基于遗传算法的叠前地震波形反演构建虚拟井曲线

脂肪粒是什么长什么样子~

脂肪粒会自动脱落的。
脂肪粒，是美容上的一个俗称，一般为米黄色颗粒状，在眼睛的周围。多发于额头，膝盖处。如果从医学角度讲，脂肪粒应该分为粟丘疹和汗管瘤两种，大家通常说的脂肪粒实际上是指粟丘疹。粟丘疹一般不用治疗，只要注意面部清洁、避免过度去角质或长期画浓妆，并选择清爽不油腻的眼霜，坚持一段时间后即会自然脱落。

扩展资料：
1、自制精油：保加利亚玫瑰1D、罗马甘菊1D、德国甘菊2D、薰衣草3D、玫瑰果油3ml、甜杏仁基础油10ml、葡萄籽油20ml充分混合，每天轻柔按摩长脂肪粒的地方，记得不要太用力气，一周后脂肪粒即可部分消失，三周后就可以全部消失的无影无踪，记得调配好此按摩油后一定在测敏安全后才使用。
2、维生素E：每晚洗完脸后，用维生素E油在有脂肪粒的地方涂抹均匀，大约两周时间脂肪粒就会干掉，这时很容易就可以剥落了，但有些也无效。
涂抹维E的方法比较保险，但耗时较长，有些人看到自己脸上的脂肪粒就忍不住要去挑。不过发在眼睛周围的脂肪粒，还是用抹维E或眼霜的方法，比较靠谱。
3、用针挑出脂肪粒：需要手巧的MM，最好有挑青春痘的经验。当脂肪粒长在离眼睛很近的地方时，最好不要轻易动手。
参考资料来源：百度百科——脂肪粒

罗文造¹　杨绍国²　王英民³

（1.广州海洋地质调查局 广州 510760；2.成都理工大学 成都 610059；3.中国石油大学（北京）北京 102200）

第一作者简介：罗文造，男，1969年出生，高级工程师，主要从事地球物理技术方法研究。

摘要 叠前地震波形反演能够提供详细的地下地层特征，但由于其计算量大、数据和模型之间的非线性、目标函数的多极值和反演结果的多解性使叠前地震反演的实施成为一大难点。本文通过叠前和叠后混合反演技术采用遗传算法实现了深海无井地震反演。遗传算法思想简单、易于实现和使用、具有隐含并行性和全局搜索能力等优点，基于遗传算法的叠前地震波形反演得到了与井中实际数据基本吻合的速度和密度数据。

关键词 叠前反演 遗传算法 虚拟井

1 前言

地震反演分为叠前反演和叠后反演。一般叠前反演方法所得到的物理特性与叠后反演方法相比提供了更详细的地下地层特征。叠前反演分辨率高，但速度慢、稳定性差，现处于研究阶段，距大规模生产应用还有一定距离。叠后反演虽然分辨率要低一些，但速度快、稳定性好，可满足大规模生产应用的需要。

叠前地震波形反演所面临的难题在于：①计算量和数据量非常庞大；②数据和模型之间高度非线性；③目标函数具有多个极小值；④反演结果具有多解性，可能存在多个模型与地震数据匹配良好（Sen等，1991）。非线性、非唯一性和大计算量交织在一起，使叠前地震波形反演的难度很大。但它对储层岩性和所含流体的高分辨率，对油气勘探开发技术研究人员来说具有较大的吸引力。针对叠前地震波形反演所面临的难题，近十年来，有许多地球物理工作者进行了大量的探索，取得了重要的研究成果，这些进展基本上解决了叠前地震波形反演所面临的高度非线性和局部极小值问题；但对非唯一性和大计算量的问题没得到很好解决。为此，有些学者采用了一种折中的办法，即叠前和叠后混合反演的办法，首先在一些控制点进行精细的叠前地震波形反演构建虚拟井曲线，然后以虚拟井作为控制信息进行叠后反演（Mallick，2000）。叠前和叠后混合反演的办法利用了叠前反演分辨率高，叠后反演速度快、稳定性好的优点，克服了各自的缺点，成为目前的一个研究亮点。特别对于深海无井的情况，具有很好的应用前景。本文采用叠前和叠后混合反演的办法实现深海无井地震反演，其关键是叠前地震波形反演构建虚拟井曲线方法的研究。

