地震观测系统的设计方法及系统、计算机装置及存储介质

技术领域

本发明涉及煤田地震勘探技术领域，尤其涉及一种地震观测系统的设计方法以及应用该方法的系统，还涉及一种实现上述方法的计算机装置以及存储介质。

背景技术

地震勘探是利用地震信息进行石油、煤田勘探的一种方法，由于地震信息可以反映出储层参数的变化趋势，因此，可以使用该方法来预测储层参数与构造。

理想的地震观测系统要求花费尽可能少的人力和物力，采集到尽可能高质量的地震资料，除要求高信噪比外，观测系统的成像能力，特别是分辨率，是评价观测系统好坏的重要标准。

此外，影响地震采集观测系统分辨率的主要因素包括：排列长度，道间距(或空间采样率)，子波主频(或频带宽度)，目标点位置等。

因此，在考虑地球物理约束、仪器设备约束和经济成本约束的基础上，如何设计出一个可行的高密度三维地震观测系统是首要解决的问题。

发明内容

本发明的第一目的是提供一种基于地球物理约束、仪器设备约束和经济成本约束的煤田高密度三维地震观测系统的设计方法。

本发明的第二目的是提供一种应用于上述设计方法的高密度三维地震观测系统。

本发明的第三目的是提供一种能够实现上述地震观测系统的设计方法的计算机装置。

本发明的第四目的是提供一种被处理器读取并执行时能够实现上述地震观测系统的设计方法的存储介质。

为了实现上述主要目的，本发明提供的一种地震观测系统的设计方法，包括建立遗传算法模型；生成地震约束的煤田地震观测系统目标函数；设置地震勘探经济成本约束条件；基于遗传算法模型，根据目标函数、经济成本约束条件确定观测系统参数的可行解集合；其中，设定不同的可行解集合，计算出多个可行解集合中的最优解，将多个区间最优解进行比较，输出最优的观测系统参数组合，建立煤田高密度三维地震观测系统。

进一步的方案中，在设置经济成本约束条件后，还执行：基于遗传算法模型，确定遗传算子参数；其中，根据确认好的编程目标提供GA进化参数的选项集，所述GA进化参数包括遗传算法控制参数、种群类型、种群规模、代数、迁移分数、精英数量、交配比例、创建算子、选择算子、交叉算子和突变算子。

更进一步的方案中，所述建立遗传算法模型，包括：二进制编码：将解空间的解数据表示成遗传空间的基因型串结构数据，由所述串结构数据的不同组合构成不同的点，并且随机形成初始群体，其中，解空间中的解数据作为遗传算法的表现型形式；初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体；适应度值评价检测：定义适应度函数，通过适应度函数表明个体或解的优劣性；选择：将选择算子作用于种群；交叉：将交叉算子作用于种群；变异：将变异算子作用于种群；终止条件判断：当符合终止条件后，以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。

更进一步的方案中，所述生成地震约束的目标函数，包括：利用声波探测和原始二维数据建立目标；规划成本和地球物理限制；运行约束算法，并引入进化参数、应用数据和模型约束，进而生成所述目标函数。

更进一步的方案中，所述目标函数的表达式为式(1)：

其中，x

更进一步的方案中，所述设置经济成本约束条件，包括：以地震观测系统平方公里的总成本为优化目标，构建成本目标函数，其中，所述成本目标函数包括测量、布置和拾取、钻炮孔和炸药、记录数据、后勤工序。

更进一步的方案中，所述计算出多个可行解集合中的最优解，其最优解参数包括：道间距、接收线数量/每条线检波器数量、炮/接收线间距SLI/RLI、纵向/横向覆盖次数、第一目的层平均覆盖次数/第二目的层、最大的最近炮检距、最大纵向/横向炮检距、最大炮检距、总共需要的检波器数量、横向滚动、每平方公里的经济成本、累计误差；所述最优的观测系统参数组合，其包括：观测系统参数、接收线距、接收道距、激发点距、激发线距、接收道数、面元尺寸、覆盖次数、束距滚动、纵横比；所述可行解集合的决策变量的数值集合包括RI

为了实现上述第二目的，本发明提供的一种高密度三维地震观测系统，该系统是采用上述的地震观测系统的设计方法构建的地震观测系统。

由此可见，与现有技术相比，本发明在基于地球物理约束、仪器设备约束和经济成本约束的基础下，采用改进后的遗传算法对地震数据进行相关性分析，设计出最优的高密度三维地震观测系统，能够避免陷入局部最优解，得到全局最优地震属性组合，在降低勘探成本的同时保证勘探质量。

为了实现上述的第三目的，本发明提供的计算机装置包括处理器，处理器用于执行存储器中存储的计算机程序时实现上述地震观测系统的设计方法的各个步骤。

为了实现上述的第四目的，本发明提供的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述地震观测系统的设计方法的各个步骤。

