2014, Vol. 57
2. 中国石油大学(北京)油气资源与探测国家重点实验室, 北京 102249;
3. 中国石油天然气股份有限公司塔里木油田分公司, 新疆库尔勒 841000
2. State Key Laboratory of Petroleum Resource and Prospecting, China University of Petroleum, Beijing 102249, China;
3. PetroChina Tarim Oilfield Company, Korla, Xinjiang 841000, China
塔中地区经过多年的油气勘探，已经确立了塔中I号构造带具有“整体含油”、“储层控油”、“复式成藏”的认识(周新源，2006，2009).在充分利用三维地震资料的基础上，储层的钻遇成功率得到了显著提高，目前在塔中地区储层的钻遇成功率超过90%，极大地推动了碳酸盐岩油气勘探的进程.优质储层是油气成藏的必要条件，但是钻遇优质储层并不能保证钻遇油气藏.找到优质储层只是油气勘探的第一步，更为重要的是判断储层中是否富含油气.经过多年的研究和生产实践，已经确定了“串珠状强反射”是优质碳酸盐岩储层的主要反射特征(胡中平，2006；孙东等，2010；刘鑫等，2011).但是并不是所有的“串珠状强反射”都富含油气，很难通过叠后的技术手段对储层中流体的充填性质做出准确判断，导致在实际勘探中出现了许多找到了储层但没有找到油气的例子.因此加强对缝洞系统充填性质的研究，对于指导油气勘探具有十分重要的现实意义，直接关系到勘探的成败.
本文试图从不同流体性质在部分叠加数据体上的差异出发，对各角度叠加数据体提取多种地震属性，构建多属性角度叠加数据体组合的流体识别因子，并利用碳酸盐岩储集相进行控制，运用量子粒子群和模糊神经网络相结合的办法对碳酸盐岩流体进行识别.
识别流体性质是油气勘探最重要的研究工作，现今比较流行的是利用AVO反演方法，通过地震数据获取纵横波信息，进而对流体进行识别.前人从不同的理论出发提出了多种形式和种类的流体识别因子，并且其中一些流体识别因子在某些地区已取得一定的应用效果(Rutherford，1989；Goodway et al．，1997；Russell et al．，2003；宁忠华等，2006；贺振华等，2009).综合考虑对流体的灵敏性、抑制噪声的能力以及使用的方便性等因素，按研究区的实际情况，通过测试建立了研究区对流体比较敏感的流体识别因子：
目前大多实用的识别因子都是建立在纵波阻抗和横波阻抗的基础之上，但实际上很难准确获得横波阻抗信息，现今主要办法是基于纵波资料利用岩石物理分析来估算横波资料，但是针对碳酸盐岩储层复杂的孔隙结构，准确地预测横波信息难度较大，在计算过程中不可避免地会产生一定误差.
根据地震波传播理论，当地震波以法线方向入射到界面上时(即垂直入射)，只有反射纵波和透射纵波，而在非法线入射的情况下，在界面处会发生转换横波.由Zoeppritz方程的shuey简化式的假设条件可知，当入射角相对较小时，Zoeppritz方程可以简化为两项形式，即
Rpp(θ)=sec2θ·Rp－8γsin2θ·Rs, (2)
其中，θ为入射角，γ为纵横波速度比，Rp为纵波阻抗反射系数，Rs为横波阻抗反射系数.
可以看出，不同角度的反射系数可以被看作是Rp和Rs的线性组合.近角度反射类似于零入射角的反射，其中包含较多的纵波信息，随着入射角变大，Rs所占的比重逐渐增加，代表所包含的横波信息将增多.并且在角道集资料中不同流体性质反映的信息不同，有流体就会存在差异，不含流体则差异不大，含气储层在角道集资料中，Rs所占比重与反射系数随入射角的变化特征均比含水储层变化特征明显(如图1、2)，因此可将近角度反射道集代替纵波阻抗，远角度反射道集代替横波阻抗，组建新型的流体因子对储层的流体性质进行识别(Castagna et al．，1997).
