[发明专利]基于向量回归机和遗传算法的地震属性优选方法

说明书

技术领域

本发明涉及油田勘探开发技术领域，特别是涉及到一种基于向量回归机和遗传算法的地震属性优选方法。

背景技术

在进行地震储层预测时，通常引入与储层预测有关的各种地震属性。地震属性的引入通常要经过一个从少到多，又从多到少的过程。所谓从少到多，是指在设计预测方案的初期阶段应该尽量多的列举出各种可能与储层预测有关的属性。这样可以充分利用各种有用的信息，吸收各方面专家的经验，改善储层预测的效果。但是，属性的无限增加对于储层预测也会带来不利的影响，因为：

(1)有些地震属性可能与目的层本身无关，而反映了浅层干扰的变化，若对输入属性不加鉴别，有些属性只会引起混乱；

(2)增加属性会给计算带来困难，因为过多的数据占用大量的存储空间和计算时间；

(3)大量的属性中肯定会包含着许多彼此相关的因素，造成信息的重复和浪费；

(4)属性数是与训练样本数有关的。就模式识别而言，当样本数固定时，属性数过多会造成分类效果的恶化。

因此，针对具体问题，必须从众多的地震属性中挑选一些最好的地震属性或属性组合。

常用的属性优选方法有属性比较法、顺序前进法、顺序后退法、遗传算法等。

遗传算法(GA)是一种解组合最优问题的全局搜索算法。引入遗传算法可以找到组合优化问题的全局或近似最优解，即找出储层预测中的最优或次优地震属性组合。该算法是一种基于生物界自然选择和自然遗传机制解组合优化问题的全局搜索算法，但又区别于普通的搜索算法。普通的搜索算法一般只是从一个解出发改进到另一个较好的解而遗传算法则是从原问题的一组解出发改进到另一组较好的解。

遗传算法主要由以下几个问题组成：

(1)编码问题

遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间内按一定结构且由基因组成的染色体或个体。这一转换操作称为编码，也可以称作问题的表示。通常由问题空间向GA空间的映射称作编码，而由GA空间向问题空间的映射称作“译码”。评估编码水平常采用三个方面的指标，即完备性问题(空间中的所有候选解都能表示为GA空间的染色体)、健全性(GA空间中的染色体能对应所有问题空间中的候选解)和非冗余性(染色体和候选解一一对应)。

(2)群体设定

遗传操作是对众多个体同时进行的，这些众多个体组成了群体。在遗传算法处理流程编码设计之后的任务是初始群体的设定，并以此为起点一代一代地进化，直到满足某种进化停止准则而结束进化过程,此时得到最后一代或群体。在遗传算法中初始群体的设定可采取如下策略：①根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，并在此范围内设定初始群体；②随机生成一定数目的个体，并从中挑出最好的个体加人到初始群体中。这种过程不断迭代，直到初始群体中个数达到预先确定的规模。

(3)遗传操作

遗传操作是模拟生物基因遗传的操作。在遗传算法通过编码组成初始群体后，遗传操作的任务就是对群体中的个体，按照它们对环境的适应程度适应度评估完成一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言,遗传操作可使问题的解逐代优化，并逼近最优解。遗传操作包括选择、交叉和变异三个基本遗传算子，它们具有操作的随机化特点，其效果与三个遗传算子所取得的操作概率、编码方法、群体大小、初始群体以及适应度函数的设定密切相关。

遗传算法有一个非常关键的问题：群体中个体适应度的评价。2002年，王永刚教授发表《地震属性的GA-BP优化方法》，将遗传算法与神经网络算法相结合，发挥两种算法的优势，寻找全局最优，但是神经网络算法本身容易陷于局部最优，而且样本数据需要量大。2006年，韦振中老师发表《基于支 持向量机和遗传算法的特征选择》，在适应度评价时，使用支持向量分类机，实现对属性的定性分类，没有上升到定量评价的高度。2012年，张长开老师发表《基于支持向量机的属性优选和储层预测》，介绍支持向量回归机可以建立储层特征参数与优选属性之间的最优化定量计算关系，可以对属性优选实现定量化评价。为此我们发明了一种新的基于向量回归机和遗传算法的地震属性优选方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种把支持向量回归机引入到遗传算法当中，通过对优选属性的定量化评价，来提高属性优选的准确率的基于向量回归机和遗传算法的地震属性优选方法。