基于测井数据的砂岩型铀矿异常识别BP神经网络方法应用

康乾坤，路来君，尚殷民

(吉林大学地球科学学院,长春 130061)

在矿产勘查中，测井数据属于分辨率最高的一种地学属性信息，是能直观反映出纵深方向上地球物理性质变化的属性。因而具有很高的研究和工程价值。通过对铀矿测井数据的分析可以推断出铀矿异常的产生位置，从而对铀矿勘查区的选区起到辅助决策的作用。

在铀矿勘查方面,松辽盆地是中国北方砂岩型铀矿的主要产铀盆地之一。近年来，在中国地质调查局天津地质调查中心的组织下，对松辽盆地北部油田资料进行二次开发和钻孔原位验证，在大庆长垣南端及周边地区发现了多处铀矿化富集区，并发现了工业铀矿体，铀矿找矿工作呈现了较大的突破与进展[1-2]。然而，目前对铀矿异常的识别主要以地质理论和地质经验为依据、线性数学方法作为基础，分析给出铀矿异常发生的临界值，从而人工解译得出期望的结果[3-6]。该层位是否为铀矿异常主要依靠测井曲线的幅值大小来判断，但实际的地质现象往往表现出非均质性的情况，难以用线性模型进行精确的描述与处理，存在较大的误差[7]。人工识别存在精度不高，研究区内的适宜临界值确定较为困难等问题。而精确的铀矿矿体信息则需要专业的定量伽马测井配合一系列放射性相关系数的校正和岩芯取样信息来计算获得[8]。矿体信息的获取成本较高。因此，如何快速有效获取精准的矿体信息成为铀矿勘查的亟待解决的问题。

近年来，人工神经网络技术在分类模式识别、划分油气层、岩性识别、预测储层段参数等方面的应用广泛[9]，并且该技术在识别矿物类型、沉积相的区分等方面应用效果良好[10]。在外国，Khandelwa等[11]通过BP(back propagation)神经网络对密度和中子测井数据进行了预测，预测结果明显优于多元回归拟合；Baneshi等[12]选择人工神经网络进行岩石地球物理参数的估计，通过连续的三个BP神经网络以较少的输入参数较好的预测出了岩石孔隙度，降低了数据挖掘的时间和成本。在中国，陈科贵等[13]研究表明BP神经网络模型相较于传统测井解释方法在杂卤石分类识别中有明显的优势；朱红等[14]提出基于ATD(自适应去噪)-BP神经网络的页岩气产量预测方法，克服了储层参数与气井产量之间的非线性相关关系问题，较好地预测了气井的产量；项云飞等[15]为应对线性回归方法的不足，将神经网络同线性回归方法相结合对储层孔隙度含水饱和度等进行划分，结果表明神经网络算法对于非线性问题的处理有较好的优势。

综上所述，神经网络技术应用于数据预测、模式分类已较为成熟，可以适应非均质的地质条件和复杂多变的地质现象，发掘、学习并记忆地学数据之间的复杂关系，最终在相关问题的分析处理中得以运用。选择人工神经网络技术应用于大量的铀矿钻孔测井信息中，以BP神经网络理论为基础，构建适合的非线性数学模型，不断优化约束条件，对铀矿测井数据进行异常识别和提取。并通过与工业已知矿化层信息进行结果对比，对神经网络模型的识别能力予以评价。

1 研究区铀矿分布概况

研究区位于松辽盆地长垣南端某铀矿矿集区，长垣南端属松辽盆地北部中央坳陷区内的二级正向构造单元，东邻三肇凹陷、朝阳沟阶地，西接齐家—古龙凹陷，面积近420 km2[16]。研究区位置如图1所示。

1为一级构造分区线；2为二级构造分区线；3为河流；4为盆地边界；5为研究区图1 研究区构造位置Fig.1 Tectonic location of the study area

松辽盆地是典型的陆相盆地，白垩系是松辽盆地最主要的赋油、铀层系[16]。研究区内主要的含矿地层为白垩系的明水组与四方台组。四方台组底部与嫩江组呈平行不整合接触，顶部与明水组呈整合接触。四方台组地层在盆地内广泛发育，岩性以灰色、绿灰色中细砂岩，夹灰红色、灰色粉砂岩、泥岩为主[17]。依据钻孔测井数据以及前人岩芯取样分析四方台组为研究区内的铀矿富集地层。

