基于BP 神經(jīng)網(wǎng)絡(luò)的微震多屬性預(yù)測(cè)工作面煤厚判定方法

郭學(xué)庭，王鵬，王曉雨

（1.河北煤炭科學(xué)研究院有限公司，河北邢臺(tái) 054000；2.河北省礦井微震重點(diǎn)實(shí)驗(yàn)室，河北邢臺(tái) 054000；3.冀中能源峰峰集團(tuán)邯鄲寶峰礦業(yè)有限公司九龍礦，河北邯鄲 056200）

0 引言

隨著采礦技術(shù)的發(fā)展，自動(dòng)化開采成為趨勢(shì)，煤厚的變化情況成為影響自動(dòng)化開采亟待解決的問(wèn)題，常規(guī)微震處理僅僅是反演震源點(diǎn)的空間位置以及強(qiáng)度，通常忽略了微地震屬性攜帶著大量的地質(zhì)信息。目前，通常利用鉆孔進(jìn)行插值方法和微震屬性方法進(jìn)行煤厚的判定工作[1-2]，而同樣該方法可用于微地震方面的應(yīng)用中。鉆孔插值方法由于已知數(shù)據(jù)點(diǎn)較少，所以插值結(jié)果誤差較大，而微震屬性具有數(shù)據(jù)量大，種類多的特點(diǎn)，可以減小鉆孔插值方法的誤差，進(jìn)而實(shí)現(xiàn)采礦生產(chǎn)指導(dǎo)。

單一屬性方法只利用一類屬性參數(shù)，受現(xiàn)場(chǎng)干擾、接收、處理等非煤厚因素的影響，偶然誤差較大，計(jì)算結(jié)果精度較差，具有很大局限性。微震多屬性信息提取和優(yōu)選，可以建立煤層厚度與地震屬性的對(duì)應(yīng)關(guān)系，在理論和模型研究成果驗(yàn)證，可以有效反映煤厚在地震信息中的特征，降低多解性，提高解釋精度[3-4]。地震雖然攜帶了大量的地質(zhì)信息，但也受到采寬、煤厚、圍巖巖性組合、采掘速度等多種因素影響。往往微震事件波形的一個(gè)微弱的頻率、振幅、相位的變化并不能完全反映地質(zhì)現(xiàn)象；再加上現(xiàn)場(chǎng)設(shè)備干擾、以及安裝等因素，造成預(yù)測(cè)的精度降低。BP 神經(jīng)網(wǎng)絡(luò)是一種模仿人類大腦和相關(guān)功能的數(shù)據(jù)處理方法，實(shí)際上是建立了輸入和輸出的映射關(guān)系。BP 神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)、聯(lián)想、自組織、記憶和容錯(cuò)等功能，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)方法能夠可克服傳統(tǒng)模式識(shí)別方法或其它算法在求解問(wèn)題、處理數(shù)據(jù)時(shí)存在決策不準(zhǔn)確的現(xiàn)象，在采礦技術(shù)領(lǐng)域得到廣泛認(rèn)可和應(yīng)用。尹光志等[5]對(duì)煤體滲透率的3 個(gè)主要影響因素（有效應(yīng)力、溫度和瓦斯壓力），建立了一個(gè)預(yù)測(cè)煤層瓦斯?jié)B透率的BP 神經(jīng)網(wǎng)絡(luò)模型，最大相對(duì)誤差為4.298%，預(yù)測(cè)與實(shí)際較吻合；王旭等[6]通過(guò)對(duì)我國(guó)各地區(qū)不同煤礦導(dǎo)水裂隙帶發(fā)育高度數(shù)據(jù)進(jìn)行總結(jié)，提出5 個(gè)因素并建立BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，誤差在10%以內(nèi)，具有較好的準(zhǔn)確性和應(yīng)用性；陽(yáng)俊、曾維偉[7]通過(guò)8 項(xiàng)影響采空區(qū)沉降的指標(biāo)，構(gòu)建了GA-BP 神經(jīng)網(wǎng)絡(luò)采空區(qū)地表沉降預(yù)測(cè)模型，預(yù)測(cè)效果良好。

