0 引言

地震属性是指由叠前或叠后地震数据，经过一定的数学公式变换为有关地震波的几何形态、运动学特征、动力学特征和统计学特征的特殊测量值。地震储层预测是有效描述地震属性参数与储层参数关系的方法。地质工作者通过提取和分析特定时窗内地震属性区分岩性特征，从而识别储层岩性。利用地震属性识别储层岩性时，往往只能优选一种或几种地震属性作为参考，会损失大量有效信息，而且由于地震属性特征受多种因素影响，应用多种地震属性识别储层岩性时存在多解性，致使储层岩性识别难度极大。

针对基于地震属性识别储层岩性时有效信息损失和多解性等问题，人工智能地震属性岩性识别方法应运而生^[1-4]。文献[5-7]以地震属性数据为输入样本，采用BP神经网络识别储层岩性，但受梯度下降法的局限，BP网络在训练时易陷入局部极小值，难以达到全局最优解。文献[8]采用概率神经网络基于地震属性识别储层岩性，由于难以估计概率神经网络的概率函数，导致隐层节点数和空间复杂度均较高。文献[9]采用深度信念网络基于地震属性识别储层岩性，由于深度信念网络采用多层受限玻尔兹曼机构造，训练方法的本质仍然是梯度下降法，因此也易陷入局部极值。文献[10]采用卷积神经网络，首先利用叠后地震数据预测河道砂体分布，然后利用叠前地震数据预测河道内部储层类型及分布；但卷积神经网络需要采集一维序列样本或二维图像样本，因此样本构造过程相对复杂。因此，简单、实用且精度较高的岩性识别算法始终是该领域的追求目标。

T-S模型是一种模糊推理方法，它模拟了人脑的思维过程，不仅分类精度较高而且可解释性强，广泛用于分类领域。确定T-S模型的参数是训练该模型的中心任务，目前的常用方法是梯度下降法和智能优化算法。鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛，本文提出一种基于量子衍生涡流算法（Quantum Vortex Search Algorithm, QVSA）和T-S模糊推理模型的岩性识别方法，QVSA具有操作简单、收敛速度快、寻优能力强等优点。首先利用QVSA优化T-S模糊推理模型的各种参数；然后利用主成分分析方法降低获取的地震属性维度；再利用优化的T-S模糊推理模型识别储层岩性。实验结果表明，利用所提方法识别储层岩性的效果较好，岩性识别正确率高于普通BP网络方法，验证了方法的可行性和有效性。

1 QVSA

涡流搜索算法(Vortex Search Algorithm, VSA)是2015年提出的一种新型优化算法^[11]，具有操作简单、收敛速度快、寻优能力强的优点。

1.1 VSA

VSA受涡流现象启发，建模时将最优解作为涡流中心，采用逆不完全伽马函数^[12]缩减涡环半径，通过逐步迭代使涡流中心逐步逼近优化问题的最优解。该算法的寻优过程（图 1）简述如下。

(1) 产生初始解

VSA建模在搜索过程中涡环的半径逐渐缩小，并将最外涡环的中心设为搜索空间中心，该中心即为初始解。

(2) 产生候选解

候选解集$ {\boldsymbol{C}}_{0}\left(s\right)=\{{s}_{1},\cdots ,{s}_{M}\} $由以$ {\mu }_{0} $为中心、以搜索空间半径$ {\sigma }_{0} $为初始方差的高斯分布产生，其中$ {s}_{1},\cdots ,{s}_{M} $为$ M $个候选解。

(3) 当前解更新

从候选解集$ {\boldsymbol{C}}_{0}\left(s\right) $中选择最优解s_best∈C₀(s)，并将其作为半径缩减为$ {\sigma }_{1} $的内环中心，按球形高斯分布产生候选解集$ {\boldsymbol{C}}_{1}\left(s\right) $。若最好解s′∈C₁(s)优于s_best，则令s_best=s′。继续将s_best作为半径缩减为$ {\sigma }_{2} $的内环中心，重复迭代，直到满足终止条件。

