地震储层参数非线性反演与预测方法研究
|
摘要
目前,应用地震勘探进行岩性油气藏的预测仍处于探索及技术的积累阶段,多数技术尚处于理论模型的研究探索阶段,在生产实践中缺乏普遍性和针对性。而地震反演技术一直是地震勘探中的一项核心技术,其目的是用地震反射资料,提取地震属性,反推地下的波阻抗或速度的分布,估算储层参数,并进行储层预测和油藏描述,为油气勘探提供可靠的基础资料。
利用地震属性能从地震数据中获得其他方法无法提供的信息,预测储层厚度、储层孔隙度、渗透率、饱和度等参数的空间变化。但是,这些参数只能通过钻井测定,而无法直接由地震数据确定。这就需要建立测井数据获得的各种参数与地震数据之间的关系,这些储层参数与地震信息之间的关系并不具有一一对应的特性,很难用一种精确的算法来准确地描述它。目前,常用的一种方法就是利用地震属性提取技术将不同的地震属性从地震数据中提取出来,然后在主要的地震属性与测井得到的储层参数之间建立起一种对应关系,由点及面,通过地震数据将这种关系展布到三维空间,以此预测储层参数。
本文在对地震储层预测技术的国内外研究现状、人工神经网络的研究与发展现状、模拟退火算法以及粒子群算法的研究现状进行了充分调研的基础上,针对储层预测研究内容,以技术创新、方法可行和效果优先为原则,与实际相结合,系统地研究和分析了地震属性提取与优化方法、约束波阻抗反演技术、声波重构技术等内容,提出了多曲线声波重构方法、基于免疫规划的模拟退火神经网络技术以及竞争粒子群-神经网络技术,并将这些方法技术应用于实际资料。
研究了地震波阻抗反演方法原理并分析比较了不同反演方法,以选择适合实际情况的波阻抗反演方法。详细叙述了反演前数据的准备工作,包括数据的高分辨处理、高精度的构造解释以及测井数据的处理。对所选稀疏脉冲反演方法的原理、流程作了深入的学习和分析,并针对已有声波重构方法存在的局限性,提出了同时利用多种对储层敏感的非声波测井信息,对原始声波测井曲线进行重构的技术。由于该重构技术利用了不同测井信息,保留声波曲线所有频率信息,并将参与重构的曲线所有信息融合到声波曲线中,既保持声波曲线原有的时深关系不变,又能实现显著提高储层与围岩之间的差异,突出储层特征,反映地层岩性的细微差别,因此,该技术可以较好地解决砂泥岩薄互层储层定量预测中的岩性识别、薄层分辨等难题。将多曲线声波重构技术用于稀疏脉冲反演进行地震储层反演,获得较好的波阻抗剖面,用于储层的追踪和识别,能有效地预测未知储层的空间展布情况。
在比较分析地震数据属性分类、提取及优化方法的基础上,选用合理科学的地震属性提取方法和优选方法,对地震数据进行属性的提取和优化,为后续的储层预测提供更符合实际地质情况的属性数据。
研究分析了传统前馈反向传播神经网络原理和模拟退火算法,了解掌握了模拟退火算法存在着搜索和收敛速度较慢,同时在每一个温度下,其解的搜索空间被限定在较小的范围内,从而导致全局最小值不能真正地被搜索到的缺点。由于免疫规划算法是基于进化规划的一种全局搜索算法,将其和模拟退火算法结合,能够克服模拟退火搜索收敛速度慢的缺点,并获得一种有效地搜索全局最优解的搜索算法。针对反向传播算法的不足和模拟退火算法的缺点,研究提出了基于免疫规划的模拟退火算法,并提出了改进模拟退火算法替代BP算法训练网络参数的神经网络技术,同时分析了该网络的学习算法,最后利用该方法对提取优选的地震属性进行储层参数预测应用,获得了较好的效果。
研究分析了粒子群算法的原理及其在进化后期存在速度变慢以及过早收敛(即早熟)的缺点,在此基础上提出将进化规划中子代与父代群之间的竞争思想引入粒子群的搜索和收敛过程中,以此提高粒子群算法的搜索速度,并防止过早收敛,构成了竞争粒子群算法。应用竞争粒子群算法替换BP算法用于前向神经网络的参数训练,以便克服反向传播神经网络由BP算法带来的缺点,同时利用该算法进行网络结构的优化训练,使网络的预测性能有较大提高,形成一种适合于储层参数的粒子群-反向传播神经网络预测方法,在实际应用中获得了比较满意的结果。
本文研究成果对石油的勘探、开发和科研具有重要的指导意义与实用价值。
At present,the prediction of lithologic hydrocarbon reservoir using seismic exploration still is in accumulation period of exploratory and technology,and most of those technologies is in the exploratory investigation of theoretical model,too. However,seismic inversion technique has always been one of core techniques of seismic exploration,in which seismic reflection data has been used in extracting seismic attributes and derivating the distribution of wave impedance or velocity that have been used to estimate the reservoir parameters,realize reservoir prediction and description and apply the reliable basic data for hydrocarbon exploration
Using seismic attributes can extract the information that others methods have never obtained,which has been applied to predict the three-dimensional distribution of reservoir thickness,porosity,permeability,saturation and so on. However,these parameters can not be measured directly but well logging,which requires to build the relationship between various parameters obtained by logging and seismic data. The relationship of these parameters and seismic data is not one-to-one correspondence,it is hard to describe the relationship using an accurate algorithm precisely. Presently,there is one of methods in common use that extracts various seismic attributes from the seismic data using extracting technique,builds a relation between primary attributes and parameters obtained by logging,distributes the relation over the whole three-dimensional space by seismic data from point to surface,and finally predicts reservoir parameters.
Based on investigating sufficiently to the present researching situation of reservoir prediction,Artificial Neural Network,Simulating Anneal Algorithm and Particle Swarm Optimization in home and abroad,the paper arms at the research contents of reservoir prediction,demonstrates and analyzes seismic attributes extraction and optimization method,constrained wave impedance inversion technique and acoustic wave curve reconstruction technique etc,develops multi-parameters rebuilding acoustic wave curve method,SA-ANN technique based on Immune Programming,and Competition PSO-ANN technique,moreover,applies them to actual data.
Armed at the limit in reconstruction methods existed,this paper proposes one method that uses multi-non-acoustic logging information that is sensitive to reservoir,and rebuilds the original acoustic wave curve. Because the method uses different logging information,saves all of the frequency information of acoustic wave curve,syncretizes all of the information of the curves participated in reconstruction into curve rebuilt which not only keeps the original time-depth relation of acoustic wave curve unchanging,but also realizes enhancing the difference between reservoir and surrounding rock,giving prominence to the property of reservoir and imaging the hairline of formation lithology,this technique can resolve the difficult problem about lithologic discrimination and thin bed resolution in reservoir quantitative forecast of the thin interbeds of sandstone and mudstone.
After completely comparative analyzing the classification , extracting and optimization methods of seismic data attributes,the reasonable and scientific extracting and optimization methods of seismic data attributes are choose and used in extracting and optimization of attributes,offer reservoir prediction the attributes that are much more in accord with actual geology situation.
Deeply studying and analyzing theory of Back Propagation Neural Network and SAA,the shortage that the velocity of searching and constringency is slow,at the same time,the searching space of the answer of SAA is limited in little area under per temperature so that it is likely to induce the global optimization answer not to be searched is known. Because Immune Programming is one of global searching algorithm based on Evolutionary Programming,the new algorithm that can effectively search global optimization answer will be gained and overcome the shortage of SAA if Immune Programming is combined with SAA. For conquering the flaw of BPNN and SAA,the paper researches and proposes a SAA based on Immune Programming,moreover,brings forward a NN technique in which network parameters are trained by replacing BP algorithm with SAA improved. At the same time,the study algorithm of this NN is researched and analyzed. The satisfactory effect is acquired when it is used in reservoir parameters prediction for seismic attributes optimized.