本文以邯邢礦區(qū)九龍礦15249N 工作面煤厚為例進(jìn)行研究，通過(guò)現(xiàn)場(chǎng)揭露點(diǎn)數(shù)據(jù)為約束，同時(shí)對(duì)微地震多屬性信息進(jìn)行提取優(yōu)選和有效性分析，通過(guò)建立BP 神經(jīng)網(wǎng)絡(luò)判定模型進(jìn)行誤差分析和工作面鉆孔應(yīng)用結(jié)果驗(yàn)證，表明了基于BP 神經(jīng)網(wǎng)絡(luò)的地震多屬性在復(fù)雜地區(qū)判定工作面煤厚具有良好的應(yīng)用效果。

1 礦區(qū)工程地質(zhì)背景

九龍礦15249N 工作面位于北五采區(qū)下部，南部為北五采區(qū)3 條下山，西部為北二下部疏水巷及F35 斷層，北部為北三采區(qū)3 條下山。15249N 工作面開采2 號(hào)煤層，2 號(hào)煤厚2.0～7.0 m，其中沿下順槽掘進(jìn)方向550 m，寬度100 m 左右，為2 號(hào)煤分叉區(qū)，2 號(hào)煤合并時(shí)煤層平均厚度為6.5 m；分叉后2 號(hào)煤平均厚度為3.0 m，2下煤平均厚2.0 m，2 煤與2下煤間距0.1～12.5 m，2下煤厚0.5～2.0 m。鉆孔煤柱平面分布和微震事件空間分布如圖1 所示。

圖1 鉆孔煤柱和微震事件空間分布Fig.1 Spatial distribution of drilling hole coal pillar and microseismic events

工作面上下順槽和切眼附近分布11 個(gè)煤層鉆孔，煤層厚度在4.3～6.9 m。微震監(jiān)測(cè)主要針對(duì)隨著采線移動(dòng)的煤巖體破裂產(chǎn)生的微震事件分布情況，本文以九龍礦15249N 工作面6 個(gè)月的微震事件屬性為基礎(chǔ)（劃圈區(qū)域），通過(guò)BP 人工神經(jīng)網(wǎng)絡(luò)對(duì)各震源參數(shù)進(jìn)行優(yōu)選分析，以期得到一種利用微震屬性預(yù)測(cè)判定煤厚的方法。15249N 工作面鉆孔參數(shù)見表1。

表1 15249N 工作面煤層鉆孔參數(shù)Table 1 Drilling hole parameters of coal seam in No.15249N Face

2 BP 人工神經(jīng)網(wǎng)絡(luò)方法原理

神經(jīng)網(wǎng)絡(luò)算法是一種通過(guò)其權(quán)值的調(diào)整采用反向傳播（Backpropagation） 的學(xué)習(xí)算法，被稱為BP網(wǎng)絡(luò)，如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)模型Fig.2 Model of BP neural network

它包括多個(gè)輸入層和輸出層、多個(gè)隱藏層。通過(guò)學(xué)習(xí)鉆孔及巷道揭露的正確煤厚，從中提取合理的求解規(guī)則，即自主學(xué)習(xí)能力。訓(xùn)練算法不斷調(diào)整權(quán)重進(jìn)行迭代，使網(wǎng)絡(luò)實(shí)際輸出值與期望輸出值的誤差均方值最小，并給出預(yù)測(cè)精度。神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)性、自適應(yīng)性和學(xué)習(xí)能力。

為了使權(quán)值調(diào)整是向誤差減少方向，構(gòu)造了一個(gè)誤差函數(shù)（EK），保證誤差不會(huì)向增大方向調(diào)整，構(gòu)造的誤差函數(shù)為：

式中：Cl為第一個(gè)輸出層節(jié)點(diǎn)的目標(biāo)輸出。

輸出層到隱含層權(quán)值（△V） 調(diào)整量應(yīng)為：

式中：β 為學(xué)習(xí)速率。

隱含層到輸入層之間的權(quán)（△Wij） 調(diào)整值為：

式中：α 為學(xué)習(xí)速率。

BP 算法屬于是一種監(jiān)督式的學(xué)習(xí)算法。其主要思想為：

對(duì)于q個(gè)輸入學(xué)習(xí)樣本P1，P2，……Pq，已知與其對(duì)應(yīng)的輸出樣本為T1，T2，……Tq。利用網(wǎng)絡(luò)的實(shí)際輸出A1，A2，……Aq與目標(biāo)矢量T1，T2，……Tq之間的誤差對(duì)權(quán)值進(jìn)行調(diào)整，使Al（l＝l，2…，q） 通過(guò)訓(xùn)練樣板與期望的Tl最大限度的接近，達(dá)到期望值后迭代終止，停止計(jì)算。

