基于測井資料的BP神經網絡的煤體結構預測

劉振明 王延斌 韓文龍 倪 冬 張崇瑞

(中國礦業大學(北京)地球科學與測繪工程學院，北京市海淀區，100083)

煤體結構是煤層在地質演化過程中受各種地質作用影響下的產物，是各組分顆粒大小、形態特征及其相互關系的綜合反映。受構造作用影響大的煤層，在煤層氣的勘探開發過程中，既降低煤層滲透率，又不利于采用提高產能的工藝措施，是制約開發以及安全生產的關鍵因素。所以，實現煤體結構的準確預測至關重要。從20世紀90年代開始，我國采用測井曲線識別煤體結構。王定武(1997)和龍王寅等(1999)基于構造煤測井響應特征，提出使用模擬測井曲線劃分煤體結構的方法；傅雪海等(2003)使用視電阻率、自然伽馬和伽馬-伽馬等測井資料，運用聚類分析劃分煤體結構類型；劉明舉等(2005)使用視電阻率電位曲線，輔以人工伽馬和自然伽馬判識構造軟煤和硬煤；張許良等(2009)根據巖心描述和測井曲線特征定性劃分各鉆孔煤體結構；郭濤等(2014)使用井徑、補償中子交匯圖以及聲波時差、補償中子交匯圖對煤體結構進行識別。

近年來，相關研究逐漸從定性判識發展為定量評價，一些學者引入地質強度因子(GSI)，采用多元線性回歸方法，建立了基于測井數據的定量預測模型，取得了不錯的效果。然而煤體結構與測井數據之間并無確定的線性關系，BP神經網絡是一種智能的信息處理系統，具有高度的模式識別能力和極強的學習能力，能夠模擬任意非線性輸入輸出關系，為解決這種多因素、復雜的問題提供了新的思路。本文基于柿莊南部區塊3號煤層大量測井和鉆井資料，結合GSI值，使用BP神經網絡算法，從非線性關系的角度建立了一種煤體結構定量預測模型。

1 研究區概況

柿莊南區塊位于沁水盆地東南部的斜坡帶上，為向西傾斜的單斜構造。區內斷裂構造較少，西部發育一條規模較大的呈NE向展布的寺頭正斷層，東南部發育一系列呈弧形排列的褶皺構造，軸向以東西向為主，向東逐漸轉變為北西向，主要包括北甲向斜、常莊向斜和檀山背斜。該區塊自上而下發育第四系、二疊系、石炭系和奧陶系等地層，其中下二疊統山西組的3#煤層和上石炭統太原組的15#煤層因其厚度大、分布廣，為該區進行煤層氣勘探與開發的主力煤層。

區塊內的3#煤層是本文研究對象，屬結構簡單—較簡單、全區可采的穩定型無煙煤煤層。煤層厚度5～6 m，平均6.13 m，部分包含1～2層夾矸，巖性為砂質泥巖或泥巖，總體呈東高西低。

2 煤體結構分類和定量表征

傳統煤體結構的分類往往是從煤的宏觀或微觀的物理形態特征和力學性質及成因進行定性描述。前蘇聯礦業研究所基于煤中原生與次生節理的變化、微裂隙間距等特征的5類劃分：非破壞煤、破壞煤、強烈破壞煤、碎粉煤和全粉煤；早期的煤田勘探單位的4類劃分：塊煤、塊粉煤、粉煤、粉末煤或鱗片狀煤；原焦作礦業學院依據煤體結構破碎程度進行的4類定性劃分：原生結構煤、碎裂煤、碎粉煤與糜棱煤。而煤體結構的變形是在構造應力的作用下逐漸發生的，不同類型煤體之間過渡的界限根據以往的定性劃分難以進行描述。因此本文在原焦作礦業學院4類劃分的基礎上引入地質強度因子(GSI)來實現對煤體結構的定量刻畫。

GSI巖體分類體系是由Hoek等提出的一種巖體分類方法，基于巖塊的塊度和表面風化條件將其劃分為0～100間不等的值。但是由于煤層埋藏一般較深，對于傳統的用風化狀況來表征巖體表面質量狀況，裂隙寬度及充填情況更適合進行煤體結構面的描述，如圖1所示。圖中斜線上數值即GSI取值，“N/A”表示在這個范圍不適用?；诿后w變形的漸變過程，選取柿莊南3號煤層有代表性的取心樣品54組結合GSI進行定量的描述。