由此可见，本发明提供了一种计算机装置以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。

附图说明

图1是本发明一种地震观测系统的设计方法实施例的流程图。

图2是本发明一种地震观测系统的设计方法实施例中建立遗传算法模型的流程原理图。

图3是本发明一种地震观测系统的设计方法实施例中生成目标函数的流程原理图。

图4是本发明一种地震观测系统的设计方法实施例中采集环节各工序成本所占比例的原理图。

图5是本发明一种地震观测系统的设计方法实施例中设计1和设计2的炮检距分布均匀度对比图。

图6是本发明一种地震观测系统的设计方法实施例中设计1和设计2的炮检距分布均匀度指标对比图。

以下结合附图及实施例对本发明作进一步说明。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1至图3，本发明的一种地震观测系统的设计方法，包括以下步骤：

步骤S1、建立遗传算法模型。

步骤S2、生成地震约束的煤田地震观测系统目标函数。

步骤S3、设置地震勘探经济成本约束条件。

步骤S4、基于遗传算法模型，根据目标函数、经济成本约束条件确定观测系统参数的可行解集合。

其中，在上述步骤S4中，设定不同的可行解集合，计算出多个可行解集合中的最优解，将多个区间最优解进行比较，输出最优的观测系统参数组合，建立煤田高密度三维地震观测系统。

在上述步骤S3中，在设置经济成本约束条件后，还执行：基于遗传算法模型，确定遗传算子参数。

其中，根据确认好的编程目标提供GA进化参数的选项集，所述GA进化参数包括遗传算法控制参数、种群类型、种群规模、代数、迁移分数、精英数量、交配比例、创建算子、选择算子、交叉算子和突变算子。

在上述步骤S1中，建立遗传算法模型，具体包括：

二进制编码：将解空间的解数据表示成遗传空间的基因型串结构数据，由所述串结构数据的不同组合构成不同的点，并且随机形成初始群体，其中，解空间中的解数据作为遗传算法的表现型形式。

初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。

适应度值评价检测：定义适应度函数，通过适应度函数表明个体或解的优劣性。

选择：将选择算子作用于种群。

交叉：将交叉算子作用于种群。

变异：将变异算子作用于种群。

终止条件判断：当符合终止条件后，以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。

在上述步骤S2中，生成地震约束的目标函数，具体包括：利用声波探测和原始二维数据建立目标；规划成本和地球物理限制；运行约束算法，并引入进化参数、应用数据和模型约束，进而生成所述目标函数。

其中，目标函数的表达式为式(1)：

其中，x

在上述步骤S3中，设置经济成本约束条件，具体包括：以地震观测系统平方公里的总成本为优化目标，构建成本目标函数，其中，成本目标函数包括测量、布置和拾取、钻炮孔和炸药、记录数据、后勤工序。

在上述步骤S4中，其最优解参数包括：道间距、接收线数量/每条线检波器数量、炮/接收线间距SLI/RLI、纵向/横向覆盖次数、第一目的层平均覆盖次数/第二目的层、最大的最近炮检距、最大纵向/横向炮检距、最大炮检距、总共需要的检波器数量、横向滚动、每平方公里的经济成本、累计误差。

最优的观测系统参数组合包括：观测系统参数、接收线距、接收道距、激发点距、激发线距、接收道数、面元尺寸、覆盖次数、束距滚动、纵横比。

可行解集合的决策变量的数值集合包括RI

因此，本发明基于智能进化算法-遗传算法，在结合地质任务和各种约束时，建立算法模型，生成目标函数，给定观测系统参数的可行解集合，先对遗传算子的参数的自寻优，将参数进行二进制编码，生成初始种群，模拟生物种群的逐代进化，在进化的每代对编码参数应用精英、选择、交叉、突变算子，然后进行目标函数评价检测，在满足终止条件时，从可行解集合全局寻优出最合适的高密度三维地震观测系统设计方案。

在实际应用中，建立遗传算法模型的运算流程包括：

编码：解空间中的解数据x作为遗传算法的表现型形式。从表现型到基因型的映射称为编码。遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合就构成了不同的点。

初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器t←0；设置最大进化代数T；随机生成M个个体作为初始群体P(O)。

适应度值评价检测：适应度函数表明个体或解的优劣性。对于不同的问题，适应度函数的定义方式不同。根据具体问题，计算群体P(t)中各个个体的适应度。

选择(Selection)：将选择算子作用于种群。选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。遗传算法通过选择运算体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大，这样就体现了达尔文的适者生存原则。

交叉(Crossover)：将交叉算子作用于种群。交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了父辈个体的特性。将群体内的各个个体随机搭配成对，对每一个个体，以某个概率(称为交叉概率，(Crossover Rate)交换它们之间的部分染色体，交叉体现了信息交换的思想。