2 铀矿异常的测井响应特征

研究区内的铀矿异常主要赋存于四方台组的砂体中，属砂岩型铀矿[1]。因而砂岩型铀矿异常的测井响应特征主要有：极高的自然伽马值(GR)，已知矿化层的平均放射性可达1 000 api；铀矿异常多富集于泥-砂-泥结构、砂泥互层等，因而密度曲线在异常发生处有由大变小的趋势，可在含矿目的层作为铀矿异常存在的辅助标志；缩径与扩径现象的产生也对自然伽马测井存在一定的波动影响，虽不属于地球物理属性，但其在放射性测井解释中具有重要的辅助参数作用[18]。此外，由于铀矿赋存岩性交替变化的原因，在铀矿异常处表现出相较于上下岩层低电位、高电阻的现象。不同测井参数随着铀矿异常的发生出现各自的变化，这些变化间复杂且微小的相关关系共同指示着铀矿异常的存在，同时也给铀矿异常识别的准确性带来了一定的困难。测井响应特征如图2所示。

图2 矿集区某铀矿钻孔测井柱状图Fig.2 Histogram of borehole logging of a uranium mine in a mining area

3 BP神经网络模型的建立

人工神经网络(artificial neural netwroks，ANN)方法就是利用生物仿生学观点，探索人脑的生理结构，将对人脑的微观结构及其智能行为的研究结合起来的一种认知方法[19]。在实际应用中，大多数的人工神经网络模型是采用误差反传算法或其变化形式的网络模型(BP神经网络)[20]。BP神经网络主要由输入层、隐含层和目的层组成，每一层可包含不同的神经元个数，不同层之间传递的信号传递通过各层的权值和阈值共同作用，属于前馈型神经网络[20]。由于BP神经网络智能化的信息处理，具有高效的模式识别能力，能够学习和模拟任意的非线性变量的输入输出映射关系[21]。因此BP神经网络模型适合于学习上述具有一定相关关系的测井数据，挖掘不同测井参数对于输出的作用与贡献，并对这种映射关系进行记忆并保存。

3.1 数据归一化处理

输入节点的数据来自不同的地球物理测井数据，均代表着不同别的物理意义，有着各自独立的量纲，为了防止不同量纲之间的数值差异导致网络训练过程中陷入局部极小问题，需要对输入数据进行归一化，归一化的方法较多，选择极值归一化作为数据预处理的方法。将归一化后的测井数据作为神经网络模型的输入数据，其公式如式(1)所示：

(1)

式(1)中：xmax、xmin分别为原数据的最大、最小值；ymax、ymin分别为归一化后数据的最大、最小值[22]。

3.2 BP神经网络原理

BP神经网络包括信号的正向传播和误差的反向传播两个过程[17]。正向传播时外部信息从输入层传入，经各隐含层逐层处理后，传向输出层，由输出层接收隐含层的传递信息并加以处理得出实际输出结果。若输出层所得的实际输出与期望的输出不符，则模型转入误差的反向传播阶段。在误差反向传播时依据神经网络的梯度下降算法，沿梯度下降最快的方向将误差分摊给所有神经元，根据所分摊的误差不断调整网络的权值和阈值，优化网络的约束条件，使网络的误差平方和达到最小，以满足网络预设的目标条件[19]，其主要过程如下。

3.2.1 变量和参数的定义

BP神经网络模型的输入参数为数据预处理后的归一化矩阵，即为矩阵X。

(2)

式(2)中：总计m个样本,n个变量即为m×n的矩阵向量，可表示为X=(x1,x2,…,xn)。初始权值为ωih，由隐含层到输出层的权值为ωho。隐含层神经元阈值为bh，输出层神元阈值为bo，隐含层神经元数为p，输入为hi，输出为ho；输出层神经元数为q，输入为yi，输出为yo；样本个数为k=1,2,…,m,激活函数为f,误差函数为

(3)

式(3)中：e为误差函数；do(k)为因变量的预测值；yo(k)为因变量的实际值。

3.2.2 网络初始化

给各连接权值分别赋一个区间(-1，1)内的随机数,设定误差函数e，给定计算精度值ε和最大学习次数M。随机选取第k个输入样本及对应期望输出为

(4)

