[发明专利]混沌量子粒子群模糊神经网络叠前非线性流体识别方法

摘要

本发明涉及一种混沌量子粒子群模糊神经网络叠前非线性流体识别方法。流体识别一直是油气勘探领域中的重点和难点问题，本发明针对目前常规流体识别方法存在的不足，通过研究饱含不同流体AVO响应特征，构建多属性角道集组合流体识别因子，并将混沌搜索机制、量子粒子群和模糊系统理论有机融合，充分发挥三者各自的优势和互补性，研发一种“混沌量子粒子群模糊系统”的新型群体智能优化算法，从理论和实际两方面研究其机理与寻优性能，从根本上改善目前优化算法中存在的全局搜索能力差、早熟收敛等问题，并将其引入到流体识别当中，形成混沌量子粒子群模糊神经网络叠前非线性流体识别方法，有效解决传统流体检测手段进行流体识别时存在的问题，提高了流体的识别精度，为流体识别提供一种新的科学有效的技术方法。

主权项

基于混沌量子粒子群优化的模糊神经网络叠前非线性流体识别方法，其特征在于，包括如下步骤：步骤1：通过数值模拟和物理模拟，研究饱含不同流体AVO响应特征，为流体识别因子的构建提供理论依据；步骤2：将一定角度范围内的道集叠加得到三个部分角度叠加数据体(近、中、远)，分别提取多种地震属性，以增加流体识别的稳定性，降低噪音对预测结果的影响，根据不同流体性质AVO响应的差异，构建多属性角道集组合流体识别因子，以突出含油气性，压制含水性；步骤3：利用多个量子粒子种群进行协同优化，增加种群的多样性，提高量子粒子群的全局寻优能力，初始化多个量子粒子种群参数，以钻井揭示的流体信息作为已知训练样本，多属性角道集组合流体识别因子作为模糊神经网络的输入，将预测结果与已知流体性质的均方差作为量子粒子群的适应度值，判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4；步骤4：利用非线性自适应调整的方法控制收缩‑扩展系数α，根据每个粒子距群体极值点的远近实际情况自动调节；步骤5：引入早熟收敛判断机制，当判断量子粒子群由于失去多样性过早的进入收敛状态，则启动早熟处理操作运行步骤6，否则转入步骤9；步骤6：将遗传算法引入到量子粒子群算法中，根据适应度的大小在对部分比较差的粒子进行遗传操作的同时，也对部分极值点也引入变异机制，避免量子粒子群陷入局部极值点，使其能够引导种群迅速跳出局部最优；步骤7：为避免种群退化现象发生，提出“主导全局最优粒子”的概念，利用“主导全局最优粒子”记忆种群最佳极值点的位置和适应度，如果变异后的群体极值点适应度比变异前更差，则将主导全局最优粒子赋给变异后的群体极值点，并在量子粒子群更新公式中增加主导全局最优粒子这一项，引领群体的搜索方向，决定搜索到最终解的优劣程度；步骤8：发挥混沌变量具有遍历性、规律性和随机性的特点，利用混沌搜索机制优化量子粒子群算法，对全局极值点进行混沌操作，使量子粒子群算法跳出局部最优，保持群体多样性，改善算法的搜索效率，提高算法全局寻优能力；步骤9：更新各种群粒子参数，并比较每个粒子的适应值，如果优于当前的个体极值和全局极值则进行更新；步骤10：判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4，直到找到全局最优值；步骤11：利用混沌量子粒子群算法来优化模糊神经网络中的连接权值和隶属函数参数，建立叠前非线性流体识别模糊系统；步骤12：利用研发的混沌量子粒子群叠前非线性流体识别模糊系统对流体性质进行综合判识。