The limitation of PSO is brought forth enough after the principle of PSO is studied. There are two primary limitations that the searching velocity will be slow down in the evening of evolutionary and PSO trend to over-constringency (prematurity) so that only the local optimization answer will be obtained. So the competition idea between filial generation and father generation in the Evolutionary Programming Algorithm is introduced into the searching and constringency course of PSO to form a competition PSO in order to enhance the velocity of searching and avoid the prematurity phenomenon. When appling competition PSO to train the network parameters can overcome the inherent shortcoming existed in BPNN,using this optimization algorithm optimizes the structure of network in order to improve the capability of network. The network trained is applied to actual data to predict reservoir parameters,the predicting result accords with actual logging data basically.
The result and production of study in this paper have direction significance and applied value for oil exploration,exploitation and scientific research.
利用地震属性能从地震数据中获得其他方法无法提供的信息,预测储层厚度、储层孔隙度、渗透率、饱和度等参数的空间变化。但是,这些参数只能通过钻井测定,而无法直接由地震数据确定。这就需要建立测井数据获得的各种参数与地震数据之间的关系,这些储层参数与地震信息之间的关系并不具有一一对应的特性,很难用一种精确的算法来准确地描述它。目前,常用的一种方法就是利用地震属性提取技术将不同的地震属性从地震数据中提取出来,然后在主要的地震属性与测井得到的储层参数之间建立起一种对应关系,由点及面,通过地震数据将这种关系展布到三维空间,以此预测储层参数。
本文在对地震储层预测技术的国内外研究现状、人工神经网络的研究与发展现状、模拟退火算法以及粒子群算法的研究现状进行了充分调研的基础上,针对储层预测研究内容,以技术创新、方法可行和效果优先为原则,与实际相结合,系统地研究和分析了地震属性提取与优化方法、约束波阻抗反演技术、声波重构技术等内容,提出了多曲线声波重构方法、基于免疫规划的模拟退火神经网络技术以及竞争粒子群-神经网络技术,并将这些方法技术应用于实际资料。
研究了地震波阻抗反演方法原理并分析比较了不同反演方法,以选择适合实际情况的波阻抗反演方法。详细叙述了反演前数据的准备工作,包括数据的高分辨处理、高精度的构造解释以及测井数据的处理。对所选稀疏脉冲反演方法的原理、流程作了深入的学习和分析,并针对已有声波重构方法存在的局限性,提出了同时利用多种对储层敏感的非声波测井信息,对原始声波测井曲线进行重构的技术。由于该重构技术利用了不同测井信息,保留声波曲线所有频率信息,并将参与重构的曲线所有信息融合到声波曲线中,既保持声波曲线原有的时深关系不变,又能实现显著提高储层与围岩之间的差异,突出储层特征,反映地层岩性的细微差别,因此,该技术可以较好地解决砂泥岩薄互层储层定量预测中的岩性识别、薄层分辨等难题。将多曲线声波重构技术用于稀疏脉冲反演进行地震储层反演,获得较好的波阻抗剖面,用于储层的追踪和识别,能有效地预测未知储层的空间展布情况。
在比较分析地震数据属性分类、提取及优化方法的基础上,选用合理科学的地震属性提取方法和优选方法,对地震数据进行属性的提取和优化,为后续的储层预测提供更符合实际地质情况的属性数据。
研究分析了传统前馈反向传播神经网络原理和模拟退火算法,了解掌握了模拟退火算法存在着搜索和收敛速度较慢,同时在每一个温度下,其解的搜索空间被限定在较小的范围内,从而导致全局最小值不能真正地被搜索到的缺点。由于免疫规划算法是基于进化规划的一种全局搜索算法,将其和模拟退火算法结合,能够克服模拟退火搜索收敛速度慢的缺点,并获得一种有效地搜索全局最优解的搜索算法。针对反向传播算法的不足和模拟退火算法的缺点,研究提出了基于免疫规划的模拟退火算法,并提出了改进模拟退火算法替代BP算法训练网络参数的神经网络技术,同时分析了该网络的学习算法,最后利用该方法对提取优选的地震属性进行储层参数预测应用,获得了较好的效果。
研究分析了粒子群算法的原理及其在进化后期存在速度变慢以及过早收敛(即早熟)的缺点,在此基础上提出将进化规划中子代与父代群之间的竞争思想引入粒子群的搜索和收敛过程中,以此提高粒子群算法的搜索速度,并防止过早收敛,构成了竞争粒子群算法。应用竞争粒子群算法替换BP算法用于前向神经网络的参数训练,以便克服反向传播神经网络由BP算法带来的缺点,同时利用该算法进行网络结构的优化训练,使网络的预测性能有较大提高,形成一种适合于储层参数的粒子群-反向传播神经网络预测方法,在实际应用中获得了比较满意的结果。
本文研究成果对石油的勘探、开发和科研具有重要的指导意义与实用价值。
At present,the prediction of lithologic hydrocarbon reservoir using seismic exploration still is in accumulation period of exploratory and technology,and most of those technologies is in the exploratory investigation of theoretical model,too. However,seismic inversion technique has always been one of core techniques of seismic exploration,in which seismic reflection data has been used in extracting seismic attributes and derivating the distribution of wave impedance or velocity that have been used to estimate the reservoir parameters,realize reservoir prediction and description and apply the reliable basic data for hydrocarbon exploration
Using seismic attributes can extract the information that others methods have never obtained,which has been applied to predict the three-dimensional distribution of reservoir thickness,porosity,permeability,saturation and so on. However,these parameters can not be measured directly but well logging,which requires to build the relationship between various parameters obtained by logging and seismic data. The relationship of these parameters and seismic data is not one-to-one correspondence,it is hard to describe the relationship using an accurate algorithm precisely. Presently,there is one of methods in common use that extracts various seismic attributes from the seismic data using extracting technique,builds a relation between primary attributes and parameters obtained by logging,distributes the relation over the whole three-dimensional space by seismic data from point to surface,and finally predicts reservoir parameters.
Based on investigating sufficiently to the present researching situation of reservoir prediction,Artificial Neural Network,Simulating Anneal Algorithm and Particle Swarm Optimization in home and abroad,the paper arms at the research contents of reservoir prediction,demonstrates and analyzes seismic attributes extraction and optimization method,constrained wave impedance inversion technique and acoustic wave curve reconstruction technique etc,develops multi-parameters rebuilding acoustic wave curve method,SA-ANN technique based on Immune Programming,and Competition PSO-ANN technique,moreover,applies them to actual data.
Armed at the limit in reconstruction methods existed,this paper proposes one method that uses multi-non-acoustic logging information that is sensitive to reservoir,and rebuilds the original acoustic wave curve. Because the method uses different logging information,saves all of the frequency information of acoustic wave curve,syncretizes all of the information of the curves participated in reconstruction into curve rebuilt which not only keeps the original time-depth relation of acoustic wave curve unchanging,but also realizes enhancing the difference between reservoir and surrounding rock,giving prominence to the property of reservoir and imaging the hairline of formation lithology,this technique can resolve the difficult problem about lithologic discrimination and thin bed resolution in reservoir quantitative forecast of the thin interbeds of sandstone and mudstone.
After completely comparative analyzing the classification , extracting and optimization methods of seismic data attributes,the reasonable and scientific extracting and optimization methods of seismic data attributes are choose and used in extracting and optimization of attributes,offer reservoir prediction the attributes that are much more in accord with actual geology situation.
Deeply studying and analyzing theory of Back Propagation Neural Network and SAA,the shortage that the velocity of searching and constringency is slow,at the same time,the searching space of the answer of SAA is limited in little area under per temperature so that it is likely to induce the global optimization answer not to be searched is known. Because Immune Programming is one of global searching algorithm based on Evolutionary Programming,the new algorithm that can effectively search global optimization answer will be gained and overcome the shortage of SAA if Immune Programming is combined with SAA. For conquering the flaw of BPNN and SAA,the paper researches and proposes a SAA based on Immune Programming,moreover,brings forward a NN technique in which network parameters are trained by replacing BP algorithm with SAA improved. At the same time,the study algorithm of this NN is researched and analyzed. The satisfactory effect is acquired when it is used in reservoir parameters prediction for seismic attributes optimized.