(4) 半径缩减方法

VSA的每步迭代都采用逆不完全伽马函数^[12]$ \gamma (\lambda ,{a}_{t}) $更新涡流半径，即

$ {\sigma }_{t}={\sigma }_{0}(1/\lambda )\gamma (\lambda ,{a}_{t}) $

(1)

式中：λ为随机变量；a_t为分辨率参数，$ t $为当前迭代次数。

借助逆不完全伽马函数的优良特性，可使搜索过程的前半程侧重于全局探索，后半程侧重于局部开发，从而达到探索与开发间的合理平衡。

1.2 QVSA

QVSA是VSA与量子计算融合的结果，旨在利用量子计算方法提升VSA的寻优能力。QVSA利用量子比特对候选解编码，利用量子比特在Bloch球面上的绕轴旋转更新候选解，通过不断迭代、寻优直到满足算法的终止条件。

(1) 涡流中心初始化

为不失一般性，本文以最小值优化为例。最初的涡流中心可用量子比特初始化

$ |{\mu }_{0}〉=\left(|{\varphi }_{1}〉,\mathrm{ }\cdots \mathrm{ },\mathrm{ }|{\varphi }_{D}〉\right) $

(2)

其中

$ |{\varphi }_{d}〉={\left(\mathrm{c}\mathrm{o}\mathrm{s}\frac{{\theta }_{d}}{2}\text{ }{\mathrm{e}}^{\mathrm{i}{\phi }_{d}}\mathrm{s}\mathrm{i}\mathrm{n}\frac{{\theta }_{d}}{2}\right)}^{\mathrm{T}} $

式中：$ {\theta }_{d}=\mathrm{r}\mathrm{n}\mathrm{d}\times {\rm{ \mathsf{ π} }} $，rnd为(0, 1)内均匀分布的随机数，d=1, 2, …, D，D为维数；$ {\phi }_{d}=\mathrm{r}\mathrm{n}\mathrm{d}\times 2{\rm{ \mathsf{ π} }} $。

采用泡利矩阵σ=(σ_x σ_y σ_z)(σ_x、σ_y、σ_z分别为σ在x、y、z方向的分量)测量$ |{\mu }_{0}〉 $，可得Bloch球面坐标

$ {x}_{d}=〈{\phi }_{d}\left|{\sigma }_{x}\right|{\phi }_{d}〉=\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{d}\mathrm{c}\mathrm{o}\mathrm{s}{\varphi }_{d} $

(3)

$ {y}_{d}=〈{\varphi }_{d}\left|{\sigma }_{y}\right|{\varphi }_{d}〉=\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{d}\mathrm{s}\mathrm{i}\mathrm{n}{\phi }_{d} $

(4)

$ {z}_{d}=〈{\varphi }_{d}\left|{\sigma }_{z}\right|{\varphi }_{d}〉=\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_{d} $

(5)

由于$ {x}_{d}^{2}+{y}_{d}^{2}+{z}_{d}^{2}=1 $，因此本文仅以$ [{x}_{1},{x}_{2}, $ $ \cdots ,{x}_{D}] $为优化解。又由于$ {x}_{d}\in [-1,\mathrm{ }1] $，所以需要将x_d变换为实际解空间中的优化解

$ {X}_{d}=\frac{1}{2}\left[\mathrm{m}\mathrm{i}{\mathrm{n}}_{d}\right(1-{x}_{d})+\mathrm{m}\mathrm{a}{\mathrm{x}}_{d}(1+{x}_{d}\left)\right] $

(6)

式中$ [\mathrm{m}\mathrm{i}{\mathrm{n}}_{d},\mathrm{ }\mathrm{m}\mathrm{a}{\mathrm{x}}_{d}] $为第d维变量的取值区间。记$ {\boldsymbol{X}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}=({X}_{1},{X}_{2},\dots ,{X}_{D}) $，目标函数值为$ {F}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $。

(2) 候选解的产生

QVSA将$ |{\mu }_{0}〉 $上所有量子比特绕y轴或z轴旋转产生候选解。旋转轴的选择和旋转角度$ {\delta }_{d} $的计算方法参见文献[13]。以$ |{\varphi }_{d}〉 $为例，关于绕y轴和z轴的旋转操作分别为

