混沌量子粒子群模糊神经网络叠前非线性流体识别方法

摘要

本发明涉及一种混沌量子粒子群模糊神经网络叠前非线性流体识别方法。流体识别一直是油气勘探领域中的重点和难点问题，本发明针对目前常规流体识别方法存在的不足，通过研究饱含不同流体AVO响应特征，构建多属性角道集组合流体识别因子，并将混沌搜索机制、量子粒子群和模糊系统理论有机融合，充分发挥三者各自的优势和互补性，研发一种“混沌量子粒子群模糊系统”的新型群体智能优化算法，从理论和实际两方面研究其机理与寻优性能，从根本上改善目前优化算法中存在的全局搜索能力差、早熟收敛等问题，并将其引入到流体识别当中，形成混沌量子粒子群模糊神经网络叠前非线性流体识别方法，有效解决传统流体检测手段进行流体识别时存在的问题，提高了流体的识别精度，为流体识别提供一种新的科学有效的技术方法。

说明书

技术领域

本发明属于石油勘探领域，涉及利用混沌量子粒子群模糊神经网络非线性优化算法对流体性质进行识别，为流体识别提供了一种新的技术方法。 

背景技术

随着油气勘探与开发的不断深入，对识别储层中流体的要求也更高，但难度也很大。利用地震资料对储层中的流体进行识别是油气勘探最重要的研究工作。叠后地震资料在经过多次叠加后，信噪比有了较大的提高，但同时也损失了大量的振幅信息，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。叠前地震数据与叠后地震数据相比，包含着更加丰富的振幅和旅行时信息，能更灵敏地反映地下油气藏的变化。目前叠前AVO技术已成为流体检测的重要地球物理手段之一。 

自Ostrander(1984)首先提出利用反射系数随入射角变化来识别“亮点”型含气砂岩开始，基于地震资料的流体识别技术得到了迅速发展。Smith等(1987)提出利用不同加权函数对叠前数据进行叠加，得到伪泊松比剖面和流体因子来预测岩性和流体；Goodway等(1997)提出一种拉梅参数和密度的AVO反演方法(LMR技术)，指出拉梅系数与密度的乘积(λρ)可以作为流体因子进行含油气性的直接检测；Hilterman(2001)在前人研究的基础上提出了流体因子的概念；Russell等(2003)提出了识别流体组分的Russell法；Dillon等(2003)提出了直接油气指示(DHI)的波阻抗差分析法；Gidlow等(2003)根据叠前AVO分析，提出了交会图角度和流体因子角度的概念，并利用这两种角度进行计算得到流体因子；Quakenbush等(2006)提出了泊松阻抗的概念，并将其作为流体因子取得了一定的应用效果；李景叶等(2008)根据Gassmann方程和其他岩石物理模型定量分析了孔隙度变化对流体识别因子的影响，详细阐述了利用纵横波速度来计算新流体识别因子的方法。贺振华等(2009)提出基于炮检距差异的扩展流体识别因子(EFDO)，并应用于川东二叠系长兴组生物礁滩气藏中气水层的识别当中，取得了显著效果。 

目前利用叠前AVO反演进行流体识别研究还处于发展和完善阶段，其本身仍存在一定的局限性，例如：①目前叠前AVO反演都是基于Zoeppritz方程及其近似方程推导出来的，其推导过程是基于各向同性的均匀水平层状介质假设，但很多实际应用情况都无法满足方程的这一假设条件，这无疑影响了反演的精度；②Zoeppritz方程的近似公式大都是基于反射界面两侧介质的弹性参数差异较小或者波阻抗差较小的假设条件下简化得到的，并且通常假设纵、横波速度比近似等于2，而许多实际情况都不满足这一假设条件；③现今的叠前AVO反演大多都是基于模型的线性反演方法，反演过程人为影响因素较大，子波估算不准确等因素，都会直接影响反演结果的准确性，进而影响流体检测的结果；④岩石物理分析是连接地震数据(属性参数)与油藏特性(储集参数)的“桥梁”，目前主要通过岩石物理分析来进行纵横波速度的预测，其准确程度会对叠前反演结果起到重要的影响。 