The limitation of PSO is brought forth enough after the principle of PSO is studied. There are two primary limitations that the searching velocity will be slow down in the evening of evolutionary and PSO trend to over-constringency (prematurity) so that only the local optimization answer will be obtained. So the competition idea between filial generation and father generation in the Evolutionary Programming Algorithm is introduced into the searching and constringency course of PSO to form a competition PSO in order to enhance the velocity of searching and avoid the prematurity phenomenon. When appling competition PSO to train the network parameters can overcome the inherent shortcoming existed in BPNN,using this optimization algorithm optimizes the structure of network in order to improve the capability of network. The network trained is applied to actual data to predict reservoir parameters,the predicting result accords with actual logging data basically.
The result and production of study in this paper have direction significance and applied value for oil exploration,exploitation and scientific research.
引文
[1]蔡希源等著.陆相盆地高精度层序地层学—隐蔽油气藏勘探基础、方法与实践(一)(二)(三)[M].地质出版社.2004
[2]胡见义.具有潜力的油气藏类型和勘探领域[J].北京:石油工业出版社,2004
[3]杜世通,王永刚.地震参数综合处理方法在储层横向预测中的应用[J].石油大学学报(自然科学版),1993,17 (1):8～15
[4] LAWRENCE P , ARAMCO S , DHAHRAN and ARABIA S. Seismic attributes in the characterization of small scale reservoir in Abqaiq Field[J]. The Leading Edge,1998,17(4):521～525
[5] Quincy Chen and Steve Sidney.Seismic attribute technology for reservoir forecasting and monitoring [J]. The Leading Edge,1997,16(5):445～456
[6]黄智辉.测井岩性模糊模式识别法[J].现代地质,1987,1(1):131～139
[7] David M .Markowitz.利用AVO技术预测岩性(邬杨夫译)[J].勘探地球物理进展,1990,(4):24～26
[8]钱绍新.应用模式识别方法预测油气储集层[J].地球物理学报,1992,35(5):630～636
[9]蒋加钰,段玉顺.分形理论在油气检测中的应用[J].石油物探,1995,34(1):47～51
[10]卢新卫,金章东.前馈神经网络的岩性识别方法[J].石油与天然气地质,1999,20(1):82～84
[11]姜岩,周再林,秦月霜.地震属性分析的神经网络岩性识别技术及应用[J].大庆石油地质与开发,2000,19(5):39～41
[12]金明霞,张超谟,刘小梅.基于MATLAB神经网络的岩性识别[J].江汉石油学院学报,2003,25(4):81～83
[13]张永升.波形分析方法在碳酸盐岩储层预测中的应用[J].石油物探,2004,43(2):135～138
[14]吕景英.用波形分析法预测塔河油田碳酸盐岩储层[J].勘探地球物理进展,2004,27(2):112～116
[15]贺保卫,潘仁芳,莫午零等.用AVO方法从定性到半定量检测砂岩含气性[J].断块油气田,2005,12(1):19～20
[16]程洪亮,范晓敏,董建刚.利用模式识别技术识别致密砂岩含气层[J].世界地质,2007,26(3):381～384
[17]王振国,陈小宏,王学军等. AVO方法检测油气应用实例分析[J].石油地球物理勘探,2007,(02):194～197
[18]樊政军,金意志,徐顺等.神经网络在评价塔北低阻油气储层参数中的应用[J].测井技术,1996,20(3):215～218
[19]徐景祯,刘晓冬,高春文.人工神经网络模型在油气层识别技术中的应用[J].天然气工业,1996,16(4):22～24
[20]吕晓光,杜庆龙,曹维福等.应用人工神经网络模型进行油层孔隙度、渗透率预测[J].大庆石油地质与开发,1996,15(3):27～31
[21]张向君,管叶君,崔凤林等.双重神经网络预测储层及油气[J].石油地球物理勘探,1997,32(5):717～723
[22]侯俊胜,王颖.神经网络方法在煤层气测井资料解释中的应用[J].地质与勘探,1999,35(3):41～45
[23]吴大奎,唐必锐,覃发兰等.地震资料储层预测反演方法应用研究[J].天然气工业,2004,24(10):38～40
[24]撒利明,曹正林.提高储层预测精度技术思路与对策[J].大庆石油地质与开发,2002,21(6):6～7
[25]申时新,申时凯,肖慈珣.用神经网络描述储层参数[J].天然气工业,1997,17(6):26～28
[26]杨斌,肖慈珣,王斌等.基于神经模糊系统的储层参数反演[J].石油与天然气地质,2000,21(2):173～176
[27]田景文,高美娟.基于改进的模拟退火人工神经网络的薄互储层参数预测[J].信息与控制,2002,31(2):180～184
[28]高美娟,田景文.基于快速、高精度遗传算法神经网络的薄互储层参数预测[J].控制与决策,2002,17(5):599～603
[29]宋维琪.应用地震属性与测井数据反演储层参数[J].勘探地球物理进展,2003,26(3):216～219
[30]刘洪林,胡建,王金山.GA+BP神经网络在薄互层储层预测中的应用[J].物探与化探,2004,28(5):460～462
[31]张超谟,李军,郭海敏等.模糊神经网络推理系统定量计算储层参数[J].江汉石油学院学报,2004,26(2):80～83
[32]朱连章,杨杰.基于GA和ANN的随机规划模型对储层参数的预测[J].基微计算机应用,2005,26(2):218～220
[33]杨东,于桂荣.基于模拟退火算法预测储层参数[J].沈阳航空工业学院学报,2005,22(1):76～77
[34]乐友喜,袁全社.支持向量机方法在储层预测中的应用[J].石油物探,2005,44(4):388～392
[35]杨辉廷,颜其彬,李敏等.应用改进的神经网络学习方法预测储层参数[J].天然气工业,2005,25(6):37～39
[36]曹旭光,翟慧杰,刘传平.遗传算法计算储层参数研究[J].长春理工大学学报,2006,29(4):59～61
[37]陈遵德.储层地震属性优化方法(第一版)[M].北京:石油工业出版社,1998
[38]杨谦,李正文.地震资料宽带约束反演方法及应用[J].石油物探,1996,35(4):37～42
[39]董恩清,高宏亮,李家金.波阻抗约束反演及储层物性参数计算方法[J].测井技术,1998,22(5):337～340
[40]胡宗全,唐钢.波阻抗反演在气藏描述中的应用[J].成都理工学院学报,1999,26(4):423～426
[41]马劲风,王学军,贾春环等.波阻抗约束反演中的约束方法研究,[J].石油物探,2000,39(2):52～63
[42]安鸿伟,李正文,李仁甫等.稀疏脉冲波阻抗反演在YX油田开发中的应用[J].石油物探,2002,41(1):56～60
[43]王西文.相对波阻抗数据体约束下的多井测井参数反演方法及应用[J].石油地球物理勘探,2004,39(3): 291～299
[44]张宏兵,方前发.波阻抗约束反演的几种方法[J].水文地质工程地质,2005,(5):80～83
[45]郭朝斌,杨小波,陈红岳等.约束稀疏脉冲反演在储层预测中的应用[J].石油物探,2006,45(4):397～400
[46]刘力辉,常德双,殷学军等.人工神经网络在预测储层中的应用[J].石油地球物理勘探,1995,30(增刊):90～95
[47]孙渊,李津.地震多参数储层及油气预测应用研究[J].西安工程学院学报,1998,20(1):55～60