变异(Mutation)：将变异算子作用于种群。变异操作首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机改变串结构数据中某个串的值，即对群体中的每一个个体，以某一概率(称为变异概率，Mutation Rate)改变某一个或某一些基因座上的基因值为其他的等位基因。同生物界一样，遗传算法中变异发生的概率很低。变异为新个体的产生提供了机会。

其中，种群P(t)经过选择、交叉、变异运算后得到下一代群体P(t+1)。

终止条件判断：若t<＝T，则t＝t+1,转到步骤(2)；若t>T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。

从遗传算法运算流程可以看出，进化操作过程简单，容易理解，它给其他各种遗传算法提供一个基本框架

建立遗传模型的第一步，是选择与问题的物理性质相关的决策变量，这些决策变量的范围和所需的分辨率，与勘探区域的复杂性和范围是绝对成比例的。假设数据将通过使用正交观测系统来采集。正交观测系统由6个自变量参数来描述，这些变量可以用来计算所有其他变量，变量如下表1所示，最终确定遗传算法结构：

表1变量说明

其中，定义适应度函数如式(2)：

步骤S2中，设计地震约束，即地球物理和采集设备约束，首先，设计目标参数，如表2所示：

表2设计目标参数

根据遗传算法模型，则目标函数表示为上述式(1)：

步骤S3中，设定经济成本约束，解决方案的设计基于经济合同的成本。调查的总费用预计不会超过300万￥。研究区域约为2平方公里，这意味着每平方公里的总成本不应超过150万￥。三维地震采集的几个组成部分使得表达涵盖所有细节的成本函数变得困难。因此，进行成本模拟以估算工序各部分的成本，包括测量、布置和拾取、钻炮孔和炸药、记录数据、后勤(清赔和车辆)。

其中，每个位置的采集成本表示为表3所示：

表3采集环节成本

其中，各采集工序占总成本的比例如图4所示：

例如，如果每个位置(炮点和检波点)的测量成本为3.8￥，则每平方公里的测量成本应为式(3)：

其中，

约束布置和拾取接收器的成本：假设接收器的布置和拾取成本为8￥，则每平方公里的相应成本必须小于允许值，如式(4)：

每平方公里的钻孔成本：本次高密度采区每个炮孔成本为85.8￥＝7.8m×11￥/m，每个炮孔的炸药费用为114.2￥，每个炮点合计200￥。所以，这个约束可以写成式(5)：

每平方公里的数据记录成本：每个炮点激发的数据记录成本约为120￥/S，因此每平方公里单位面积的数据记录总成本应满足以下约束条件，如式(6)：

后勤保障项目顺利进行的清赔和车辆运输，按照炮点计算合计单价为250￥，每平方公里单位面积的清赔和车辆运输满足以下约束，如式(7)：

在本实施例中，确定遗传算子参数具体包括：当确定了编程目标后，就需要指定演化参数。如上所述，定义了上游算法，如遗传算法，其目的是根据目标提供演化参数。激活了上游算法，并获得了可接受的GA进化参数的选项集，如表4所示：

表4顺序遗传算法的进化参数汇总

其中，创建函数指定生成初始总体的函数。如Uniform函数创建具有均匀分布的随机初始种群。

迁移算子指定个体(每个个体对应于六个决策变量的一组值)如何在子群体之间移动。当迁移率为0.1的迁徙发生时，一个子群体中最好的10％的个体将取代另一个子群体中最差的个体。

精英数量是指当代人中拥有最佳适应度值的个体数量，这些个体保证会被复制到下一代。当精英数为4时，四个最好的个体可以从当前世代复制到下一代。将精英数量设置为更高的值可能会导致最适合的个体在群体中占据主导地位，这可能会降低搜索的效率。

选择算子根据下一代的缩放值为下一代选择父项。轮盘赌选择通过模拟轮盘赌轮来选择父对象，轮盘中与个体对应的轮盘截面面积与其适应值成正比。遗传算法使用随机数来选择概率等于其面积的区段。

交叉比例是指下一代(精英子女除外)中通过交叉而产生的个体的比例。该算法的种群规模为100，精英数为4，交叉比例为0.8，交叉子代数为77，剩下的19个人是突变的儿童。

遗传算法使用交叉和变异函数在每一代产生新的个体。应用了交叉比例为0.8的分散交叉函数。散布函数创建随机二进制向量(或矩阵)，并从第一父节点(或个体)选择向量为1的位，以及从第二父节点选择向量为0的位，最后将它们组合以形成新的子代。

