地震储层参数非线性反演与预测方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 1 前言 | 第15-26页 |
| ·课题依据及意义 | 第15-16页 |
| ·国内外研究现状 | 第16-23页 |
| ·储层预测的研究与进展 | 第16-17页 |
| ·神经网络的研究与发展概述 | 第17-21页 |
| ·模拟退火算法的研究现状 | 第21-22页 |
| ·粒子群算法的研究与应用 | 第22-23页 |
| ·研究内容及技术路线 | 第23-24页 |
| ·主要研究成果及创新 | 第24-26页 |
| 2 非线性优化方法理论 | 第26-48页 |
| ·常用的几种最优化方法 | 第26-33页 |
| ·最速下降法 | 第26-28页 |
| ·拟牛顿法 | 第28-31页 |
| ·共轭梯度法 | 第31-33页 |
| ·人工神经网络原理 | 第33-44页 |
| ·概述 | 第33-34页 |
| ·人工神经网络基本特征 | 第34-35页 |
| ·神经元模型 | 第35-39页 |
| ·神经网络模型 | 第39-44页 |
| ·模拟退火算法 | 第44-48页 |
| ·概述 | 第44-45页 |
| ·Metropolis 准则 | 第45-46页 |
| ·模拟退火算法描述 | 第46-48页 |
| 3 地震属性提取与优化 | 第48-62页 |
| ·地震属性 | 第48-53页 |
| ·地震属性与储层预测 | 第49-50页 |
| ·地震属性分类 | 第50-53页 |
| ·属性提取 | 第53-54页 |
| ·提取方法 | 第53-54页 |
| ·提取原则 | 第54页 |
| ·属性数据针对性处理 | 第54-56页 |
| ·属性数据优化方法 | 第56-59页 |
| ·属性优化的必要性 | 第56-57页 |
| ·常用属性优化方法 | 第57-58页 |
| ·其它属性优化方法 | 第58-59页 |
| ·属性的评价分析 | 第59-62页 |
| ·地震属性储层参数标定 | 第59-60页 |
| ·地震属性油气预测模式建立 | 第60页 |
| ·地震属性油藏参数转换 | 第60页 |
| ·地震属性误差分析 | 第60-62页 |
| 4 基于重构技术的约束波阻抗反演 | 第62-99页 |
| ·波阻抗反演基本原理 | 第62-63页 |
| ·假设前提 | 第62页 |
| ·基本原理 | 第62-63页 |
| ·几种波阻抗反演方法 | 第63-69页 |
| ·宽带约束反演 | 第63-64页 |
| ·稀疏脉冲反演 | 第64-66页 |
| ·模拟退火反演 | 第66-67页 |
| ·遗传算法反演 | 第67-68页 |
| ·神经网络反演 | 第68-69页 |
| ·反演前数据准备 | 第69-78页 |
| ·地震数据高分辨率处理 | 第69-72页 |
| ·地震构造精细解释 | 第72-76页 |
| ·测井资料处理 | 第76-78页 |
| ·测井约束稀疏脉冲反演技术 | 第78-94页 |
| ·稀疏脉冲反演原理及步骤 | 第78-79页 |
| ·多曲线声波重构技术 | 第79-90页 |
| ·方法提出背景及重构意义 | 第79-80页 |
| ·测井基本原理 | 第80-83页 |
| ·储层特征曲线重构方法 | 第83-90页 |
| ·子波提取与精细层位标定 | 第90-93页 |
| ·子波提取 | 第90-92页 |
| ·层位精细标定 | 第92-93页 |
| ·低频模型建立 | 第93-94页 |
| ·储层预测与评价 | 第94-99页 |
| ·测井曲线储层特征分析 | 第94-95页 |
| ·声波曲线重构 | 第95-96页 |
| ·重构技术应用效果分析 | 第96-97页 |
| ·储层追踪与识别 | 第97-99页 |
| 5 改进的模拟退火神经网络储层参数预测方法 | 第99-121页 |
| ·储层参数预测方法 | 第99-100页 |
| ·神经网络储层油气横向预测方法 | 第100-102页 |
| ·BP 神经网络原理 | 第102-107页 |
| ·多层前向神经网络 | 第102-103页 |
| ·BP 神经网络算法 | 第103-106页 |
| ·BP 算法不足及改进 | 第106-107页 |
| ·模拟退火算法改进 | 第107-115页 |
| ·模拟退火算法改进方案 | 第108-109页 |
| ·免疫规划算法 | 第109-111页 |
| ·免疫算子描述及分析 | 第110页 |
| ·免疫规划收敛性 | 第110-111页 |
| ·基于免疫规划算法的模拟退火 | 第111-115页 |
| ·算法步骤 | 第111-113页 |
| ·模拟退火算法重要参数选择 | 第113-115页 |
| ·基于改进退火算法神经网络储层参数预测 | 第115-121页 |
| ·问题的提出 | 第115-116页 |
| ·改进模拟退火神经网络模型结构 | 第116-118页 |
| ·应用实例 | 第118-121页 |
| 6 粒子群神经网络储层预测方法 | 第121-140页 |
| ·粒子群算法 | 第121-122页 |
| ·粒子群优化算法基本原理 | 第122-124页 |
| ·基本原理 | 第122-123页 |
| ·算法流程 | 第123-124页 |
| ·粒子群算法改进 | 第124-131页 |
| ·粒子群算法不足 | 第124-125页 |
| ·粒子群改进策略 | 第125-127页 |
| ·惯性权重调整 | 第125-126页 |
| ·引入收缩因子 | 第126页 |
| ·调整粒子状态量 | 第126页 |
| ·引入邻域算子 | 第126-127页 |
| ·引入自适应变异随机算子 | 第127页 |
| ·基于进化规划改进 | 第127-131页 |
| ·进化规划算法中的竞争机制 | 第127-129页 |
| ·竞争粒子群算法 | 第129-131页 |
| ·联合粒子群算法与神经网络方法 | 第131-136页 |
| ·训练权值阈值粒子群算法 | 第132-134页 |
| ·学习算法 | 第132-133页 |
| ·算法实现 | 第133-134页 |
| ·网络结构优化粒子群算法实现 | 第134-136页 |
| ·粒子群神经网络储层参数预测 | 第136-140页 |
| ·网络结构 | 第136页 |
| ·实现步骤 | 第136-137页 |
| ·应用实例 | 第137-140页 |
| 7 结论及建议 | 第140-143页 |
| ·结论 | 第140-141页 |
| ·建议 | 第141-143页 |
| 致谢 | 第143-144页 |
| 参考文献 | 第144-154页 |
