[发明专利]基于Spark的叠前地震数据AVO弹性参数反演方法及系统

说明书

本发明公开了一种基于Spark的叠前地震数据AVO弹性参数反演方法及系统，首先将初始化生成的种群转换为RDD，根据集群配置，并行对RDD中每个个体计算初始适应度值，然后根据锦标赛选择特点，并行选择出popsize个个体构成种群，并根据算术交叉特点，串行执行算术交叉，再根据自适应变异算子特点，并行对popsize个个体进行变异构成新种群；最后并行更新种群中个体的适应度值，重复执行选择变异交叉操作后得出最优解，根据最优解进行AVO弹性参数反演。采用本发明进行叠前地震数据AVO弹性参数反演，耗时明显降低，求解效率较高。

技术领域

本发明涉及地震勘探领域，更具体地说，涉及一种基于Spark的叠前地震数据AVO弹性参数反演方法及系统。

背景技术

目前，地震勘探是利用地震信息进行石油勘探的一种方法，由于地震信息可以反映出储层参数的变化趋势，因此，可以使用该方法来预测储层参数。地震数据分为叠前和叠后两种，由于叠前地震数据比叠后地震数据包含了更多的流体信息，而且叠前反演方法具有结果稳定、分辨率高、可控制性强等明显优势，因此近年来，基于叠前地震数据的反演一直是地震勘探领域中的热门话题。作为地震勘探的一部分，用于研究地震反射振幅随炮点与接收器之间的距离即炮检距(或入射角)的变化特征来探讨反射系数响应随炮检距(或入射角)的变化，进而确定反射界面上覆、下伏介质的岩性特征及物性参数的以弹性波理论为基础的AVO(Amplitude variation with offset，振幅随偏移距的变化)技术与地震、地质以及测井等信息相结合用以油气预测已经取得巨大成功。AVO技术以弹性波理论为基础，利用叠前CDP道集对地震反射振幅随炮检距的变化特征进行研究、分析，得到反射系数与入射角的关系，用以分析反射界面上下的岩性特征及物性参数，进而预测和判断油气储层流体性质、储层岩性等。叠前地震资料中包含许多有用的信息可用于地下油气状况的预测，其中纵波速度、横波速度和密度这三个弹性参数是关键的参数。这三个弹性参数可以侧面反映出地下油气的饱和度状况，纵波速度与含气饱和度的关系是非线性的，密度与气体饱和度的关系则是线性的，横波速度可以反映一些岩石特性。因此在判断地下油气饱和度时需要这三个弹性参数的变化的信息。叠前地震数据包含有更多的反映地下底层特征的信息，利用AVO信息通过求解Zoeppritz方程的近似公式，叠前反演可以直接得到反映地下岩石特征的弹性参数—纵波波速、横波波速、密度。从本质上讲，叠前地震反演是非线性的，但是目前多采用线性近似方法求解，降低了地震反演的精度。叠前AVO弹性参数的反演需要构建合适的目标函数，然后对目标函数进行优化，该目标函数一般是非线性的。当使用线性或拟线性的方法来求解该问题时，由于这些方法存在对初始模型依赖较强等缺陷，若初始模型选择有误，就会导致反演结果不可靠；尤其在对具有多参数、多极值等特性的非线性反演问题进行求解时，这些线性反演方法便遇到了瓶颈。由此可见，AVO反演是一个非线性优化问题，因此，采用非线性的反演方法，其解空间的性质、状态应优越于线性反演方法，而基于全局最优的智能优化算法具有较强的局部和全局寻优能力，具有较好的收敛性，并提高了计算效率，适用于多参数多极值的地球物理反演问题。

20世纪80年代中期，非线性全局智能优化反演技术开始受到地球物理领域专家学者的关注，很多其他领域的新思想、新方法也不断地被引入到地球物理领域。最早在理论上分析遗传算法用于多参数反演的可能性的是Berg E.。Mallick将遗传算法用于AVO反演问题的求解。Agarwal A等提出的基于FDR(Fitness-Distance-Ratio)PSO的走时约束的AVO反演方法在无噪声和2％噪声的人工合成地震数据中取得了不错的结果。

虽然智能算法是解决地球物理反演领域问题的主要方法之一，但是它们在地球物理非线性反演中也面临一些难点：