[48]秦月霜,陈显森,王彦辉.用优选后的地震属性参数进行储层预测[J].大庆石油地质与开发,2000,19(6):44～45
[49]乐友喜,王永刚,张军华.储层参数平面分布预测方法评价[J].地质与勘探,2001,37(5):56～60
[50]黄飞,彭真明,张晓燕.PNN及其在储层物性参数预测中的应用[J].物探化探计算技术,2002,25(1):78～82
[51]甄兆聪,肖慈珣.补偿模糊神经网络在储层参数预测中的应用[J].物探化探计算技术,2002,24(2):124～128
[52]谢雄举,季玉新.优选地震属性预测储层参数的方法及其应用[J].石油物探,2004,43(增刊):127～131
[53]薛诗桂.几种参数在储层横向预测中的应用探讨[J].勘探地球物理进展,2004,27(6):428～431
[54]陈波,胡少华,毕建军.地震属性模式聚类预测储层物性参数[J].石油地球物理勘探,2005,40(2):204～208
[55]李谋杰,毛宁波,张敏知.基于灰色系统理论的储层参数预测方法与应用[J].石油天然气学报,2006,28(3):64～65
[56]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1990
[57] (美)Martin T. Hagan.神经网络设计(戴葵等译)[M].北京:机械工业出版社,2002
[58]王旭.人工神经元网络原理与应用[M].沈阳:东北大学出版社,2000
[59]王永骥,涂健.神经元网络控制[M].北京:机械工业出版社,1998
[60]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1993
[61]袁曾任.人工神经元网络及其应用[M].清华大学出版社,1999
[62]韩力群.人工神经网络在控制中的应用及发展前景[J].北京轻工业学院学报.1996
[63]张立明.人工神经网络的模型及其应用[M].复旦大学出版社,1993
[64]岳祖洲,陈继述.人工神经网络的发展[J].应用光学.1994,2:6～10
[65]张立朋,李立梅.一种用于语音识别的神经网络[J].北京邮电大学学报.1995,1:31～37
[66]徐金梧,梁静.神经网络在信号处理中的应用[J].北京科技大学学报.1994,1:58～61
[67]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报.2004,1:103～11
[68]于建华.应用人工神经网络自动识别岩性[J].石油地球物理勘探,1993,28(1):59～66
[69]蔡煜东,宫家文,甘骏人等.应用人工神经网络方法预测油气[J].石油地球物理勘探,1993,28(5):634～638
[70]张繁昌,印兴耀,吴国忱.用模拟退火神经网络技术进行波阻抗反演[J].石油大学学报(自然科学版),1997,21(6):16～18
[71]杨立强,宋海斌,郝天珧.基于BP神经网络的波阻抗反演及应用[J].地球物理学进展,2005,20(1):34～37
[72]夏宏泉,刘红歧,张宏伟.应用BP神经网络预测磨溪气田香四储层空隙度[J].西南石油学院学报,1995,17(2):31～36
[73]唐立章,邓永富.应用神经网络技术求取碎屑岩储层参数[J].石油地球物理勘探,1997,32(增刊):35～40
[74]张向君,李勤学,崔凤林等.模糊神经网络油气预测[J].石油物探,1998,37(2):49～55
[75]周家纪,孙淑霞,王绪本等.一种遗传神经网络及其在岩性识别中的应用[J].成都理工学院学报,1998,25(增刊):80～83
[76]刘长波,刘廷安,方湄.基于模糊神经网络的岩性智能识别及应用[J].矿山机械,1999,27(8):12～14
[77]高美娟,田景文.基于径向高斯网络的薄互储层参数预测[J].石油地球物理勘探,2001,36(5):540～545
[78]孙翠娟,张文.概率神经网络技术在油气物性参数预测中的应用[J].中国海上油气(地质),2002,16(2):349～354
[79]冯英,祁金旺,杨爱民.基于延迟神经网络的地层参数预测软件[J].江汉石油学院学报,2003,25(2):74
[80]刘洪林,胡建,王金山等.GA+BP神经网络在薄互层储层预测中的应用[J].物探与化探,2004,28(5):460～462
[81]姬战怀,张群会.用正则化神经网络预测储层渗透率[J].煤矿现代化,2006,(4):43～45
[82]戈汉权,施泽进,任在清.基于偏最小二乘与神经网络耦合的储层参数预测[J].成都理工大学学报,2007,34(6):618～620
[83] Metropolis N,Rosenbluth A. Equation of state calculation by fast computing machines[J].Journal of Chemical Physics,1953,21:1087～1092
[84] Kirkpatrick S,Gelatt C D. Optimization by simulated annealing[J]. Science,1983,220:671～680
[85]杨浩.模型与算法[M].北京:北方交通大学出版社.2002
[86] Rothman D H. Automatic estimation of large residual static corrections[J]. Geophysics,1986,50:2784～2796
[87]李晶,邹强,钟本善等.波阻抗遗传算法反演方法的研究及应用[J].物探化探计算技术,2001,23(1):16～21
[88]尤矢勇,谢云.模拟退火算法实验性能分析[J].武汉大学学报,并行计算专刊,1991
[89] Kennedy,J.Eberhart,R.C.. Particle Swarm Optimization. Proc.IEEE International conference on Neural Networks.1995:1942～1948
[90] Shi Y and Eberhart R C. Fuzzy adaptive particle swarm optimization. In:Proc Congress on Evolutionary Computation,Seoul,Korea,2001
[91] C1erc M and Kennedy J. The Particle Swarm:Explosion,Stability and Convergence in a Multi-Dimensional Complex Space,IEEE Trans.Evolution.Comput.2002,6(l):68～73
[92] Shi Y and Eberhart R C. A modified particle swarm optimizer. In:IEEE World Congress on Computational Intelligence,1998:69～73
[93] Angeline P J. Evolutionary Optimization Versus Particle Swarm Optimization: Philosophy and Performance Differences. In: Evolutionary Programming VII,1998:601～610
[94] Kennedy,J.Eberhart,R.C.. A Discrete Binary Version of the Particle Swarm Algorithm. IEEE Inte’l Conf.on Computational Cybernetics and Simulation,1997:4104～4108
[95]王学辉,张明辉. Matlab6.1最新应用详解[M].北京:中国水利水电出版社,2002
[96]康立山,谢云,尤矢勇等.非数值并行算法(第一册):模拟退火算法[M].北京:科学出版社,1994
[97]韩文功等著.地震技术新进展[M].北京:中国石油大学出版社,2006
[98]于建国,姜秀清.地震属性优化在储层预测中的应用.石油与天然气地质,2003,24(3):291～294
[99]刘文岭等.多信息储层预测地震属性提取与有效性分析方法.石油物探,2002,41(1):100～106
[100]郭刚明.地震属性技术的研究与应用:[博士学位论文].西南石油大学,2005
[101]邹才能等编著.油气勘探开发实用地震新技术[M].北京:石油工业出版社,2002
[102]孟尔盛编.开发地震.中国石油学会物探专业委员会短期培训教材,1999
[103] Brown,A.R..Interpretation of three-dimensional seismic data.Fourth Edition,AAPG Memoir 42
[104] Taner,M.T.,Schuelke,J.S.,O’Doherty,R. et al. seismic attribute revisited,64th Ann. Internat. Mtg., Sco.Expl.Geophys.,Expanded abstracts,1994
[105] Brown,A.R..Seismic attributes and their classification[J].The Leading Edge,1996,15(10):1096