 | 图1 角道集资料不同流体性质Rs比重随入射角变化特征 Fig.1 Variation of Rs weight versus incidence angle on angle gathers with different fluids saturation |
将共炮集记录通过AVO资料预处理得到角道集地震资料，将一定近角度范围内的地震道集进行叠加得到近角度叠加数据体，将一定远角度范围的地震道集进行叠加则得到远角度叠加数据体，公式如下:
 | 图2 不同流体性质反射系数随入射角变化特征 Fig.2 Variation of reflectivity versus incidence angle on angle gathers with different fluids saturation |
式中，I表示中角度范围的起始角度; J表示远角度范围的起始角度;x(i)表示地震道.这样就形成3个具有不同信息的叠加地震数据体.将3种部分角度叠加数据体通过两两不同组合方式代入式(1)，利用近角度叠加数据体替换其中的Ip，用远角度叠加数据体替换其中的Is，就可形成不同的基于角度叠加数据体的流体识别因子：FNM=f(Near，Mid，B)、FNF=f(Near，Far，B)、FMF=f(Mid，Far，B)，其目的就是通过利用高次方量纲能够将数据放大的特点以及不同流体在角道集上的差异，突出含流体信息，压制非流体信息或者流体差异较小的信息，通过调节参数值来突出含油气性，压制含水性，从而回避了利用纵波估算横波的问题.
调节参数B的选取与具体地区的岩性有关，选择合适的B值，可使含气储层异常显示比含水储层异常明显.借鉴前人对流体识别因子中调节参数的选取方法，并根据研究区实际情况对B值进行不断地调整，通过测试认为，当m＝2，n=2，B=2.8时对研究区内流体性质区分的效果较好.
为了降低噪音对预测结果的影响，对3个角度叠加数据体分别提取多种地震属性，包括：均方根振幅、平均反射强度、频率衰减梯度和分频调谐能量(22 Hz)四种地震属性，分别代入式(4)中，这样每种地震属性都对应着3种不同角度叠加数据体组合的流体识别因子.由于不同属性之间的数据级存在很大的差异，因此首先要进行归一化处理，使数值变换到相同的尺度之下，处理后每种地震属性角度叠加数据体组合流体因子的范围为0～1之间.抽取研究区已钻井井旁道信息作为已知训练样本，其中包括水井、泥质充填井和油气井.从图3中可以看出，近中道集组合识别流体的能力比较弱，而近远道集组合识别流体的能力较强.这是由于随着偏移距的增加，道集中包含的横波信息就会增多，反映出的流体信息也会增加，因此近、远角度道集中纵波和横波信息的差异就会变大，对于流体的识别能力也随之增强.因此选择均方根振幅、平均反射强度、频率衰减梯度和分频调谐能量(22 Hz)四种地震属性对应的近远叠加数据体组合流体识别因子来预测流体的充填性质.
 | 图3 多种地震属性不同角度叠加数据体组合的流体识别因子比较(a)均方根振幅；(b)平均反射强度；(c)频率衰减梯度；(d)分频调谐能量(22 Hz). Fig.3 Comparison of comprehensive fluid factors based on multi-attributes extracted from partial-stacked datasets |
模糊神经网络是将模糊算法和神经网络算法有机结合，融合了模糊系统较强的知识表达能力、控制灵活和稳健性强的优点，又具有神经网络较强的非线性跟踪学习能力(高隽，2004).模糊技术具有很强的逻辑推理能力和高阶信息处理能力，将其引入到神经网络技术当中，大大拓宽了神经网络处理信息的范围和能力，不仅能处理精确的信息，也能够处理模糊的信息.由于运行机制具有模糊化的特点，使得容错能力得到显著加强，并且在学习时间、训练步数及计算精度等方面都优于常规的神经网络方法.
模糊神经网络算法以误差平方和作为目标函数，用梯度法求解其最小值，导致该算法对初值十分敏感，不同的初始权向量可能导致完全不同的结果，并且具有学习收敛速度较慢、容易陷入局部极小、实时学习能力和泛化能力较差等缺点.