3.2.3 根据训练样本计算各层输入输出

隐含层的输入输出分别为

(5)

式(5)中：hih(k)为隐含层第h个神经元的输入值；hoh(k)为隐含层第h个神经元的输出值。

输出层的输入和输出分别为

(6)

式(6)中：yio(k)为输出层第o个神经元的输入值；yoo(k)为输出层第o个神经元的输出值。

3.2.4 根据预设目标求解神经元偏导数

利用网络期望输出和实际输出，计算误差函数对输出层的各个神经元的偏导数，输出层神经元的偏导数为

(7)

式(7)中：h取值于p，p为隐含层神经元的个数；o取值于q，q为输出层神经元的个数；δo(k)为误差对输出层第o个神经元输出值的偏导数。

同理计算误差函数对隐含层各个神经元的偏导数：

(8)

式(8)中：i取值于m，m为样本个数；-δh(k)为误差对隐含层第h个神经元输出值的偏导数。

3.2.5 权值修正

利用输出层和隐含层各神经元的偏导数和隐含层各神经元的输出来修正各层的连接权值：

(9)

(10)

3.2.6 计算全局误差

(11)

式(11)中：E为全局误差；m为样本个数；q为输出层神经元个数。

3.2.7 误差检验

判断网络全局误差是否满足网络模型的预设要求。当误差达到预设要求或学习次数达到预设的最大次数，则模型算法结束。否则，选取下一个学习样本及对应的期望输出，返回到3.2.3节，进入下一轮学习,直至目标达成方可终止。

3.3 测井参数优选及模型结构设计

根据铀矿异常的基本测井响应特征为原则，选取5条相关的地球物理测井曲线来进行铀矿异常的BP神经网络建模，分别为自然伽马(GR)、自然电位(SP)、密度(DEN)、三侧向电阻率(LLS)以及井径(CAL)5条测井曲线，具体数据如表1所示。

表1 BP神经网络模型样本数据Table 1 BP neural network model sample data

以这五条测井曲线预处理后的数值作为BP神经网络模型的外部输入信息，输入层共计5个节点，隐含层的层数和节点数目则需要结合输入节点、输出节点共同决定，根据矿集区已知矿体信息，铀矿异常层分为两类，边界品位为0.005%～0.01%的层位被界定为异常层，边界品位大于0.01%的层位则定义为矿化层。BP神经网络的输出节点即为异常信息的识别结果，共计矿化层、异常层、非异常层3个节点。而在隐含层方面，理论上单层的隐含层配合线性的传递函数在神经元数足够多的情况下可以无限逼近任何非线性函数，增加隐含层层数可以降低网络误差，提高精度，但同时也会导致网络复杂化，从而增加了网络的训练时间和出现过拟合的倾向[20-21]。因此综合输入输出节点信息，初始隐含层选择单层结构，隐含层神经元节点数依据映射网络存在定理(Kolmogorov)来确定：

z=2t+1

(12)

式(12)中：z为隐含层节点数;t为输入层节点数[22]。

根据经验公式选定初始隐含层节点数为11个，在后续的误差反传计算过程中间依据达到网络目标的目的，采用逐次加减的方法来寻找最适宜的隐含层节点数，实现网络的结构的优化[19]。

在变量优选和数据预处理的基础上，构建三层BP神经网络模型对砂岩型铀矿异常进行预测。神经网络结构如图3所示。

图3 BP神经网络结构示意图Fig.3 Schematic diagram of BP neural network structure

4 识别结果与分析

使用MATLAB R2016a软件进行BP神经网络模型的构建，以研究区已探明铀矿矿体的4个铀矿钻孔地球物理测井数据含矿目的层信息为训练样本，训练样本的点位选取也要考虑矿化信息的典型性，同时满足空间位置的选取均匀性，建立5×11×3结构的BP神经网络模型，预设最大学习次数为20 000次，学习率为0.05，目标最小均方误差为1×10-6。并对模型区数据进行反复训练并保存网络，使得网络对于模型区的输入输出映射关系存储并记忆。利用所训练模型对研究区内的其他4口铀矿钻孔进行测试，并将最终的测试结果同已探明矿体信息进行验证对比，具体情况如图4所示。