圖1 GSI巖體分類系統

3 煤體結構BP神經網絡建模

3.1 BP神經網絡基本原理

BP神經網絡是由信號的正向傳播和誤差的反向傳播組成的一種多層前饋神經網絡。網絡模型一般由輸入層、隱含層和輸出層3部分組成，其中隱含層可以為單個或多個。正向傳播時，外界信息經輸入層各神經元傳入隱含層，隱含層負責信息變化和交換，輸出層各神經元接收由隱含層傳遞的信息后進行再一次的處理后向外輸出。當實際結果不是期望輸出時，學習過程轉入誤差的反向傳播階段。即依據梯度下降算法，將輸出誤差分攤給各層所有神經元，并實現各層權值的調整。通過反復的正向傳播和反向傳播，誤差不斷減小，直至收斂到設最小值或到達預定的學習次數為止。

3.2 輸入測井參數的優選

實現利用測井曲線對煤體結構的定量劃分，要以不同煤體結構具有不同的測井響應特征為基本原理，即隨著煤體破碎程度的加劇，電阻率測井、自然伽馬和密度測井值減小，聲波時差增大以及出現擴徑的現象。但是，不同地區受地質演化等因素的影響導致某些測井參數響應特征不明顯，且與其他測井曲線相關性弱，在煤體結構判識中，往往會影響最后預測的可靠性。尤其對于BP神經網絡而言，輸入測井曲線的選取十分重要，不合適的變量將直接導致模型的過訓練。因子分析法是基于降維思想的一種簡化數據的技術，可從給定的變量群中通過某種變換找到具有本質意義的少量因子。即用相對少量的幾個因子解釋許多相互關聯的變量之間的關系。

本文在柿莊南部區塊3號煤層煤體結構識別的研究中，對全區54組煤樣的測井曲線間的相關性進行因子分析，完成神經網絡輸入參數的優選，達到減少噪聲信息，提高模型可信度的目的。

首先對聲波時差(AC)、井徑(CAL)、補償中子(CNL)、體積密度(DEN)、自然伽馬(GR)和深側向電阻率(RD)6條測井曲線進行方差解析，結果見表1。由表1可知，此次共提取出6個主因子，其中第1個和第2個主因子的方差貢獻率分別為33.984%和23.369%，前3個主成分累計貢獻率達70.732%，基本保留了原始的參數信息。因此研究區各測井參數可用3個主因子表示。

表1 主因子方差解析

利用最大方差法對3個主因子進行旋轉分析，得到旋轉成分矩陣，見表2。由表2可知，聲波時差和體積密度曲線與第一主因子的相關性均在70%之上；井徑和深側向電阻率與第二主因子相關性也大于70%；補償中子與第三主因子相關性較大。

表2 旋轉成分矩陣

然而電阻率測井因易受煤巖中水分和礦物等因素的影響表現出較大的波動性，往往不能夠協助進行煤體結構的有效識別。結合以上分析結果，柿莊南部區塊3號煤層測井響應特征主要與聲波時差、井徑、補償中子以及體積密度密切相關，并將其作為BP神經網絡的輸入參數進行下一步建模。

3.3 煤體結構GSI值BP神經網絡預測

在前面分析的基礎上，采用3層BP神經網絡來建立煤體結構預測模型，選取聲波時差、井徑、補償中子以及體積密度作為輸入層神經節點，部分數據見表3，第二層為隱含層，由9個神經元組成，煤體結構GSI值作為第三層(輸出層)。神經網絡結構如圖2所示。設置最大訓練次數為2000次，學習率為0.03，最小均方誤差為1×10-8。

表3 BP模型樣本數據

從全區54組數據中隨機選取32組作為學習樣本，經過近1000次訓練后，網絡趨于穩定，數據擬合的復相關系數達到0.9950。在剩余的數據中再隨機抽選16組數據進行測試，二者相關性很好，復相關系數達到了0.9853。

圖2 BP神經網絡結構示意圖

為驗證該網絡模型的合理性和實用性，在54組數據中隨機挑出32組數據進行線性擬合，得到多元回歸方程：

(1)