为了克服神经网络本身固有存在的问题，目前研究比较广泛的是利用遗传算法来训练神经网络拓扑结构和连接权重，提高算法的全局搜索能力，并有效提高神经网络的泛化性能.遗传算法(Genetic Algorithm，简称GA)，最早是由Holland(1975)提出，是一种通过模拟自然界生物进化过程来搜索最优解的非线性优化算法，它源于达尔文的进化论，即“适者生存、优生劣汰”的生物进化规则.遗传算法首先随机生成一个初始模型群体，然后通过选择、复制、交叉、变异等遗传操作对模型群体进行繁殖迭代，这个过程与自然界生物进化过程一样，子代种群比父代种群更加适应环境，直至模型群体找到近似最优解或满意解为止.
但遗传算法复杂的遗传操作(如选择、复制、交叉、变异等)使神经网络的训练时间随问题的复杂程度和规模呈指数级增长，并且由于缺乏有效的局部搜索机制，在接近最优解时算法的收敛速度缓慢甚至出现停滞现象，限制了算法的性能(Yang et al．，2001；Franchini，1996).
粒子群优化算法(Particle Swarm Optimization, PSO)由Ebethart 博士与Kenedy博士(1995)受到鸟群与鱼群运动规律启发而提出的一种进化算法.在粒子群优化算法中每个粒子定义为优化问题在整个搜索空间的一个潜在解，每个粒子的优劣由目标函数计算的适应值决定，并且根据粒子搜索到的历史最优解和群体最优解进行更新，具有较强的全局并行搜索能力.利用PSO训练神经网络的结构和参数具有训练收敛速度快、训练精度较高的优点，但“早熟”和局部搜索能力较弱也是PSO算法的明显缺点.为了提高PSO算法中粒子随机性和全局搜索能力，Sun and Xu(2004)利用量子测不准原理来代替牛顿力学用以确定粒子的行为，将量子行为引入粒子群算法，提出一种新的PSO算法——量子粒子群优化(QPSO)算法.经研究证实，QPSO算法全局寻优能力要远远强于标准的粒子群优化(PSO)算法(方伟等，2010).但是，量子粒子群算法作为一种基于群体智能的优化算法，由于受到粒子本身的记忆性和对极值收敛性的限制，与其他以种群进化为基础的优化算法一样，对其本身固有的“早熟收敛”等缺点仍无法从根本上克服.
在对以上多种优化算法分析研究的基础上，本文提出了一种改进的量子粒子群模糊神经网络算法(AG-QPSCO-FNN)，在充分发挥各优化算法优点的同时，引入一系列的改进机制，如利用多量子粒子群协同优化、引入遗传算法的思想、提出主导全局最优粒子的概念、利用非线性自适应调整的策略控制收缩-扩展系数α等，提高了种群的收敛速度，并增加了种群的多样性，改善了量子粒子群算法的全局寻优能力.利用改进后的量子粒子群算法来优化模糊神经网络中的连接权值和隶属函数参数.具体改进思路如下：
(1) 多量子粒子种群协同优化
为了增加种群的多样性，提高量子粒子群的全局寻优能力，提出采取多个量子粒子群协同优化的方法，主要分两个步骤完成:
步骤① 随机产生n个普通量子粒子群(每个量子粒子群有m个粒子数)，并且各量子粒子群独立地在解空间中搜索全局最优值，n个独立的量子粒子群对应着n个全局最优值gbest(i)，其中i＝1，2，…，n.
步骤② 达到一定的迭代次数后，通过种群间的信息共享，提取n个种群的全局最优值gbest(i)组建成一个新的精英种群，继续进行优化，直到找到全局最优解为止.
改进的多量子粒子群可以充分地在整个解空间内进行搜索，增加了种群的多样性，即使大多数种群找到的是局部极值点，但只要有一个种群能够找到全局极值点，就能够保证算法全局收敛，从而提高了算法的全局寻优能力，并且通过组建精英种群的方式加快了算法的收敛速度.
