三種聲波測井曲線預測方法對比分析

摘 要：隨著科學技術的快速發展，煤礦地震檢測技術也在不斷的完善中。為了能夠提高檢測的準確性，通過大量的實踐經驗總結，當前主要的檢測方法包括經驗公式法、神經網絡法、地震屬性分析法。這三種方法的作用以及優勢都各不相同，檢測結果也不同，文章就從預測方法方面來闡述這三種檢測手段的應用特點，以及檢測結果的精確程度，希望能夠給相關人士一定的借鑒。

關鍵詞：聲波測井曲線；預測方法；分析

以某煤田研究區為例，對比研究上述三種預測方法。某煤田采區勘探面積為23.325km2。主要研究煤層為13-1，11-2，8，6-2，1煤，其埋藏深度大致分布于500～900m之間，并作為此次研究的分析窗口。研究區內共有64口測井，且均勻分布于研究區的各個位置。經統計，每口井都有密度曲線，但只有29口井包含速度曲線，可以作為此次研究的訓練樣本和目標。

1 預測方法的應用

1.1 經驗公式法的應用

因為所有的礦井都能夠形成一定的密度曲線，而這種曲線能夠反映出地層的狀態，所以我們可以通過觀察這些曲線了解地層的變化，預測出地震的情況。我們可以對這二十個礦井通過Gardner公式法來計算出具體的密度曲線，并通過計算機的計算得到相應的預測值。任意選擇一口礦井，通過經驗公式法來預測出聲波曲線，把曲線的結果和原始的測算曲線放在一個窗口下進行分析，主要是看兩個測算結果中速度的交匯點。通過計算機來測量兩個曲線之間的相關性，得出的系數為0.336。從這個數值中我們可以看到二者之間的相關性是非常小的，可見這種測量方法的曲線精確度不高。不過這種方法的優勢就是操作比較簡單，可以在一些地形比較復雜，誤差可以在一定范圍內的情況下使用。

1.2 地震屬性分析法的應用

利用地震屬性預測聲波曲線，首先需要導人三維地震數據體。在本例中，地震數據體共包含1109條inline線和1819條crossline線，間隔為5m。然后，建立好幾何網格，使得地震數據和測井曲線能位置統一。以已知的29口井作為訓練樣本，抽取復合地震道，并對其進行轉換運算，得到多種體屬性值。同時利用基于模型反演獲得的波阻抗體，提取出外部屬性值（外部屬性用ex-attr來表示）。最后建立地震屬性與井數據的線形關系，其中部分關系如表1所示。分析窗口為13煤和1煤之間的區域。

從表1中可以看出，最佳的屬性表達式為Log（ex-attr），屬性運算的誤差率最低，且相關系數大約為0.50，相對比較高。因此選取其作為單屬性分析的結果。10-8井、10n-17井、11-10井，三口井單屬性分析預測結果：相關系數=0.500134；平均誤差=602.441。多屬性分析是在單屬性分析的基礎上，利用逐步回歸法進行分析與計算。在本例中，使用的最優褶積算子長度為10，獲得的分析結果如表2所示。

在表2中，每一行代表一個多屬性變換，且此變換包含了上面所有行的屬性變換。多屬性分析預測結果顯示：相關系數=0 658744；平均誤差=523.422。在采用地震屬性分析法的時候，由于需要的訓練時間比較長，則可能產生訓練過度的問題，這就需要通過訓練來減少誤差的產生。通過表2我們也可以看出，過度訓練只是該種測量方法中的一種情況，也就是說增加測量屬性能夠簡單的測量出曲線中的一些細節，不過也可能適得其反，產生一些不好的結果。當前已經產生了針對解決這一問題的方法，就是交叉驗證。

