基于测井资料的BP神经网络的煤体结构预测

2018-07-02刘振明王延斌韩文龙张崇瑞

中国煤炭 2018年6期

刘振明王延斌韩文龙倪冬张崇瑞

(中国矿业大学(北京)地球科学与测绘工程学院，北京市海淀区，100083)

煤体结构是煤层在地质演化过程中受各种地质作用影响下的产物，是各组分颗粒大小、形态特征及其相互关系的综合反映。受构造作用影响大的煤层，在煤层气的勘探开发过程中，既降低煤层渗透率，又不利于采用提高产能的工艺措施，是制约开发以及安全生产的关键因素。所以，实现煤体结构的准确预测至关重要。从20世纪90年代开始，我国采用测井曲线识别煤体结构。王定武(1997)和龙王寅等(1999)基于构造煤测井响应特征，提出使用模拟测井曲线划分煤体结构的方法；傅雪海等(2003)使用视电阻率、自然伽马和伽马-伽马等测井资料，运用聚类分析划分煤体结构类型；刘明举等(2005)使用视电阻率电位曲线，辅以人工伽马和自然伽马判识构造软煤和硬煤；张许良等(2009)根据岩心描述和测井曲线特征定性划分各钻孔煤体结构；郭涛等(2014)使用井径、补偿中子交汇图以及声波时差、补偿中子交汇图对煤体结构进行识别。

近年来，相关研究逐渐从定性判识发展为定量评价，一些学者引入地质强度因子(GSI)，采用多元线性回归方法，建立了基于测井数据的定量预测模型，取得了不错的效果。然而煤体结构与测井数据之间并无确定的线性关系，BP神经网络是一种智能的信息处理系统，具有高度的模式识别能力和极强的学习能力，能够模拟任意非线性输入输出关系，为解决这种多因素、复杂的问题提供了新的思路。本文基于柿庄南部区块3号煤层大量测井和钻井资料，结合GSI值，使用BP神经网络算法，从非线性关系的角度建立了一种煤体结构定量预测模型。

1 研究区概况

柿庄南区块位于沁水盆地东南部的斜坡带上，为向西倾斜的单斜构造。区内断裂构造较少，西部发育一条规模较大的呈NE向展布的寺头正断层，东南部发育一系列呈弧形排列的褶皱构造，轴向以东西向为主，向东逐渐转变为北西向，主要包括北甲向斜、常庄向斜和檀山背斜。该区块自上而下发育第四系、二叠系、石炭系和奥陶系等地层，其中下二叠统山西组的3#煤层和上石炭统太原组的15#煤层因其厚度大、分布广，为该区进行煤层气勘探与开发的主力煤层。

区块内的3#煤层是本文研究对象，属结构简单—较简单、全区可采的稳定型无烟煤煤层。煤层厚度5～6 m，平均6.13 m，部分包含1～2层夹矸，岩性为砂质泥岩或泥岩，总体呈东高西低。

2 煤体结构分类和定量表征

传统煤体结构的分类往往是从煤的宏观或微观的物理形态特征和力学性质及成因进行定性描述。前苏联矿业研究所基于煤中原生与次生节理的变化、微裂隙间距等特征的5类划分：非破坏煤、破坏煤、强烈破坏煤、碎粉煤和全粉煤；早期的煤田勘探单位的4类划分：块煤、块粉煤、粉煤、粉末煤或鳞片状煤；原焦作矿业学院依据煤体结构破碎程度进行的4类定性划分：原生结构煤、碎裂煤、碎粉煤与糜棱煤。而煤体结构的变形是在构造应力的作用下逐渐发生的，不同类型煤体之间过渡的界限根据以往的定性划分难以进行描述。因此本文在原焦作矿业学院4类划分的基础上引入地质强度因子(GSI)来实现对煤体结构的定量刻画。

