基于分形先验信息的非线性反演

基于分形先验信息的非线性反演方法能综合利用测井数据和地震信息,在贝叶斯框架下,通过分形高斯噪音算法得到基于分形理论的先验信息,然后根据地震资料构建似然函数,最终利用基于快速模拟退火算法(Very Fast Simulated Annealing,VFSA)改进的粒子群优化(Particle Swarm Optimization,PSO)算法(VFSA-PSO)实现后验概率密度的抽样。与确定性反演结果相比,该方法能够有效地融合测井资料中的高频信息,提高反演结果的分辨率,并且目标函数的建立融合了确定性反演中的低频约束,从而得到宽频带的反演结果。数值模拟试验表明:基于分形先验的非线性反演结果与理论模型吻合较好,实际资料的应用效果也证明了该反演方法的有效性。

基于A-VFSA粒子发生器的PSO算法的研究

对超快速模拟退火算法进行改进(A-VFSA),并以此为粒子发生器,提出了PSO-PG算法。该算法通过粒子发生器对搜索域内粒子进行改进,从而生成一个精英粒子池;并根据随机策略从粒子池中选择粒子,作为初始种群,采用PSO算法进行优化,得到全局最优解。相比于标准PSO算法和LDW算法,PSO-PG算法拥有更好的稳定性和优化精度,能够更加快速地收敛到全局最优解,在一定范围内几乎不依赖于初始参数的选择。

叠前地震随机反演方法及实际资料应用

常规的确定性反演存在垂向分辨率较低的缺陷,而随机反演方法可以充分利用井数据来提高分辨率.相比叠后地震反演方法,叠前地震反演能够获得更多的储层信息,有利于改善储层描述的精度.结合随机反演和叠前反演两种各具优势的反演方法,本文研究了一种基于贝叶斯理论构建的叠前地震随机反演方法.在算法的实现方面,首先应用快速傅里叶滑动平均模拟(FFT-MA)算法和逐渐变形算法(GDM)来获取先验信息,以此来减少计算量并提高效率.然后,应用基于快速模拟退火(VFSA)算法改进的粒子群优化(PSO)方法(简称VFSA-PSO)来得到P波速度、S波速度、密度等弹性参数的后验分布,以此来进一步提高计算效率,而不失反演精度.模型试算和和实际资料应用验证了本文方法是一种高效的反演方法,能够得到高精度的反演结果.