Construcción de curvas de pozos virtuales para inversión de forma de onda sísmica preapilamiento basada en algoritmo genético
Luo Wenzao1, Yang Shaoguo2, Wang Yingmin3
(1. Servicio Geológico Marino de Guangzhou, Guangzhou 510760; 2. Universidad Tecnológica de Chengdu, Chengdu 610059; 3. Universidad de Petróleo de China ( Beijing), Beijing 102200)
Acerca del primer autor: Luo Wenzao, hombre, nacido en 1969, ingeniero senior, dedicado principalmente a la investigación sobre tecnología y métodos geofísicos.
Resumen La inversión de la forma de onda sísmica previa a la pila puede proporcionar características estratigráficas subterráneas detalladas. Sin embargo, debido a la gran cantidad de cálculos, la no linealidad entre los datos y el modelo, múltiples valores extremos de la función objetivo, la realización de. La inversión de la forma de onda sísmica previa al apilamiento se ha convertido en una dificultad importante debido a problemas como la multidescomponibilidad de los resultados de la inversión. Este artículo utiliza un algoritmo genético para realizar una inversión sísmica sin pozos en aguas profundas mediante tecnología de inversión híbrida previa y posterior a la acumulación. El algoritmo genético tiene una idea simple, fácil de implementar y usar, y tiene las ventajas del paralelismo implícito y capacidades de búsqueda global. Los datos de velocidad y densidad obtenidos mediante la inversión de forma de onda sísmica previa al apilamiento basada en un algoritmo genético son básicamente consistentes con los datos reales del pozo.
Palabras clave inversión previa al apilamiento, algoritmo genético, pozo virtual
1 Introducción
La inversión sísmica se divide en inversión previa al apilamiento e inversión post-apilamiento. En términos generales, en comparación con el método de inversión posterior al apilamiento, las propiedades físicas obtenidas mediante el método de inversión previa al apilamiento pueden proporcionar características estratigráficas del subsuelo más detalladas. La inversión previa a la pila tiene alta resolución, pero es lenta e inestable. Aún se encuentra en la etapa de investigación y aún está lejos de su producción y aplicación a gran escala. Aunque la resolución de la inversión posterior a la pila es ligeramente menor, es rápida y estable y puede satisfacer las necesidades de producción y aplicación a gran escala.
Las principales dificultades que enfrenta la inversión de formas de onda sísmicas previas a la pila son que la cantidad de cálculos y datos es muy grande; ② el grado de no linealidad entre los datos y el modelo es alto; ③ la función objetivo es múltiple; valores mínimos; ④ los resultados de la inversión Al ser de resolución múltiple, más de un modelo puede ajustarse a los datos sísmicos (Sen et al., 1991). La no linealidad, la no unicidad y una gran cantidad de cálculos están entrelazados, lo que dificulta la inversión de la forma de onda sísmica previa al apilamiento. Sin embargo, su alta resolución de la litología del yacimiento y los fluidos contenidos es más atractiva para los investigadores en tecnología de exploración y desarrollo de petróleo y gas. En respuesta a las dificultades que enfrenta la inversión de la forma de onda sísmica previa al apilamiento, en la última década, muchos geofísicos han llevado a cabo muchas exploraciones y han logrado importantes resultados de investigación, resolviendo básicamente los problemas de mínimos locales y altamente no lineales que enfrenta la inversión de la forma de onda sísmica previa al apilamiento. , pero los problemas de no unicidad y complejidad computacional no se han resuelto bien. Con este fin, algunos académicos han adoptado un método de compromiso, es decir, el método de inversión híbrido previo y posterior al apilamiento, primero se realiza una inversión detallada de la forma de onda sísmica previa al apilamiento en algunos puntos de control para construir curvas de pozo virtuales, y luego. los pozos virtuales se utilizan como información de control para la inversión posterior al apilamiento (Mallick, 2000). El método de inversión híbrida previa y posterior a la pila aprovecha las ventajas de la alta resolución de la inversión previa a la pila y la rápida velocidad y estabilidad de la inversión posterior a la pila, superando sus respectivas deficiencias y convirtiéndose en un punto destacado de la investigación actual. Especialmente para aguas profundas sin pozos, tiene buenas perspectivas de aplicación. Este artículo utiliza métodos de inversión híbridos previos y posteriores al apilamiento para realizar una inversión sísmica sin pozos en aguas profundas. La clave es el método de construir curvas de pozos virtuales mediante la inversión de la forma de onda sísmica previa al apilamiento.