BP 神經(jīng)網(wǎng)絡(luò)流程如圖3 所示。

圖3 BP 神經(jīng)網(wǎng)絡(luò)流程Fig.3 Process of BP neural network

BP 神經(jīng)網(wǎng)絡(luò)對(duì)非線性問(wèn)題具有良好的分類特性，能夠表征煤厚與各微震屬性因素間復(fù)雜的映射關(guān)系，可以不斷修正權(quán)值，直到誤差達(dá)到預(yù)定要求，使煤厚識(shí)別的精度更高。

3 煤厚判定方法研究

煤厚判定方法研究主要包含兩方面：一是煤層微震屬性的提取問(wèn)題；二是煤層厚度與這些屬性的關(guān)系的研究。煤層微震屬性的提取首先要進(jìn)行微震屬性與目的層煤厚的相關(guān)性進(jìn)行計(jì)算，對(duì)于相關(guān)性好的屬性進(jìn)行互相關(guān)分析，保證屬性之間的獨(dú)立性，同時(shí)進(jìn)行屬性組合和屬性個(gè)數(shù)優(yōu)選；煤厚與各影響微震屬性因素間復(fù)雜的映射關(guān)系，利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)非線性問(wèn)題具有良好的分類特性，有效結(jié)合原始鉆孔資料和見煤點(diǎn)坐標(biāo)煤厚為約束條件，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值。

3.1 微震屬性多參數(shù)優(yōu)選

3.1.1 相關(guān)性分析

首先利用研究區(qū)域的微震疊后數(shù)據(jù)進(jìn)行屬性提取，微震屬性的類型很多，基本來(lái)自于微震事件產(chǎn)生的屬性變化，其中九龍礦15249N 地區(qū)2 號(hào)煤層沿層提取各類微震屬性共10 種，分別為地震矩、矩震級(jí)、地方震級(jí)、震源半徑、滑動(dòng)位移、體變勢(shì)、能量、Es/Ep、靜態(tài)應(yīng)力降和動(dòng)態(tài)應(yīng)力降。設(shè)定提取時(shí)窗長(zhǎng)度大于煤層反射波二分之一周期，然后對(duì)各屬性進(jìn)行歸一化處理，將各屬性數(shù)據(jù)和已知鉆孔煤層厚度組成學(xué)習(xí)樣本進(jìn)行屬性優(yōu)化分析。歸一化公式如下：

式中：x(i)為某一參數(shù)處理前第i點(diǎn)的值；y(i)為某一參數(shù)處理后第i點(diǎn)的值；xmin某一參數(shù)處理前極小值；xmax為某一參數(shù)處理前極大值。

相關(guān)系數(shù)計(jì)算公式如下所示：

式中：r表示為相關(guān)系數(shù)；xi為屬性值；為多屬性平均值；yi為鉆孔處煤厚值；多鉆孔平均值。通過(guò)采區(qū)和工作面見煤點(diǎn)煤厚與微震屬性提取數(shù)據(jù)進(jìn)行相關(guān)分析，得出相關(guān)系數(shù)分析結(jié)果見表2。

表2 采區(qū)煤層厚度與微震屬性相關(guān)系數(shù)Table 2 Correlation coefficient between seam thickness and microseismic attribute in mining area

根據(jù)表2 的相關(guān)系數(shù)可知，與煤層厚度相關(guān)性較高的微震屬性主要為矩震級(jí)、滑動(dòng)位移、體變勢(shì)、能量、靜態(tài)應(yīng)力降等5 種震源參數(shù)，其余微震屬性相關(guān)系數(shù)較低或?yàn)樨?fù)值，即相關(guān)性較小或者呈負(fù)相關(guān)。通過(guò)對(duì)多種微地震屬性的互相關(guān)分析，能夠提高各屬性間的相對(duì)獨(dú)立性，保障算法的穩(wěn)定性。根據(jù)各微地震屬性間的相關(guān)性分析，并參考微震各屬性與揭露煤厚之間的相關(guān)系數(shù)大小，對(duì)微震屬性優(yōu)選或合并相關(guān)系數(shù)較大的微震屬性，避免“過(guò)度學(xué)習(xí)”。