发明内容

针对目前利用叠前AVO反演进行流体识别存在的不足，本发明提供一种利用混沌量子粒子群模糊神经网络非线性优化算法对流体性质进行识别的方法。通过本发明的算法改进，研发一种“混沌量子粒子群模糊神经网络”的新型非线性群体智能优化算法，从根本上改善了目前优化算法中存在的全局搜索能力差、 早熟收敛等问题，有效解决传统流体检测手段进行流体识别时存在的问题，显著提高了流体的识别精度，为流体识别提供一种新的科学有效的技术方法。 

本发明实现上述目的的具体实施方案如下： 

步骤1：通过数值模拟和物理模拟，研究饱含不同流体AVO响应特征，为流体识别因子的构建提供理论依据； 

步骤2：将共炮记录通过AVO资料预处理可以得到角度道集，将一定角度范围内的道集叠加起来得到三个部分角度叠加数据体(近、中、远)，为了降低地震资料噪音对预测结果的影响，分别提取多种地震属性，并根据不同流体性质AVO响应的差异，构建多属性角道集组合流体识别因子，以突出含油气性，压制含水性； 

$\mathrm{Near}=\underset{i=1}{\overset{\mathrm{near}}{\Sigma }}x\left(i\right)$$\mathrm{Mid}=\underset{i=I}{\overset{\mathrm{mid}}{\Sigma }}x\left(i\right)$$\mathrm{Far}=\underset{i=J}{\overset{\mathrm{far}}{\Sigma }}x\left(i\right)$

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；Near为近角度叠加数据体；Mid为中角度叠加数据体；Far为远角度叠加数据体。 

$F_{\mathrm{NM}}={\left(\frac{\mathrm{Attribut}{e}_{\mathrm{Mid}}}{{\mathrm{Attribute}}_{\mathrm{Near}}}\right)}^m({{\mathrm{Attribute}}_{\mathrm{Near}}}^n-B·A{{\mathrm{ttribute}}_{\mathrm{Mid}}}^n)$

$F_{\mathrm{NF}}={\left(\frac{\mathrm{Attribut}{e}_{\mathrm{Far}}}{{\mathrm{Attribute}}_{\mathrm{Near}}}\right)}^m({{\mathrm{Attribute}}_{\mathrm{Near}}}^n-B·A{{\mathrm{ttribute}}_{\mathrm{Far}}}^n)$

$F_{\mathrm{MF}}={\left(\frac{\mathrm{Attribut}{e}_{\mathrm{Far}}}{{\mathrm{Attribute}}_{\mathrm{Mid}}}\right)}^m({{\mathrm{Attribute}}_{\mathrm{Mid}}}^n-B·A{{\mathrm{ttribute}}_{\mathrm{Far}}}^n)$

式中，m，n和B为常数；Attribute_Near为近角度叠加数据体提取的地震属性；Attribute_Mid为中角度叠加数据体提取的地震属性；Attribute_Fid为远角度叠加数据体提取的地震属性；F_NM为近中道集属性流体识别因子；F_NF为近远道集属性流体识别因子；F_MF为中远道集属性流体识别因子。 

步骤3：随机产生n个量子粒子种群独立地在解空间中搜索全局最优值，达到一定的迭代次数后进行种群间的信息共享，提取n个种群的全局最优值组建成一个新的精英种群继续进行优化，通过多个量子粒子种群进行协同优化，增加种群的多样性，提高量子粒子群的全局寻优能力，初始化多个量子粒子种群参数，以钻井揭示的流体信息作为已知训练样本，多属性角道集组合流体识别因子作为模糊神经网络的输入，将预测结果与已知流体性质的均方差作为量子粒子群的适应度值，判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4； 