[106] Quincy Chen and Steve Sidney.Advances seismic attributete technology.67th Ann.Intnerat.Mtg.,Soc.Expl.Geophys.,Expanded abstracts,1997
[107]姜秀清.储层地震属性优化及属性体综合解释:[博士学位论文].中科院广州化学研究所,2006
[108]黄述旺,窦齐丰,彭仕宓等.BP神经网络在储层物性参数预测中的应用[J].西北大学学报(自然科学版),2002,32(3):271～274
[109] Sam T.R.,Lawrence K.S.. Nonlinear dimensionlity reduction by locally linear embedding[J].Science,2000,290(5500):2323～2326
[110] Lawrence K.S.,Sam T.R.. Thinkglobally,fitlocally: unsupervised learning go flow dimentional manifolds[J].Journal of Machine Learning Resear,2004,4(2):109～115
[111]宋维琪,韩宏伟.地震属性与储层参数组合优化算法[J].石油地球物理勘探,2003,38(增刊):108～112
[112]周竹生,周熙襄.宽带约束反演方法[J].石油地球物理勘探,1993,28(5):523～536
[113]张宏彬,何樵登.宽带约束反演[J].石油物探,1995,34(1):1～10
[114]刘百红,李建华.测井和地震资料宽带约束反演的应用[J].石油物探,2004,43(1):76～79
[115] Pebecca B L,Rick D. An interpreter’s guide to understanding and working with seismic- derived acoustic impedance data [J]. The leading edge,2000,(3):246～255
[116]穆星.稀疏脉冲波阻抗反演参数对反演效果的影响研究[J].工程地球物理学报,2005,2(2):104～108
[117]吕铁良,王永刚,谢万学等.稀疏脉冲反演技术在井间地震反演中的应用[J].石油物探,2007,46(1):58～63
[118]沈林克.塔里木盆地北部地震地层解释与油气检测[M].湖北武汉:中国地质大学出版社,1993
[119]兰素清,陆明华.多种地球物理方法组合在储层预测中的应用[J].勘探地球物理进展,2002,25(6):43～46
[120]白彦彬,杨长春,井西利等.地质规律约束下的波阻抗反演[J].石油物探,2002,41(1):61～64
[121]刘成斋,冉建斌,杨永生等.稀疏脉冲和基于模型反演在王家岗砂岩油藏勘探中的应用[J].石油地球物理勘探,2002,37(4):401～406
[122]黄绪德.反褶积与地震道反演[M].北京:石油工业出版社,1992
[123]刘书会,毕俊凤.模拟退火波阻抗反演方法的特点及适用条件[J].油气地质与采收率,2004,11(1):39～41
[124]张永刚.地震波阻抗反演技术的现状和发展[J].石油物探,2002,41(4):385～390
[125]马朋善.砂泥岩薄互层的高分辨率地震储层反演预测:[博士学位论文].中国地质大学,2005
[126]李明,侯连华,邹才能等.岩性地层油气藏地球物理勘探技术与应用[M],石油工业出版社,2005
[127]熊翥.21世纪初中期油气地球物理技术展望[M],石油工业出版社,2006
[128]王捷.油藏描述技术——勘探阶段[M].北京:石油工业出版社,1996
[129]王西文.精细地震解释技术在油田开发中后期的应用[J].石油勘探与开发,2004,31(6):58～61
[130]俞寿朋.高分辨率地震勘探[M].北京:石油工业出版社,1993
[131]陈守田,孟宪禄.薄互层储层预测方法[J].石油物探,2004,43(1):33～36
[132]陈立官.油气测井地质[M].北京:地质出版社,1989
[133]雍世和,张超谟.测井数据处理与综合解释[M].石油大学出版社,1996
[134]许正龙.曲线重构技术在储层横向预测工作中的应用[J].石油实验地质,2002,24(4):377～380
[135]彭苏萍,孔炜,杨瑞召等.煤田反演的声波测井曲线重构[J].北京工业职业技术学院学报,2003,2(4):11～16
[136]赵海宽,张延章,王国鹏等.基于模型的曲线重构地震反演技术及应用分析[J].新疆地质,2005,23(1):89～91
[137]陈钢花,王永刚.Faust公式在声波曲线重构中的应用[J].勘探地球物理进展,2005,28(2):125～128
[138]张学芳,董月昌,慎国强等.曲线重构技术在测井约束反演中的应用[J].石油勘探与开发2005,32(3):70～72
[139]赵铭,罗权生,胥东宏.均值为“零”的曲线重构技术在测井约束反演中的应用[J].土哈油气,2005,10(4):380～382
[140]张静,陈启林,李延丽.测井曲线重构技术在储层预测中的应用[J].西北油气勘探,2005,17(4):47～52
[141]杨少虎,黄玉生,彭文绪等.声波重构技术在储层反演中的应用[J].石油地球物理勘探,2006,41(2):171～176
[142]于文芹,邓葆玲,周小鹰.岩性指示曲线重构及其在储层预测中的应用[J].石油物探,2006,45(5):482～486
[143]周惠文,曹正林,杜斌山.含气特征曲线重构技术在致密含气砂岩储层预测中的应用[J].天然气地球科学,2006,17(5):723～726
[144]沈向存,杨江峰.声波曲线重构技术在地震反演中的应用[J].中国西部油气地质,2006,2(4):436～439
[145]付志方.地震储层预测技术及应用研究:[博士学位论文].中国地质大学,2007
[146]杨建春,刘赐团.拟声波曲线构建技术的新进展[J].内蒙古石油化工,2004,30(s1):129
[147]陈遵德,朱广生.地震储层预测方法研究进展[J].地球物理学进展,1997,12(4):76～84
[148]黄花香,曾涛,唐必锐等.地质统计分析方法在鲕滩储层预测中的应用[J].石油物探,2004,43(3):275～277
[149]沈立成,黄思静,刘洁等.用多元逐步回归方法评价储层孔隙度的控制因素[J].成都理工学院学报,2002,29(6):610～616
[150]曹思远,梁春生.储层预测中BP神经网络的应用[J].地球物理学进展,2002,17(1):84～90
[151]杨蕊.克立格法在储层预测中的应用[J].内蒙古石油化工,2007,(4):103～105
[152]武美先.BP神经网络及其改进[J].太原科技大学学报,2005,26(2):120～125
[153] Rumelhart D E,et al. Learning Representation by BP Errors[J].Nature(London),1986,7:149～154
[154] Patrick P , et al.Minimisation Method for Training Feedforward Neural Networks[J].Neural Networks,1994,7:1～11
[155]谢云,尤矢勇.一种并行模拟退火算法——加温-退火法[J].武汉大学学报,并行计算专刊,1991
[156]李文勇,李泉永.基于模拟退火的全局优化算法[J].桂林电子工业学院学报,2001,21(2):33～37
[157]席自强.单纯形一模拟退火算法[J].湖北工学院学报,2000,15(1):27～29
[158]向阳,龚新高.推广模拟退火方法机器应用[J].物理学进展,2000,20(3)319～334
[159]李晓莉,雷功炎.关于随机优化算法的几点讨论[J].计算数学,1996,4
[160]王磊,潘进,焦李成.免疫规划[J].计算机学报,2000,23(8):806～812
[161] Fogel L.J., Owens A.J.. Walsh M J. Artificial Intelligence Through Simulated Evolution.Chichester,U K: John Wiley,1966
[162] Farmer J D, Packard N H, Perelson A S . The immune system,adaptation and machine learning.Physics D, 1986, 22:187～204
[163]行小帅,潘进,焦李成.基于免疫规划的K-means聚类算法[J].计算机学报, 2003, 26(5): 605～610
[164] E.H.L.Aarts.Simulate d Annealin g and Boltzmann machines[M].John Wiley and Sons,1989.
[165]顾汉明,江涛,王家映.改进的模拟退火方法进行AVO岩性参数反演[J].地球科学,1999,24(4):418～422
[166]杨若黎,顾基发.一种高效的模拟退火全局优化算法[J].系统工程理论与实践,1997,5(5):29～35
[167] Reynold,C.W..Flock herds and schools:a distributed behavioral model.Computer GraPhies,1987,21(4):25～34.