步骤S4中，提供一设计1，设计可行解集合的决策变量的数值集合为表5所示：

表5设计1可行解集合的决策变量的数值集合

计算得到可行解的最优解参数为表6所示：

表6优化设计参数汇总

在本实施例中，所以设计1最优解的观测系统参数为表7所示：

表7设计1观测系统参数

因此，此观测系统即为在该地球物理约束和经济成本约束下的最优解地震观测系统。

当然，在实际应用中，可根据实际情况设定不同的可行解集合，计算出多个可行解集合中的最优解，将多个区间最优解进行比较，选择其中最优的高密度三维地震观测系统。

具体的，在设定不同可行解集合后会得到不同的多个可行解中的最优解，例如本实施例中，如设计1和设计2，设定两个可行解集合的决策变量的数值集合分别为表5和表8所示：

表5设计1可行解集合的决策变量的数值集合

其中，选择NL值以保证纵向叠加次数为整数。

在高密度三维地震中，面元的尺寸是固定的，所以检波点、炮点间距不会改变。因此，搜索空间将减少到一个4×3的矩阵和43×8个潜在的解，如表8所示：

表8设计2可行解集合决策变量的数值集合

其中，选择NL值以保证纵向叠加次数为整数。

在本实施例中，计算得到设计2的可行解的最优解参数为表9所示：

表9优化设计参数汇总

所以设计2最优解的观测系统参数为表10所示：

表10设计2观测系统参数

在高密度三维地震中，面元的尺寸是固定的，所以检波点、炮点间距不会改变。因此，搜索空间将减少到一个4×3的矩阵和84个潜在的解。

由此得出两个在此可行解集合下的最优解设计1与设计2，参数如表11所示：

表11设计1和设计2的优化设计参数汇总

对上表的参数进行对比，可以发现在可行解区域2下面计算出来的设计2的炮线距和接收线距是设计1的2倍，相应面元纵向覆盖次数减少，总覆盖次数也减少到80次。

所以，设计1和设计2的观测系统参数为表12所示：

表12设计1和设计2的观测系统参数

通过对上表两种设计方案参数的对比，发现设计2的纵横比接近1，更接近于全方位。

然后，根据炮密度、道密度、炮道密度公式计算其充分性指标值，如表13所示：

表13设计1和设计2的炮道密度值

由上表可以发现，设计1的道密度和炮密度分别是设计2的两倍，炮道密度也比设计2多200w，说明设计1的观测系统对地质目标的成像质量更优更精准。

然后，炮检距分布均匀度指标对比如表14和图5所示：

表14设计1和设计2的炮检距分布均匀度指标对比

然后，进行方位角均匀度指标对比，如表15和图6所示：

表15设计1和设计2的炮检对方位角均匀度指标统计

综合分析，用遗传算法在两个可行解集合下，得出的两种设计方案。在炮道密度充分性方面，设计1比设计2要高200w的炮道密度，设计1要优于设计2；在炮检距均匀度方面，设计1的各项指标均优于设计2，但整体均匀度波动略大于设计1，可以忽略不计；在方位角均匀度方面，设计2的纵横比更接近1，方位角均匀度指标略高于设计1，但整体的方位角均匀度分布波动大于设计1。

更关键的，虽然设计2满足5×5m的面元尺寸目标，但覆盖次数大大减小，每个道集采集到的目的层勘探信息小于设计1；虽然设计2成本是设计1的一半，但明显在炮密度和道密度较小，已不满足高密度三维地震采集的炮密度和道密度大小的要求，所以设计2不能作为实际高密度采集施工备选方案。

由此可见，与现有技术相比，本发明在基于地球物理约束、仪器设备约束和经济成本约束的基础下，采用改进后的遗传算法对地震数据进行相关性分析，设计出最优的高密度三维地震观测系统，能够避免陷入局部最优解，得到全局最优地震属性组合，在降低勘探成本的同时保证勘探质量。

高密度三维地震观测系统实施例：

本发明提供的一种高密度三维地震观测系统是采用上述的地震观测系统的设计方法构建的地震观测系统。

计算机装置实施例：

本实施例的计算机装置包括处理器，处理器执行计算机程序时实现上述地震观测系统的设计方法实施例中的步骤。

例如，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。

计算机装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，计算机装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机装置还可以包括输入输出设备、网络接入设备、总线等。

例如，处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。例如，存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音接收功能、声音转换成文字功能等)等；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、文本数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

存储介质实施例：

终端设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述地震观测系统的设计方法的各个步骤。

其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

由此可见，本发明提供了一种计算机装置以及存储介质，其包括：一个或多个存储器，一个或多个处理器。存储器用于存储程序代码和程序运行过程中产生的中间数据、模型输出结果的储存和模型及模型参数的储存；处理器用于代码运行所占用的处理器资源和训练模型时占用的多个处理器资源。

需要说明的是，以上仅为本发明的优选实施例，但发明的设计构思并不局限于此，凡利用此构思对本发明做出的非实质性修改，也均落入本发明的保护范围之内。