地质统计学随机反演技术结合了地震反演与储层随机建模的优势,在储层预测领域有着非常重要的地位。地质统计学随机反演可以将地震数据和测井数据有机结合,获得比常规反演更高分辨率的结果,目前是地震勘探领域研究的热点。考虑到地下不同岩相储层参数存在明显差异,有学者提出利用混合高斯模型将岩相影响融合到随机反演中,提出了基于混合高斯模型的随机反演方法(GMMc)。该方法考虑到不同岩相对反演结果存在影响,根据储层参数满足多峰统计的特征,假设储层参数满足混合高斯模型,可以更好地描述符合实际情况的储层分布。该方法的缺陷在于没有考虑初始岩相比例对结果的影响,实际应用中可能会存在因为存在错误分类进而影响反演结果。针对这一问题,本文将初始岩相比例作为反演参数,提出一种变权系数混合高斯模型的随机反演方法,实现不同岩相条件下储层参数分布精细描述并同时反演岩相及储层参数。考虑到变权系数混合高斯模型反演分辨率低问题,引入布谷鸟算法(CS algorithm),该方法解决了现有反演结果分辨率低的缺陷,可以得到高精度的储层参数结果。布谷鸟算法是一种全局最优求解法,在搜索的过程中将均方根误差的减少作为约束条件,可以在求解的过程中有效地控制误差下降的趋势,使得结果跳出局部最优解。我们采用变权系数混合高斯模型(GMM-v)与布谷鸟算法结合的地质统计学随机反演方法(GMM-CSMCMC),使用马尔科夫链蒙特卡洛方法(MCMC)进行求解,使得反演结果更接近最优解,有效提升了反演方法的全局最优性。通过含噪声模型和实际数据分析验证了本文方法的有效性。随机反演存在的另一缺陷是反演结果稳定性不足。由于常规MCMC方法大多使用完全随机的采样方式,导致反演结果容易陷入局部最优解,或者每次反演结果实现差异均较大,导致反演结果难以评价。针对这一问题,本文引入了可以表征物态稳定性的信息熵模型。MCMC方法核心在于后验概率分布的求解,本文将信息熵模型引入到后验概率求解过程中,用信息熵约束后验概率的变化,可以使得反演结果稳定性提升。对于提出的算法,通过理论数据、含噪模型,和实际数据进行测试分析,验证了算法正确性。本文将变权系数的混合高斯模型,布谷鸟算法,与信息熵模型结合,可以从分辨率、稳定性,和岩相分类正确性三个方面来优化传统地质统计学随机反演。通过多角度测试说明基于信息熵和布谷鸟算法的地质统计学反演方法的正确性。