(2) 自适应遗传算子的引入
为了进一步避免量子粒子群陷入局部极值点，将遗传算法中的选择、变异思想引入到QPSO算法中，以此来增加种群的多样性，同时为让群体快速跳出局部最优，加快算法的收敛速度，引入早熟收敛判断机制.
由于量子粒子群的原理可知，随着种群的不断进化，粒子都会出现“聚集”现象，即个体之间的差异越来越小，而个体位置决定着个体的适应度大小.因此，根据种群中所有个体适应度的整体变化可以判断种群的状态.设粒子群的粒子数为m，fi为第i个粒子的适应度，favg为群体适应度的平均值，σ2为粒子群的群体适应度方差，定义为：
式中，f为归一化定标因子，其作用是限制σ2大小.在本文算法中，f的取值如下：
群体适应度方差σ2反映的是粒子群中所有粒子的“收敛”程度.σ2越大，粒子群处于随机搜索阶段；反之，粒子群趋于收敛.当σ2小于某一给定的常数λ(早熟收敛判断阈值)，如果此时算法不满足结束的条件，则判断粒子群由于失去多样性过早的进入收敛状态，从而启动早熟处理操作.
首先根据适应值函数对粒子进行排序，粒子的适应度值越大，表示该粒子越差，被选择变异的概率也就越大.将种群中适应度值比较低的粒子按照一定的比例重新分配到可行解空间中继续搜索，增加了种群的多样性.但是如果重新分配到可行解空间的粒子没有位于全局最优解的位置，反倒由于现今群体极值点gbest的吸引，会迅速回到先前群体极值点gbest的附近，造成遗传变异操作失效.
因此在判断种群陷入早熟收敛状态后，在对部分相对比较差的粒子进行遗传操作的同时，同时也对极值点gbest也引入变异机制，使其能够引导种群迅速跳出局部最优.但如果粒子在跳出局部极值点之后又进入了另一个极值点，甚至是变异后的群体极值点gbest的适应度比变异前更差，会造成整个算法退化.因此提出“主导全局最优粒子”的概念，利用主导全局最优粒子记忆种群最佳极值点的位置和适应度.“主导全局最优粒子”代表一个群体的认知能力，引领着群体的搜索方向，决定了搜索到最终解的优劣程度，能够使算法摆脱局部最优的限制，同时避免种群退化现象，提高算法的搜索能力.
(3) 带自适应权值的量子粒子群
量子粒子群QPSO对收缩-扩展系数α非常敏感，调节它的值能控制算法的收敛速度和训练精度.α值越大，算法收敛速度越慢，寻优过程需要的时间越长，全局搜索能力越强；α值越小，收敛速度越快，局部搜索能力越强，有利于算法的求解精度，但容易陷入局部最优.
在标准QPSO中一般采用线性增大的方法控制收缩-扩展系数α，如式(7)： α=αmin+iter/iteration·(αmax－αmin), (7) 式中，iter是当前迭代次数，iteration为最大迭代次数，αmax，αmin 是两个正的常数，分别取值为0.9与0.5. 但是这种控制α的方式是基于简单的线性方法来实现的，根据迭代次数的增加，对整个粒子群中所有的粒子进行统一的参数调整，这样就不能根据每个粒子离种群极值点的距离远近进行实时的调整，致使算法的全局寻优和局部寻优之间的协调能力并不是很理想.
为此提出利用非线性自适应调整的策略来控制参数α，以提高算法的优化效果，即随着迭代的进 行，根据适应度值非线性地调整α值，如公式(8)所示：
式中，ω为正系数，以调节α的变化速度；f(vi)为当前粒子位置对应的适应值，fgbest为群体最优对应的适应函数值，fworst为最差的适应函数值.在每次迭代计算中，每个粒子的收缩-扩展系数α的改变由其适应值决定.这样能够根据每个粒子距群体极值点的远近实际情况自动调节，即提高了种群的收敛速度，又改善了量子粒子群算法后期容易陷入局部最优的状况.
