一种计算效率高的混合优化驱动的声阻抗反演方法与神经网络孔隙度建模技术，用于水库特性分析

《Physics and Chemistry of the Earth, Parts A/B/C》：A computationally efficient hybrid optimization driven acoustic impedance inversion and neural network porosity modelling for reservoir characterization

本研究提出一种结合差分进化（DE）和粒子群优化（PSO）的混合优化框架，用于高效准确的地震反演。通过DE的全局搜索和PSO的快速收敛，有效解决了传统反演的非唯一性、局部极小值及高计算成本问题。在合成模型和加拿大阿尔伯塔省Blackfoot油田实际数据验证中，混合方法显著提升计算效率，反演声阻抗与测井数据相关性超过0.9，并基于人工神经网络实现14%-20%的孔隙率连续预测，突破了测井控制限制。

　　

Vishnu Kant Verma | Anand Singh

RCC-GPS，西部陆上盆地，ONGC，瓦多达拉，390009，古吉拉特邦，印度

摘要

地震反演在从地震反射数据估计地下属性方面起着关键作用。然而，传统的反演方法常常受到非唯一性、陷入局部最小值以及高计算成本（特别是对于大型数据集）的影响。为了解决这些挑战，本研究提出了一种计算效率高的混合优化框架，该框架结合了差分进化（DE）和粒子群优化（PSO）技术，将DE的全局搜索能力与PSO的快速收敛性相结合。该方法使用两个合成模型和来自阿尔伯塔省Blackfoot油田的真实现场数据集进行了验证。结果表明，混合方法能够可靠地恢复声学阻抗，并与井测阻抗高度一致（相关系数超过0.9，决定系数大于0.8），同时显著减少了计算时间，相比单独使用DE或PSO的反演方法。此外，混合反演得到的阻抗属性被集成到人工神经网络（ANN）中，以预测整个地震数据集中的孔隙度，从而实现了超出井控制范围的连续水库特征描述。对于Blackfoot数据集，所提出的方法得出的水库孔隙度估计值在14%到20%之间。通过将计算效率高的混合优化与ANN驱动的孔隙度预测相结合，所提出的工作流程克服了现有反演策略的关键限制，提供了稳健且可扩展的定量水库特征描述方法。

引言

地震反演在地球物理学中起着至关重要的作用，它将地震反射数据转化为定量模型，揭示了诸如声学阻抗、孔隙度、岩性和流体含量等地下属性（Lindseth, 1979, Russell, 1988, Pendrel, 2001, Kumar et al., 2016, Damasceno et al., 2021, Martinho et al., 2021）。虽然传统的地震分析主要提供结构信息，但反演技术通过提供岩石属性的估计值来增强解释能力，改善了水库的划分，并减少了与岩性、流体类型、孔隙度分布和弹性属性的空间变异性相关的勘探不确定性（Veeken and Da Silva, 2004, Grana et al., 2022）。

传统的地震反演是定量水库特征描述的基础。广泛使用的方法包括基于模型的反演，该方法通过井和地质信息迭代更新低频阻抗模型（Russell and Hampson, 1991），以及稀疏脉冲反演，该方法通过强制反射率的稀疏性来提高垂直分辨率（Sacchi, 1997）。同时反演利用叠前数据联合估计弹性属性，如P-阻抗、S-阻抗和密度（Hampson et al., 2005, Leisi and Shad Manaman, 2025b），而弹性阻抗反演则将声学阻抗扩展到非零入射角，从而实现角度依赖的弹性属性估计（Connolly, 1999, Leisi and Shad Manaman, 2025a）。

然而，传统的反演方法仍然受到非唯一性、对局部最优解的敏感性、参数权衡、收敛速度慢以及在高维空间中的高计算成本的影响（Backus and Gilbert, 1967, Oldenburg and Li, 1994, Tarantola, 2005）。正则化和贝叶斯方法解决了一些这些问题，但通常需要平衡模型分辨率和计算效率（Bosch et al., 2010）。

为了克服这些限制，受自然过程启发的元启发式优化算法，如差分进化（DE）和粒子群优化（PSO），越来越多地应用于地震反演（Boschetti et al., 1996, Velez-Langs, 2005, Sharma and Verma, 2011, Singh and Biswas, 2016, Singh and Biswas, 2021）。DE是一种基于种群的进化算法，通过变异、交叉和选择实现全局搜索（Feoktistov, 2006, Das and Suganthan, 2010），而PSO则模仿社会行为快速收敛到最优解（Kennedy and Eberhart, 1995, Eberhart and Kennedy, 1995b, Kant et al., 2024b）。尽管它们有效，但在复杂问题中DE可能收敛缓慢，而PSO在崎岖的解决方案空间中容易过早收敛。除了全局优化算法外，集成多个数据集和模型耦合技术的先进反演工作流程可以提高鲁棒性和准确性（Verma et al., 2024, Verma and Singh, 2025）。