步骤4：利用非线性自适应调整的策略来控制收缩-扩展系数，根据每个粒子距群体极值点的远近实际情况自动调节； 

$\alpha ={\alpha }_{\min }+({\alpha }_{\max }-{\alpha }_{\min })·[2/(1+e^{\omega ·(f\left(v_i\right)-f_{\mathrm{gbest}})/(f_{\mathrm{worst}}-f_{\mathrm{gbest}})})]$

式中：ω为正系数，以调节α的变化速度；f(v_i)为当前粒子位置对应的适应值，f_gbest为群体最优对应的适应函数值，f_worst为最差的适应函数值。 

步骤5：引入早熟收敛判断机制，当判断量子粒子群由于失去多样性过早的进入收敛状态，则启动早熟处理操作运行步骤6，否则转入步骤9； 

步骤6：将遗传算法引入到量子粒子群算法中，根据适应度的大小在对部分比较差的粒子进行遗传操作的同时，也对部分极值点也引入变异机制，避免量子粒子群陷入局部极值点，使其能够引导种群迅速跳出局部最优； 

步骤7：为避免种群退化现象发生，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，如果变异后的群体极值点适应度比变异前更差，则将主导全局最优粒子赋给变异后的群体极值点，并在量子粒子群更新公式中增加主导全局最优粒子这一项，引领群体的搜索方向，决定搜索到最终解的优劣程度； 

式中： 

其中p_id是P_id和P_gd之间的一个随机点，是第i个粒子在第d维空间的一个位置。P_id和P_gd分别表示第i粒子在第d维空间所经历的最好位置和种群中所有粒子所经历的最好位置， β和ω是在[0，1]之间均匀分布的随机数。 

步骤8：发挥混沌变量具有遍历性、规律性和随机性的特点，利用混沌搜索机制优化量子粒子群算法，对全局极值点进行混沌操作，使量子粒子群算法跳出局部最优，保持群体多样性，改善算法的搜索效率，提高算法全局寻优能力； 

步骤9：更新各种群粒子参数，并比较每个粒子的适应值，如果优于当前的个体极值和全局极值则进行更新，转入步骤10； 

步骤10：判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4，直到找到全局最优值； 

步骤11：利用混沌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，建立叠前非线性流体识别模糊系统； 

步骤12：利用研发的混沌量子粒子群叠前非线性流体识别模糊系统对流体性质进行综合判识。 

本发明中不同道集属性流体识别因子公式中，选择合适的m、n和B值可使含气储层异常显示比含水储层异常明显，其中根据Russell等人对参数B的研究，可知 并且总结了B的取值范围是1.33～3.0，利用研究区内钻井所揭示的流体信息进行标定，对m、n和B值进行不断地测试和调整，可以达到对流体性质较好区分的目的。 

本发明中利用非线性自适应调整的策略来控制收缩-扩展系数的特点在于： 

量子粒子群优化算法对收缩-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。其物理意义很明显，它的值越大，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；其值越小，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。对于远离全局最优值的点，需要设置参数α为较小的值，这样能够使得粒子群保持一定的聚集度，保证群体的收敛速度；反之，对与离全局最优值近的点，需要设置参数α为较大的值，这样能够使粒子搜索更多的空间，避免粒子过早的聚集，陷入早熟收敛的状态。 

在标准量子粒子群算法中一般采用线性增大的方法控制收缩-扩展系数α，如下式： 

α＝α_min+iter/iteration·(α_max-α_min) 

式中，iter是当前迭代次数，iteration为最大迭代次数，α_max，α_min是两个正的常数，分别取值为1.0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，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。 

而利用非线性自适应调整的策略来控制收缩-扩展系数α，每个粒子的收缩-扩展系数α的改变都由其适应值自适应决定，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，如下式： 

$\alpha ={\alpha }_{\min }+({\alpha }_{\max }-{\alpha }_{\min })·[2/(1+e^{\omega ·(f\left(v_i\right)-f_{\mathrm{gbest}})/(f_{\mathrm{worst}}-f_{\mathrm{gbest}})})]$