2 Conceptos básicos del algoritmo genético
El algoritmo genético (GA) fue propuesto por John H. Holland de la Universidad de Michigan en los años 1960, con el propósito de convertir los mecanismos adaptativos naturales aplicado al diseño de sistemas informáticos. En la actualidad, el algoritmo genético es un algoritmo de probabilidad adaptativo eficaz para la optimización global. Debido a su idea de algoritmo simple, fácil implementación, uso conveniente, paralelismo implícito y fuerte capacidad de búsqueda global, puede obtener fácilmente soluciones satisfactorias para muchos problemas de optimización. Ampliamente utilizado en control adaptativo, optimización combinatoria, reconocimiento de patrones, aprendizaje automático, inteligencia artificial, inversión geofísica, toma de decisiones de gestión y otros campos que involucran optimización y problemas informáticos.
Los problemas computacionales se han generalizado en este campo y su impacto es creciente.
Aunque el algoritmo genético tiene ventajas únicas para resolver problemas complejos de optimización no lineal, también tiene sus propias limitaciones. Una de las debilidades destacadas es el bajo rendimiento de convergencia, especialmente para velocidades de convergencia muy grandes y multiparamétricas. resolver problemas de optimización espacial a veces es inaceptable, lo que hasta cierto punto restringe el uso y desarrollo de GA (Sen et al., 1992).
El uso de GA para resolver problemas de optimización de alta dimensión, múltiples restricciones y múltiples objetivos sigue siendo un problema sin resolver, y su progreso promoverá la aplicación de GA en muchos campos de la ingeniería.
El algoritmo genético es un algoritmo de búsqueda aleatoria basado en los principios de la selección natural y los genes genéticos, pero es diferente de los algoritmos de búsqueda aleatoria generales. Codifica los parámetros del espacio modelo que deben optimizarse y utiliza la selección aleatoria como herramienta para guiar el proceso de búsqueda en una dirección más efectiva, por lo que es simple de calcular y potente (Mallick, 1995). Tiene las siguientes características:
1) El objeto de operación de GA es la codificación de los parámetros a optimizar, no los parámetros en sí.
2) GA es un método de "; grupos" (punto inicial múltiple) El método de optimización global de operación paralela puede evitar eficazmente que el proceso de búsqueda converja en la solución óptima local y la velocidad de cálculo es más rápida;
3) Se puede utilizar para buscar el espacio modelo y utiliza la selección aleatoria como herramienta para guiar el proceso de búsqueda en una dirección más eficiente.
3) GA utiliza una función objetivo para determinar la probabilidad genética, que depende menos del problema y tiene un alcance de aplicación más amplio.
4) Todas las operaciones de GA utilizan probabilidad aleatoria; , lo que reduce el impacto de la intervención humana en los resultados;
5) GA utiliza selección aleatoria para guiar el proceso de búsqueda, que es un método de búsqueda heurístico con alta eficiencia de búsqueda;
6 ) GA usa selección aleatoria. Es un método de búsqueda heurístico que guía el proceso de búsqueda y tiene una amplia gama de aplicaciones;
7) GA usa probabilidad aleatoria para determinar la probabilidad genética.
6) GA es adecuado para la optimización de problemas complejos a gran escala, como los problemas de inversión sísmica.
El principio de funcionamiento del algoritmo genético es simple y sólo implica la copia de códigos de parámetros y las operaciones de intercambio y mutación de códigos parciales. El GA estándar sólo incluye tres operaciones básicas: selección, cruce y mutación:
(1) Selección/replicación
La selección es el proceso de copiar a los miembros del grupo en función de sus valores de aptitud fi. Selecciona a los mejores miembros según una cierta probabilidad, los copia y los retiene, encarnando la ley natural de "supervivencia del más fuerte".
Hay muchas formas de elegir una operación, la forma más sencilla es utilizar la ruleta. La forma más sencilla es utilizar una ruleta. Este método calcula la probabilidad de adaptación fpi en función del grado de aptitud de cada miembro del grupo. Cuanto mayor es el grado de adaptación, mayor es la probabilidad de adaptación.