$ \begin{array}{l}|{\widehat{\varphi }}_{d}〉={\boldsymbol{R}}_{y}[{\delta }_{d}\left(t\right)\left]\right|{\varphi }_{d}〉\\ =\left(\begin{array}{l}\mathrm{c}\mathrm{o}\mathrm{s}\frac{{\delta }_{d}\left(t\right)}{2}-\mathrm{s}\mathrm{i}\mathrm{n}\frac{{\delta }_{d}\left(t\right)}{2}\\ \mathrm{s}\mathrm{i}\mathrm{n}\frac{{\delta }_{d}\left(t\right)}{2}\text{ }\mathrm{c}\mathrm{o}\mathrm{s}\frac{{\delta }_{d}\left(t\right)}{2}\end{array}\right)\times |{\varphi }_{d}〉\end{array} $

(7)

$\left|\hat{\varphi}_d\right\rangle=\boldsymbol{R}_z\left[\delta_d(t)\right]\left|\varphi_d\right\rangle=\left(\begin{array}{cc} 1 & 0 \\ 0 & \mathrm{e}^{\mathrm{i} \delta_d(t)} \end{array}\right) \times\left|\varphi_d\right\rangle$

(8)

式中：R_y为绕y轴的旋转矩阵；R_z为绕z轴的旋转矩阵。将$ |{\widehat{\mu }}_{0}〉 $上所有比特旋转之后，即得到一个候选解，重复该过程，可得到多个候选解。

(3) 最优解的更新

假定$ {\widehat{\boldsymbol{X}}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $为当代最优解，目标函数值为$ {\widehat{F}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $，$ |{\widehat{\mu }}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}〉 $为对应的量子个体。如果$ {\widehat{F}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} < {F}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $，则置$ |{\mu }_{0}〉=|{\widehat{\mu }}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}〉 $、$ {\boldsymbol{X}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $=$ {\widehat{\boldsymbol{X}}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $、$ {F}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}}={\widehat{F}}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t}} $。

(4) 算法终止条件

本文采用限定迭代次数作为终止条件，即无论优化结果如何，算法都将一直运行，直至达到预定义的最大迭代次数。

2 基于QVSA的T-S推理模糊模型构建方法 2.1 T-S推理模糊模型

1985年，Takagi等^[14]提出了一种基于模糊推理规则的评价模型，该模型的突出优点是，在模型输出端不需采用去模糊化处理，基于对所有模糊规则的综合，可直接获得数值结果。第$ i $条模糊规则的一般形式为

若$ {I}_{1}\in {\boldsymbol{A}}_{1}^{i} $、$ {I}_{2}\in {\boldsymbol{A}}_{2}^{i} $、…、$ {I}_{n}\in {\boldsymbol{A}}_{n}^{i} $，则

$ {u}^{i}={p}_{0}^{i}+{p}_{1}^{i}{I}_{1}+{p}_{2}^{i}{I}_{2}+\cdots +{p}_{n}^{i}{I}_{n} $

(9)

式中：$ {I}_{1},{I}_{2},\mathrm{ }\cdots \mathrm{ },{I}_{n} $为模型输入；A_jⁱ（j=1, 2, …, n）为模糊集，隶属函数一般取高斯型；$ {u}^{i} $为该规则的输出；$ {p}_{0}^{i},{p}_{1}^{i},\mathrm{ }\cdots \mathrm{ },{p}_{n}^{i} $为后件参数。

对于$ {I}_{1},{I}_{2},\mathrm{ }\cdots \mathrm{ },{I}_{n} $，每条模糊规则都独立得到一个推理结果，如第$ i $条模糊规则的推理结果为

$ \left\{\begin{array}{l}{u}^{i}={p}_{0}^{i}+{p}_{1}^{i}{I}_{1}+{p}_{2}^{i}{I}_{2}+\cdots +{p}_{n}^{i}{I}_{n}\\ \mu \left({u}^{i}\right)={\mu }_{{\boldsymbol{A}}_{1}^{i}}\left({x}_{1}\right){\mu }_{{\boldsymbol{A}}_{2}^{i}}\left({x}_{2}\right)\cdots {\mu }_{{\boldsymbol{A}}_{n}^{i}}\left({x}_{n}\right)\end{array}\right. $

