地震反演在地球物理學中起著至關重要的作用，它將地震反射數據轉化為定量模型，揭示了諸如聲學阻抗、孔隙度、巖性和流體含量等地下屬性（Lindseth, 1979, Russell, 1988, Pendrel, 2001, Kumar et al., 2016, Damasceno et al., 2021, Martinho et al., 2021）。雖然傳統的地震分析主要提供結構信息，但反演技術通過提供巖石屬性的估計值來增強解釋能力，改善了水庫的劃分，并減少了與巖性、流體類型、孔隙度分布和彈性屬性的空間變異性相關的勘探不確定性（Veeken and Da Silva, 2004, Grana et al., 2022）。
傳統的地震反演是定量水庫特征描述的基礎。廣泛使用的方法包括基于模型的反演，該方法通過井和地質信息迭代更新低頻阻抗模型（Russell and Hampson, 1991），以及稀疏脈沖反演，該方法通過強制反射率的稀疏性來提高垂直分辨率（Sacchi, 1997）。同時反演利用疊前數據聯合估計彈性屬性，如P-阻抗、S-阻抗和密度（Hampson et al., 2005, Leisi and Shad Manaman, 2025b），而彈性阻抗反演則將聲學阻抗擴展到非零入射角，從而實現角度依賴的彈性屬性估計（Connolly, 1999, Leisi and Shad Manaman, 2025a）。
然而，傳統的反演方法仍然受到非唯一性、對局部最優解的敏感性、參數權衡、收斂速度慢以及在高維空間中的高計算成本的影響（Backus and Gilbert, 1967, Oldenburg and Li, 1994, Tarantola, 2005）。正則化和貝葉斯方法解決了一些這些問題，但通常需要平衡模型分辨率和計算效率（Bosch et al., 2010）。
為了克服這些限制，受自然過程啟發的元啟發式優化算法，如差分進化（DE）和粒子群優化（PSO），越來越多地應用于地震反演（Boschetti et al., 1996, Velez-Langs, 2005, Sharma and Verma, 2011, Singh and Biswas, 2016, Singh and Biswas, 2021）。DE是一種基于種群的進化算法，通過變異、交叉和選擇實現全局搜索（Feoktistov, 2006, Das and Suganthan, 2010），而PSO則模仿社會行為快速收斂到最優解（Kennedy and Eberhart, 1995, Eberhart and Kennedy, 1995b, Kant et al., 2024b）。盡管它們有效，但在復雜問題中DE可能收斂緩慢，而PSO在崎嶇的解決方案空間中容易過早收斂。除了全局優化算法外，集成多個數據集和模型耦合技術的先進反演工作流程可以提高魯棒性和準確性（Verma et al., 2024, Verma and Singh, 2025）。
結合互補算法的混合優化策略已成為地球物理反演中的強大解決方案。通過利用全局搜索和快速收斂的優勢，混合方法彌補了單個算法的不足（Chunduru et al., 1997, Jamasb et al., 2019, Guo et al., 2020, Zhao et al., 2022, Kant et al., 2024a）。受此啟發，本研究引入了一種新的混合反演框架，結合了DE和PSO，以實現可靠、準確且計算效率高的地震反演結果。
水庫特征描述對于準確劃分水庫幾何形狀、巖性、孔隙度和流體分布至關重要，從而減少勘探和開發的不確定性。人工神經網絡（ANN）可以將地震衍生的屬性（Chopra and Marfurt, 2005）與井測數據結合起來，捕捉非線性關系，并改進超出井控制范圍的水庫屬性預測（Iturrarán-Viveros and Parra, 2014, Leisi and Shad Manaman, 2024, Leisi et al., 2025a）。孔隙度是碳氫化合物儲存的關鍵參數（Aftab et al., 2024），只能直接在井位測量，而地震數據提供空間連續的信息，但不能直接表示孔隙度。地震衍生的阻抗屬性對巖性、流體含量和孔隙結構的變化敏感，這些因素與孔隙度間接相關（Hampson et al., 2001, Leite and Vidal, 2011, Khoshdel and Riahi, 2011, Hussain et al., 2025）。在本研究中，ANN被訓練來捕捉地震衍生的阻抗屬性與井測孔隙度之間的非線性關系，從而能夠在井位之外空間預測孔隙度。這種方法擴展了水庫特征描述的范圍，并改善了含烴區域的劃分。
所提出的DE-PSO混合反演方法，結合基于ANN的孔隙度估計，在阿爾伯塔省Blackfoot的合成數據集和真實現場數據上得到了驗證。與單獨使用DE和PSO方法的比較分析表明，在收斂速度、模型準確性和魯棒性方面有顯著改進。結果證實，結合DE和PSO提供了一種可擴展、高效且地質一致性的地震反演方法，最終提高了水庫特征描述的準確性。