1为非异常层；2为异常层；3为矿化层图4 测试结果分析对比Fig.4 Comparison and analysis of test results

图4为ZKXX01号钻孔中395～405 m段，ZKXX02号钻孔379～393 m段铀矿钻孔测井数据异常识别结果，经过对测试数据的统计分析对比，ZKXX01和ZKXX02号钻孔的测试总体准确率分别为83.95%和93.4%，总体效果较为显著。根据放射性测井规范中对异常的定义，泥岩层为自然伽马放射性最高的岩层，其平均值为150～170 API，选择200 API为砂岩型铀矿异常的界定阈值，筛选砂岩型铀矿异常以作对比。由图5可知，模型识别精度较高，所识别结果能包含大部分的已知矿体信息，相较于传统异常判别方法更接近矿体的形态和范围。在研究区内选择4口铀矿钻孔进行测试分析，并统计对比测试结果。4口铀矿异常识别结果如表2所示,单井的识别深度对比如表3所示，其全体测试样本平均准确率可达86.55%。

结合4口井的情况来看，综合ZKXX-02号铀矿钻孔深度对比信息表(表3)。若单以异常样本(矿化层本身也属于铀矿异常)被判别准确的标准来看，BP神经网络模型对异常的识别准确率会高于模型整体的识别率，在模型识别的算法中，存在对非含矿层的判别及对比。异常层的判别范围较大必然会导致非矿化层的判别错误，所以异常层的识别准确率较之模型整体更高。

表2 铀矿异常识别结果统计Table 2 Statistic of uranium anomaly identification results

表3 ZXXX-02号钻孔识别深度结果对比Table 3 Comparison of drilling depth identification results of ZXXX-02

测试样本的选取一般为含矿目的层10 m左右的一段测井数据，所选取的测井参数均为同铀矿异常相关的地学属性，通过已知样本的不断学习，神经网络模型可以记忆已知矿体信息同测井数据之间错综复杂的规律，并将其应用于对应得模式识别，对铀矿异常的识别是有效的。神经网络技术是基于数据样本的学习技术，因此对于模型输入数据的要求较高，运用大尺度的整钻测试数据会数据不稳定性导致模型精度下降，这是由于不同层位下的地质条件及其岩性物性差异所导致，故针对含矿目的层进行已知铀矿异常的建模，相较于临界值异常判别，能综合多属性信息对未知孔的铀矿异常信息给出准确判断，对于铀矿资源预测、找矿方向选择等工作不失为一种快速高效的异常识别方法。

5 结论

应用BP神经网络模型对松辽盆地某铀矿矿集区进行了铀矿异常识别，通过对比分析得出以下结论。

(1) 依据砂岩型铀矿异常的测井响应特征，运用BP神经网络模型识别并提取出铀矿异常的两种类型，即铀矿的异常层和矿化层，识别准确率达到86.55%。模型识别结果同已知铀矿异常信息重合度高。

(2) 基于BP神经网络模型的异常识别方法为铀矿找矿的实际工作提供一种新思路，一种基于机器学习的识别方法。在实际应用中异常识别的效果显著，识别速度快，方法可靠且能消除人为工作的偶然误差，识别效果较好。

地球物理测井资料的获取相对而言成本较高，难以对研究区内的全体样本均进行精确的测量与分析，因此利用好现有的优质数据便显得尤为重要。利用BP神经网络训练并发掘测井数据中的异常信息能大大降低信息获取的成本和时间，极大地提高找矿工作的效率，目前利用神经网络处理地学分类问题，由于同一矿集区地质条件总体相似，利用已知钻孔的矿化层信息为模型，充分利用多个测井属性信息，对异常划分进行分类。后续也可利用神经网络、支持向量机等机器学习方法对预测问题提出相应的解决方案。在已有大量已知矿化体信息的情况下，可利用矿化体的品位、平米铀量等更为精确的测量信息进行建模，对未知孔进行关于品位、平米铀量等属性的数值预测，能够在矿产资源量预测、成矿远景区规划等方面提供有力的辅助决策支持，可作为进一步的研究方向。