3.1.2 最優(yōu)屬性組合

根據(jù)互相關(guān)計(jì)算結(jié)果，采用窮舉式搜索(ES)進(jìn)行最優(yōu)屬性的組合，目的是從N 種屬性中找出M種最優(yōu)屬性組合，以達(dá)到預(yù)測(cè)最小誤差的目的。其具體步驟如下：①?gòu)幕ハ嚓P(guān)分析后確定的屬性中選取最好的一種屬性，即屬性1；②將所有微震屬性與屬性1 組成屬性對(duì)，運(yùn)用求最小預(yù)測(cè)誤差的方法來(lái)求取最好的屬性對(duì)，據(jù)此確定屬性2；③將所有屬性與屬性1、屬性2 組成的3 個(gè)屬性組合中，運(yùn)用求最小預(yù)測(cè)誤差的方法尋找出最好的3 個(gè)屬性組合，據(jù)此求出屬性3，之后依此類推。經(jīng)過(guò)計(jì)算，此次工程最佳屬性排隊(duì)順序?yàn)榫卣鸺?jí)、滑動(dòng)位移、體變勢(shì)、能量、靜態(tài)應(yīng)力降。

3.1.3 有效性分析—屬性數(shù)量的選取

從理論上說(shuō)，隨著屬性數(shù)量的增加會(huì)得到一個(gè)逐漸降低的誤差，但實(shí)際情況并非如此。使用鉆孔旁微震屬性的樣本訓(xùn)練數(shù)據(jù)，屬性數(shù)量越多，誤差逐漸降低；但使用非訓(xùn)練數(shù)據(jù)時(shí)，就會(huì)發(fā)現(xiàn)屬性的數(shù)量越多效果反而變差，這種現(xiàn)象被稱為“過(guò)度訓(xùn)練”。這就涉及到一個(gè)屬性的有效性問(wèn)題，即屬性個(gè)數(shù)的選擇。

有效性分析方法是采用計(jì)算不同屬性個(gè)數(shù)的平均有效誤差及平均理論預(yù)測(cè)誤差來(lái)實(shí)現(xiàn)屬性個(gè)數(shù)的選擇。平均有效誤差計(jì)算時(shí)隱蔽其中一個(gè)參數(shù)（如參數(shù)i），然后利用其它參數(shù)計(jì)算預(yù)測(cè)關(guān)系式，并計(jì)算i參數(shù)的有效誤差，對(duì)所有參數(shù)完成上述計(jì)算，獲得平均有效誤差，公式如下：

式中：Ev為分析參數(shù)的平均有效誤差；Evi為第i個(gè)參數(shù)的有效誤差；N 為參數(shù)的數(shù)目。

通過(guò)理論誤差與實(shí)際誤差交匯圖判定屬性數(shù)量。表3 為九龍礦2 號(hào)煤層屬性有效性分析的交會(huì)表，利用不同微震屬性進(jìn)行預(yù)測(cè)的實(shí)際誤差和理論誤差見表3。

表3 15249N 工作面煤層屬性有效性分析交會(huì)表Table 3 Coal seam attribute validity analysis intersection table of No.15249N Face

圖4 為2 號(hào)煤層屬性有效性分析的交會(huì)圖，橫坐標(biāo)是屬性的個(gè)數(shù)，縱坐標(biāo)是平均誤差。其中淺色曲線為平均理論預(yù)測(cè)誤差曲線，它是單調(diào)下降的，隨著屬性個(gè)數(shù)的增加，預(yù)測(cè)的誤差降低。深色曲線為平均有效誤差，它不是單調(diào)下降的，屬性個(gè)數(shù)為5 個(gè)時(shí)，誤差率最小，當(dāng)屬性增加至6 個(gè)時(shí)，雖然理論誤差降低，但是平均誤差增大，因此認(rèn)為第6個(gè)屬性后的所有附加屬性都是過(guò)度訓(xùn)練的。因此對(duì)于九龍礦15249N 工作面2 號(hào)煤層計(jì)算得出最優(yōu)屬性個(gè)數(shù)為5 個(gè)，它們分別是矩震級(jí)、滑動(dòng)位移、體變勢(shì)、能量、靜態(tài)應(yīng)力降。