式中：M——煤體結構GSI值；

G——伽馬值，API；

R——深側向電阻率，Ω·m；

D——體積密度，g/cm3；

A——聲波時差，μs/m。

用式(1)對剩余的22組數據隨機抽選的16組進行檢驗，其擬合結果如圖3所示。對比可知，基于因子分析的BP神經網絡預測模型具有更高的精度。

多條測井曲線獲得的數據是多元的，全部使用勢必會引入噪聲數據，且不同區塊煤層受地質因素的影響，測井曲線間的相關性也不盡相同。在神經網絡建模的過程中，利用因子分析法可完成輸入參數的選擇，達到進一步優化模型的目的。

圖3 多元回歸分析曲線擬合結果

4 結論

(1)不同煤體結構在測井曲線上有不同的響應特征。相比于定性描述，通過引入地質強度因子(GSI)值建立與測井參數的煤體結構定量模型具有一定的準確性。

(2)BP神經網絡作為一種具有非線性高度學習能力的的系統，較于基于線性關系建立的多元回歸模型能更好的表達GSI值和各個影響因素之間的聯系，從而更加準確的實現煤體結構的預測。

(3)測井數據的多元性和測井曲線間的相關性會在一定程度上影響預測結果，利用因子分析實現初期的數據篩選以及參數優選對于模型準確建立具有一定的幫助。

參考文獻：

[1] 胡奇,王生維,張晨等.沁南地區煤體結構對煤層氣開發的影響[J].煤炭科學技術,2014(8)

[2] 陳躍,湯達禎,許浩等.應用測井資料識別煤體結構及分層[J].煤田地質與勘探,2014(1)

[3] 王定武.利用模擬測井曲線判識構造煤的研究[J].中國煤田地質,1997(4)

[4] 龍王寅,朱文偉,徐靜等.利用測井曲線判識煤體結構探討[J].中國煤田地質,1997(3)

[5] 傅雪海,姜波,秦勇等.用測井曲線劃分煤體結構和預測煤儲層滲透率[J].測井技術,2003(2)

[6] 劉明舉,劉毅,劉彥偉等.地球物理測井技術在判識構造軟煤中的應用[J].煤炭工程,2005(5)

[7] 張許良,單菊萍,彭蘇萍.地質測井技術劃分煤體結構探析[J].煤炭科學技術,2009(12)

[8] 郭濤,王運海.延川南煤層氣田2號煤層煤體結構測井評價及控制因素[J].煤田地質與勘探,2014(3)

[9] 陶傳奇,王延斌,倪小明等.基于測井參數的煤體結構預測模型及空間展布規律[J].煤炭科學技術,2017(2)

[10] 周彪,郭布民,邢云龍等.沁水盆地柿莊南3號煤壓裂地質研究[J].煤炭與化工,2015(12)

[11] 張松航,唐書恒,李忠城等.煤層氣井產出水化學特征及變化規律——以沁水盆地柿莊南區塊為例[J].中國礦業大學學報,2015(2)

[12] 孫強,孫建平,張健等.沁水盆地南部柿莊南區塊煤層氣地質特征[J].中國煤炭地質,2010(6)

[13] 李廣生,孫明闖,史小衛等.基于地質強度因子的煤體結構精細描述[J].中州煤炭,2015(7)

[14] 汪雷,林亮,李晶晶等.基于測井信息的煤儲層滲透率BP神經網絡預測方法[J].煤炭科學技術,2015(7)

[15] 尹光志,李銘輝,李文璞等.基于改進BP神經網絡的煤體瓦斯滲透率預測模型[J].煤炭學報,2013(7)

[16] 李濤,李輝,王福忠.基于BP神經網絡的煤體結構類型判識模型研究[J].煤礦安全,2011(11)

[17] 陳蓉,王峰.基于MATLAB的BP神經網絡在儲層物性預測中的應用[J].測井技術,2009(1)

[18] 陳賢敏.煤與瓦斯突出BP神經網絡預測系統研究[J].煤炭技術,2013(1)

[19] 陳粵強,張曉宏,浦靜怡.利用測井參數定量識別韓城礦區北區煤體結構[J].煤炭科學技術,2017(9)

[20] 張超,黃華州,徐德林等.基于測井曲線的煤體結構判識[J].煤炭科學技術,2017(9)

[21] 趙睿,Roger.T,石磊.模糊邏輯和神經網絡及其在含油飽和度預測中的應用[J].測井技術,2007(4)

[22] 陳晶,黃文輝,陸小霞等.沁水盆地柿莊地區構造煤定量分析及其物性特征[J].煤炭學報,2017(3)