(10)

此时，综合所有$ m $条推理结果，可以得到T-S模糊推理模型的最终推理结果

$ u=\frac{\sum\limits_{i=1}^{m}\mu \left({u}^{i}\right){u}^{i}}{\sum\limits_{i=1}^{m}\mu \left({u}^{i}\right)} $

(11)

综上所述，建立T-S模糊推理模型，关键在于确定式(9)中模糊规则的前件参数(高斯隶属度函数的中心、方差)和后件参数$ {p}_{0}^{i},{p}_{1}^{i},\mathrm{ }\cdots \mathrm{ },{p}_{n}^{i} $。

2.2 基于QSVA的T-S模糊推理模型的构建方法

在T-S模型中，模糊规则数目随输入变量个数增多呈指数增长，变量个数一般较多，传统方法(如梯度法)不易得到理想结果。因此，本文采用QVSA优化、确定这些参数。假设T-S模型有n个输入指标，下面阐述T-S模型的构建方法。

(1) 构造训练样本集

为便于描述，假定储层共有$ C $种岩性。首先选取若干岩性，根据岩性指标构造T-S模糊推理模型的输入样本；然后聘请专家进行认真、细致的手工评判，最后以自然数形式($ 1,\mathrm{ }2,\mathrm{ }\cdots \mathrm{ },C $)给出岩性评判结果。这些专家所用的优良评价方法已蕴涵在从指标数据到评价结果的复杂映射关系中。将这些岩性指标数据及评价结果作为训练集建立T-S模糊推理模型的系统参数，使T-S模糊推理模型“学会”专家的评判知识，然后即可对那些已知指标数据的未知储层岩性实施模拟专家行为的岩性识别。

(2) 构造目标函数

目标函数是构造和评价T-S模型的工具，通常以T-S模型的参数为自变量，而函数值则能反映T-S模型的质量。因此，本文选用T-S模型的错误识别样本数作为目标函数。首先对T-S模型的实际输出实施四舍五入取整操作，然后将实际输出和期望输出不一致的样本数(即识别错误的样本数)作为目标函数，即

$ E=\sum\limits_{k=1}^N g\left(\hat{o}_k, o_k\right) \quad g\left(\hat{o}_k, o_k\right)= \begin{cases}1 & \hat{o}_k \neq o_k \\ 0 & \hat{o}_k=o_k\end{cases} $

(12)

式中：$ N $为训练样本总数；$ {\widehat{o}}_{k} $和$ {o}_{k} $分别为第$ k $个样本(储层特征)的模型识别结果和专家识别结果。

(3) 构造T-S模糊推理模型

为降低T-S模糊推理模型的计算复杂度，对于n个输入指标，均选取“低(L)”和“高(H)”这2个模糊语言变量，采用高斯型模糊集隶属函数。因此，n个输入指标共可构造$ {2}^{n} $条模糊推理规则

1) 若$ {I}_{1}\in L $、$ {I}_{2}\in L $、…、$ {I}_{n}\in L $，则$ {u}^{1}={p}_{0}^{1}+{p}_{1}^{1}{I}_{1}+{p}_{2}^{1}{I}_{2}+\cdots +{p}_{n}^{1}{I}_{n} $

2）若$ {I}_{1}\in L $、$ {I}_{2}\in L $、…、I_n-1 $ \in L $, 而$ {I}_{n}\in H $，则$ {u}^{2}={p}_{0}^{2}+{p}_{1}^{2}{I}_{1}+{p}_{2}^{2}{I}_{2}+\cdots +{p}_{n}^{2}{I}_{n} $

︙

$ {2}^{n} $）若$ {I}_{1}\in H $、$ {I}_{2}\in H $、…、$ {I}_{n}\in H $，则$ {u}^{{2}^{n}}={p}_{0}^{{2}^{n}}+{p}_{1}^{{2}^{n}}{I}_{1}+{p}_{2}^{{2}^{n}}{I}_{2}+\cdots +{p}_{n}^{{2}^{n}}{I}_{n} $