圖4 15249N工作面煤層屬性有效性分析交會(huì)圖Fig.4 Coal seam attribute validity analysis intersection diagram of No.15249N Face

3.2 微震多屬性預(yù)測(cè)模型建立

BP 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力取決于網(wǎng)絡(luò)隱層的結(jié)構(gòu)，通過(guò)試湊遞增法從最少的節(jié)點(diǎn)數(shù)開始，考慮樣本數(shù)、精度、輸入輸出數(shù)等因素，逐步增加新的節(jié)點(diǎn)，直到網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到最優(yōu)，同時(shí)分層優(yōu)化計(jì)算權(quán)值，避免BP 神經(jīng)網(wǎng)絡(luò)陷入局部最小的問(wèn)題。

3.2.1 結(jié)構(gòu)和隱含層節(jié)點(diǎn)的選擇

神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，分類精度越高，但如果層數(shù)過(guò)多反而導(dǎo)致分類精度下降。研究表明，3層結(jié)構(gòu)的BP 網(wǎng)絡(luò)能夠?qū)崿F(xiàn)任意精度非線性連續(xù)函數(shù)的逼近。網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)是影響網(wǎng)絡(luò)性能的主要因素之一。理論認(rèn)為隱層節(jié)點(diǎn)數(shù)如果過(guò)少，將導(dǎo)致信息量少、精度低、網(wǎng)絡(luò)收斂速度慢；隱層節(jié)點(diǎn)數(shù)增多，信息量增加、精度增高、網(wǎng)絡(luò)收斂速度增快，但同時(shí)存在其它隱患，例如隱層節(jié)點(diǎn)數(shù)過(guò)多將導(dǎo)致神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)過(guò)于復(fù)雜，容錯(cuò)性變差，識(shí)別誤差反而增加，因此必須選擇合理的隱層節(jié)點(diǎn)數(shù)。

根據(jù)九孔礦2 號(hào)煤層鉆孔資料，篩選出11 個(gè)實(shí)測(cè)數(shù)據(jù)作為學(xué)習(xí)訓(xùn)練樣板，以鉆孔點(diǎn)處微震屬性作為學(xué)習(xí)樣本進(jìn)行訓(xùn)練?；诠ぷ鲄^(qū)實(shí)際情況，建立3 層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、1 個(gè)隱含層和輸出層；將優(yōu)選出的5 種微震屬性作為5 個(gè)輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)為1（煤層厚度），建立煤層厚度BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)試湊遞增法得出最佳的隱含層節(jié)點(diǎn)為3 個(gè)。利用BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練30000 次的不同微震屬性預(yù)測(cè)結(jié)果如圖5 所示，其中橫坐標(biāo)表示微震屬性個(gè)數(shù)，縱坐標(biāo)表示網(wǎng)絡(luò)誤差，誤差越小，預(yù)測(cè)結(jié)果越精確。

圖5 微震屬性試湊遞增誤差Fig.5 Microseismic attributes error of cut and trial increasing method

3.2.2 BP 神經(jīng)網(wǎng)絡(luò)煤厚預(yù)測(cè)模型

為了提高模型網(wǎng)絡(luò)權(quán)值訓(xùn)練的速度，將隱層- 輸出層和輸入層- 隱層分開訓(xùn)練，不僅加快了隱層-輸出層連接權(quán)值的優(yōu)化速度，同時(shí)避免了輸入層-隱層之間的權(quán)值優(yōu)化陷入局部極小，其計(jì)算公式為：

用矩陣的形式表示為：

根據(jù)最小平方和誤差原則求解方程，可以得到△wkj的近似解：

式中：△wkj為隱含層的權(quán)值；k 為隱層節(jié)點(diǎn)。

輸入層與隱含層之間的連接權(quán)值W：

隱含層與輸出層之間的連接權(quán)值V：

4 煤厚判定實(shí)例驗(yàn)證

4.1 礦井水害微震監(jiān)測(cè)系統(tǒng)介紹

此次采用河北煤炭科學(xué)研究院自主研發(fā)的KJ1073 礦井水害微震監(jiān)測(cè)系統(tǒng)，該系統(tǒng)可以實(shí)現(xiàn)井下微震事件的實(shí)時(shí)采集、工作面頂?shù)装迤茐念A(yù)測(cè)和水害防治預(yù)測(cè)等功能，如圖6 所示。