2 遗传算法基本原理

遗传算法（Genetic Algorithm，简称GA）是美国Michigan大学的John H.Holland在60年代提出的，目的是把自然界的自适应机理应用于计算机系统的设计。目前，遗传算法作为一种有效的全局寻优自适应概率算法，由于其算法思想简单、易于实现、易于使用、具有隐含并行性和全局搜索能力等优点，且对很多优化问题能够较容易地得到令人满意的解，在自适应控制、组合优化、模式识别、机器学习、人工智能、地球物理反演、管理决策等涉及优化计算问题的领域得到了广泛的应用，且影响越来越大。

尽管遗传算法在解决复杂非线性优化问题中具有独特的优势，但它本身也有局限性，其突出的一个弱点就是收敛性能差，尤其对于多参数、超大解空间的优化问题，其收敛速度有时让人很难接受，这在一定程度上制约了GA的使用和发展（Sen等，1992）。采用GA求解高维、多约束、多目标的优化问题仍是一个没有很好解决的课题，它的进展将会推动GA在许多工程领域的应用。

遗传算法是一种基于自然选择和基因遗传学原理的随机搜索算法，但又不同于一般随机搜索算法。它是通过将待寻优的模型空间的参数进行编码，并用随机选择作为工具来引导搜索过程向着更高效的方向发展，其计算简单、功能强大（Mallick，1995）。具有以下特点：

1）GA是对要寻优参数的编码进行操作，而不是对参数本身；

2）GA是从“群体”（多个初始点）出发开始的并行操作，可以有效地防止搜索过程收敛于局部是优解，是一种全局寻优的方法，且计算速度较快；

3）GA采用目标函数来确定基因遗传的概率，对问题的依赖性较小，适用范围更广；

4）GA的操作均采用随机概率的方式，减少人为干预对结果的影响；

5）GA以随机选择来引导搜索过程，是一种启发式的搜索方法，搜索效率更高；

6）GA适合于大规模复杂问题的优化，如地震反演问题。

遗传算法运算的原理简单，只涉及参数编码的复制和部分编码的交换和变异操作，标准GA只包括选择、交叉和变异三种基本操作：

（1）选择（Selection）/再生（Reproduction）

选择是根据群体成员的适应度值f_i，对群体成员进行复制的过程。其按照一定的概率选择优秀成员并复制保留下来，体现“适者生存”的自然规律。

选择运算有许多方法，最简单的方法是采用轮盘赌法。该方法根据群体中各成员的适应度，计算适应概率f_pi，适应度越大，适应概率越大。

（2）基因交换（Crossover）/重组（Recombination）

基因交换或重组由两步构成，一是匹配，即对再生的群体成员做随机匹配；二是交换匹配成员的基因，即对每对匹配成员，按照随机概率P_c选择随机位置，将两成员的编码进行交换或重组。经过再生所得的新群体中并没有新成员，也就是在搜索空间中没有得到新的搜索点。而按随机概率进行基因交换后，新群体中既有上一代的优秀成员，又有由优秀成员交叉后产生的新成员，得到的新搜索点。根据生物遗传的“杂交优势”规律，这种新成员应该优于原成员。

（3）基因变异（mutation）

基因变异的目的是在搜索过程中，不断引入新的信息量，以免再生和交换的遗传过程中丢失潜在的有用遗传物质。基因变异实际上是对群体成员的基因按小概率Pm扰动而使其发生变化，以补充新的信息。

遗传算法求解优化问题的基本思路：

（1）确定目标函数

目标函数（Objects）是刻画最优解的标准，也是适度计算的依据。一般是以计算值与观测值之间的拟合程度或误差大小为标准的。

（2）指定问题参数的搜索范围

给定每一个模型参数的取值范围，对任一参数x给出［X_min，X_max）。实际上是问题解空间搜索精度的描述，其决定了搜索空间的大小，精度越高，离散化的搜索空间越大。

