好好学习,天天向上,小飞鱼儿童学习网欢迎您!
当前位置:首页 >  小升初 >  学习方法 > 内容页

地球物理学习方法 我的第一篇博文,纪念一下^-^^

2021-07-14 08:04:21学习方法访问手机版0

机器学习在地球物理(地震)中的发展历程_1

我的第一篇博文,纪念一下^-^

本文主要关注BP神经网络、遗传算法、模拟退火算法、粒子群算法、支持向量机、混合智能算法,对洪水中的机器学习(神经网络、支持向量机)有初步的了解钻井(尤其是流体识别、储层识别、AVO反演)的应用与发展。神经网络

机器学习是计算机按照人指定的具体方法,按照人的思维方法解决具体问题。主要训练在大型数据库中寻找知识规则,建立学习模型,通过验证集分析新数据,达到预测。的目标。机器学习是完成任务的一种手段。神经网络是实现机器学习的一种方式。深度学习是指在多层神经网络上使用各种机器学习算法来解决各种问题的算法集合。深度学习是一种深度神经网络。估计结构受到人类神经网络的启发,提出了神经网络的实现方法。它在发展过程中主要经历了三个流行。

1958 年,Rosenblatt 提出了两层神经网络感知器,引发了神经网络的第一次学习。 1969年明斯基强调感知器分类能力有限,神经网络停滞发展进入AI冷流。 1986 年,Hinton 提出了一种反向传播算法,引起了神经网络的第二次盛行。 1995年,支持向量机的出现,优势明显低于神经网络,神经网络进入第二次寒潮。直到 2006 年,Hinton 才努力大幅提高神经网络的估计效率。 2012年多层神经网络在图像识别中的应用取得了非常好的效果,充分证明了多层神经网络的优越性。至此,深度学习被提出,神经网络进入第三次盛行。

地震反演技术从实现方法上可以分为线性反演和非线性反演两大类,可以归结为求目标函数极值的问题,即优化。线性反演包含一个极值,而非线性反演的目标函数包含多个极值。根据科学家的研究,地球物理问题在很多情况下是多极优化问题,如速度或波阻抗的递归估计、吸收系数的提取、地震子波概率、孔隙度和压力参数的估计等。在 80 年代,由于月球化学反演问题大多是多参数、多极端非线性优化反演问题,各种线性反演技术遇到了难以逾越的障碍和困难。基于神经网络的非线性智能反演技术给月球物理学家带来希望。

反向传播神经网络 (BPNN)

BP 神经网络是一种具有偏差反向传播的多层卷积人工神经网络,由 Rumelhart 和 Mcclelland 在 1986 年提出。它具有三层结构,即输入层、隐藏层和输出层每一层由一个或多个神经元组成

地球物理学习方法_物理研究性学习课题_物理研究性学习论文

1993年,余建华是国外第一个将BP算法应用于地球物理的人。 2010年,曹林宇提出将基于粒子群优化的BP神经网络技术应用于余震属性融合。同时,他基于全局随机优化的思想提出了粒子群优化算法来优化BP神经网络的初始残差和阈值。为了解决BP神经网络对初始值敏感,容易陷入局部极小值的问题。 BP神经网络的缺点是容易陷入局部极小值,反演不稳定,不适合大的多数据样本。但它可以与其他方法结合使用来解决问题。

模拟退火 (SA)

模拟退火法于1983年由Kripatrick首先提出,它基于优化问题的解与对象固溶过程的相似性。采用Metropolis算法,利用温度更新函数适当控制体温上升过程地球物理学习方法,实现模拟固溶。 ,从而达到求解全局优化问题的目的。模拟退火的估计速度太慢。针对这一问题,Szu和Ingber在模拟退火的基础上进行了改进,提出了一种具有快速收敛特性的快速模拟退火算法(VFSA)。

模拟退火就是寻找全局能量最小的参数,类似于在洪水反演中寻找目标函数的最优解。 Rothman首先提出通过模拟固溶法解决人工剩余静力标定难于反演的问题。 1991 年,Vasudevan 引入了一个优化函数来处理洪水数据分析中的残余静水力学。 1996年,Jervis基于快速固溶体模拟和遗传算法进行了分层介质反演。 2008年,Misra使用基于模拟退火的全局优化方案研究了基于边界保护的叠前AVO反演,同时向同事展示了该算法较好的应用前景。国内陆鹏飞(2008)等)将快速模拟退火算法应用于叠前反演,进行基岩模量、首波速度和密度反演。结果表明,快速模拟退火算法提高了模拟退火的性能。算法的收敛速度和反演的精度也得到了提高。刘欣欣(2010)采用模拟退火算法实现叠前同步反演技术流程地球物理学习方法,重点阐述其在花岗岩含气储层中的应用效果。

[!--empirenews.page--]

遗传算法(GA)

