基于測(cè)井資料的BP神經(jīng)網(wǎng)絡(luò)的煤體結(jié)構(gòu)預(yù)測(cè)

劉振明 王延斌 韓文龍 倪 冬 張崇瑞

(中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院，北京市海淀區(qū)，100083)

煤體結(jié)構(gòu)是煤層在地質(zhì)演化過程中受各種地質(zhì)作用影響下的產(chǎn)物，是各組分顆粒大小、形態(tài)特征及其相互關(guān)系的綜合反映。受構(gòu)造作用影響大的煤層，在煤層氣的勘探開發(fā)過程中，既降低煤層滲透率，又不利于采用提高產(chǎn)能的工藝措施，是制約開發(fā)以及安全生產(chǎn)的關(guān)鍵因素。所以，實(shí)現(xiàn)煤體結(jié)構(gòu)的準(zhǔn)確預(yù)測(cè)至關(guān)重要。從20世紀(jì)90年代開始，我國(guó)采用測(cè)井曲線識(shí)別煤體結(jié)構(gòu)。王定武(1997)和龍王寅等(1999)基于構(gòu)造煤測(cè)井響應(yīng)特征，提出使用模擬測(cè)井曲線劃分煤體結(jié)構(gòu)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(cè)井資料，運(yùn)用聚類分析劃分煤體結(jié)構(gòu)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(shí)構(gòu)造軟煤和硬煤；張?jiān)S良等(2009)根據(jù)巖心描述和測(cè)井曲線特征定性劃分各鉆孔煤體結(jié)構(gòu)；郭濤等(2014)使用井徑、補(bǔ)償中子交匯圖以及聲波時(shí)差、補(bǔ)償中子交匯圖對(duì)煤體結(jié)構(gòu)進(jìn)行識(shí)別。

近年來，相關(guān)研究逐漸從定性判識(shí)發(fā)展為定量評(píng)價(jià)，一些學(xué)者引入地質(zhì)強(qiáng)度因子(GSI)，采用多元線性回歸方法，建立了基于測(cè)井?dāng)?shù)據(jù)的定量預(yù)測(cè)模型，取得了不錯(cuò)的效果。然而煤體結(jié)構(gòu)與測(cè)井?dāng)?shù)據(jù)之間并無確定的線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)是一種智能的信息處理系統(tǒng)，具有高度的模式識(shí)別能力和極強(qiáng)的學(xué)習(xí)能力，能夠模擬任意非線性輸入輸出關(guān)系，為解決這種多因素、復(fù)雜的問題提供了新的思路。本文基于柿莊南部區(qū)塊3號(hào)煤層大量測(cè)井和鉆井資料，結(jié)合GSI值，使用BP神經(jīng)網(wǎng)絡(luò)算法，從非線性關(guān)系的角度建立了一種煤體結(jié)構(gòu)定量預(yù)測(cè)模型。

1 研究區(qū)概況

柿莊南區(qū)塊位于沁水盆地東南部的斜坡帶上，為向西傾斜的單斜構(gòu)造。區(qū)內(nèi)斷裂構(gòu)造較少，西部發(fā)育一條規(guī)模較大的呈NE向展布的寺頭正斷層，東南部發(fā)育一系列呈弧形排列的褶皺構(gòu)造，軸向以東西向?yàn)橹?，向東逐漸轉(zhuǎn)變?yōu)楸蔽飨颍饕ū奔紫蛐?、常莊向斜和檀山背斜。該區(qū)塊自上而下發(fā)育第四系、二疊系、石炭系和奧陶系等地層，其中下二疊統(tǒng)山西組的3#煤層和上石炭統(tǒng)太原組的15#煤層因其厚度大、分布廣，為該區(qū)進(jìn)行煤層氣勘探與開發(fā)的主力煤層。

區(qū)塊內(nèi)的3#煤層是本文研究對(duì)象，屬結(jié)構(gòu)簡(jiǎn)單—較簡(jiǎn)單、全區(qū)可采的穩(wěn)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(zhì)泥巖或泥巖，總體呈東高西低。