(2) Cruce/Recombinación
El intercambio o recombinación de genes incluye dos pasos: uno es el emparejamiento, es decir, el emparejamiento aleatorio de miembros regenerados en la población; el otro es el intercambio de; miembros coincidentes. Gene, es decir, para cada par de miembros coincidentes, se selecciona aleatoriamente una posición de acuerdo con la probabilidad aleatoria Pc y se intercambia la codificación o recombinación de los dos miembros. No hay nuevos miembros en la nueva población obtenida tras la regeneración, es decir, no hay nuevos puntos de búsqueda en el espacio de búsqueda. Después del intercambio de genes de probabilidad aleatoria, la nueva población incluirá tanto miembros destacados de la generación anterior como nuevos miembros generados por el cruce de miembros destacados, obteniendo así nuevos puntos de búsqueda. Según la ley de herencia biológica del "vigor híbrido", este nuevo miembro debería ser mejor que el miembro original.
(3) Mutación genética
El propósito de la mutación genética es introducir nueva información durante el proceso de búsqueda para que el material genético potencialmente útil no se pierda en el proceso genético de regeneración y intercambio. La mutación genética en realidad perturba los genes de los miembros de la población con una pequeña probabilidad de agregar nueva información.
La idea básica del algoritmo genético para resolver problemas de optimización:
(1) Determinar la función objetivo
La función objetivo (Objetos) es el estándar para describir la solución óptima y también es la base para cálculos moderados. Generalmente se basa en el grado de ajuste o error entre los valores calculados y los valores observados.
(2) Especifique el rango de búsqueda de los parámetros del problema
Dado el rango de valores de cada parámetro del modelo, para cualquier parámetro x y un número aleatorio dado r, si Ps[i- 1 ]≤r < Ps[i], r < Ps[i], entonces se regenera el i-ésimo miembro.
③Crossover
Emparejar miembros del grupo en parejas para formar n/2 pares de padres y realizar un cruce con probabilidad Pc, es decir, se generan [0, 1] números aleatorios r, Si r 0 representa el parámetro utilizado para controlar la relación de amplificación, cuanto mayor sea el factor de amplificación de la parte por encima del valor promedio, más obvio será b>0 representa el coeficiente de ajuste. Cuando a = 1, b toma de 8 a 10; ; cuando b es demasiado grande, el factor de amplificación es apropiado. Cerca del valor máximo, si b es demasiado pequeño, se puede reemplazar mediante una transformación lineal.
Investigación Geológica del Mar de China Meridional. 2006
Por supuesto, para lograr el propósito anterior, también se pueden utilizar otras funciones, y se elige la función S en primer lugar, debido a. Para la continuidad de la transformación S, se puede ampliar más que el valor promedio. El valor de aptitud es menor que el valor promedio. El segundo es aumentar la posibilidad de que individuos destacados sean seleccionados durante la regeneración basándose en experiencias pasadas, acelerando así la convergencia del algoritmo.
(3) Proceso algorítmico
Generalmente, GA utiliza un método de búsqueda heurística aleatoria después de la regeneración, utilizando la aptitud de la generación anterior como una función heurística en el cálculo. Para mejorar la velocidad del algoritmo, además de utilizar la aptitud de la generación anterior durante el proceso de procesamiento real, también hacemos pleno uso de excelente información genética intergeneracional como información heurística para participar en el proceso genético de cálculo. El método de búsqueda de retroceso en profundidad limitada se utiliza para evitar la iteración de cálculos iterativos, acelerando así la velocidad de convergencia de los cálculos. De hecho, en un espacio de solución muy grande, a menudo es difícil determinar el resultado final del rendimiento genético de una determinada generación. Además, en la transformación cruzada, se utilizan dos métodos de selección probabilística para cada par de miembros, es decir, primero se selecciona el par de miembros, luego se seleccionan los parámetros y cada parámetro se selecciona por separado, lo que puede mejorar efectivamente la búsqueda. capacidad.
