群算法跳出局部最优，保持群体多样性，改善算法的搜索效率，提高算法全局寻优能力； 步骤9 :更新各种群粒子参数，并比较每个粒子的适应值，如果优于当前的个体极值和全局极值则进行更新； 步骤10 :判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4，直到找到全局最优值； 步骤11:利用混沌量子粒子群算法来优化模糊神经网络中的连接权值和隶属函数参数，建立叠前非线性流体识别模糊系统； 步骤12 :利用研发的混沌量子粒子群叠前非线性流体识别模糊系统对流体性质进行综合判识。
2.根据权利要求I所述的混沌量子粒子群模糊神经网络叠前非线性流体识别方法，其特征在于，步骤I 步骤2中根据不同流体性质在角度道集上所反映信息存在差异的特点，对各角道集提取多种地震属性，进而构建多属性角道集组合的流体识别因子，能够显著增加流体识别的稳定性，降低噪音对预测结果的影响，并可以突出含油气性，压制含水性。
3.根据权利要求I所述的混沌量子粒子群模糊神经网络叠前非线性流体识别方法，其特征在于，步骤3 步骤11所述的混沌量子粒子群模糊神经网络优化算法，将混沌搜索机制、遗传算法、量子粒子群算法和模糊系统理论有机融合，充分发挥各种算法各自的优势和互补性，同时引入一系列的改进措施，如多量子粒子种群协同优化、利用非线性自适应调整的策略控制收缩-扩展系数α、提出主导全局最优粒子的概念等，从理论和实际两方面研究其机理与寻优性能，从根本上解决目前优化算法中存在的全局搜索能力差、早熟收敛等问题，能够显著增加种群的多样性，显著提高了全局寻优能力，可以有效处理模糊信息问题，并且具有较快的收敛速度。
全文摘要
本发明涉及一种混沌量子粒子群模糊神经网络叠前非线性流体识别方法。流体识别一直是油气勘探领域中的重点和难点问题，本发明针对目前常规流体识别方法存在的不足，通过研究饱含不同流体AVO响应特征，构建多属性角道集组合流体识别因子，并将混沌搜索机制、量子粒子群和模糊系统理论有机融合，充分发挥三者各自的优势和互补性，研发一种“混沌量子粒子群模糊系统”的新型群体智能优化算法，从理论和实际两方面研究其机理与寻优性能，从根本上改善目前优化算法中存在的全局搜索能力差、早熟收敛等问题，并将其引入到流体识别当中，形成混沌量子粒子群模糊神经网络叠前非线性流体识别方法，有效解决传统流体检测手段进行流体识别时存在的问题，提高了流体的识别精度，为流体识别提供一种新的科学有效的技术方法。
文档编号G06N3/02GK102880903SQ20121024178
公开日2013年1月16日 申请日期2012年7月13日 优先权日2012年7月13日
发明者刘立峰, 孙赞东 申请人:刘立峰, 孙赞东