式中：ω为正系数，以调节α的变化速度；f(v_i)为当前粒子位置对应的适应值，f_gbest为群体最优对应的适应函数值，f_worst为最差的适应函数值。 

本发明中量子粒子群早熟收敛判断机制为： 

设粒子群的粒子数为m，f_i为第i个粒子的适应度，f_avg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： 

${\sigma }^2=\frac{1}{n}\underset{i=1}{\overset{m}{\Sigma }}{\left(\frac{f_i-f_{\mathrm{avg}}}{f}\right)}^2$

式中：f-为归一化定标因子，其作用是限制的σ²大小。在本文算法中，f的取值如下： 

$f=\left(\begin{array}{cc}\underset{1\le i\le m}{\max }|f_i-f_{\mathrm{avg}}|& \mathrm{if}\underset{1\le i\le m}{\max }|f_i-f_{\mathrm{avg}}|>1\\ 1& \mathrm{otherwise}\end{array}\right)$

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。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的适应度的整体变化可以判断种群的状态。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。 

本发明中当判断量子粒子群算法陷入早熟收敛状态后，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进行变异操作的同时，也对部分极值点也引入变异机制，重新分配到可行解空间中继续搜索，但是如果粒子在跳出局部极值点之后又进入了另一个极值点，甚至是会出现变异后的群体极值点的适应度比变异前更差的现象，因此提出“主导全局最优粒子”的概念，即在进化历史过程中，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，引领群体的搜索方向，决定搜索到最终解的优劣程度，有效避免了种群退化现象。同时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的吸引，会迅速回到先前群体极值点的附近，造成遗传变异操作失效，因此在进遗传操作的同时对种群中群体极值点进行混沌搜索，利用混沌变量具有遍历性、规律性和随机性的特点，使量子粒子群算法跳出局部最优，保持群体多样性，改善算法的搜索效率，提高算法全局寻优能力。 

本发明研发的混沌量子粒子群模糊神经网络非线性优化算法，将混沌搜索机制、遗传算法、量子粒子群算法和模糊系统理论有机融合，充分发挥各种算法各自的优势和互补性，同时引入一系列的改进措施，如多量子粒子种群协同优化、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，从理论和实际两方面研究其机理与寻优性能，从根本上解决目前优化算法中存在的全局搜索能力差、早熟收敛等问题，能够显著增加种群的多样性，显著提高了全局寻优能力，可以有效处理模糊信息问题，并且具有较快的收敛速度。 

附图说明

图1是混沌量子粒子群模糊神经网络叠前非线性流体识别方法技术路线图。 

图2是多种地震属性不同角道集组合的流体识别因子比较。 

图3是不同优化算法基准测试函数迭代效果分析。 

图4(a)是试验区不同优化算法训练样本流体识别结果吻合度比较； 

图4(b)是试验区不同优化算法训练样本流体识别迭代效果的比较。 

图5(a)是试验区储层预测结果； 

图5(b)是试验区混沌量子粒子群模糊神经网络叠前非线性流体识别结果。 

图6是试验区典型井流体识别过井剖面。 

图7是试验区油气预测结果分布特征。 

具体实施方式

以下结合附图说明本发明具体实施方式。 

图1混沌量子粒子群模糊神经网络叠前非线性流体识别方法技术路线图： 

步骤1：通过数值模拟和物理模拟，研究饱含不同流体AVO响应特征，为流体识别因子的构建提供理论依据； 

步骤2：将一定角度范围内的道集叠加得到三个部分角度叠加数据体(近、中、远)，分别提取多种地震属性，以增加流体识别的稳定性，降低噪音对预测结果的影响，根据不同流体性质AVO响应的差异，构建多属性角道集组合流体识别因子，以突出含油气性，压制含水性； 

步骤3：利用多个量子粒子种群进行协同优化，增加种群的多样性，提高量子粒子群的全局寻优能力，初始化多个量子粒子种群参数，以钻井揭示的流体信息作为已知训练样本，多属性角道集组合流体识别因子作为模糊神经网络的输入，将预测结果与已知流体性质的均方差作为量子粒子群的适应度值，判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4； 