（3）模型参数编码

由于GA运算是对模型参数的编码进行的。编码方式有多种，常用的有二进制编码和十进制编码。

（4）初始群体的产生

给定群体成员数n，用随机生成的方法获取n个群体成员构成初始群体；

（5）遗传计算

① 求取适应度值

适应度值是直接由目标函数转换计算出来的。对最小化问题可用

指数转换：

南海地质研究.2006

i=1，…，n

其中：Objects［i］为第i个成员的目标函数值；σ为群体目标函数值的方差；Fitness［i］为第i个成员的适应度值。

② 再生

计算再生概率：

南海地质研究.2006

Ps［0］=0；

南海地质研究.2006

i=1，…，n

生成［0，1］随机数r，如果Ps［i-1］≤r＜Ps［i］则第i个成员获得再生。

③ 交叉

将群体成员两两配对，组成n/2对母本，并按概率P_c进行交叉；即产生［0，1］随机数r，如果r＜=Pc，则在一随机位置交换两个母本的编码；否则不变。

④ 变异

对每一个新成员，按概率Pm进行基因的随机突变，即产生［0，1］随机数r，如果r＜=Pm，则在一随机位置改变该成员的编码，由1变0，或由0变1。

遗传算法对问题的求解是通过对寻优参数空间进行编码，从多点出发，采用随机选择作为工具来引导搜索过程向着更高效的方向发展，是一种普适性的搜索方法（Mallick，1999）。由于在搜索过程中使用了其父辈的适应度函数值作为启发知识，因此又是一种启发式搜索方法。这种搜索方法，对于简单的多极值优化问题可能会产生好的效果。尽管如此，GA对于多参数复杂非线性问题收敛速度还是过慢（Xia等，1998）。

就遗传算法本身而言，提高其收敛速度的关键在于合理的适合问题特点的遗传编码方法、适应度函数及变换方法、遗传算子、算法参数的设置和选取。

3 基于遗传算法的叠前地震波形反演

采用GA叠前地震波形反演估算弹性参数。叠前反演在角道集上进行，以便减少计算工作量。叠前资料预处理包括：角道集抽取、叠前去噪、压制多次波和高精度速度分析等方。GA叠前地震波形反演的技术路线如图1。

图1 GA叠前地震波形反演框图

Fig.1 The flow chart of pre-stack seismic waveform inversion by means of GA

其算法如下：

1）准备初始模型、地震记录Seis等数据

由高精度速度分析构建初始模型，地震记录Seis为角道集地震记录。

2）确定地质模型参数及参数搜索范围和搜索间隔

3）对模型参数编码。根据搜索范围的搜索间隔，先确定各参数可能取得的不同值的个数，为节省空间对所有参数进行整数编码。

4）生成拟合模型的初始随机总体P，假设生成了n个随机模型

由X=X_min+Code×Dx，对V_p，V_s和ρ三个参数nt个样点用随机生成的方式生成整数码产生要求的样本量。

5）计算各模型的合成地震记录Syni。

合成地震记录采用Zoeppritz方程计算。

6）比较Syni与Seis，计算并保存目标函数值

观测记录与合成记录之间的匹配程度称为模型的拟合度（Inger等，1992），如果随机模型与实际情况相差很远，由观测记录计算得到的角道集与相应的合成角道集匹配就会很差。相反如果所选随机模型接近实际情况，从而使由观测记录计算得到的角道集与相应的合成角道集能很好地匹配。

南海地质研究.2006

i=1，…，n

其中：n为群体样本数；从理论上说，点越多，搜索效率应该越高。但实际上增加搜索点，也高增加了遗传计算的计算量。因此解决实际问题时，根据问题的性质及解空间的大小，做适当选择。在计算时，由于遗传计算量相对较大，选择了较小的群体。为便于操作和增加程序的适应能力，采用人机交互输入的方式选择8到32间的偶整数。

Nt=nt×angles；

nt：地震道时间取样点数；

angles：角道集所选角度个数。

seis［j］：观测记录角道集

Syn［j］［i］：第i个群体成员的合成记录角道集

7）根据目标函数值对P做再生、交叉、变异操作，更新P生成新的随机总体；

8）如果满足结束条件，结束并输出结果；否则重复5）至8）直到结束。

4 叠前地震波形反演的实施

针对地震波反演问题这种多参数、复杂非线性问题的特点采用了如下技术措施：

（1）编码方法

对多参数、复杂非线性问题，其编码的优劣直接影响计算效率。为此采用了整数编码方案有效降低码的长度，加快计算速度。参数编码采用整数编码，方法如下：

参数值=参数最小值+码值×参数搜索精度；

码值=（参数值-参数最小值）/参数搜索精度；

即：Dx=（X_max-X_min）/Code_max

X=X_min+Code×Dx

Code=（X-X_min）/Dx

（2）适应度函数

适应度函数是由目标函数转换而得的用以刻划个体适应生存能力的函数。对极小值问题一般采用指数变换，但这种变换是一种均匀变换，在计算后期当群体中各样本目标函数值接近时，为增加优秀个体在再生时被选中的可能性，从而加快算法收敛，选择采用了S函数做叠加变换。