2 煤體結(jié)構(gòu)分類和定量表征

傳統(tǒng)煤體結(jié)構(gòu)的分類往往是從煤的宏觀或微觀的物理形態(tài)特征和力學(xué)性質(zhì)及成因進(jìn)行定性描述。前蘇聯(lián)礦業(yè)研究所基于煤中原生與次生節(jié)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(qiáng)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(yè)學(xué)院依據(jù)煤體結(jié)構(gòu)破碎程度進(jìn)行的4類定性劃分：原生結(jié)構(gòu)煤、碎裂煤、碎粉煤與糜棱煤。而煤體結(jié)構(gòu)的變形是在構(gòu)造應(yīng)力的作用下逐漸發(fā)生的，不同類型煤體之間過渡的界限根據(jù)以往的定性劃分難以進(jìn)行描述。因此本文在原焦作礦業(yè)學(xué)院4類劃分的基礎(chǔ)上引入地質(zhì)強(qiáng)度因子(GSI)來實(shí)現(xiàn)對(duì)煤體結(jié)構(gòu)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(fēng)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(duì)于傳統(tǒng)的用風(fēng)化狀況來表征巖體表面質(zhì)量狀況，裂隙寬度及充填情況更適合進(jìn)行煤體結(jié)構(gòu)面的描述，如圖1所示。圖中斜線上數(shù)值即GSI取值，“N/A”表示在這個(gè)范圍不適用?；诿后w變形的漸變過程，選取柿莊南3號(hào)煤層有代表性的取心樣品54組結(jié)合GSI進(jìn)行定量的描述。

圖1 GSI巖體分類系統(tǒng)

3 煤體結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)建模

3.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是由信號(hào)的正向傳播和誤差的反向傳播組成的一種多層前饋神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)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(gè)或多個(gè)。正向傳播時(shí)，外界信息經(jīng)輸入層各神經(jīng)元傳入隱含層，隱含層負(fù)責(zé)信息變化和交換，輸出層各神經(jīng)元接收由隱含層傳遞的信息后進(jìn)行再一次的處理后向外輸出。當(dāng)實(shí)際結(jié)果不是期望輸出時(shí)，學(xué)習(xí)過程轉(zhuǎn)入誤差的反向傳播階段。即依據(jù)梯度下降算法，將輸出誤差分?jǐn)偨o各層所有神經(jīng)元，并實(shí)現(xiàn)各層權(quán)值的調(diào)整。通過反復(fù)的正向傳播和反向傳播，誤差不斷減小，直至收斂到設(shè)最小值或到達(dá)預(yù)定的學(xué)習(xí)次數(shù)為止。

3.2 輸入測(cè)井參數(shù)的優(yōu)選

實(shí)現(xiàn)利用測(cè)井曲線對(duì)煤體結(jié)構(gòu)的定量劃分，要以不同煤體結(jié)構(gòu)具有不同的測(cè)井響應(yīng)特征為基本原理，即隨著煤體破碎程度的加劇，電阻率測(cè)井、自然伽馬和密度測(cè)井值減小，聲波時(shí)差增大以及出現(xiàn)擴(kuò)徑的現(xiàn)象。但是，不同地區(qū)受地質(zhì)演化等因素的影響導(dǎo)致某些測(cè)井參數(shù)響應(yīng)特征不明顯，且與其他測(cè)井曲線相關(guān)性弱，在煤體結(jié)構(gòu)判識(shí)中，往往會(huì)影響最后預(yù)測(cè)的可靠性。尤其對(duì)于BP神經(jīng)網(wǎng)絡(luò)而言，輸入測(cè)井曲線的選取十分重要，不合適的變量將直接導(dǎo)致模型的過訓(xùn)練。因子分析法是基于降維思想的一種簡(jiǎn)化數(shù)據(jù)的技術(shù)，可從給定的變量群中通過某種變換找到具有本質(zhì)意義的少量因子。即用相對(duì)少量的幾個(gè)因子解釋許多相互關(guān)聯(lián)的變量之間的關(guān)系。

本文在柿莊南部區(qū)塊3號(hào)煤層煤體結(jié)構(gòu)識(shí)別的研究中，對(duì)全區(qū)54組煤樣的測(cè)井曲線間的相關(guān)性進(jìn)行因子分析，完成神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的優(yōu)選，達(dá)到減少噪聲信息，提高模型可信度的目的。

首先對(duì)聲波時(shí)差(AC)、井徑(CAL)、補(bǔ)償中子(CNL)、體積密度(DEN)、自然伽馬(GR)和深側(cè)向電阻率(RD)6條測(cè)井曲線進(jìn)行方差解析，結(jié)果見表1。由表1可知，此次共提取出6個(gè)主因子，其中第1個(gè)和第2個(gè)主因子的方差貢獻(xiàn)率分別為33.984%和23.369%，前3個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)70.732%，基本保留了原始的參數(shù)信息。因此研究區(qū)各測(cè)井參數(shù)可用3個(gè)主因子表示。