步骤4：利用非线性自适应调整的方法控制收缩一扩展系数α，根据每个粒子距群体极值点的远近实际情况自动调节； 

步骤5：引入早熟收敛判断机制，当判断量子粒子群由于失去多样性过早的进入收敛状态，则启动早熟处理操作运行步骤6，否则转入步骤9； 

步骤6：将遗传算法引入到量子粒子群算法中，根据适应度的大小在对部分比较差的粒子进行遗传操作的同时，也对部分极值点也引入变异机制，避免量子粒子群陷入局部极值点，使其能够引导种群迅速跳出局部最优； 

步骤7：为避免种群退化现象发生，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，如果变异后的群体极值点适应度比变异前更差，则将主导全局最优粒子赋给变异后的群体极值点，并在量子粒子群更新公式中增加主导全局最优粒子这一项，引领群体的搜索方向，决定搜索到最终解的优劣程度； 

步骤8：发挥混沌变量具有遍历性、规律性和随机性的特点，利用混沌搜索机制优化量子粒子群算法，对全局极值点进行混沌操作，使量子粒子群算法跳出局部最优，保持群体多样性，改善算法的搜索效率，提高算法全局寻优能力； 

步骤9：更新各种群粒子参数，并比较每个粒子的适应值，如果优于当前的个体极值和全局极值则进行更新； 

步骤10：判断是否满足结束条件，若满足则运行步骤11，否则转入步骤4，直到找到全局最优值； 

步骤11：利用混沌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，建立叠前非线性流体识别模糊系统； 

步骤12：利用研发的混沌量子粒子群叠前非线性流体识别模糊系统对流体性质进行综合判识。 

图2为多种地震属性不同角道集组合流体识别因子构建的比较分析。在不同道集属性流体识别因子公式中，选择合适的m、n和B值可使含气储层异常显示比含水储层异常明显(需要说明的是：针对不同研究区其值的取值存在差异)，通过不断测试，当m＝2，n＝2，B＝2.8对研究区内的流体性质区分的效果较好。同时为了降低角道集噪音对预测结果的影响，对近、中、远3个角道集分别提取多种地震属性，分别代入不同道集属性流体识别因子公式中，这样每种地震属性都对应着3种不同角度道集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道集组合流体因子的范围为0～1之间。抽取研究区典型井作为已知训练样本(包括水井、泥质充填井和油气井)，并对各属性得到的三种道集组合流体因子进行比较分析。其中均方根振幅、平均反射强度、频率衰减梯度和分频调谐能量(22Hz)四种地震属性对流体识别的效果较好，并且不同角道集组合的流体识别因子对流体的识别能力有所不同，其中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。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。 

图3为优化算法性能的测试分析。为验证提出改进的混沌量子粒子群算法(CQPSO)的有效性，以4个基准测试函数作为仿真对象，来评价比较CQPSO算法与传统的标准粒子群算法(PSO)、量子粒子群算法(QPSO)的性能。其中Ackley函数和RA-Rastrigin函数是寻找最小值，Bohachevsky函数和Multipeak函数寻找最大值。每种情况都运行50次，然后统计每种算法寻优的平均值、最小值、最大值和寻优成功率，作为对比评价指标。各算法中粒子规模均取20，最大迭代次数为100次。表1列出了各优化算法测试的统计结果，可以明显地看出，对于四个测试函数3种算法的寻优能力存在很大差异，改进的CQPSO算法明显比PSO和 QPSO算法性能优良，表现出更高的搜索精度，各测试函数寻优成功率均达100％。通过实验表明，CQPSO算法能够增强种群的多样性，能够使算法在全局最优解区域进行更精细的搜索，通过对算法最优解的跟踪及时避免算法陷入局部陷阱。 

表1不同算法测试效果分析(重复运行50次) 