(4) 优化确定T-S模糊推理规则参数

根据式(9)，每条模糊规则含有$ n+1 $个参数，$ {2}^{n} $条规则共含有$ (n+1)\times {2}^{n} $个参数。每个高斯模糊集包含2个参数，$ 2n $个模糊集共有$ 4n $个参数。因此整个T-S模糊推理模型共有$ (n+1)\times {2}^{n}+4n $个参数需优化。本文采用QVSA优化这些参数^[13]。优化过程收敛之后，QVSA获得的最优解即为T-S模糊推理模型的最优参数，此时即完成了T-S模糊推理模型的构建。

3 基于T-S模糊推理模型的储层岩性识别

利用QVSA构建的T-S模糊推理模型识别实际储层岩性，并与普通BP网络储层岩性识别方法对比，以检验方法的效果。

3.1 基础资料处理

研究区为松辽盆地北部中央坳陷区三肇凹陷西北部的卫星油田实验区，全区整体构造形态大致呈“西高东低”的斜坡，面积约为36.22 km²。目的层为下白垩统姚家组一段葡萄花油层，为盆地北部的大型朵叶状三角洲沉积，部分属于泛滥平原下游的大型河流沉积。岩性以一套粉砂岩夹灰、灰绿色泥岩及过渡岩为主，储层呈砂泥岩薄互层、钙质夹层交互组合。

选取370口井的目标时间单元样本进行测井解释，同时在精细合成记录标定的基础上，按照不同时间单元的时间深度提取26种地震属性：1)平均能量；2)平均信噪比；3)平均绝对振幅；4)平均瞬时频率；5)平均瞬时相位；6)平均波峰振幅；7)平均反射强度；8)相关长度；9)能量半衰时；10)峰态振幅；11)最大绝对振幅；12)最大波峰振幅；13)最大波谷振幅；14)最大值；15)平均振幅；16)最小值；17)正负样点比；18)均方根振幅；19)能量半衰斜率；20)瞬时频率斜率；21)反射强度斜率；22)振幅厚度；23)总绝对振幅；24)总振幅；25)总能量；26)振幅方差。

储层包括砂岩、泥岩两类岩性，分别用1、0编码，样本数量分别为242个和128个。部分储层的原始数据如表 1所示。基于这些样本数据，采用QVSA构建T-S模糊推理模型，使其逼近储层岩性指标与类属之间的复杂映射关系，以识别大量测试样本的未知岩性。

3.2 基于主成分分析的特征选择

考虑到描述样本数据的26个指标（地震属性）对岩性识别的贡献不同，甚至存在冗余指标。为降低模型复杂度并提高识别精度，采用主成分分析方法筛选部分指标构建T-S模糊推理模型。根据主成分分析方法的原理^[15-17]得到每个指标对岩性识别的贡献率，将这些指标按相关性的大小降序排列，再做部分和与归一化处理，结果如表 2所示。

根据表 2，综合指标贡献率和T-S模糊推理模型的复杂度，经过反复测试认为，前8个指标的贡献率总和占全部指标集的75%以上，因此最终选择前8个指标构建T-S模糊推理模型（表 3）。

3.3 样本数据的构造方法

岩性识别本质上属于分类问题，采用T-S模糊推理模型实现。对基于智能计算(神经网络、模糊推理、T-S模型)的分类问题，应保持各类样本数量均衡，否则多样本类会“淹没”少样本类。前文的砂岩、泥岩样本数量并不均衡(分别为242和128)，因此做如下规定：128个泥岩样本（岩性编码为0）全部使用，随机选取242个砂岩样本（岩性编码为1）的128个使用。此时两类样本数量均衡，由T-S模糊推理模型训练256个样本。为考察T-S模糊推理模型的泛化能力，在每类128个样本中随机挑选64个作为训练集训练网络，使其逼近样本特征和岩性类别之间的映射关系，其余样本作为验证集考察模型的泛化能力，此时训练集和验证集的样本数相等，且都是二类均衡的。

3.4 T-S模糊推理模型的构建过程

根据前文的T-S模糊推理模型构造方法，每个指标均选择“高”“低”两个模糊集，每个模糊集均采用高斯型隶属函数，8个指标可构造$ {2}^{8} $条模糊推理规则；每个高斯型函数包含中心、方差两个参数，每条规则后件参数包含9个组合系数，因此共有$ 9\times {2}^{8}+8\times (2+2)=2336 $个参数，采用QVSA优化这些参数。