表1 主因子方差解析

利用最大方差法對(duì)3個(gè)主因子進(jìn)行旋轉(zhuǎn)分析，得到旋轉(zhuǎn)成分矩陣，見表2。由表2可知，聲波時(shí)差和體積密度曲線與第一主因子的相關(guān)性均在70%之上；井徑和深側(cè)向電阻率與第二主因子相關(guān)性也大于70%；補(bǔ)償中子與第三主因子相關(guān)性較大。

表2 旋轉(zhuǎn)成分矩陣

然而電阻率測(cè)井因易受煤巖中水分和礦物等因素的影響表現(xiàn)出較大的波動(dòng)性，往往不能夠協(xié)助進(jìn)行煤體結(jié)構(gòu)的有效識(shí)別。結(jié)合以上分析結(jié)果，柿莊南部區(qū)塊3號(hào)煤層測(cè)井響應(yīng)特征主要與聲波時(shí)差、井徑、補(bǔ)償中子以及體積密度密切相關(guān)，并將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行下一步建模。

3.3 煤體結(jié)構(gòu)GSI值BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

在前面分析的基礎(chǔ)上，采用3層BP神經(jīng)網(wǎng)絡(luò)來建立煤體結(jié)構(gòu)預(yù)測(cè)模型，選取聲波時(shí)差、井徑、補(bǔ)償中子以及體積密度作為輸入層神經(jīng)節(jié)點(diǎn)，部分?jǐn)?shù)據(jù)見表3，第二層為隱含層，由9個(gè)神經(jīng)元組成，煤體結(jié)構(gòu)GSI值作為第三層(輸出層)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。設(shè)置最大訓(xùn)練次數(shù)為2000次，學(xué)習(xí)率為0.03，最小均方誤差為1×10-8。

表3 BP模型樣本數(shù)據(jù)

從全區(qū)54組數(shù)據(jù)中隨機(jī)選取32組作為學(xué)習(xí)樣本，經(jīng)過近1000次訓(xùn)練后，網(wǎng)絡(luò)趨于穩(wěn)定，數(shù)據(jù)擬合的復(fù)相關(guān)系數(shù)達(dá)到0.9950。在剩余的數(shù)據(jù)中再隨機(jī)抽選16組數(shù)據(jù)進(jìn)行測(cè)試，二者相關(guān)性很好，復(fù)相關(guān)系數(shù)達(dá)到了0.9853。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

為驗(yàn)證該網(wǎng)絡(luò)模型的合理性和實(shí)用性，在54組數(shù)據(jù)中隨機(jī)挑出32組數(shù)據(jù)進(jìn)行線性擬合，得到多元回歸方程：

(1)

式中：M——煤體結(jié)構(gòu)GSI值；

G——伽馬值，API；

R——深側(cè)向電阻率，Ω·m；

D——體積密度，g/cm3；

A——聲波時(shí)差，μs/m。

用式(1)對(duì)剩余的22組數(shù)據(jù)隨機(jī)抽選的16組進(jìn)行檢驗(yàn)，其擬合結(jié)果如圖3所示。對(duì)比可知，基于因子分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有更高的精度。

多條測(cè)井曲線獲得的數(shù)據(jù)是多元的，全部使用勢(shì)必會(huì)引入噪聲數(shù)據(jù)，且不同區(qū)塊煤層受地質(zhì)因素的影響，測(cè)井曲線間的相關(guān)性也不盡相同。在神經(jīng)網(wǎng)絡(luò)建模的過程中，利用因子分析法可完成輸入?yún)?shù)的選擇，達(dá)到進(jìn)一步優(yōu)化模型的目的。

圖3 多元回歸分析曲線擬合結(jié)果

4 結(jié)論

(1)不同煤體結(jié)構(gòu)在測(cè)井曲線上有不同的響應(yīng)特征。相比于定性描述，通過引入地質(zhì)強(qiáng)度因子(GSI)值建立與測(cè)井參數(shù)的煤體結(jié)構(gòu)定量模型具有一定的準(zhǔn)確性。

(2)BP神經(jīng)網(wǎng)絡(luò)作為一種具有非線性高度學(xué)習(xí)能力的的系統(tǒng)，較于基于線性關(guān)系建立的多元回歸模型能更好的表達(dá)GSI值和各個(gè)影響因素之間的聯(lián)系，從而更加準(zhǔn)確的實(shí)現(xiàn)煤體結(jié)構(gòu)的預(yù)測(cè)。