圖6 KJ1073 微震監(jiān)測(cè)系統(tǒng)構(gòu)成Fig.6 Structure of KJ1073 microseismic monitoring system

4.2 煤厚微震屬性預(yù)測(cè)模型架構(gòu)

以九龍礦15249N 工作面為實(shí)例進(jìn)行了BP 神經(jīng)網(wǎng)絡(luò)的微震多屬性工作面煤厚判定方法研究，具體研究方法框架如圖7 所示。

4.3 煤厚微震屬性預(yù)測(cè)模型誤差統(tǒng)計(jì)

通過(guò)將采集的微震監(jiān)測(cè)數(shù)據(jù)和11 個(gè)鉆孔數(shù)據(jù)進(jìn)行組合分析，得出一組具有11 個(gè)樣本的微震屬性學(xué)習(xí)訓(xùn)練原始數(shù)據(jù)。根據(jù)九龍礦15249N 工作面實(shí)際點(diǎn)坐標(biāo)煤厚建立煤厚神經(jīng)網(wǎng)絡(luò)模型，誤差結(jié)果統(tǒng)計(jì)見表4。

由表4 可知，BP 神經(jīng)網(wǎng)絡(luò)的微震多屬性工作面煤厚判定誤差及波動(dòng)范圍很小，只有ZK-8 的預(yù)測(cè)誤差較大，為6.764%。

4.4 煤厚模型預(yù)測(cè)效果驗(yàn)證

煤厚預(yù)測(cè)驗(yàn)證對(duì)比結(jié)果如圖8 所示。

圖8 煤厚預(yù)測(cè)模型云圖驗(yàn)證Fig.8 Cloud verification of coal thickness prediction model

從圖8（a） 可看出，九龍礦15249N 工作面煤層厚度分布較為不均，尤其是在ZK-4 與ZK-5附近和ZK-8 附近，煤層厚度變化較大。

通過(guò)圖8 分布規(guī)律可以看出，在總體趨勢(shì)上模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果較為吻合，模型預(yù)測(cè)誤差在10%以下，具有一定的使用價(jià)值，證明了通過(guò)結(jié)合微震屬性來(lái)預(yù)測(cè)煤厚等地質(zhì)條件具有實(shí)際現(xiàn)實(shí)意義，可作為地質(zhì)勘察手段的延伸和補(bǔ)充。

5 結(jié)論

本文利用九龍礦15249N 工作面微震屬性與煤厚相關(guān)系數(shù)高的優(yōu)勢(shì)，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)優(yōu)選出5 中微震屬性進(jìn)行計(jì)算，在邯邢礦區(qū)九龍礦15249N 工作面構(gòu)造復(fù)雜、各項(xiàng)屬性與煤厚相關(guān)性差等條件下，判定15249N 工作面煤層厚度，并獲得如下結(jié)論：

（1） 在對(duì)井下工作面的微震監(jiān)測(cè)中，各微震屬性與井下構(gòu)造和巖性等密切相關(guān)，根據(jù)相關(guān)性分析優(yōu)選出的矩震級(jí)、滑動(dòng)位移、體變勢(shì)、能量、靜態(tài)應(yīng)力降等5 種震源參數(shù)，可作為預(yù)測(cè)煤厚的優(yōu)勢(shì)參數(shù)。

（2） 微震屬性判定煤層厚度具有較強(qiáng)的區(qū)域性，結(jié)合BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行人工訓(xùn)練，得到一種基于微震屬性的煤層厚度預(yù)測(cè)模型，預(yù)測(cè)誤差在10%以內(nèi)，預(yù)測(cè)效果良好。

（3） 基于BP 神經(jīng)網(wǎng)絡(luò)的微震多屬性預(yù)測(cè)分析，不僅可以預(yù)測(cè)煤層厚度，在其他地質(zhì)和采礦相關(guān)屬性預(yù)測(cè)上也具有可研究性價(jià)值。