煤层气储层裂隙检测的WOA-BP算法及应用研究

李琼，李美琦，王睿

1 成都理工大学地球物理学院，成都 610059 2 地球勘探与信息技术教育部重点实验室(成都理工大学)，成都 610059

0 引言

煤层气是赋存在煤系地层中的优质清洁能源气体，加快煤层气的开发和利用，在提高煤矿安全作业、改善能源结构、助力环保等方面具有积极意义.煤层气储层中广泛分布的裂隙是流体储存、运移的场所，对煤层气的产量有实质性的影响，对煤层气储层进行裂隙检测识别具有重要意义(赵军龙和池佳玮，2020).

在岩石物理领域，通过岩心样本实验测量，构建微裂缝、孔隙双重模型，以岩石物理图板为媒介，采用谱比法等实现致密砂岩裂隙含量在地震属性参数上的反映，应用到研究工区进行储层裂缝的定量识别与预测，达到对致密砂岩储层分析与评价的目标(庞孟强等，2020)，提出了一种利用微裂缝孔隙度来识别深层碳酸盐岩储层的方法(Pang et al.，2020).开展地层压力条件下煤岩动、静态弹性参数实验研究，获得动、静态弹性参数之间的关系，为利用动态弹性参数预测静态弹性参数提供了岩石物理依据(李琼等，2017)，用静态和动态模量估算孔隙结构，这一工作将岩石的弹性特性与孔隙结构联系起来(Zhang et al.，2019).

在地震勘探领域，不同的地震属性反映了地震数据体中的不同信息，可应用于不同的实际问题研究，如相干、曲率等几何属性常应用于裂隙、河道等地层不连续性现象的检测研究.

度量地震数据波形的相似性实现地层断裂等不连续特征检测的相干技术广泛应用于煤层气储层裂隙检测中.Gersztenkorn 和 Marfurt(1999)提出了基于特征构造的第三代相干算法，从三维空间角度详细描述了相干属性在由地质构造活动产生的地层断裂上的检测原理.Sun等(2010)提出分频相干体算法，这个方法通过分频技术检测出全频带相干体难以发现的微小断裂.Li和Lu(2014)综合分析了地震相干属性体中不同频段与地质体尺度的对应关系，融合的分频相干数据体成功地解释了实际工区中河道等横向不连续性现象.陈杰(2018)应用分频相干技术在页岩裂缝发育带的检测中取得较好的成果.彭达等(2019)提出了一种基于倾角导向梯度能量熵的相干分析方法，利用能量熵值刻画三维地震数据的不连续性空间结构信息.

Richard(1994)通过对曲率和裂隙的研究，发现了它们之间的相关性，促使应用曲率预测裂隙步入正轨.Roberts(2001)详细论述了曲率属性的基本理论，提出了层面曲率属性算法，为曲率属性在地层断裂识别和构造褶曲解释等方面的应用铺开了道路.Al-Dossary和Marfurt(2006)提出了体曲率属性算法，实现了体曲率属性的多尺度分析.杨威(2011)、杨威等(2011)提出了一种新的三维体曲率属性计算方法，基于复地震道理论，该方法对裂隙的识别、刻画更加精细准确.煤层气储层中裂隙的分布极其复杂，马珊珊(2018)基于地震数据的曲率属性预测裂隙发育规律，有效地提高裂隙预测精度和准确度.煤层气储层三维地震数据包含了煤层气储层地质构造、裂隙发育带等信息，李冬和师素珍(2017)通过提取实际三维地震数据属性切片，通过单属性和多属性切片初步预测了裂隙发育带.

智能优化算法的创造性灵感来源于自然界生物的捕食、繁衍等活动.李琼等(2006)将自适应遗传算法与人工神经网络技术(BP网络)有机结合，提出了一种储层裂缝自适应遗传-神经网络模型(GA-BP网络)反演方法，这种混合算法提高了网络的收敛速度和精度，从而快速获得全局最优解，它优于常规裂缝地震预测技术的裂缝定性分析.剑桥大学学者Yang和Gandomi(2012)借鉴蝙蝠利用回声定位进行捕食的行为提出了蝙蝠算法(Bat Algorithm，BA)，算法模型简易且参数较少，在复杂多维函数求解上得到了成功应用.刘长平和叶春明(2013)采用“Lévy飞行搜索策略”改进基本BA算法的搜索速度、搜索范围，提高了基本BA算法的计算效率，抑制基本BA算法的易早熟，提高了收敛精度.Yang和Deb(2009)模拟布谷鸟寻窝产卵行为方式提出了布谷鸟算法(Cuckoo Search，CS).马灿等(2016)提出了混合模拟退火的布谷鸟算法(Simulated Annealing-Cuckoo Search，SA-CS)，SA-CS算法提高了基本CS算法的计算速度和计算精度.