遗传算法起源于对生物系统的计算机模拟研究。它是一种基于达尔文遗传选择和生物进化的自然选择的估计模型。最早由印度密歇根大学霍兰德院士及其中学生提出。 1967年,他的中学生巴格利在他的博士论文中首次提出了“遗传算法”一词。 1970年代初期,Holland提出了遗传算法的基本定律——Schema Theorem,为遗传算法的研究奠定了理论基础。

遗传算法是一种自适应的、全局优化的概率搜索方法。它基于自然遗传学机制进行交叉和变异组合操作,通过优胜劣汰产生新的种群来替换原有种群,最终得到最优解。物种通过进化和优化从低级进化到高级。这种现象类似于在特定模型空间中寻找最优解的反演过程。因此,遗传算法作为非线性反演的主要方法之一,在月球化学反演中得到了广泛的应用。

物理研究性学习课题_地球物理学习方法_物理研究性学习论文

Stoffa (1991)率先提出使用遗传算法进行洪水波形的非线性多参数反演。然后Mallick (1995)应用遗传算法解决AVO反演问题,陶春晖应用遗传算法) 1993年算法反演)波阻抗,张厚珠用遗传算法反演层速。1996年,Boschetti用遗传算法反演洪水折射数据,并进行了高维数据分析研究。2014年,张胜强首先提出了一个基于 BISQ 机制的裂隙多孔介质存储,层参数全波形反演方法引入了最小二乘原理和生态位遗传算法,通过与基本遗传算法的比较,得出裂隙多孔介质的反演基于生态位遗传算法的储层参数稳定收敛,收敛速度更快,反演精度更高。

遗传算法的优点是:不依赖于初始模型的选择,具有自组织性,全局搜索能力好,在反演过程中不需要估计雅可比偏导数矩阵。此外,随着并行估计的出现,由于遗传算法的并行性,该算法将得到越来越广泛的发展和应用。

粒子群算法(PSO)

粒子群优化 (PSO) 模拟一群飞翔觅食的鸟类的行为,并通过鸟类之间的集体合作实现最佳的鸟群。 PSO的优点是简单易实现,不需要调整很多参数,并且由于其收敛速度快,编程简单,被用于月球化学反演。

易媛媛,2007年提出粒子群算法实现地震阻抗反演;聂茹(2010)等人用免疫粒子群算法实现地震阻抗反演;严哲(2010)带头)用量子行为的粒子群算法实现叠前AVO反演;朱童(2012)考虑粒子位置的相互影响,提出了一种并行粒子群优化算法,可以有效地用于弹性波涨落的多项式和弹性参数的反演;刘立峰等人重新表达了Zeopritz 2014年将多项式作为更适合粒子群优化的新方程,将该方法应用到海洋洪水数据中,得到了较好的反演结果。

混合优化算法

每种智能算法都有其优点,但也有相应的缺点。如果将它们结合在一起,是否会解决我们遇到的困境?

1993年,Porsani(1993)等)提出了遗传算法和线性反演相结合的洪水反演。方中宇(2017)对基础遗传算法做了自适应改进,然后改进遗传算法与粒子群算法相结合,开发出遗传与粒子群混合的GA-PSO协同进化智能优化算法算法。为了提高洪水波阻抗反演的精度,刘玉民(2018)等)提出了一种基于混沌和遗传思想的混合粒子群算法。谢伟(2019)提出了一种新的混合粒子群算法)基于粒子群优化最小二乘支持向量机的裂纹识别方法.

深度学习 (DL)

深度学习是指在多层神经网络上使用各种机器学习算法来解决各种问题的算法集合。深度学习是一种深度神经网络。与之前开发的其他机器学习算法相比,深度学习的主要特点是机器能够进行“抽象概念”“提炼和表达”,即具有学习知识和发现对象内在特征的能力。

2016年,曹俊兴及其团队进行了洪水钻井深度学习研究,提出了基于地震图特征的天然气储层识别技术,探索了深度学习用于深层天然气储层预测的思路洪水数据深度学习的帮助;李(2016)Identify 岩性基于深度信念网络;Araya-Polo(2017)使用深度学习提出一种无需洪水数据处理的断层识别技术;黄(2017)将进化神经)的组合网络和传统机器学习开发了洪水属性识别平台;傅超(2018)等,基于油气藏纵波和转换横波灵敏度的差异,提出卷积神经网络并支持一种结合机器法(SVM)的多波淹没油气藏分布预测深度学习方法。

支持向量机 SVM

Vapnik(1995)基于统计学习理论和结构风险最小化原理,提出了一种支持向量机(Support Vector Machine,SVM)机器学习方法。在小样本集条件下,通过求学习精度和学习函数复杂度之间的权衡,克服了过拟合问题,获得了很强的泛化能力,可用于解决非线性分类和回归问题,支持向量机方法首先利用非线性函数将低维样本数据到高维空间;然后在高维空间求解二次规划问题;最后在高维空间建立分类决策函数或回归函数,巧妙地解决了维数问题。从而得到全局最优解,避免了BP神经网络的局部极值问题。