设模糊神经网络的模糊规则数目事先确定，需要学习的参数为最后一层的连接权值wij，以及第二层的隶属函数参数cij和σij.利用改进的量子粒子群来优化模糊神经网络，即假设粒子个数为N，而每个粒子的位置即是需要优化模糊神经网络的连接权值和隶属函数参数，各粒子的适应度评价函数为输出误差的绝对值累加和，通过粒子间的位置更新，满足预设条件的最优粒子的位置就是最优解.改进的 量子粒子群模糊神经网络算法(AG-QPSCO-FNN)， 该算法的具体实现步骤如下:
(1)初始化模糊神经网络.确定模糊神经网络的输入、输出训练样本，模糊规则数及隶属函数;
(2)对量子粒子群算法进行初始化.初始化量子粒子种群的个数M，各量子粒子群的粒子个数N，最大迭代次数iteration，组建精英种群的迭代次数elite_iteration，早熟收敛判断阈值λ，种群最差粒子变异比例δ%，量子粒子位置的最大值和最小值Xmax(i，j)、Xmin(i，j)，量子粒子的初始位置Xijd，个体极值pbest(i，j)，群体极值gbest(i)，主导全局极值Lbest(i)，其中i=1，2，…，M; j=1，2，…，N;
(3) 根据输入样本计算模糊神经网络的输出，将其与目标输出求均方差，作为量子粒子群的适应度值，选出所有量子粒子群中最好的个体极值pbest(i，j)，作为群体极值gbest(i)；
(4) 判断是否满足结束条件，若满足则退出,否则转入步骤(5)；
(5) 运行早熟收敛判断机制.如果群体适应度方差小于早熟收敛判断阈值λ，则对δ%的最差粒子和群体极值gbest(i)进行变异，并对主导全局极值Lbest(i)进行更新；
(6) 判断是否组建精英种群.当迭代次数大于elite_iteration时，则通过种群建的信息共享，提取各种群的极值gbest(i)组建精英种群转入步骤(9)，否则转入步骤(7)；
(7) 更新各种群粒子参数.
(8) 重新计算并比较每个粒子的适应值.如果优于当前的pbest(i，j)，则更新个体极值;比较全局极值，如果优于当前的gbest(i)，则更新全局极值，转入步骤(3)；
(9) 精英种群继续进化.
(10) 判断是否满足结束条件，若满足则退出否则转入步骤(9)，直到找到全局最优值.
(11) 利用训练好的模糊神经网络对未知样本进行预测.
本文选取塔中45井区为研究区，利用量子粒子群模糊神经网络算法对研究区碳酸盐岩流体进行识别.首先根据研究区地震资料信噪比低，多次波干扰严重的情况，采用多次波去除、随机噪声压制和非地表一致性剩余静校正等修饰性处理手段提高CRP道集品质，并根据研究区目的层的深度和地震采集的最大偏移距的实际情况，将CRP道集数据按照3°~11°、11°~19°、19°~27°的角度范围求取三个分角度叠加数据.
分别提取三个分角度叠加数据的均方根振幅、 平均反射强度、频率衰减梯度和分频调谐能量(22 Hz) 四种地震属性，代入公式(4)中，得到多种地震属性的不同角度叠加数据体组合流体识别因子，并选取研究区已钻井揭示的流体信息作为训练样本，其中包括油气井、水井和泥质充填井.优选近远角度叠加数据体组合流体识别因子作为量子粒子群模糊神经网络的输入，流体性质作为输出.从图3可以看出，泥质充填和水充填在近远角度叠加数据体组合流体识别因子中反映的差异不大，因此定义油气充填类型为1，泥质充填和水充填类型为0.各算法迭代1000次，以预测结果与已知流体性质之间的差异作为适应度，该值越低说明其收敛精度越高，与已知流体信息越吻合.