[168] Hepper F,U Grenander. A stochastic nonlinear model for coordinated bird flocks,In S Krasner Ed.The Ubiquity of Chaos,AAAS Publications,Washington DC,1990
[169]唐贤伦.混沌粒子群优化算法理论及应用:[博士学位论文].重庆大学,2007
[170] Clerc M . The swarm and queen:towards a deterministic and adaptive particle optimization.Proceedings of the IEEE Congress on Evolutionary Computation,1999,1951～1957
[171] Angeline,P.J.. Evolutionary optimization versus particle of the swarm optimization:Philosophy and Performance difference. Proc. of the 7th Annual Conf on Evolutionary Programming,Gemany:Springer,1998,601～610
[172] Xie X F,Zhang W J,Yang Z L. A dissipative particle swarm optimization. Proceedings of the IEEE Congress on Evolutionary Computation(CEC 2002),Honolulu,HI USA,2002,1456～1461
[173] Suganthan , P.N.. Particle swarm optimizer with neighborhood operator. Proceedings of the IEEE Congress on Evolutionary Computation,Washington DC,1999,1958～1962
[174]吕振肃,候志荣.自适应变异的粒子群优化算法[J].电子学报,2004,32(3):416～420
[175]周明,孙树栋.遗传算法原理及其应用[M].北京:国防工业出版社,1999
[176]李敏强等著.遗传算法的基本理论与应用[M].北京:科学出版社,2002
[177]陈国良,王煦法,庄镇泉等.遗传算法及其应用[M].北京:人民邮电出版社,1996
[178] Hornik K,Stinchcombe M,White H. Multilayer feed-forward networks are universal approximators [J].Neural Networks,1989,2(5):359～366
[179]高海兵,高亮,周驰等.基于粒子群优化的神经网络训练算法研究[J].电子学报,2004,32(9):1572～1574
[2]胡见义.具有潜力的油气藏类型和勘探领域[J].北京:石油工业出版社,2004
[3]杜世通,王永刚.地震参数综合处理方法在储层横向预测中的应用[J].石油大学学报(自然科学版),1993,17 (1):8～15
[4] LAWRENCE P , ARAMCO S , DHAHRAN and ARABIA S. Seismic attributes in the characterization of small scale reservoir in Abqaiq Field[J]. The Leading Edge,1998,17(4):521～525
[5] Quincy Chen and Steve Sidney.Seismic attribute technology for reservoir forecasting and monitoring [J]. The Leading Edge,1997,16(5):445～456
[6]黄智辉.测井岩性模糊模式识别法[J].现代地质,1987,1(1):131～139
[7] David M .Markowitz.利用AVO技术预测岩性(邬杨夫译)[J].勘探地球物理进展,1990,(4):24～26
[8]钱绍新.应用模式识别方法预测油气储集层[J].地球物理学报,1992,35(5):630～636
[9]蒋加钰,段玉顺.分形理论在油气检测中的应用[J].石油物探,1995,34(1):47～51
[10]卢新卫,金章东.前馈神经网络的岩性识别方法[J].石油与天然气地质,1999,20(1):82～84
[11]姜岩,周再林,秦月霜.地震属性分析的神经网络岩性识别技术及应用[J].大庆石油地质与开发,2000,19(5):39～41
[12]金明霞,张超谟,刘小梅.基于MATLAB神经网络的岩性识别[J].江汉石油学院学报,2003,25(4):81～83
[13]张永升.波形分析方法在碳酸盐岩储层预测中的应用[J].石油物探,2004,43(2):135～138
[14]吕景英.用波形分析法预测塔河油田碳酸盐岩储层[J].勘探地球物理进展,2004,27(2):112～116
[15]贺保卫,潘仁芳,莫午零等.用AVO方法从定性到半定量检测砂岩含气性[J].断块油气田,2005,12(1):19～20
[16]程洪亮,范晓敏,董建刚.利用模式识别技术识别致密砂岩含气层[J].世界地质,2007,26(3):381～384
[17]王振国,陈小宏,王学军等. AVO方法检测油气应用实例分析[J].石油地球物理勘探,2007,(02):194～197
[18]樊政军,金意志,徐顺等.神经网络在评价塔北低阻油气储层参数中的应用[J].测井技术,1996,20(3):215～218
[19]徐景祯,刘晓冬,高春文.人工神经网络模型在油气层识别技术中的应用[J].天然气工业,1996,16(4):22～24
[20]吕晓光,杜庆龙,曹维福等.应用人工神经网络模型进行油层孔隙度、渗透率预测[J].大庆石油地质与开发,1996,15(3):27～31
[21]张向君,管叶君,崔凤林等.双重神经网络预测储层及油气[J].石油地球物理勘探,1997,32(5):717～723
[22]侯俊胜,王颖.神经网络方法在煤层气测井资料解释中的应用[J].地质与勘探,1999,35(3):41～45
[23]吴大奎,唐必锐,覃发兰等.地震资料储层预测反演方法应用研究[J].天然气工业,2004,24(10):38～40
[24]撒利明,曹正林.提高储层预测精度技术思路与对策[J].大庆石油地质与开发,2002,21(6):6～7
[25]申时新,申时凯,肖慈珣.用神经网络描述储层参数[J].天然气工业,1997,17(6):26～28
[26]杨斌,肖慈珣,王斌等.基于神经模糊系统的储层参数反演[J].石油与天然气地质,2000,21(2):173～176
[27]田景文,高美娟.基于改进的模拟退火人工神经网络的薄互储层参数预测[J].信息与控制,2002,31(2):180～184
[28]高美娟,田景文.基于快速、高精度遗传算法神经网络的薄互储层参数预测[J].控制与决策,2002,17(5):599～603
[29]宋维琪.应用地震属性与测井数据反演储层参数[J].勘探地球物理进展,2003,26(3):216～219
[30]刘洪林,胡建,王金山.GA+BP神经网络在薄互层储层预测中的应用[J].物探与化探,2004,28(5):460～462
[31]张超谟,李军,郭海敏等.模糊神经网络推理系统定量计算储层参数[J].江汉石油学院学报,2004,26(2):80～83
[32]朱连章,杨杰.基于GA和ANN的随机规划模型对储层参数的预测[J].基微计算机应用,2005,26(2):218～220
[33]杨东,于桂荣.基于模拟退火算法预测储层参数[J].沈阳航空工业学院学报,2005,22(1):76～77
[34]乐友喜,袁全社.支持向量机方法在储层预测中的应用[J].石油物探,2005,44(4):388～392
[35]杨辉廷,颜其彬,李敏等.应用改进的神经网络学习方法预测储层参数[J].天然气工业,2005,25(6):37～39
[36]曹旭光,翟慧杰,刘传平.遗传算法计算储层参数研究[J].长春理工大学学报,2006,29(4):59～61
[37]陈遵德.储层地震属性优化方法(第一版)[M].北京:石油工业出版社,1998
[38]杨谦,李正文.地震资料宽带约束反演方法及应用[J].石油物探,1996,35(4):37～42
[39]董恩清,高宏亮,李家金.波阻抗约束反演及储层物性参数计算方法[J].测井技术,1998,22(5):337～340
[40]胡宗全,唐钢.波阻抗反演在气藏描述中的应用[J].成都理工学院学报,1999,26(4):423～426
[41]马劲风,王学军,贾春环等.波阻抗约束反演中的约束方法研究,[J].石油物探,2000,39(2):52～63
[42]安鸿伟,李正文,李仁甫等.稀疏脉冲波阻抗反演在YX油田开发中的应用[J].石油物探,2002,41(1):56～60
[43]王西文.相对波阻抗数据体约束下的多井测井参数反演方法及应用[J].石油地球物理勘探,2004,39(3): 291～299
[44]张宏兵,方前发.波阻抗约束反演的几种方法[J].水文地质工程地质,2005,(5):80～83
[45]郭朝斌,杨小波,陈红岳等.约束稀疏脉冲反演在储层预测中的应用[J].石油物探,2006,45(4):397～400
[46]刘力辉,常德双,殷学军等.人工神经网络在预测储层中的应用[J].石油地球物理勘探,1995,30(增刊):90～95
[47]孙渊,李津.地震多参数储层及油气预测应用研究[J].西安工程学院学报,1998,20(1):55～60
[48]秦月霜,陈显森,王彦辉.用优选后的地震属性参数进行储层预测[J].大庆石油地质与开发,2000,19(6):44～45
[49]乐友喜,王永刚,张军华.储层参数平面分布预测方法评价[J].地质与勘探,2001,37(5):56～60
[50]黄飞,彭真明,张晓燕.PNN及其在储层物性参数预测中的应用[J].物探化探计算技术,2002,25(1):78～82
[51]甄兆聪,肖慈珣.补偿模糊神经网络在储层参数预测中的应用[J].物探化探计算技术,2002,24(2):124～128
[52]谢雄举,季玉新.优选地震属性预测储层参数的方法及其应用[J].石油物探,2004,43(增刊):127～131
[53]薛诗桂.几种参数在储层横向预测中的应用探讨[J].勘探地球物理进展,2004,27(6):428～431