2008年石广仁对支持向量机在裂纹预测和含气评价中的应用进行了分析研究,指出了SVM的优越性;冰萍萍(2012)等)提出了一种新的基于向量机的AVO。线性反演技术具有反演速度快、稳定性好等优点;王 (2014) 等. 应用支持向量机方法识别沉积微相和页岩相类型, 精度高. 边缘慧元 (2014) 使用支持向量机识别致密花岗岩的含气性水库;宋超(2015)等)提出在仅依靠洪水数据的条件下,使用支持向量机对花岗岩中的流体进行识别;袁(2018)等)研究了该方法基于机器学习技术提取储层多属性参数的方法。恐怕页岩气延展性参数采用支持向量机;赵(2018)基于无监督学习的研究方法中国地震相分类技术,并提出一个比较;贾云娇(2019)基于使用近似支持向量机进行机器学习,提取多种AVO属性和组合因子,以提高流体精度识别。

地球物理学习方法_物理研究性学习课题_物理研究性学习论文

展望

随着油气钻井技术的发展和钻井复杂油气藏的需要,基于叠前驱油数据的AVO反演成为近年来驱油油气钻井研究的重点。由于叠前AVO反演可以通过纵横向波速和密度反演获得孔隙度、含油饱和度等储层特征参数,推动了洪水解释从定性解释向定量解释发展,因此叠前AVO反演 作为洪水反演的新生力量。智能算法的出现应该是这项研究的福音。就传统算法而言,如何提高鲁棒性和泛化能力是关键,传统算法的混合是克服各自缺点的一种思路。作为近年来发展起来的一项技术,深度学习的主要优势在于发现其内在属性并总结其数据背后的规律。对其数据特征的解读仍然是非常重要的研究内容。深度学习的发展还在继续,还有很多算法和训练模型没有应用到我们的防洪演练中。结合不同算法获得高识别准确率是方向。

算法优缺点对比

模拟退火算法:计算过程简单通用;强壮的;可用于并行处理;可用于解决复杂的非线性问题。但收敛速度慢,执行时间长,算法性能与初始值有关,参数敏感。

遗传算法:具有很强的全局优化能力;易于实现并行化;通用性强;具有自组织、自学习、自学习;它具有很强的可扩展性,易于与其他算法结合。但也存在过早收敛,容易陷入局部最优解的情况。

粒子群算法:计算速度快,收敛稳定,记忆能力强。局部搜索能力差,搜索精度不高,容易进入局部最优。

BP神经网络:非线性映射能力强,自学习自适应能力强。能够将学习成果应用到新知识中,有一定的容错能力。容易陷入局部极小值,反演不稳定,不适合大的多数据样本,收敛速度太慢。

物理研究性学习论文_物理研究性学习课题_地球物理学习方法

支持向量机:具有优秀的泛化能力。可以获得全局最优解,避免了“维数诅咒”,简化了分类和回归问题,算法简单,鲁棒性好。无法针对大规模训练样本实现,对参数和核函数的选择敏感,难以解决多分类问题。

参考余建华。基于人工神经网络的岩性人工识别[J].石油地球物理钻探, 1993, 28(1);59~66 曹林宇, 朱世军, 周强. 基于粒子群优化的BP网络在洪水属性融合技术中的应用[J]. 油气地质, 2010, ( 5):685-688. Rothman DH 大残余静力学校正的自动估计[J]. 地球物理学, 1986;51(2):323-346Rothman DH 非线性反演、统计力学和残余静力学估计[J]. 地球物理学, 1985;50(12):2784-2796Vasudevan K., Wilson WG, Laidlaw WG 使用基于阶次的能量函数模拟退火静力学计算[J]. 地球物理学, 1991;56(11):1831-1839Jervis M、Sen MK、Stoffa PL。

利用非线性方法估计叠前偏移速度[J]. Geophysics, 1996, 61(1):138-150. Misra S. and Sacchi MD. Global optimization with model-space preconditioning: Application to AVO inversion[J]. Geophysics,2008,73(5):71-82) . 陆鹏飞, 杨长春, 郭爱华. 改进的模拟退火算法及其在叠前储层参数反演中的应用[J]. 地球物理学进展, 2008,23(1):104-109.刘全新, 方广建. 利用模拟退火方法实现洪水叠前反演[J]. 岩性储层,2010,22(1):87-92Stoffa PL, Sen MK. 遗传算法非线性多参数优化平面波地震图反演[J].地球物理学, 1991, 56(11):1794-1810.