 | 图4 已知训练样本不同优化算法流体性质识别结果 Fig.4 Fluid identification results from different optimization methods with known training samples |
图4为不同优化算法流体性质预测结果的比较，图5为不同优化算法迭代效果的比较，从图中可以看出，如果以输出结果0.5为界，大于0.5为油气充填，小于0.5为泥质充填或是水充填，那么模糊神经网络(FNN)的预测结果基本上可以把油气与泥、水分开，但是总体上适应度最高，为9.4964，说明该算法没有找到全局最优解，并且其迭代效果欠佳.而粒子群算法优化的模糊神经网络(PSO-FNN)和量子粒子群的算法优化的模糊神经网络(QPSO-FNN)从迭代效果看，训练速度相对较高，训练精度也比模糊神经网络(FNN)得到了一定程度的提高，但在算法后期陷入了早熟状态，收敛到了局部最优解，其适应度分别为5.9123和3.1363，其收敛效果同样不理想.改进的量子粒子群算法优化的模糊神经网络(AG-QPSCO-FNN)由于引入了一系列改进措施，通过增加量子粒子种群个数和利用遗传变异的思想，增加了种群的多样性，随着迭代次数的增加不断逼近全局最优解，其预测的吻合率最高，收敛效果最好，适应度仅为0.0974，认为该算法已经找到了全局最优解.
 | 图5 已知训练样本不同优化算法迭代效果 Fig.5 Iteration results from different optimization methods with known training samples |
本文作者2010年提出了“碳酸盐岩储集相”的概念，是指在碳酸盐岩地层中溶蚀孔洞型碳酸盐岩相同储层类型的时空组合.该储集相分布不受原始沉积相带的控制，是在经历构造和成岩等多种次生作用改造后储层发育情况的物质表现，基本上解决了溶蚀孔洞型碳酸盐岩优质储层的分布问题，如图6所示.但是该结果只是对储层性质做出定性表征，并不能对储层内充填流体的性质进行识别.将“碳酸盐岩储集相控”的研究思路引入到流体识别当中，利用碳酸盐岩储集相进行控制，在优质储层范围内寻找油气.图7为碳酸盐岩储集相控条件下，利用量子粒子群模糊神经网络预测的流体识别结果，流体识别总吻合率达到92.3%，证明了该方法流体识别的有效性.
 | 图6 基于地震属性优化的碳酸盐岩储集相 Fig.6 Carbonate reservoir phase based on seismic attribute optimization |
 | 图7 碳酸盐岩储集相控条件下的流体识别 Fig.7 Fluid identification constrained by carbonate reservoir phase |
叠后地震资料信息与岩性、物性、流体性质等储层参数之间的关系十分复杂，产生的异常并非完全由储集空间内流体所引起，预测结果在很多情况下与实际情况存在偏差，致使仅依据叠后地震信息识别的串珠很多有失利的情况.图8为利用量子粒子群模糊神经网络方法对研究区内典型井的流体识别结果，该四口井虽然在叠后地震剖面上均显示为“串珠状强反射”，但是流体性质却存在很大差异.其中 ZG16井为研究区内典型的高产油气流井，测井解释和试油结果已证实，该井主要发育两段储层，第一段储层为油气层，测试获得高产工业油气流，而第二段储层主要为水层，流体预测的结果与实际情况相一致.TZ861井在钻井过程中发生明显的井漏现象，表明碳酸盐岩储层比较发育，但测井解释与试油结果均揭示该井主要发育水层；ZG161井和ZG171井为研究区典型的泥质充填井，在储层段进行酸压测试，均未见油气，岩屑录井和测井解释表明虽钻遇大型岩溶洞穴，但泥质充填严重，均与流体识别结果相吻合.利用已知钻井揭示的流体性质对预测结果进行标定，证明了利用量子粒子群模糊神经网络算法对碳酸盐岩流体进行识别是有效的，其预测结果与各井的实际情况均十分吻合，可以将油气储层与产水储层及泥质充填洞穴区分出来，具有很好的实际应用价值.