[54]陈波,胡少华,毕建军.地震属性模式聚类预测储层物性参数[J].石油地球物理勘探,2005,40(2):204～208
[55]李谋杰,毛宁波,张敏知.基于灰色系统理论的储层参数预测方法与应用[J].石油天然气学报,2006,28(3):64～65
[56]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1990
[57] (美)Martin T. Hagan.神经网络设计(戴葵等译)[M].北京:机械工业出版社,2002
[58]王旭.人工神经元网络原理与应用[M].沈阳:东北大学出版社,2000
[59]王永骥,涂健.神经元网络控制[M].北京:机械工业出版社,1998
[60]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1993
[61]袁曾任.人工神经元网络及其应用[M].清华大学出版社,1999
[62]韩力群.人工神经网络在控制中的应用及发展前景[J].北京轻工业学院学报.1996
[63]张立明.人工神经网络的模型及其应用[M].复旦大学出版社,1993
[64]岳祖洲,陈继述.人工神经网络的发展[J].应用光学.1994,2:6～10
[65]张立朋,李立梅.一种用于语音识别的神经网络[J].北京邮电大学学报.1995,1:31～37
[66]徐金梧,梁静.神经网络在信号处理中的应用[J].北京科技大学学报.1994,1:58～61
[67]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报.2004,1:103～11
[68]于建华.应用人工神经网络自动识别岩性[J].石油地球物理勘探,1993,28(1):59～66
[69]蔡煜东,宫家文,甘骏人等.应用人工神经网络方法预测油气[J].石油地球物理勘探,1993,28(5):634～638
[70]张繁昌,印兴耀,吴国忱.用模拟退火神经网络技术进行波阻抗反演[J].石油大学学报(自然科学版),1997,21(6):16～18
[71]杨立强,宋海斌,郝天珧.基于BP神经网络的波阻抗反演及应用[J].地球物理学进展,2005,20(1):34～37
[72]夏宏泉,刘红歧,张宏伟.应用BP神经网络预测磨溪气田香四储层空隙度[J].西南石油学院学报,1995,17(2):31～36
[73]唐立章,邓永富.应用神经网络技术求取碎屑岩储层参数[J].石油地球物理勘探,1997,32(增刊):35～40
[74]张向君,李勤学,崔凤林等.模糊神经网络油气预测[J].石油物探,1998,37(2):49～55
[75]周家纪,孙淑霞,王绪本等.一种遗传神经网络及其在岩性识别中的应用[J].成都理工学院学报,1998,25(增刊):80～83
[76]刘长波,刘廷安,方湄.基于模糊神经网络的岩性智能识别及应用[J].矿山机械,1999,27(8):12～14
[77]高美娟,田景文.基于径向高斯网络的薄互储层参数预测[J].石油地球物理勘探,2001,36(5):540～545
[78]孙翠娟,张文.概率神经网络技术在油气物性参数预测中的应用[J].中国海上油气(地质),2002,16(2):349～354
[79]冯英,祁金旺,杨爱民.基于延迟神经网络的地层参数预测软件[J].江汉石油学院学报,2003,25(2):74
[80]刘洪林,胡建,王金山等.GA+BP神经网络在薄互层储层预测中的应用[J].物探与化探,2004,28(5):460～462
[81]姬战怀,张群会.用正则化神经网络预测储层渗透率[J].煤矿现代化,2006,(4):43～45
[82]戈汉权,施泽进,任在清.基于偏最小二乘与神经网络耦合的储层参数预测[J].成都理工大学学报,2007,34(6):618～620
[83] Metropolis N,Rosenbluth A. Equation of state calculation by fast computing machines[J].Journal of Chemical Physics,1953,21:1087～1092
[84] Kirkpatrick S,Gelatt C D. Optimization by simulated annealing[J]. Science,1983,220:671～680
[85]杨浩.模型与算法[M].北京:北方交通大学出版社.2002
[86] Rothman D H. Automatic estimation of large residual static corrections[J]. Geophysics,1986,50:2784～2796
[87]李晶,邹强,钟本善等.波阻抗遗传算法反演方法的研究及应用[J].物探化探计算技术,2001,23(1):16～21
[88]尤矢勇,谢云.模拟退火算法实验性能分析[J].武汉大学学报,并行计算专刊,1991
[89] Kennedy,J.Eberhart,R.C.. Particle Swarm Optimization. Proc.IEEE International conference on Neural Networks.1995:1942～1948
[90] Shi Y and Eberhart R C. Fuzzy adaptive particle swarm optimization. In:Proc Congress on Evolutionary Computation,Seoul,Korea,2001
[91] C1erc M and Kennedy J. The Particle Swarm:Explosion,Stability and Convergence in a Multi-Dimensional Complex Space,IEEE Trans.Evolution.Comput.2002,6(l):68～73
[92] Shi Y and Eberhart R C. A modified particle swarm optimizer. In:IEEE World Congress on Computational Intelligence,1998:69～73
[93] Angeline P J. Evolutionary Optimization Versus Particle Swarm Optimization: Philosophy and Performance Differences. In: Evolutionary Programming VII,1998:601～610
[94] Kennedy,J.Eberhart,R.C.. A Discrete Binary Version of the Particle Swarm Algorithm. IEEE Inte’l Conf.on Computational Cybernetics and Simulation,1997:4104～4108
[95]王学辉,张明辉. Matlab6.1最新应用详解[M].北京:中国水利水电出版社,2002
[96]康立山,谢云,尤矢勇等.非数值并行算法(第一册):模拟退火算法[M].北京:科学出版社,1994
[97]韩文功等著.地震技术新进展[M].北京:中国石油大学出版社,2006
[98]于建国,姜秀清.地震属性优化在储层预测中的应用.石油与天然气地质,2003,24(3):291～294
[99]刘文岭等.多信息储层预测地震属性提取与有效性分析方法.石油物探,2002,41(1):100～106
[100]郭刚明.地震属性技术的研究与应用:[博士学位论文].西南石油大学,2005
[101]邹才能等编著.油气勘探开发实用地震新技术[M].北京:石油工业出版社,2002
[102]孟尔盛编.开发地震.中国石油学会物探专业委员会短期培训教材,1999
[103] Brown,A.R..Interpretation of three-dimensional seismic data.Fourth Edition,AAPG Memoir 42
[104] Taner,M.T.,Schuelke,J.S.,O’Doherty,R. et al. seismic attribute revisited,64th Ann. Internat. Mtg., Sco.Expl.Geophys.,Expanded abstracts,1994
[105] Brown,A.R..Seismic attributes and their classification[J].The Leading Edge,1996,15(10):1096
[106] Quincy Chen and Steve Sidney.Advances seismic attributete technology.67th Ann.Intnerat.Mtg.,Soc.Expl.Geophys.,Expanded abstracts,1997
[107]姜秀清.储层地震属性优化及属性体综合解释:[博士学位论文].中科院广州化学研究所,2006
[108]黄述旺,窦齐丰,彭仕宓等.BP神经网络在储层物性参数预测中的应用[J].西北大学学报(自然科学版),2002,32(3):271～274
[109] Sam T.R.,Lawrence K.S.. Nonlinear dimensionlity reduction by locally linear embedding[J].Science,2000,290(5500):2323～2326
[110] Lawrence K.S.,Sam T.R.. Thinkglobally,fitlocally: unsupervised learning go flow dimentional manifolds[J].Journal of Machine Learning Resear,2004,4(2):109～115
[111]宋维琪,韩宏伟.地震属性与储层参数组合优化算法[J].石油地球物理勘探,2003,38(增刊):108～112
[112]周竹生,周熙襄.宽带约束反演方法[J].石油地球物理勘探,1993,28(5):523～536
[113]张宏彬,何樵登.宽带约束反演[J].石油物探,1995,34(1):1～10
[114]刘百红,李建华.测井和地震资料宽带约束反演的应用[J].石油物探,2004,43(1):76～79
[115] Pebecca B L,Rick D. An interpreter’s guide to understanding and working with seismic- derived acoustic impedance data [J]. The leading edge,2000,(3):246～255