结合互补算法的混合优化策略已成为地球物理反演中的强大解决方案。通过利用全局搜索和快速收敛的优势，混合方法弥补了单个算法的不足（Chunduru et al., 1997, Jamasb et al., 2019, Guo et al., 2020, Zhao et al., 2022, Kant et al., 2024a）。受此启发，本研究引入了一种新的混合反演框架，结合了DE和PSO，以实现可靠、准确且计算效率高的地震反演结果。

水库特征描述对于准确划分水库几何形状、岩性、孔隙度和流体分布至关重要，从而减少勘探和开发的不确定性。人工神经网络（ANN）可以将地震衍生的属性（Chopra and Marfurt, 2005）与井测数据结合起来，捕捉非线性关系，并改进超出井控制范围的水库属性预测（Iturrarán-Viveros and Parra, 2014, Leisi and Shad Manaman, 2024, Leisi et al., 2025a）。孔隙度是碳氢化合物储存的关键参数（Aftab et al., 2024），只能直接在井位测量，而地震数据提供空间连续的信息，但不能直接表示孔隙度。地震衍生的阻抗属性对岩性、流体含量和孔隙结构的变化敏感，这些因素与孔隙度间接相关（Hampson et al., 2001, Leite and Vidal, 2011, Khoshdel and Riahi, 2011, Hussain et al., 2025）。在本研究中，ANN被训练来捕捉地震衍生的阻抗属性与井测孔隙度之间的非线性关系，从而能够在井位之外空间预测孔隙度。这种方法扩展了水库特征描述的范围，并改善了含烃区域的划分。

所提出的DE-PSO混合反演方法，结合基于ANN的孔隙度估计，在阿尔伯塔省Blackfoot的合成数据集和真实现场数据上得到了验证。与单独使用DE和PSO方法的比较分析表明，在收敛速度、模型准确性和鲁棒性方面有显著改进。结果证实，结合DE和PSO提供了一种可扩展、高效且地质一致性的地震反演方法，最终提高了水库特征描述的准确性。

研究区域

我们使用了Blackfoot油田的地震和井数据来评估我们开发方法的有效性。Blackfoot油田位于加拿大阿尔伯塔省（图1）。地震数据是在1995年作为CREWES（弹性波勘探地震学研究联盟）项目的一部分获得的。如图1所示，研究区域包括3C-3D调查区域内的十三口井，这些井被一条3C宽带地震线穿过（Lawton et al., 1996, Yang et al.,

方法论

地震反演是一种重要的地球物理技术，用于从地震反射数据估计地下属性，如声学阻抗（Lindseth, 1979, Russell and Hampson, 1991, Farfour et al., 2015, Chen et al., 2021）。这一过程涉及解决一个逆问题，其中观察到的地震迹线用于推断岩石属性。然而，由于噪声、数据限制和解决方案的非唯一性，地震反演本质上是病态的（Tarantola, 2005, Sen and

结果

我们使用三个数据集评估了所开发的方法：两个合成数据集和一个来自阿尔伯塔省Blackfoot的真实现场数据集。Blackfoot数据集为在真实地质条件下验证和比较先进的反演和水库特征描述工作流程提供了高质量的基准。其井约束的地层和公开可用的地面真实值使其特别适用于测试新地震技术的可靠性、分辨率和地质一致性

讨论

所提出的方法通过使用DE进行全局搜索和PSO进行细化，改进了地震反演。混合优化方法从基于DE的种群初始化开始，然后通过变异、交叉和选择进行迭代进化。从DE获得的最佳解决方案被用作PSO的初始模型，确保优化从已经细化的解决方案开始，而不是从随机分布的种群开始。PSO过程进一步优化

结论

在这项研究中，开发了一种计算效率高的混合优化框架，结合了差分进化（DE）和粒子群优化（PSO），用于从地震反射数据估计声学阻抗。通过结合DE的强大全局搜索能力和PSO的快速局部收敛性，所提出的方案提高了收敛稳定性，减少了对局部最小值的敏感性，并提高了计算效率

CRediT作者贡献声明

Vishnu Kant Verma：撰写——原始草稿，可视化，方法论，数据整理。Anand Singh：撰写——审阅与编辑，验证，形式分析，概念化。

资助

作者衷心感谢印度石油和天然气公司（ONGC）有限公司和总理研究奖学金（PMRF），印度教育部提供的财政支持。这些机构的支持对于顺利完成这项研究至关重要。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

我们感谢主编Hongbo Su教授、编辑Hodson Makurira教授以及两位匿名审稿人的建设性评论，这些评论极大地改进了手稿。作者还感谢ONGC有限公司提供的资源，并允许进行这项研究。我们还要感谢勘探总监Om Prakash Sinha先生、盆地经理Vikas Mohan先生、地球物理服务主管Sandip Kumar Kaur先生以及Sangeeta R Savanur女士