开始时使用指数变换：

南海地质研究.2006

i=1，…，n

其中：Objects［i］为第i个成员的目标函数值；σ为群体目标函数值的方差；Fitness［i］为第i个成员的适应度值。

当群体中样本目标函数值接近时使用S函数变换：

南海地质研究.2006

用于在遗传迭代计算后期，当群体各样本适应度很接近时，以指数形式放大平均适应度以上的样本适应度差异，缩小平均适应度以下的样本适应度的差异，以便更好地选择优秀个体（Sen，2001）。

式中：x对应用不同样本的原适应度值；y为变换后的适应度值；θ₀为所有样本的平均适应度。a＞0表示用于控制放大比例参数，越大对平均值以上的部分放大越明显。b＞0表示调节系数，当a=1时，可取b为8到10；b太大达不到对接近最大值处的适应度的放大，b较小时可用线性变换取代。

南海地质研究.2006

当然为达到上述目的，也可使用其它函数，选择使用S函数，一是因为S变换的连续性，可使大于平均值的适应度放大，而使小于平均值的适应度缩小。二是基于前人的经验增加优秀个体在再生时被选中的可能性，从而加快算法收敛。

（3）算法过程

一般GA在计算时采用的是上一代的适应度作为启发函数再生后进行的随机启发搜索方法。为提高算法速度在实际处理中除使用上一代的适应度，还充分利用了优秀的隔代遗传的信息作为启发信息，参与遗传过程的计算。采用一种有限深度回溯搜索的方法，避免了迭代计算的反复，从而加快了计算收敛速度。事实上，在超大解空间中，某一代的遗传性能往往很难决定最终结果的好坏。另外，在交叉中每对成员交叉变换使用两次概率选择方法，即先选成员对，再选参数，且每个参数分别选择，这样可以有效地增加搜索能力。

5 试算效果实例分析

图2给出了理论地震记录的基于遗传算法的叠前地震波形反演的实例。图中展示了反演纵波速度和实际井中速度曲线，反演横波速度和实际井中速度曲线，反演密度和实际井中密度曲线，理论地震角道集记录和反演结果的合成角道集记录。基于遗传算法叠前反演结果与井中实际数据基本吻合，理论地震角道集记录和反演结果的合成角道集记录吻合非常好。

图2 基于遗传算法的叠前地震波形反演实例

Fig.2 A case for GA based pre-stack seismic waveform inversion

图中从左到右为反演纵波速度和实际井中速度曲线，反演横波速度和实际井中速度曲线，反演密度和实际井中密度曲线，5°理论地震角道集记录和反演结果的合成角道集记录，10°理论地震角道集记录和反演结果的合成角道集记录，15°理论地震角道集记录和反演结果的合成角道集记录，20°理论地震角道集记录和反演结果的合成角道集记录

参考文献

Inger L，and Rosen B.1992.Genetic algorithms and very fast simulated annealing：A comparision，Math.Comput.Modelling，16，87～100

Mallick S.1995.Model-based inversion of amplitude-variation-with-offset data using a genetic algorithm，Geophysics，52，1355～1364

Mallick S.1999.Some practical aspects of prestack waveform inversion using a genetic algorthm：An example from the east Texas Woodbine gas sand，Geophysics，64，326～336

Mallick S.2000.Hybrid seismic inversion：A reconnaissance tool for deepwater exploration.The Leading Edge，19，1230～1237

Sen M K，and Stoffa P L.1991.Nonlinear one-dimensional seismic waveform inversion using simulated annealing，Geophysics，56，1624～1638

Sen M K，and Stoffa P L.1992.Rapid sampling of model space using genetic algorithms：Examples from seismic waveform inversion，Geophys.J.Internat.，108，281～292

Sen M K.2001.Pre-stack waveform inversion：Current status and future direction，Institute for Geophysics

Xia G，Sen M K，and Stoffa P L.1998.1-D elastic waveform inversion：A divide-and-conquer approach，Geophysics，63，1670～1684

The construction of pseudo-well logs by inversion of pre-stack seismic waveform based on genetic algorithm

Luo Wenzao¹　Yang Shaoguo²　Wang Yingmin³

（1.Guangzhou Marine Geological Survey，Guangzhou，510760；2.Chengdu University Sciences and Technologies，Chengdu，610059；3.China Petroleum University，Beijing，102200）

Abstract：The inversion of pre-stack seismic waveform is capable of providing the detailed character of subsurface stratigraphy.But its large scale of calculation，the non-linear relationship between data and model，multi-pole of objective functions and its multi-resolution has resulted in the difficulty of its operation.The seismic inversion without well constrained in the deep sea has been realized by hybrid inversion of pre-and post-inversion.The genetic algorithm is simple，easy to realizing and using with the character of latent paralleling and global searching capability.The inversion of pre-stack seismic waveform based on genetic algorithm gives the velocity and density which consists basically with those from the wells.