Mallick S. 使用遗传算法对幅度变化随偏移量数据进行基于模型的反演[J].地球物理学, 1995, 60(4):939-954. 陶春辉, 何巧登, 牛斌华. 一维声介质的遗传算法反演[J]. 长春地质研究所学报, 1993(04) :447-454 张厚珠, 杨惠珠, 徐炳业. 使用遗传算法反演层速[J]. 石油地球物理钻井, 1995(05):633-644+718.​​ Fabio Boschetti, Mike C. Dentith和 Ron D. List. 使用遗传算法反演地震折射数据[J]. 地球物理学,1996,61(6):1715-1727 张生强. 多孔介质储层参数反演及流体识别方法研究[D]. 吉林大学, 2014. 易媛媛, 袁三一, 黄凯, 石学明. 粒子群算法在地震阻抗反演中的实现[J]. 油气技术学报, 2007(03):79-81+505. 聂茹, 岳建华, 邓帅奇。

地震阻抗反演的免疫粒子群算法[J].中国矿业大学学报, 2010, 39 (05):733-739. 严哲, 顾汉明. 具有量子行为的粒子群算法在叠前AVO反演中的应用[J]. 石油地球物理钻井, 2010,45 (04):516-519+624+466.朱彤,李晓凡,李义琼,张美根.基于改进粒子群算法的洪水标量波多项式反演[C].地质与地球物理研究所,中国科学院. 中国科学院地质与地球物理研究所第十一届(2011)学术峰会论文集(上). 中国科学院地质与地球物理研究所:科技与成果转化处,中国科学院地质与地球物理研究所, 2012:521-529. 刘立峰, 孙赞东, 韩建发, 赵海涛, 能源. 量子粒子群模糊神经网络碳酸盐岩流体识别方法[J]. 地球物理学报, 2014, 57(03):991-1000.方中宇、王丽萍、杜嘉媛、梁立峰。基于混合智能优化算法的非线性AVO反演[J].石油地球物理钻井, 2017, 52(04):797-804+626-627. 刘玉民, 高松岩. 混合粒子群算法在地震波阻抗反演中的应用[J]. 吉林大学学报: 信息科学版, 2018, 36(05):49-56. 谢伟. 基于机器学习的缝洞识别与多波联合反演性能方法研究[D].

中国地质大学(北京),2019。石广仁。支持向量机在裂纹预测及含气评价应用中的优越性[J].石油钻井与开发, 2008(5): 588-594. 冰平平, 曹思元, 陆交彤. 基于支持向量机的非线性AVO反演[J]. 地球物理学报, 2012, 55(3): 1025- 1032. Wang G, Carr TR, Ju Y, et al. 通过支持向量机分类器识别阿巴拉契亚盆地富含有机质的 Marcellus 页岩岩相. Computers & Geoscience, 2014, 64(3): 52-60边会媛, Wang费, 岳崇旺, 等. 利用弹性参数识别致密花岗岩储层流体性质[J]. 地球科学与环境学报, 2014, 000(004):99-106. 宋超, 郭志奇, 卢齐, 冯曦, 姜宇航, 刘才. 基于支持向量机的花岗岩流体类型识别[J]. 地球物理学进展, 2015, 30(02):616-620. 袁征, 黄华,姜瑜等

基于机器学习技术的多属性储层参数估计[C]// SEG Technical Program Expanded Abstracts 2018. 2018. Tao Zhao, Vikram Jayaram, el.地震相识别分类技术比较[J].解读,2015,3(4):SAE29–SAE58Jia Yunjiao.基于近似支持向量机的AVO分析与流体识别[D].成都理工大学,2019.曹俊兴.基于洪水深度学习的天然气储层识别模式[D] C]. 中国地球物理学会, 中国地震学会, 全国岩石学与地球动力学研讨会组委会, 中国地质学会构造地质与地球动力学专业委员会, 中国地质学会区域地质与成矿专业委员会. 2016 中国月球科学论文集联合学术峰会(2十六)——专题50:储层地球物理学。中国地球物理学会、中国地震学会、全国岩石学与地球动力学学术研讨会组委会、中国地质学会构造地质科学与地球动力学专业委员会、区域地质与地球动力学专业委员会中国地质学会成矿: 中国地球物理学会, 2016: 68.

傅超、林念田、张冬、文博、魏强干、张凯。基于多波洪水深度学习的油气藏分布预测案例[J].地球物理学报, 2018, 61(01):293-303. Huang, 等. 一种可扩展的地震属性地质特征识别深度学习平台[J]. 前沿. 2017(5):249) - 256Li G, Zheng Y, Li Y, et al. Recognition of Setumic Facies of Stratum Lithology based on Deep Belief Network[C]//2016年第二届人工智能与工业工程国际会议(AIIE 2016).2016. Mauricio Araya -Polo, Taylor Dahlke, 等. 无地震处理的自动断层检测[J]. 前沿. 2017,36(3):208-214