1.3 神經網絡法的應用

這種方法主要就是對預測結果的多屬性轉換進行更加深入的測量和分析。在上述例子中，可以把表2中的前七種屬性直接輸入到電腦中，并通過聲波曲線對照后再輸出，這樣就能夠建立神經網絡的具體結構。通過輸入值和輸出值之間的對比，我們可以看到二者之間存在著一定的誤差，不過這種誤差和上述兩種方法比已經是最小值了。在網絡的方差達到一定的精度時，就結束整個網絡訓練。本例中對于MLFN，根據誤差最小原則，確定出隱含層節點數為46，共軛梯度迭代次數為100，總的迭代次數為10。對于PNN，確定出σ因子數量為25，σ因子取值范圍為0.1～3.0，共軛梯度迭代次數為20。最后利用訓練好的兩種網絡，對非目標聲波曲線分別進行預測，得到的預測結果：MLFN的相關系數=0.730526；平均誤差=495.072。PNN的相關系數=0.787698；平均誤差=449.863。

2 結果對比分析

利用三種預測方法對整個研究區內的聲波速度曲線進行了預測，并得到了不同精度的預測結果，隨機挑選其中一口井作對比，采樣率選為2ms，其預測結果：經驗公式法相關系數為：0.355；單屬性分析法相關系數為：0.783；多屬性分析法相關系數：0.838；MLFN相關系數為：0.891；PNN相關系數為：0.912。

通過對原始聲波曲線和通過上述方法測測量得出的預測曲線之間的對比，我們可以看到二者之間的精度比呈現出逐漸上升的趨勢，相關系數也趨于1。不過相比其他的測量方法來說PNN測量方法在精度上更加準確，預測的結果也更好。我們還可以采用一種方法對PNN測量方法的精確度進行檢測，也就是三維速度體。這種方法主要就是把預測的結果直接運用到地震預測數據當中所獲得的。因為使用經驗法獲得的預測結果并不準確，而且這種方法只能用在單一測量當中。而且在具體的預測當中只能用插值法，這種情況下所獲得的速度數值并不精準。所以我們可以直接忽略掉這種方法所獲得的速度數值。通常來說，圍巖的速度要比煤層的速度高，所以單一屬性分析獲得的數據所顯示的顏色比較明顯，這樣對數據進行分析也比較容易。采用多種屬性分析的數值變化度比較高，特別是對于煤層來說，這種方式得到的結果會比單屬性分析的結果更加精準一些。MLFN方法預測層數連續性不高，不過速度值的變化還是非常明顯的。相比上面三種測量方法，PNN方法明顯更好一些。不僅能夠清晰的體現出煤層的變化而且還能夠對不同層數的速度值變化平均化。

3 實驗結論

（1）采用經驗法來測量聲波曲線，這種方法只能用于一種或者多種的曲線進行數學轉換，速度上更加快而且整個操作的過程容易操作，不過缺點是結果準確度不高。這種方法一般用在地形比較復雜的地區。（2）采用地震屬性分析法來預測地震發生的具體數據，這種方法主要是通過橫縱向上的線性數據來模擬出地震屬性的曲線，這種方法的精確度高于經驗法測量。（3）采用神經網絡法來建立地震屬性和數據之間的關系，從而預測出地震。這種方法前期訓練的時間比前兩種都長，不過在煤田中使用這種方法進行測量精度上高于上兩種方法，這種方法也是目前來說最好的一種。（4）在采用第三種方法測量之前，應該對整個地震聲波曲線的屬性進行細致地分析，屬性和測量方法之間存在著某種繼承關系，通過改善預測的精度，就能夠提高整個神經網絡的精度，進而能夠為以后的地震預防提供更高精準的曲線。

總之，煤礦企業應該根據自身的情況選擇合適的預測方法，提高測量的精度，能夠很好的預防煤層地震。在未來煤炭事業的發展中，科學技術的提高一定會促進煤層地震測量技術，進而促進整個煤炭事業的蓬勃發展。

參考文獻

[1]彭蘇萍，鄒冠貴，李巧靈.測井約束地震反演在煤厚預測中的應用研究[J].中國礦業大學學報，2008，37（6）.