基于模型参考控制理论的随机地震反演方法研究

The drawbacks of stochastic seismic inversion are that the computational complexity is very high and the impedance results generated by inversion may break away from the lateral distribution of the actual seismic profiles. Hence, we need a more effective theory of stochastic seismic inversion. Model reference control is an important method in engineering mainly for the field of dynamic tracking control by neural network. The idea is that vertical control and lateral optimization. The details are as follows: firstly, we give a stochastic seismic inversion based on model reference control with the idea of dynamic tracking control theory; secondly, we reduce the computational complexity by the optimization of equi-probablility models, and optimize the inversion results with the constraints of the lateral distributed characteristics of the actual seismic profiles. The aims are to establish a new stochastic seismic inversion theory to reduce the computational complexity enhance the contraints of the lateral distributed characteristics based on model reference control, overcome the drawbacks of the classic stochastic seismic inversion, and develop the stochastic seismic inversion in theory and application.

针对随机地震反演具有运算量巨大和阻抗反演结果容易脱离实际地震剖面的横向展布特征等缺点，迫切需要更为有效的随机地震反演理论。模型参考控制是工程学中的重要方法，主要用于动态跟踪控制领域，并通过神经网络实现。项目的主要理念是"纵向控制，横向优化"。项目的研究内容是：依据动态跟踪控制的思想，提出一种基于模型参考控制的随机地震反演方法，通过等概率模型的优选来降低运算量，并基于实际地震剖面横向展布特征的约束来实现反演结果的优化。项目的目的在于建立一套基于模型参考控制理论的降低运算量和加强结果横向展布特征的随机地震反演方法，弥补以往解决此类问题的不足，进一步发展和完善随机地震反演的理论和应用。

随机地震反演方法是用于薄互层储层识别和预测的重要手段。本项目从模型参考控制理论出发，应用神经网络分别实现了近井位置模型和远井位置模型的反演。这种基于统计学相关性的模型分类方式，使得我们可以将单道地震数据反演为单道储层模型，从而降低了神经网络训练集的复杂性，提升的反演效率。例如，在近井位置模型的反演中，我们只需要1个隐层和10个神经元，即可对单道得到较精确的反演结果。..对于地震波形相关性较差的单道储层模型，我们也进行了等概率模型的优选，从而精炼了训练集，提升了计算速度。..此外，基于模式识别的思想，我们建立的基于横向展布特征的随机地震反演算法，以模型参数取值范围的约束为实现手段，从而增强了对储层中横向地质体连通性的描述。本项目的研究具有重要的科学意义，将对随机地震反演算法的建立提供一些新思维。