首先为每个参数限定搜索范围。各指标“高”“低”模糊集中心范围的设置方法如下。首先，计算各指标数据的中值$ {m}_{1}\mathrm{、}{m}_{2}\mathrm{、}{m}_{3}\mathrm{、}{m}_{4}\mathrm{、}{m}_{5}\mathrm{、}{m}_{6}\mathrm{、} $ $ {m}_{7}\mathrm{、}{m}_{8} $。然后，分别计算各指标数据在中值两侧数据的中值(即对于第l(l=1, 2, …, 8)个指标中值m_l，分别计算小于m_l的数据中值m_ls和大于m_l的数据中值m_lb)。最后，设置各指标“低”“高”模糊集中心范围分别为（m_ls，m_l）、（m_l，m_lb）（表 4）；根据高斯分布的$ 3\sigma $原则，设置各指标“低”“高”模糊集方差范围分别为$ \left(\frac{{m}_{l}-{m}_{l\mathrm{s}}}{3},\frac{{m}_{l}-{m}_{l\mathrm{s}}}{2}\right) $、$ \left(\frac{{m}_{l}-{m}_{l\mathrm{b}}}{3},\frac{{m}_{l}-{m}_{l\mathrm{b}}}{2}\right) $（表 4）。

所有模糊规则的后件参数均取区间$ (0,\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }1) $内均匀分布的随机数。设置QVSA每代生成候选解的数量为200，目标函数按式(12)设计，其中，$ N=128 $，最大迭代次数为150，置当前迭代次数为0。当迭代次数为150时，QVSA终止，T-S模糊推理模型构建结束，否则，重新迭代直至满足终止条件。此时对于验证集的128个样本，错误识别样本数仅为11，正确率为91.41%（图 2）。

图 3为QVSA优化T-S模型得到的8个指标的“高”“低”模糊集隶属度曲线。由图可见，每个指标的两个模糊集均存在“交叉”，同时分区性明显，因此可以较好地实施模糊推理。

3.5 T-S模糊推理模型的储层岩性分析效果

应用训练好的网络识别研究区700000个地震属性采样点的储层岩性，并与普通BP网络储层岩性识别方法对比（表 5），以检验方法的效果。BP网络的结构设置为：输入层为8个节点，输出层为1个节点；经过多次实验，最终确定隐层节点数为20；隐层和输出层节点的激励函数均为Sigmoid，损失函数为交叉熵；迭代次数为150，采用随迭代次数单调下降的学习速率(初值为0.05、终值为0.01)，惯性因子为0.9。

为增强对比结果的客观性，采用正确率、查准率、查全率、F1分数作为评估指标，这些指标可根据混淆矩阵（图 4）定义^[18]。实验结果表明，本文方法的识别正确率达到92%，比普通BP网络方法高5.1%，同时其他三项指标也较BP网络方法提升明显。图 5为BP神经网络方法和T-S模糊推理方法的岩性识别效果。由图可见，T-S模糊推理方法的储层岩性识别效果（图 5 b）优于普通BP网络方法（图 5a）。

4 结论

为更准确地识别储层岩性，本文提出一种基于量子衍生涡流算法和T-S模糊推理模型的岩性识别方法。BP网络方法的固有缺陷在于训练过程易陷入局部极小值，从而不易“学会”储层岩性特征与其类属之间的复杂映射关系。T-S模糊推理方法模拟了人脑的推理过程，本文采用具有全局搜索能力的QVSA优化T-S模糊推理模型参数，可以较好地获得储层岩性特征与其类属之间的映射关系，从而有效提高了岩性识别精度。实验结果表明，利用反映储层特征的8个地震属性识别储层岩性时，本文所提方法的识别正确率达到92.0%，比普通BP网络方法高5.1%，同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。然而QVSA需要种群寻优，而不是个体寻优，从而增加了模型的计算复杂度，降低了计算效率，即T-S模糊推理模型以牺牲计算效率换取较高的识别精度。