5 Ejemplo de análisis de los efectos de la prueba
La Figura 2 muestra un ejemplo de inversión de forma de onda sísmica previa al apilamiento de registros sísmicos teóricos basada en un algoritmo genético. La figura muestra los resultados de la inversión de la curva de inversión de velocidad de onda de compresión y la curva de velocidad real del pozo, la curva de inversión de velocidad de onda de corte y la curva de velocidad real del pozo, la curva de inversión de densidad y la curva de densidad real del pozo, el registro de recopilación de ángulo sísmico teórico y el ángulo sintético reúne récord. Los resultados de la inversión previa al apilamiento basados en el algoritmo genético son básicamente consistentes con los datos reales del pozo, y los registros teóricos de recolección de ángulos sísmicos de los resultados de la inversión son consistentes con los registros de recolección de ángulos sintéticos.
Figura 2 Un caso de inversión de forma de onda sísmica previa al apilamiento basada en algoritmo genético
Figura 2 Un caso de inversión de forma de onda sísmica previa al apilamiento basada en GA
Desde la izquierda en la figura. A la derecha están los resultados de la inversión de las curvas de velocidad de la onda P y velocidad real del pozo, las curvas de velocidad de la onda S y velocidad real del pozo, las curvas de densidad y densidad real del pozo, el ángulo sísmico teórico de 5°. recopilar registros y el ángulo sintético recopilar registros, resultados de inversión del ángulo sísmico teórico de 10° recopilar registros y ángulo sintético recopilar registros, resultados de inversión del ángulo sísmico teórico de 15° recopilar registros y ángulo sintético recopilar registros, resultados de inversión del ángulo sísmico teórico de 20° recopilar registros y registros de recopilación de ángulos sintéticos
Referencias
Inger L y Rosen B.1992 Algoritmos genéticos y recocido simulado muy rápido: una comparación, Math.Comput.Modelling, 16, 87-100
Mallick S. 1995. Inversión basada en modelos de datos de variación de amplitud con compensación utilizando un algoritmo genético, Geophysics, 52, 1355 a 1364
Mallick S. 1999. Algunos Aspectos prácticos de la inversión de forma de onda previa al apilamiento utilizando un algoritmo genético: un ejemplo de la arena de gas Woodbine del este de Texas. Geophysics, 64, 326~336
Mallick S.2000. Inversión sísmica híbrida: una herramienta de reconocimiento para la exploración en aguas profundas .The Leading Edge, 19, 1230 ~ 1237
Sen M K y Stoffa P L.1991. Inversión de forma de onda sísmica unidimensional no lineal utilizando recocido simulado, Geophysics, 56, 1624-1638
Sen M K y Stoffa P L.1992. Muestreo rápido del espacio modelo utilizando algoritmos genéticos: ejemplos de inversión de forma de onda sísmica, Geophys.108, 281-292
Sen M K. 2001. Pre-stack inversión de forma de onda: estado actual y dirección futura, Instituto de Geofísica
Xia G, Sen M K y Stoffa P L. 1998. Inversión de forma de onda elástica unidimensional: un enfoque de divide y vencerás, Geofísica, 63, 1670 -1684
Registro de pseudopozos de inversión de ondas sísmicas previo a la pila basado en un algoritmo genético
Luo Wenzao1, Yang Shaoguo2, Wang Yingmin3
(1) Servicio Geológico Marino de Guangzhou Oficina, Guangzhou, China.
(1. Servicio Geológico Marino de Guangzhou, Guangzhou, 510760; 2. Universidad Tecnológica de Chengdu, Chengdu, 610059; 3. Universidad de Petróleo de China, Beijing, 102200)
Resumen: Superposición La inversión presísmica puede proporcionar una caracterización detallada de las formaciones del subsuelo. Sin embargo, problemas como la gran cantidad de cálculos, la relación no lineal entre datos y modelo, la multipolaridad y la multiresolución de la función objetivo traen dificultades a la operación. Los algoritmos genéticos son simples, fáciles de implementar y usar, y tienen potencial paralelismo y capacidades de búsqueda global.
La velocidad y la densidad obtenidas mediante la inversión de ondas sísmicas previas al apilamiento basada en un algoritmo genético son básicamente consistentes con la velocidad y la densidad en el pozo.
Palabras clave: inversión pre-stack, algoritmo genético, pseudopozo