BP神经网络在煤相预测分析中的应用

刘 刚 李治平 孙兵华 廉海荣

(1.陕西延长石油〈集团〉有限责任公司研究院，陕西 西安710075；2.中国地质大学，中国 北京100083)

煤相最早是由前苏联学者热姆丘日尼科夫于1951 年提出的，定义为煤的原始成因类型﹐即一定泥炭沼泽环境下形成的煤成因类型和煤岩类型[1]。 应用煤相分析实现煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法，然而成煤环境中不同的层位（纵向上）和不同地区（平面上）的煤相特征存在明显差异，野外露头观察、薄片分析等地质方法工作量巨大，而传统数学归纳统计方法又很难准确描述，因此寻找到一种高效、准确的方法成为亟待解决的问题。

1 煤相分析参数及类型划分

1.1 煤相分析参数

不同煤相反映出泥炭沼泽的覆水深度﹑水介质的酸度﹑氧化还原电位﹑堆积方式和成煤植物种类等成煤环境的不同，可通过凝胶化指数（GI）、植物保存指数（TPI）、镜惰比（V/I）、流动性指数（MI）和森林指数（WI）五个煤岩学参数反映。

凝胶化指数GI 反映泥炭沼泽的覆水程度， 高值表明环境相对潮湿，低值则相对干燥，一般以4 为界。

植物保存系数TPI 是古代植物遗体遭受微生物降解程度的反映，在一定程度上反映PH 的高低。

一般镜惰比（V/I）是成煤泥炭遭受氧化程度的参数，小于1.0 反映成煤泥炭层暴露于氧化环境。

流动性指数MI 是水流动介质和相对停滞介质的比值，可以反映成煤环境水体的流动性，一般大于0.4 表明为流动相。

森林指数WI 反映了成煤环境的森林情况， 大于0.5 表示为森林沼泽[2]。

1.2 煤相类型划分

根据成煤环境中煤相参数的划分依据，结合实际沉积环境的沉积相分析研究，将煤相特征划分为如下三类：干燥泥炭沼泽、森林泥炭沼泽和活水泥炭沼泽。

干燥泥炭沼泽类型反映高位干燥森林沼泽，包括潜水条件或者水下短时间干燥的氧化沼泽，该煤相广泛发育于辫状河三角洲等沉积环境。

森林泥炭沼泽体现极为潮湿、覆水较深的森林面貌，植物遗体遭受分解破坏弱，水流活动差，该煤相广泛发育于上三角洲平原等沉积环境。

活水泥炭沼泽反映处于流动的水动力条件， 微生物活动强烈，强覆水的沼泽泥炭环境，该煤相广泛发育于三角洲间湾等沉积环境[3]。

其中在森林泥炭沼泽相发育地带，煤层厚度大且分布稳定，是煤层气生成有利地带，同样，煤储层物性也发育良好，有利于煤层气聚集成藏地带。

2 BP 神经网络概述

BP 神经网络（Back-Propagation Neural Networks）是一种典型的多层神经网络，由输入层、中间层和输出层组成，其学习过程包括正向传播和反向传播两部分，在正向传播中，信号从输入神经元传入，传播到各隐层神经元，经过激活函数输出，传播到输出层；判断误差函数的最小值，如果达不到所要求的精度，则自动转入反向传播，通过修改学习率、学习步长等参数，调整输出层与隐层、隐层与输入层之间的连接权值，重新进行正向传播，反复训练，直到误差函数达到所要求的精度为止，此时网络模型自动将各层连接权值加以保存,用于对未训练样本值进行预测[4-5]（图1）。BP 神经网络模型中输入层节点和输出层节点根据需要求解的问题、数据而定，隐层数一般在1 到3 之间，隐层节点数目前只能根据经验公式获得，根据Komogorov 理论，一个具有n 个节点输入层,隐层节点数为2n+1。

图1 BP 神经网络示意图Fig.1 Back-Propagation Neural Networks

输入层各节点数据的量纲差异往往对网络训练和预测结果会产生影响,，因此首先要对数据进行归一化处理，使数据经过归一化后全部分布在[0，1]区间内。 数据标准化处理有如下几种：，本文采用方法（3）。

3 使用BP 神经网络算法进行煤相预测

图2 学习次数与误差分析关系图Fig.2 Learning times and error analysis

3.1 BP 神经网络模型建立

选取凝胶化指数（GI）、植物保存系数（TPI）、一般镜惰比（V/I）、流动性指数（MI）、森林指数（WI）作为输入层节点变量；输出层划分为三个节点：干燥泥炭沼泽相、活水泥炭沼泽相、森林泥炭沼泽相，分别赋予期望输出值为0.99、0.66 和0.33；隐层数设为1，隐层节点数为11；最大误差精度要求在达到10-3 数量级，最大训练次数为3500 次。 此外针对BP 神经算法收敛速度慢和易陷入局部极小的缺点，本文选择采用改进的BP 神经网络算法，通过加入动量常数，可有效提高运算速度并避免不收敛情况的发生。

3.2 BP 神经网络模型训练

选取了西北地区柴达木盆地、鄂尔多斯盆地的不同地区、不同层位的25 个样点煤相分析结果作为训练样本[1]，应用专业软件Matlab进行BP 神经网络模型训练，通过对学习率、学习步长、动量常数等参数的调整，使误差精度达到了预期要求[6-8]，实际的训练次数为1095次，并且没有出现不收敛情况（图2）。

将参与训练的样本代回已经训练好的网络模型进行验证，验证结果表明，训练值与期望值之间的相对误差全部在10%以内，对于网络输出值小于1 的神经网络模型，认定训练成功,模型可用于煤相类型的神经网络预测（表1）。

表1 西北地区柴达木盆地、鄂尔多斯盆地的几十个地区的样点的煤相分析Tab.1 The coal facies analysis of samples in qaidam basin and ordos basin

3.3 BP 神经网络模型预测

随机选取8 个未参与训练的样点，将煤相参数代入已经训练好的网络中，进行网络预测，结果表明8 个预测样本全部判别正确，判别效果非常好（表2）。

表2 样本预测及预测结果Tab.2 Prediction of samples and results

4 结论

4.1 不同煤相反映出泥炭沼泽的覆水深度﹑水介质的酸度﹑氧化还原电位﹑堆积方式和成煤植物种类等成煤环境的不同，通过凝胶化指数、植物保存指数、镜惰比、流动性指数和森林指数五个煤岩学参数量化反映。根据成煤环境中煤相参数的划分依据，将煤相划分为：干燥泥炭沼泽、森林泥炭沼泽和活水泥炭沼泽。

4.2 由于煤相类别与分析参数之间存在着较强的非线性关系,用传统的地质方法和数学归纳方法难以处理, 而BP 神经网络具有极强的自适应学习能力,能准确刻画出两者之间复杂的非线性关系，通过加入动量常数，则有效地提高了运算速度并避免了不收敛的发生。

4.3 本文将煤相分析参数作为输入层节点， 典型煤相类别作为输出层节点，建立了基于BP 神经网络的煤相分析预测模型，通过模型训练和预测，BP 神经网络预测煤相结果准确，为开展区域上煤相研究提供了高效快速的方法。

［1］许福美,方爱民.煤相研究历史的回顾及其国内外研究现状[J].龙岩学院学报,2005，23(3)：54-56.

［2］杨起,刘大锰，等.中国西北煤层气地质与资源综合评价[M].北京:地质出版社,2005:168-194.