 | 图8 研究区内典型井流体识别结果(A) ZG16; (B) TZ861; (C) ZG161; (D) ZG171. Fig.8 Fluid identification results of the typical well in the target area |
运用三维可视化技术，将研究区碳酸盐岩流体预测结果投影到目的层底界时间构造图上(图9)，对富含油气的碳酸盐岩储层在纵向上和横向上进行定位追踪，以揭示碳酸盐岩油气在三维空间中的有利分布范围，为油气勘探中实际的井位部署提供依据，可以有效避免钻遇储层但不见油气的现象发生，从而能够降低勘探风险，为碳酸盐岩储层流体识别提供了一种有效的技术手段.
 | 图9 研究区良里塔格组油气分布三维可视化 Fig.9 3D visualization of oil and gas distribution of Lianglitage Formation in the target area |
(1) 根据不同流体性质在角度道集上所反映的信息存在差异的特点，对各角度叠加数据体提取多种地震属性，构建了多属性不同角度叠加数据体组合的流体识别因子，并认为其中近远叠加数据体组合对流体的识别能力较强.
(2) 通过对多种寻优算法分析研究的基础上，将量子粒子群与模糊神经网络相结合，利用量子粒子群算法来优化模糊神经网络中的连接权值和隶属函数参数，充分发挥各算法的优点.同时引入一系列的改进措施，如多量子粒子种群协同优化、引入遗传算法的思想、提出主导全局最优粒子的概念、利用非线性自适应调整的策略控制收缩-扩展系数α等.经试验证实，该算法增加了种群的多样性，能够有效避免传统量子粒子群算法容易陷入早熟收敛状态的缺点，显著提高了全局寻优能力.
(3) 在碳酸盐岩储集相控条件下，将多属性近远角度叠加数据体组合流体识别因子作为改进的量子粒子群模糊神经网络(AG-QPSCO-FNN)的输入，以流体性质作为输出，将已知井的流体信息作为训练样本，建立了研究区的流体识别模型.其预测结果与实际井资料具有很好的吻合度，验证了该方法对流体识别的有效性，可以将油气储层与产水储层及泥质充填洞穴很好的区分，从而可为实际井位部署提供依据.
| [1] | Castagna J P, Swan H W. 1997. Princip les of AVO cross plotting. The Leading Edge, 16(4): 337-342. |
| [2] | Fang W, Sun J, Xie Z P, et al. 2010. Convergence analysis of quantum-behaved particle swarm optimization algorithm and study on its control parameter. Acta Physica Sinica (in Chinese), 59(6): 3686-3693, doi: 10. 7498/aps.59.3686. |
| [3] | Franchini M. 1996. Use of a genetic algorithm combined with a local search method for the automatic calibration of conceptual rainfall runoff models. Hydrological Science Journal, 41(1): 21-39, doi: 10. 1080/02626669609491476. |
| [4] | Gao J. 2004. Introduction to Intelligent Information Processing (in Chinese). Beijing: China Machine Press, 254-280. |
| [5] | Goodway W, Chen T, Downton J. 1997. Improved AVO fluid detection and lithology discrimination using Lame petrophysical parameters form P and S inversion: Expanded Abstracts of 68th Annual Internat SEG Mtg: 183-186. |
| [6] | He Z H, Wang D. 2009. Expended fluid detection factor and its application. J. Mineral Petrol. (in Chinese), 29(4): 100-103, doi: 10.3969/j. issn. 1001-6872. 2009.04.015. |
| [7] | Holland J H. 1975. Adaptation in Natural and Artificial Systems. Michigan: University of Michigan Press. |
| [8] | Hu Z P. 2006. Mechanism and distinction method for the seismic ""String Beads"" characteristic. West China Petroleum Geosciences (in Chinese), 2(4): 423-426. |
| [9] | Kennedy J, Eberhar R. 1995. Particle Swarm Optimization: IEEE Int'l Conf on Neural Networks. Perth Australia, 1942-1948. |
| [10] | Liu L F, Sun Z D, Yang H J, et al. 2010. Modeling of facies-controlled carbonate reservoirs in the Tazhong area and its application. Acta Petrolei Sinica (in Chinese), 31(6): 592-598, doi: 10. 7623/syxb201006013. |