(3)測(cè)井?dāng)?shù)據(jù)的多元性和測(cè)井曲線間的相關(guān)性會(huì)在一定程度上影響預(yù)測(cè)結(jié)果，利用因子分析實(shí)現(xiàn)初期的數(shù)據(jù)篩選以及參數(shù)優(yōu)選對(duì)于模型準(zhǔn)確建立具有一定的幫助。

參考文獻(xiàn)：

[1] 胡奇,王生維,張晨等.沁南地區(qū)煤體結(jié)構(gòu)對(duì)煤層氣開發(fā)的影響[J].煤炭科學(xué)技術(shù),2014(8)

[2] 陳躍,湯達(dá)禎,許浩等.應(yīng)用測(cè)井資料識(shí)別煤體結(jié)構(gòu)及分層[J].煤田地質(zhì)與勘探,2014(1)

[3] 王定武.利用模擬測(cè)井曲線判識(shí)構(gòu)造煤的研究[J].中國(guó)煤田地質(zhì),1997(4)

[4] 龍王寅,朱文偉,徐靜等.利用測(cè)井曲線判識(shí)煤體結(jié)構(gòu)探討[J].中國(guó)煤田地質(zhì),1997(3)

[5] 傅雪海,姜波,秦勇等.用測(cè)井曲線劃分煤體結(jié)構(gòu)和預(yù)測(cè)煤儲(chǔ)層滲透率[J].測(cè)井技術(shù),2003(2)

[6] 劉明舉,劉毅,劉彥偉等.地球物理測(cè)井技術(shù)在判識(shí)構(gòu)造軟煤中的應(yīng)用[J].煤炭工程,2005(5)

[7] 張?jiān)S良,單菊萍,彭蘇萍.地質(zhì)測(cè)井技術(shù)劃分煤體結(jié)構(gòu)探析[J].煤炭科學(xué)技術(shù),2009(12)

[8] 郭濤,王運(yùn)海.延川南煤層氣田2號(hào)煤層煤體結(jié)構(gòu)測(cè)井評(píng)價(jià)及控制因素[J].煤田地質(zhì)與勘探,2014(3)

[9] 陶傳奇,王延斌,倪小明等.基于測(cè)井參數(shù)的煤體結(jié)構(gòu)預(yù)測(cè)模型及空間展布規(guī)律[J].煤炭科學(xué)技術(shù),2017(2)

[10] 周彪,郭布民,邢云龍等.沁水盆地柿莊南3號(hào)煤壓裂地質(zhì)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(chǎn)出水化學(xué)特征及變化規(guī)律——以沁水盆地柿莊南區(qū)塊為例[J].中國(guó)礦業(yè)大學(xué)學(xué)報(bào),2015(2)

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

[13] 李廣生,孫明闖,史小衛(wèi)等.基于地質(zhì)強(qiáng)度因子的煤體結(jié)構(gòu)精細(xì)描述[J].中州煤炭,2015(7)

[14] 汪雷,林亮,李晶晶等.基于測(cè)井信息的煤儲(chǔ)層滲透率BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J].煤炭科學(xué)技術(shù),2015(7)

[15] 尹光志,李銘輝,李文璞等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測(cè)模型[J].煤炭學(xué)報(bào),2013(7)

[16] 李濤,李輝,王福忠.基于BP神經(jīng)網(wǎng)絡(luò)的煤體結(jié)構(gòu)類型判識(shí)模型研究[J].煤礦安全,2011(11)

[17] 陳蓉,王峰.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層物性預(yù)測(cè)中的應(yīng)用[J].測(cè)井技術(shù),2009(1)

[18] 陳賢敏.煤與瓦斯突出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)研究[J].煤炭技術(shù),2013(1)

[19] 陳粵強(qiáng),張曉宏,浦靜怡.利用測(cè)井參數(shù)定量識(shí)別韓城礦區(qū)北區(qū)煤體結(jié)構(gòu)[J].煤炭科學(xué)技術(shù),2017(9)

[20] 張超,黃華州,徐德林等.基于測(cè)井曲線的煤體結(jié)構(gòu)判識(shí)[J].煤炭科學(xué)技術(shù),2017(9)

[21] 趙睿,Roger.T,石磊.模糊邏輯和神經(jīng)網(wǎng)絡(luò)及其在含油飽和度預(yù)測(cè)中的應(yīng)用[J].測(cè)井技術(shù),2007(4)

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