BP神經(jīng)網(wǎng)絡(luò)在煤相預(yù)測(cè)分析中的應(yīng)用

劉 剛 李治平 孫兵華 廉海榮

(1.陜西延長(zhǎng)石油〈集團(tuán)〉有限責(zé)任公司研究院，陜西 西安710075；2.中國(guó)地質(zhì)大學(xué)，中國(guó) 北京100083)

煤相最早是由前蘇聯(lián)學(xué)者熱姆丘日尼科夫于1951 年提出的，定義為煤的原始成因類型﹐即一定泥炭沼澤環(huán)境下形成的煤成因類型和煤巖類型[1]。 應(yīng)用煤相分析實(shí)現(xiàn)煤層氣潛力評(píng)價(jià)和生氣有利帶預(yù)測(cè)已成為煤層氣勘探開發(fā)中十分重要的方法，然而成煤環(huán)境中不同的層位（縱向上）和不同地區(qū)（平面上）的煤相特征存在明顯差異，野外露頭觀察、薄片分析等地質(zhì)方法工作量巨大，而傳統(tǒng)數(shù)學(xué)歸納統(tǒng)計(jì)方法又很難準(zhǔn)確描述，因此尋找到一種高效、準(zhǔn)確的方法成為亟待解決的問(wèn)題。

1 煤相分析參數(shù)及類型劃分

1.1 煤相分析參數(shù)

不同煤相反映出泥炭沼澤的覆水深度﹑水介質(zhì)的酸度﹑氧化還原電位﹑堆積方式和成煤植物種類等成煤環(huán)境的不同，可通過(guò)凝膠化指數(shù)（GI）、植物保存指數(shù)（TPI）、鏡惰比（V/I）、流動(dòng)性指數(shù)（MI）和森林指數(shù)（WI）五個(gè)煤巖學(xué)參數(shù)反映。

凝膠化指數(shù)GI 反映泥炭沼澤的覆水程度， 高值表明環(huán)境相對(duì)潮濕，低值則相對(duì)干燥，一般以4 為界。

植物保存系數(shù)TPI 是古代植物遺體遭受微生物降解程度的反映，在一定程度上反映PH 的高低。

一般鏡惰比（V/I）是成煤泥炭遭受氧化程度的參數(shù)，小于1.0 反映成煤泥炭層暴露于氧化環(huán)境。

流動(dòng)性指數(shù)MI 是水流動(dòng)介質(zhì)和相對(duì)停滯介質(zhì)的比值，可以反映成煤環(huán)境水體的流動(dòng)性，一般大于0.4 表明為流動(dòng)相。

森林指數(shù)WI 反映了成煤環(huán)境的森林情況， 大于0.5 表示為森林沼澤[2]。

1.2 煤相類型劃分

根據(jù)成煤環(huán)境中煤相參數(shù)的劃分依據(jù)，結(jié)合實(shí)際沉積環(huán)境的沉積相分析研究，將煤相特征劃分為如下三類：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。

干燥泥炭沼澤類型反映高位干燥森林沼澤，包括潛水條件或者水下短時(shí)間干燥的氧化沼澤，該煤相廣泛發(fā)育于辮狀河三角洲等沉積環(huán)境。

森林泥炭沼澤體現(xiàn)極為潮濕、覆水較深的森林面貌，植物遺體遭受分解破壞弱，水流活動(dòng)差，該煤相廣泛發(fā)育于上三角洲平原等沉積環(huán)境。

活水泥炭沼澤反映處于流動(dòng)的水動(dòng)力條件， 微生物活動(dòng)強(qiáng)烈，強(qiáng)覆水的沼澤泥炭環(huán)境，該煤相廣泛發(fā)育于三角洲間灣等沉積環(huán)境[3]。

其中在森林泥炭沼澤相發(fā)育地帶，煤層厚度大且分布穩(wěn)定，是煤層氣生成有利地帶，同樣，煤儲(chǔ)層物性也發(fā)育良好，有利于煤層氣聚集成藏地帶。

2 BP 神經(jīng)網(wǎng)絡(luò)概述

BP 神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Networks）是一種典型的多層神經(jīng)網(wǎng)絡(luò)，由輸入層、中間層和輸出層組成，其學(xué)習(xí)過(guò)程包括正向傳播和反向傳播兩部分，在正向傳播中，信號(hào)從輸入神經(jīng)元傳入，傳播到各隱層神經(jīng)元，經(jīng)過(guò)激活函數(shù)輸出，傳播到輸出層；判斷誤差函數(shù)的最小值，如果達(dá)不到所要求的精度，則自動(dòng)轉(zhuǎn)入反向傳播，通過(guò)修改學(xué)習(xí)率、學(xué)習(xí)步長(zhǎng)等參數(shù)，調(diào)整輸出層與隱層、隱層與輸入層之間的連接權(quán)值，重新進(jìn)行正向傳播，反復(fù)訓(xùn)練，直到誤差函數(shù)達(dá)到所要求的精度為止，此時(shí)網(wǎng)絡(luò)模型自動(dòng)將各層連接權(quán)值加以保存,用于對(duì)未訓(xùn)練樣本值進(jìn)行預(yù)測(cè)[4-5]（圖1）。BP 神經(jīng)網(wǎng)絡(luò)模型中輸入層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)根據(jù)需要求解的問(wèn)題、數(shù)據(jù)而定，隱層數(shù)一般在1 到3 之間，隱層節(jié)點(diǎn)數(shù)目前只能根據(jù)經(jīng)驗(yàn)公式獲得，根據(jù)Komogorov 理論，一個(gè)具有n 個(gè)節(jié)點(diǎn)輸入層,隱層節(jié)點(diǎn)數(shù)為2n+1。

圖1 BP 神經(jīng)網(wǎng)絡(luò)示意圖Fig.1 Back-Propagation Neural Networks

輸入層各節(jié)點(diǎn)數(shù)據(jù)的量綱差異往往對(duì)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)結(jié)果會(huì)產(chǎn)生影響,，因此首先要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)經(jīng)過(guò)歸一化后全部分布在[0，1]區(qū)間內(nèi)。 數(shù)據(jù)標(biāo)準(zhǔn)化處理有如下幾種：，本文采用方法（3）。

3 使用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行煤相預(yù)測(cè)

圖2 學(xué)習(xí)次數(shù)與誤差分析關(guān)系圖Fig.2 Learning times and error analysis

3.1 BP 神經(jīng)網(wǎng)絡(luò)模型建立

選取凝膠化指數(shù)（GI）、植物保存系數(shù)（TPI）、一般鏡惰比（V/I）、流動(dòng)性指數(shù)（MI）、森林指數(shù)（WI）作為輸入層節(jié)點(diǎn)變量；輸出層劃分為三個(gè)節(jié)點(diǎn)：干燥泥炭沼澤相、活水泥炭沼澤相、森林泥炭沼澤相，分別賦予期望輸出值為0.99、0.66 和0.33；隱層數(shù)設(shè)為1，隱層節(jié)點(diǎn)數(shù)為11；最大誤差精度要求在達(dá)到10-3 數(shù)量級(jí)，最大訓(xùn)練次數(shù)為3500 次。 此外針對(duì)BP 神經(jīng)算法收斂速度慢和易陷入局部極小的缺點(diǎn)，本文選擇采用改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)算法，通過(guò)加入動(dòng)量常數(shù)，可有效提高運(yùn)算速度并避免不收斂情況的發(fā)生。

3.2 BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

選取了西北地區(qū)柴達(dá)木盆地、鄂爾多斯盆地的不同地區(qū)、不同層位的25 個(gè)樣點(diǎn)煤相分析結(jié)果作為訓(xùn)練樣本[1]，應(yīng)用專業(yè)軟件Matlab進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，通過(guò)對(duì)學(xué)習(xí)率、學(xué)習(xí)步長(zhǎng)、動(dòng)量常數(shù)等參數(shù)的調(diào)整，使誤差精度達(dá)到了預(yù)期要求[6-8]，實(shí)際的訓(xùn)練次數(shù)為1095次，并且沒有出現(xiàn)不收斂情況（圖2）。

將參與訓(xùn)練的樣本代回已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果表明，訓(xùn)練值與期望值之間的相對(duì)誤差全部在10%以內(nèi)，對(duì)于網(wǎng)絡(luò)輸出值小于1 的神經(jīng)網(wǎng)絡(luò)模型，認(rèn)定訓(xùn)練成功,模型可用于煤相類型的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)（表1）。

表1 西北地區(qū)柴達(dá)木盆地、鄂爾多斯盆地的幾十個(gè)地區(qū)的樣點(diǎn)的煤相分析Tab.1 The coal facies analysis of samples in qaidam basin and ordos basin

3.3 BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

隨機(jī)選取8 個(gè)未參與訓(xùn)練的樣點(diǎn)，將煤相參數(shù)代入已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)，結(jié)果表明8 個(gè)預(yù)測(cè)樣本全部判別正確，判別效果非常好（表2）。

表2 樣本預(yù)測(cè)及預(yù)測(cè)結(jié)果Tab.2 Prediction of samples and results

4 結(jié)論

4.1 不同煤相反映出泥炭沼澤的覆水深度﹑水介質(zhì)的酸度﹑氧化還原電位﹑堆積方式和成煤植物種類等成煤環(huán)境的不同，通過(guò)凝膠化指數(shù)、植物保存指數(shù)、鏡惰比、流動(dòng)性指數(shù)和森林指數(shù)五個(gè)煤巖學(xué)參數(shù)量化反映。根據(jù)成煤環(huán)境中煤相參數(shù)的劃分依據(jù)，將煤相劃分為：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。

4.2 由于煤相類別與分析參數(shù)之間存在著較強(qiáng)的非線性關(guān)系,用傳統(tǒng)的地質(zhì)方法和數(shù)學(xué)歸納方法難以處理, 而BP 神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的自適應(yīng)學(xué)習(xí)能力,能準(zhǔn)確刻畫出兩者之間復(fù)雜的非線性關(guān)系，通過(guò)加入動(dòng)量常數(shù)，則有效地提高了運(yùn)算速度并避免了不收斂的發(fā)生。

4.3 本文將煤相分析參數(shù)作為輸入層節(jié)點(diǎn)， 典型煤相類別作為輸出層節(jié)點(diǎn)，建立了基于BP 神經(jīng)網(wǎng)絡(luò)的煤相分析預(yù)測(cè)模型，通過(guò)模型訓(xùn)練和預(yù)測(cè)，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤相結(jié)果準(zhǔn)確，為開展區(qū)域上煤相研究提供了高效快速的方法。

［1］許福美,方愛民.煤相研究歷史的回顧及其國(guó)內(nèi)外研究現(xiàn)狀[J].龍巖學(xué)院學(xué)報(bào),2005，23(3)：54-56.

［2］楊起,劉大錳，等.中國(guó)西北煤層氣地質(zhì)與資源綜合評(píng)價(jià)[M].北京:地質(zhì)出版社,2005:168-194.