Key Words：Pre-stack inversion Genetic algorithm Pseudo-well

---

印台区13667349840： 地震资料处理叠前偏移 - ？
剧侧生脉： 叠前偏移主要包括叠前时间偏移和深度偏移,这方面的技术已经很成熟.主要难点是:相当费机时,对设备的要求很高,还有就是速度模型的准确求取.好处是:叠前偏移结果在构造信息和能量信息上均优于常规处理结果,经叠前偏移处理后的剖面,断层成像清晰,归位准确,地质形态更细致.对于复杂构造地区效果更好.

印台区13667349840： 目前常见的叠后地震反演有哪些问题 - ？
剧侧生脉： 在反演中,假定噪声及模型参数是高斯分布的,采用岩石物理的研究方法及结果建立模型参数协方差矩阵以约束反演.反演采用非线性迭代的方法,不依赖初始模型的选择,反演的速度较快,适合于叠前AVO反演.在忽略了地震数据的带限特性...

印台区13667349840： 什么是叠前叠后数据? - ？
剧侧生脉： 叠前与叠后是指地震数据处理中的偏移来说的,在地下介质的产状不是水平时,反射地震的同相轴会发生偏移,不能反映该处地下介质的真实产状;这时要求在资料处理是进行偏移归位.偏移有两种方式:叠加之前偏移和叠加之后偏移,前者就叫叠前,后者叫叠后,构造解释使用叠前或叠后资料都可,一般来说,叠前资料精度要高;叠前在解决地层倾角大或者构造复杂地区比较实用;叠前资料处理过程比较复杂,时间也长,在构造比较简单的地区使用叠后资料生产运行周期会缩短,可以节约开支.

印台区13667349840： 目前地震可以通过哪些方法预报 - ？
剧侧生脉： 地震学预测方法一、前兆性地震活动:(1)地震活动增强与平静;(2)震群活动;(3)前震活动;(4)诱发地震;(5)地震窗;(6)地震震中迁移;(7)相关地震;(8)地震活动重复性.二、地震空区和条带:(1)地震空区;(2...

印台区13667349840： 大同地震(关于大同地震的基本详情介绍) ？
剧侧生脉： 1、2010年山西大同阳高县、大同县交界处发生4.5级地震.2、山西应县大黄巍乡曾发生M3.5级地震,大同市部分居民有感.

印台区13667349840： 地震反演的有哪些优点 - ？
剧侧生脉： 地震资料反演技术就是充分利用测井、钻井、地质资料提供的丰富的构造、层位、岩性等信息,从常规的地震剖面推导出地下地层的波阻抗、密度、速度、孔隙度、渗透率、沙泥岩百分比、压力等信息.反演提供各种岩性剖面,目的就是将已知...

印台区13667349840： 储层精细预测技术 - ？
剧侧生脉： 简单的说,就是利用地球物理方法,主要是地震反演,通过对地震数据结合测井数据的波阻抗反演,获得储层相对准确的波阻抗值,在此基础上,利用表征储层特征的阻抗值对储层进行精细刻画,这种技术就可以称作储层精细预测技术.这种反演技术根据地震数据是否叠前叠后,又可以分为叠前波阻抗反演和叠后波阻抗反演.

印台区13667349840： 4月石油物探技术研究院研发的iCluster - RTM地震叠前偏移软件有什么作用? - ？
剧侧生脉： iCluster-RTM软件集成了目前最新的地震偏移技术-逆时偏移.逆时偏移同时采用全声波方程延拓震源和检波点波场,汇集克希霍夫方法和单程波波动方程方法的优点于一身,它克服了偏移倾角和偏移孔径的限制,可以有效地处理纵横向存在剧烈变化的地球介质物性特征.该技术具有相位准确、成像精度高、不受介质横向速度变化和高陡倾角构造的影响、甚至可以利用回转波、多次波正确成像等优点.(来自中国石化新闻网) 满意请采纳.

印台区13667349840： 次声波的应用:热气球预报海上风暴 ？
剧侧生脉： 灿烂的阳光使海面银光闪闪,海滨浴场上人头攒动,喧声鼎沸.远处渔帆点点,海上... 如下雨时的雨点、海涛、雷电、台风、龙卷风、地震、山洪等都能产生次声波,发射...