[116]穆星.稀疏脉冲波阻抗反演参数对反演效果的影响研究[J].工程地球物理学报,2005,2(2):104～108
[117]吕铁良,王永刚,谢万学等.稀疏脉冲反演技术在井间地震反演中的应用[J].石油物探,2007,46(1):58～63
[118]沈林克.塔里木盆地北部地震地层解释与油气检测[M].湖北武汉:中国地质大学出版社,1993
[119]兰素清,陆明华.多种地球物理方法组合在储层预测中的应用[J].勘探地球物理进展,2002,25(6):43～46
[120]白彦彬,杨长春,井西利等.地质规律约束下的波阻抗反演[J].石油物探,2002,41(1):61～64
[121]刘成斋,冉建斌,杨永生等.稀疏脉冲和基于模型反演在王家岗砂岩油藏勘探中的应用[J].石油地球物理勘探,2002,37(4):401～406
[122]黄绪德.反褶积与地震道反演[M].北京:石油工业出版社,1992
[123]刘书会,毕俊凤.模拟退火波阻抗反演方法的特点及适用条件[J].油气地质与采收率,2004,11(1):39～41
[124]张永刚.地震波阻抗反演技术的现状和发展[J].石油物探,2002,41(4):385～390
[125]马朋善.砂泥岩薄互层的高分辨率地震储层反演预测:[博士学位论文].中国地质大学,2005
[126]李明,侯连华,邹才能等.岩性地层油气藏地球物理勘探技术与应用[M],石油工业出版社,2005
[127]熊翥.21世纪初中期油气地球物理技术展望[M],石油工业出版社,2006
[128]王捷.油藏描述技术——勘探阶段[M].北京:石油工业出版社,1996
[129]王西文.精细地震解释技术在油田开发中后期的应用[J].石油勘探与开发,2004,31(6):58～61
[130]俞寿朋.高分辨率地震勘探[M].北京:石油工业出版社,1993
[131]陈守田,孟宪禄.薄互层储层预测方法[J].石油物探,2004,43(1):33～36
[132]陈立官.油气测井地质[M].北京:地质出版社,1989
[133]雍世和,张超谟.测井数据处理与综合解释[M].石油大学出版社,1996
[134]许正龙.曲线重构技术在储层横向预测工作中的应用[J].石油实验地质,2002,24(4):377～380
[135]彭苏萍,孔炜,杨瑞召等.煤田反演的声波测井曲线重构[J].北京工业职业技术学院学报,2003,2(4):11～16
[136]赵海宽,张延章,王国鹏等.基于模型的曲线重构地震反演技术及应用分析[J].新疆地质,2005,23(1):89～91
[137]陈钢花,王永刚.Faust公式在声波曲线重构中的应用[J].勘探地球物理进展,2005,28(2):125～128
[138]张学芳,董月昌,慎国强等.曲线重构技术在测井约束反演中的应用[J].石油勘探与开发2005,32(3):70～72
[139]赵铭,罗权生,胥东宏.均值为“零”的曲线重构技术在测井约束反演中的应用[J].土哈油气,2005,10(4):380～382
[140]张静,陈启林,李延丽.测井曲线重构技术在储层预测中的应用[J].西北油气勘探,2005,17(4):47～52
[141]杨少虎,黄玉生,彭文绪等.声波重构技术在储层反演中的应用[J].石油地球物理勘探,2006,41(2):171～176
[142]于文芹,邓葆玲,周小鹰.岩性指示曲线重构及其在储层预测中的应用[J].石油物探,2006,45(5):482～486
[143]周惠文,曹正林,杜斌山.含气特征曲线重构技术在致密含气砂岩储层预测中的应用[J].天然气地球科学,2006,17(5):723～726
[144]沈向存,杨江峰.声波曲线重构技术在地震反演中的应用[J].中国西部油气地质,2006,2(4):436～439
[145]付志方.地震储层预测技术及应用研究:[博士学位论文].中国地质大学,2007
[146]杨建春,刘赐团.拟声波曲线构建技术的新进展[J].内蒙古石油化工,2004,30(s1):129
[147]陈遵德,朱广生.地震储层预测方法研究进展[J].地球物理学进展,1997,12(4):76～84
[148]黄花香,曾涛,唐必锐等.地质统计分析方法在鲕滩储层预测中的应用[J].石油物探,2004,43(3):275～277
[149]沈立成,黄思静,刘洁等.用多元逐步回归方法评价储层孔隙度的控制因素[J].成都理工学院学报,2002,29(6):610～616
[150]曹思远,梁春生.储层预测中BP神经网络的应用[J].地球物理学进展,2002,17(1):84～90
[151]杨蕊.克立格法在储层预测中的应用[J].内蒙古石油化工,2007,(4):103～105
[152]武美先.BP神经网络及其改进[J].太原科技大学学报,2005,26(2):120～125
[153] Rumelhart D E,et al. Learning Representation by BP Errors[J].Nature(London),1986,7:149～154
[154] Patrick P , et al.Minimisation Method for Training Feedforward Neural Networks[J].Neural Networks,1994,7:1～11
[155]谢云,尤矢勇.一种并行模拟退火算法——加温-退火法[J].武汉大学学报,并行计算专刊,1991
[156]李文勇,李泉永.基于模拟退火的全局优化算法[J].桂林电子工业学院学报,2001,21(2):33～37
[157]席自强.单纯形一模拟退火算法[J].湖北工学院学报,2000,15(1):27～29
[158]向阳,龚新高.推广模拟退火方法机器应用[J].物理学进展,2000,20(3)319～334
[159]李晓莉,雷功炎.关于随机优化算法的几点讨论[J].计算数学,1996,4
[160]王磊,潘进,焦李成.免疫规划[J].计算机学报,2000,23(8):806～812
[161] Fogel L.J., Owens A.J.. Walsh M J. Artificial Intelligence Through Simulated Evolution.Chichester,U K: John Wiley,1966
[162] Farmer J D, Packard N H, Perelson A S . The immune system,adaptation and machine learning.Physics D, 1986, 22:187～204
[163]行小帅,潘进,焦李成.基于免疫规划的K-means聚类算法[J].计算机学报, 2003, 26(5): 605～610
[164] E.H.L.Aarts.Simulate d Annealin g and Boltzmann machines[M].John Wiley and Sons,1989.
[165]顾汉明,江涛,王家映.改进的模拟退火方法进行AVO岩性参数反演[J].地球科学,1999,24(4):418～422
[166]杨若黎,顾基发.一种高效的模拟退火全局优化算法[J].系统工程理论与实践,1997,5(5):29～35
[167] Reynold,C.W..Flock herds and schools:a distributed behavioral model.Computer GraPhies,1987,21(4):25～34.
[168] Hepper F,U Grenander. A stochastic nonlinear model for coordinated bird flocks,In S Krasner Ed.The Ubiquity of Chaos,AAAS Publications,Washington DC,1990
[169]唐贤伦.混沌粒子群优化算法理论及应用:[博士学位论文].重庆大学,2007
[170] Clerc M . The swarm and queen:towards a deterministic and adaptive particle optimization.Proceedings of the IEEE Congress on Evolutionary Computation,1999,1951～1957
[171] Angeline,P.J.. Evolutionary optimization versus particle of the swarm optimization:Philosophy and Performance difference. Proc. of the 7th Annual Conf on Evolutionary Programming,Gemany:Springer,1998,601～610
[172] Xie X F,Zhang W J,Yang Z L. A dissipative particle swarm optimization. Proceedings of the IEEE Congress on Evolutionary Computation(CEC 2002),Honolulu,HI USA,2002,1456～1461
[173] Suganthan , P.N.. Particle swarm optimizer with neighborhood operator. Proceedings of the IEEE Congress on Evolutionary Computation,Washington DC,1999,1958～1962
[174]吕振肃,候志荣.自适应变异的粒子群优化算法[J].电子学报,2004,32(3):416～420
[175]周明,孙树栋.遗传算法原理及其应用[M].北京:国防工业出版社,1999
[176]李敏强等著.遗传算法的基本理论与应用[M].北京:科学出版社,2002
[177]陈国良,王煦法,庄镇泉等.遗传算法及其应用[M].北京:人民邮电出版社,1996
[178] Hornik K,Stinchcombe M,White H. Multilayer feed-forward networks are universal approximators [J].Neural Networks,1989,2(5):359～366
[179]高海兵,高亮,周驰等.基于粒子群优化的神经网络训练算法研究[J].电子学报,2004,32(9):1572～1574
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |