基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

基于量子衍生涡流搜索的阿尔奇公式参数确定方法

阿尔奇公式是应用测井资料定量解释油水层的经典公式,然而传统的利用岩电实验确定阿尔奇公式参数的方法具有成本高、工作量大的缺点.针对这一问题,本文提出了基于量子衍生涡流搜索的阿尔奇公式参数确定方法.首先,根据阿尔奇公式参数的取值范围随机产生一个当前解,然后以当前解为中心,基于三维高斯分布随机产生若干候选解,并在这些候选解中寻找最优解,若最优解优于当前解,则用最优解替换当前解,再以当前解为中心,基于三维高斯分布继续产生候选解,如此循环直至收敛.收敛后的最优解即为最终确定的阿尔奇公式的参数.该方法的特色是候选解采用量子比特编码,候选解的产生采用量子比特的绕轴旋转实现,对于不同尺度空间的搜索具有较好的适应性.实验结果表明,在保证饱和度解释精度的前提下,量子衍生涡流算法可以替代复杂的岩电实验方法来确定阿尔奇公式的参数,使阿尔奇公式参数确定工作更为便捷.