| [11] | Liu X, Jing B, Sun D, et al. 2011. Seismic reflection characteristics of high efficient wells in carbonate reservoirs in Western Tazhong Area, Tarim Basin. Xinjiang Petroleum Geology (in Chinese), 32(3): 301-304. |
| [12] | Ning Z H, He Z H, Huang D J. 2006. High sensitive fluid identification based on seismic data. Geophysical Prospecting for Petroleum (in Chinese), 45(3): 239-241, doi: 10. 3969/j. issn. 1000-1441. 2006. 03. 005. |
| [13] | Russell B H, Hedlin K, Hilterman F J. 2003. Fluid-property discrimination with AVO: A Biot-Gassmann perspective. Geophysics, 68(1): 29-39, doi:10.1190/1.1543192. |
| [14] | Rutherford S R. 1989. Amplitude versus offset variation in gas sands. Geophysics, 54(6): 680-688. |
| [15] | Sun D, Pan J G, Pan W Q, et al. 2010. Quantitative forward modelling of cavity volume in carbonate reservoirs in Tazhong area. Oil & Gas Geology (in Chinese), 31(6): 871-878, 882, doi: 10.11743/ogg20100621. |
| [16] | Sun J, Xu W B. 2004. A Global search strategy of Quantum-Be-haved particle swarm optimization. Proceedings of IEEE Conference on Cybernetics and Intelligent Systems, 111-116. |
| [17] | Yang J M, Kao C Y. 2001. A robust evolutionary algorithm for training neural networks. Neural Computing and Application, 10(3): 214-230. |
| [18] | Zhou X Y, Wang Z M, Yang H J, et al. 2006. Cases of discovery and exploration of marine fields in China (Part 5): Tazhong ordovician condensate field in tarim basin. Marine Origin Petroleum Geology (in Chinese), 11(1): 45-51. |
| [19] | Zhou X Y, Yang H J, Wu G H, et al. 2009. The experiences and targets for exploration of large Oil-Gas field in Tazhong area, tarim Basin. Xinjiang Petroleum Geology (in Chinese), 30(2): 149-152. |
| [20] | 方伟, 孙俊, 谢振平等. 2010. 量子粒子群优化算法的收敛性分析及控制参数研究. 物理学报, 59(6): 3686-3693, doi: 10.7498/aps.59.3686 |
| [21] | 高隽. 2004. 智能信息处理方法导论. 北京: 机械工业出版社, 254-280. |
| [22] | 贺振华, 王栋. 2009. 扩展流体识别因子及应用. 矿物岩石, 29(4): 100-103, doi:10.3969/j.issn.1001-6872.2009.04.015. |
| [23] | 胡中平. 2006. 溶洞地震波“串珠状”形成机理及识别方法. 中国西部油气地质, 2(4): 423-426. |
| [24] | 刘立峰, 孙赞东, 杨海军等. 2010. 塔中地区碳酸盐岩储集相控建模技术及应用. 石油学报, 31(6): 592-598, doi: 10.7623/syxb201006013. |
| [25] | 刘鑫, 敬兵, 孙东等. 2011. 塔中西部碳酸盐岩高效井地震波反射特征. 新疆石油地质, 32(3): 301-304. |
| [26] | 宁忠华, 贺振华, 黄德济. 2006. 基于地震资料的高灵敏度流体识别因子. 石油物探, 45(3): 239-241, doi: 10.3969/j.issn.1000-1441.2006.03.005. |
| [27] | 孙东, 潘建国, 潘文庆等. 2010. 塔中地区碳酸盐岩溶洞储层体积定量化正演模拟. 石油与天然气地质, 31(6): 871-878, 882, doi: 10.11743/ogg20100621. |
| [28] | 周新源, 王招明, 杨海军等. 2006. 中国海相油气田勘探实例之五塔中奥陶系大型凝析气田的勘探和发现. 海相油气地质, 11(1): 45-51. |
| [29] | 周新源, 杨海军, 邬光辉. 2009. 塔中大油气田的勘探实践与勘探方向. 新疆石油地质, 30(2): 149-152. |