联合多点地质统计学与序贯高斯模拟的随机反演方法

岩相和储层物性参数是油藏表征的重要参数,地震反演是储层表征和油气藏勘探开发的重要手段.随机地震反演通常基于地质统计学理论,能够对不同类型的信息源进行综合,建立具有较高分辨率的储层模型,因而得到广泛关注.其中,概率扰动方法是一种高效的迭代随机反演策略,它能综合考虑多种约束信息,且只需要较少的迭代次数即可获得反演结果.在概率扰动的优化反演策略中,本文有效的联合多点地质统计学与序贯高斯模拟,并结合统计岩石物理理论实现随机反演.首先,通过多点地质统计学随机模拟,获得一系列等可能的岩相模型,扰动更新初始岩相模型后利用相控序贯高斯模拟建立多个储层物性参数模型;然后通过统计岩石物理理论,计算相应的弹性参数;最后,正演得到合成地震记录并与实际地震数据对比,通过概率扰动方法进行迭代,直到获得满足给定误差要求的反演结果.利用多点地质统计学,能够更好地表征储层空间特征.相控序贯高斯模拟的应用,能够有效反映不同岩相中储层物性参数的分布.提出的方法可在较少的迭代次数内同时获得具有较高分辨率的岩相和物性参数反演结果,模型测试和实际数据应用验证了方法的可行性和有效性.

     

基于神经网络的随机地震反演方法

针对随机地震反演中存在的两个主要问题,随机实现含有噪声和难以从大量随机实现中挖掘有效信息,提出了一种基于神经网络的随机地震反演方法.通过对多组随机实现及其正演地震数据的计算,构建了基于序贯高斯模拟的训练集.这也为应用神经网络求解地球物理反问题,提供了一种有效建立训练集的方法.较之传统的神经网络反演,这种训练集不仅保证了学习样本具有多样性,同时还引入了空间相关性.数值模拟结果表明,该方法只需要通过单层前馈神经网络,就可以比较有效的解决一个500个阻抗参数的反演问题.     

基于页岩线性岩石物理模型的TOC反演方法研究

总有机碳含量(TOC)是评价页岩有机质丰度和生烃能力的重要指标.常规TOC预测方法是通过对弹性参数体(例如密度反演体)进行线性拟合得到的,该方法具有地区经验性,并且缺乏有效的理论支撑.针对此问题,本文以岩石物理驱动的物性参数反演作为技术手段,首先对典型页岩的矿物组分以及孔隙流体特征进行分析,得出影响页岩弹性参数变化的四...     

基于随机地震反演的Russell流体因子直接估算方法

本文研究了一种基于随机地震反演的Russell流体因子直接估算方法,该方法是一种基于蒙特卡罗的非线性反演,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.本文应用贝叶斯理论框架,首先通过测井数据计算井位置处的Russell流体因子,利用序贯高斯模拟方法(sequential Gaussian simulation, SGS)得到流体因子的先验信息;然后构建似然函数;最后利用Metropolis抽样算法对后验概率密度进行抽样,得到反演的Russell流体因子.其中对每道数据进行序贯高斯模拟时,采用一种新的逐点模拟方式,具有较高的计算速度.数值试验表明:反演结果与理论模型和实际测井数据吻合较好,具有较高的分辨率,对于判识储层含流体特征具有较好的指示作用.     

基于模型降阶的贝叶斯方法在三维重力反演中的实践

三维重力反演是地质工作者了解地球深部构造,认知地下结构的重要手段.按照反演单元划分,三维重力反演有离散多面体(Discrete)反演和网格节点(Voxels)反演两种方式.离散多面体反演由于易于吸收先验地质信息得到的理论场能够很好地拟合观测场,因此,在实际重力反演中更受欢迎.目前离散多面体重力反演中初始模型的建立方法繁杂不一,实际应用受到很大的限制.本文本着充分挖掘利用先验信息和重力观测数据得到丰富可靠的反演结果这一原则,以离散多面体反演技术为基础,改进建模过程.在初始模型的建立中,吸收贝叶斯算法优势,采用隐马尔科夫链改善朴素贝叶斯方法的分类效果,通过最大似然函数算法求解,再采取模型降阶技术,固定所建模型中几何体的形态或密度,达到在几何体形态(x,y,z)、密度(σ)和重力值(g)五个参数中降低维数目的,从而减小高维不确定性和正演的计算量,由此反演计算的地质体密度和分布范围相对更准确,更利于重现重力模型结构.通过单位球体和任意形态几何体模拟实验,以及安徽省泥河矿区三维重力反演实践,得到非常接近实际的密度或重力值,大幅提高了三维重力反演的精度和效率,说明该方法是有效、实用的.     

基于单台加速度记录的混合全局优化HVSR反演场地浅层速度结构

利用水平与竖向谱比（HVSR）方法反演场地速度结构是国际上迅速发展的研究领域.HVSR反演计算实质是一个土层场地模型空间搜索的全局优化问题,当模型搜索空间的复杂程度增大时,目前常用的搜索算法收敛速度慢,计算效率较低.本文实现了一种结合遗传和模拟退火方法优点的混合全局优化HVSR反演算法,通过理论模型和竖向台阵实测数据的检验,表明该算法能获得很好的反演效果,较好地解决了蒙特卡罗方法收敛速度慢,遗传算法收敛早熟和模拟退火算法搜索效率低的问题.本文在此基础上讨论了单台加速度S波记录用于场地速度结构HVSR反演的适用性,为基于单个地震台的地震观测记录反演浅层速度结构提供了一种高效且较为准确的反演方法.

     

Linear geophysical inversion via the discrete cosine pseudo‐inverse: application to potential fields

In this paper, we present a methodology to perform geophysical inversion of large‐scale linear systems via a covariance‐free orthogonal transformation: the discrete cosine transform. The methodology consists of compressing the matrix of the linear system as a digital image and using the interesting properties of orthogonal transformations to define an approximation of the Moore–Penrose pseudo‐inverse. This methodology is also highly scalable since the model reduction achieved by these techniques increases with the number of parameters of the linear system involved due to the high correlation needed for these parameters to accomplish very detailed forward predictions and allows for a very fast computation of the inverse problem solution. We show the application of this methodology to a simple synthetic two‐dimensional gravimetric problem for different dimensionalities and different levels of white Gaussian noise and to a synthetic linear system whose system matrix has been generated via geostatistical simulation to produce a random field with a given spatial correlation. The numerical results show that the discrete cosine transform pseudo‐inverse outperforms the classical least‐squares techniques, mainly in the presence of noise, since the solutions that are obtained are more stable and fit the observed data with the lowest root‐mean‐square error. Besides, we show that model reduction is a very effective way of parameter regularisation when the conditioning of the reduced discrete cosine transform matrix is taken into account. We finally show its application to the inversion of a real gravity profile in the Atacama Desert (north Chile) obtaining very successful results in this non‐linear inverse problem. The methodology presented here has a general character and can be applied to solve any linear and non‐linear inverse problems (through linearisation) arising in technology and, particularly, in geophysics, independently of the geophysical model discretisation and dimensionality. Nevertheless, the results shown in this paper are better in the case of ill‐conditioned inverse problems for which the matrix compression is more efficient. In that sense, a natural extension of this methodology would be its application to the set of normal equations.