以下该方法以新疆某区块作为试验区，具体说明该方法的实际应用效果。 

图4(a)～图4(b)为试验区不同优化算法训练样本流体性质识别的效果分析。选取研究区已知井点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，以均方根振幅、平均反射强度、频率衰减梯度和分频调谐能量(22Hz)四种地震属性的近远道集组合和中远道集组合的流体识别因子作为输入，流体性质作为输出。由于泥质充填和水充填在近远道集组合和中远道集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。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)的预测结果基本上也可以把油气与泥、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，并且其迭代效果也不是很好。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，可知训练速度相对较高，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，其收敛效果也不是很理想。改进的量子粒子群算法优化的模糊神经网络(CQPSO-FNN)由于引入了一些列的改进措施，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，达到了准确预测流体性质的目的。 

图5(a)～图5(b)为试验区储层预测结果和混沌量子粒子群模糊神经网络叠前非线性流体识别结果。试验区流体分布特征比较复杂，给井位部署带来了很大的困难，全区共有13口钻井，其中1口产水井、2口泥质充填井、7口工业油气流井和3口干井。地震多属性优化方法对储层比较发育的部位基本上都可以准确预测，但储层内充填的流体性质却无法判识。而利用混沌量子粒子群模糊神经网络叠前非线性的流体识别方法其总吻合率达到92.3％，证明了该方法的有效性。 

图6为试验区4口典型井流体识别过井剖面，这4口井在叠后地震剖面上都显示为串珠状强反射，具有十分良好的储层特征表征，利用地震多属性优化方法预测为储层十分发育的有利位置，但是储层内的流体充填性质却具有很大的差异，其中A1井为产水井，A2井和A3井为泥质充填井，A8井为工业油气流井。 利用改进的混沌量子粒子群模糊神经网络叠前非线性流体识别的预测结果与各井所揭示的产流体情况均十分吻合，证明该方法能够很好的将油气与泥质和水区分开来。 

图7试验区油气预测结果分布特征。运用三维可视化技术对利用改进混沌量子粒子群模糊神经网络的流体预测结果进行雕刻，对富含油气的储层在纵向上和横向上进行定位追踪，以揭示油气在三维空间中的有利分布范围，以避免钻遇储层但不见流体的现象发生，从而可为井位部署提供准确的流体检测依据，提高勘探成功率。 

以上具体实施方式仅用于说明本发明，而非用于限定本发明。 

参考文献 

贺振华，王栋.扩展流体识别因子及应用.矿物岩石，2009，29(4)：100-103. 

李景叶，陈小宏.基于地震资料的储层流体识别.石油学报，2008，29(2)：235-238. 

Dillon L，Schwedersky G，Vasquez G，Velloso R，Nunes C.·A multiscale DHI elastic attributes evaluation.The Leading Edge，2003，22(10)：1024-1029. 

Gidlow M，Smith G C.The Fluid Factor Angle.Expanded Abstracts of 65th EAGE Annual Conference，2003：2-5.Goodway W，Chen T，Downton J.Improved AVO fluid detection and lithology discrimination using Lame petrophysical parameters：“λρ”，“μρ”，“λ/μ fluid stack”from P and S inversion.Expanded Abstracts of 68th Annual Internal SEG Mtg，1997，183-186. 

Hilterman F J.Seismic amplitude interpretation.Tulas：Society of Exploration Geophysicists，2001：68-82. 

Ostrander W J.Plane wave reflection coefficients for gas sands at non-normal angles of incidence.Geophysics，1984，49：1637-1648. 

Quakenbush M，Shang B，Tuttle C.Poisson impedance.The Leading Edge，2006，25(2)：128-138 

Russell B H，Hedlin K，Hilterman F J，Lines L R.Fluid property discrimination with AVO：A Biot-Gassmann perspective.Geophysics，2003，68(1)：29-39. 

Smich G C，Gidlow P M.Weighted stacking for rock property estimation and detection of gas.Geophysical Prospecting，1987，35(9)：915-942。