GSI岩体分类体系是由Hoek等提出的一种岩体分类方法，基于岩块的块度和表面风化条件将其划分为0～100间不等的值。但是由于煤层埋藏一般较深，对于传统的用风化状况来表征岩体表面质量状况，裂隙宽度及充填情况更适合进行煤体结构面的描述，如图1所示。图中斜线上数值即GSI取值，“N/A”表示在这个范围不适用。基于煤体变形的渐变过程，选取柿庄南3号煤层有代表性的取心样品54组结合GSI进行定量的描述。

图1 GSI岩体分类系统

3 煤体结构BP神经网络建模

3.1 BP神经网络基本原理

BP神经网络是由信号的正向传播和误差的反向传播组成的一种多层前馈神经网络。网络模型一般由输入层、隐含层和输出层3部分组成，其中隐含层可以为单个或多个。正向传播时，外界信息经输入层各神经元传入隐含层，隐含层负责信息变化和交换，输出层各神经元接收由隐含层传递的信息后进行再一次的处理后向外输出。当实际结果不是期望输出时，学习过程转入误差的反向传播阶段。即依据梯度下降算法，将输出误差分摊给各层所有神经元，并实现各层权值的调整。通过反复的正向传播和反向传播，误差不断减小，直至收敛到设最小值或到达预定的学习次数为止。

3.2 输入测井参数的优选

实现利用测井曲线对煤体结构的定量划分，要以不同煤体结构具有不同的测井响应特征为基本原理，即随着煤体破碎程度的加剧，电阻率测井、自然伽马和密度测井值减小，声波时差增大以及出现扩径的现象。但是，不同地区受地质演化等因素的影响导致某些测井参数响应特征不明显，且与其他测井曲线相关性弱，在煤体结构判识中，往往会影响最后预测的可靠性。尤其对于BP神经网络而言，输入测井曲线的选取十分重要，不合适的变量将直接导致模型的过训练。因子分析法是基于降维思想的一种简化数据的技术，可从给定的变量群中通过某种变换找到具有本质意义的少量因子。即用相对少量的几个因子解释许多相互关联的变量之间的关系。

本文在柿庄南部区块3号煤层煤体结构识别的研究中，对全区54组煤样的测井曲线间的相关性进行因子分析，完成神经网络输入参数的优选，达到减少噪声信息，提高模型可信度的目的。

首先对声波时差(AC)、井径(CAL)、补偿中子(CNL)、体积密度(DEN)、自然伽马(GR)和深侧向电阻率(RD)6条测井曲线进行方差解析，结果见表1。由表1可知，此次共提取出6个主因子，其中第1个和第2个主因子的方差贡献率分别为33.984%和23.369%，前3个主成分累计贡献率达70.732%，基本保留了原始的参数信息。因此研究区各测井参数可用3个主因子表示。

表1 主因子方差解析

利用最大方差法对3个主因子进行旋转分析，得到旋转成分矩阵，见表2。由表2可知，声波时差和体积密度曲线与第一主因子的相关性均在70%之上；井径和深侧向电阻率与第二主因子相关性也大于70%；补偿中子与第三主因子相关性较大。

表2 旋转成分矩阵

然而电阻率测井因易受煤岩中水分和矿物等因素的影响表现出较大的波动性，往往不能够协助进行煤体结构的有效识别。结合以上分析结果，柿庄南部区块3号煤层测井响应特征主要与声波时差、井径、补偿中子以及体积密度密切相关，并将其作为BP神经网络的输入参数进行下一步建模。

3.3 煤体结构GSI值BP神经网络预测

在前面分析的基础上，采用3层BP神经网络来建立煤体结构预测模型，选取声波时差、井径、补偿中子以及体积密度作为输入层神经节点，部分数据见表3，第二层为隐含层，由9个神经元组成，煤体结构GSI值作为第三层(输出层)。神经网络结构如图2所示。设置最大训练次数为2000次，学习率为0.03，最小均方误差为1×10-8。