Mirjalili和Lewis(2016)根据鲸鱼捕食鱼虾的行为习惯特征提出了鲸鱼优化算法(Whale Optimization Algorithm，WOA)，在标准测试函数上得到成功运用，研究结果表明，相比于粒子群算法、差分进化算法，WOA算法在函数求解、收敛速度等方面的运用上有较好的效果.Kaveh和Moghaddam(2018)通过将WOA与碰撞体优化( Colliding Body Optimization，CBO)混合，提出WOA-CBO算法，获得比标准WOA算法更高的求解精度和收敛速度.Ling等(2017)在基本WOA算法中将果蝇飞行运动轨迹融入到鲸鱼螺旋游走中，优化了收缩、包围的路径问题，在基准测试函数上的测试结果表明，改进的WOA算法在部分函数的运用上要优于基本WOA算法.Wang等(2018)将遗传算法(GA)的不规则交叉和变异操作集成到鲸鱼优化算法中，利用扰动可以更有效地跳出局部最优值，使新的WOA-GA算法能实现大规模NoC(Network-on-Chip)映射中的低能耗和高稳定性.Chai等(2020)针对无法进行数学建模的优化问题，提出并行鲸鱼优化算法(PWOA)，该算法极大地增强了原始WOA算法的全局搜索能力和种群多样性，并在无线传感器网络(WSN)节点位置确定中展现出较好的应用潜力.Zhang和Wang(2020)提出一种基于非线性自适应权重和黄金正弦算子的鲸鱼优化算法(NGS-WOA),该算法具有较高的全局收敛性和避免陷入局部最优值的优点，可有效解决高维优化和工程优化等问题.Gul等(2021)以元启发式频率修正WOA算法，得到收敛速度更快的调频混合鲸鱼优化算法(FMH-WOA)，相比于其他优化算法，FMH-WOA能以较少模拟运行次数和时间实现随机搜索的最优路径选择.

随着地震分辨率的提高和预测方法技术的创新，发展和研究细微裂缝或微裂缝的预测是地质研究的目标.因此，将鲸鱼优化算法与神经网络相结合，创建了微裂缝智能优化预测算法，这种智能预测方法，充分发挥两种方法的优势，且获取了很好的勘探开发效果.

1 煤层气储层裂隙检测的WOA-BP算法及特征

煤层气储层裂隙检测的WOA-BP算法是将WOA(Whale Optimization Algorithm)与BP(Back Propagation)有机结合形成优势样本和二次误差控制的稳健而有效的储层裂隙检测方法.

1.1 BP神经网络

BP神经网络(Back Propagation Neural Network，BPNN)是一种比较成熟且被广泛应用的反向误差传播的多层ANN模型.图1为三层BP神经网络结构图，包含输入层、隐含层和输出层.输入层含有n个单元x=(x1,x2,…,xn)T；隐含层含有h个单元，其输出为y=(y1,y2,…,yh)T；输出层含有m个单元，其输出为z=(z1,z2,…,zm)T；与输出层对应的m个训练期望输出为t=(t1,t2,…,tm)T；隐含层到输出层的传递函数为f；误差的反向传递函数为g.BP神经网络模型由输入数据正向传播、输出结果误差反向传播、网络模型训练和模拟仿真输出组成.输入信息从输入层开始输入，经通过隐含层单元节点处理后传给输出层完成正向传播过程；当输出误差不满足计算精度时，除输入层外，其他层的输出误差经过原路经返回神经节点完成误差的反向传播过程；通过反复迭代修改各层网络节点连接权值，不断减小计算误差，直至预测误差满足给定的精度.

图1 三层BP神经网络结构图Fig.1 Structure of 3-layer BP neural network

1.2 鲸鱼优化算法原理

Mirjalili和Lewis(2016)根据自然界驼背鲸捕食鱼群的习性提出了鲸鱼算法.驼背鲸在大海中以捕食小鱼小虾为生.如图2所示为鲸鱼的气泡捕食行为示意图.

图2 鲸鱼的气泡捕鱼行为示意图(Mirjalili and Lewis，2016)Fig.2 Schematic diagram showing fishing behavior of whale with bubble (Mirjalili and Lewis，2016)

驼背鲸在鱼群下方喷吐气泡形成泡泡网，将目标鱼群困在其中，鲸鱼通过包围上升、螺旋收缩的方式捕食泡泡网内的鱼群.用数学模型表达鲸鱼捕食的行为，将鱼群作为一个解空间，其中的每一个鱼虾作为一个可行解，鲸鱼捕食的过程如同寻求最优解的过程，即如何通过最快捷的方式捕食到食物.目前，鲸鱼优化算法在云计算资源负载预测(谢建群等，2018)、轴承故障诊断(徐继亚等，2017)、水库优化调度(崔东文，2017)、汽轮机热耗率模型预测(牛培峰等，2017)、渣油加氢参数优化等领域中有所应用(许瑜飞等，2018).

图3为鲸鱼优化算法流程图，鲸鱼优化算法可以分为以下3个阶段.

图3 鲸鱼优化算法流程图Fig.3 Flowchart showing whale optimized algorithm

(1)包围捕食阶段

首先是“包围捕食”阶段，鲸鱼群体分布于食物周围，沿一定的路线向食物靠近的过程，通常采用收缩包围的方式接近食物.在包围阶段初期，鲸鱼个体之间不清楚鱼群的具体位置信息，通过群体的交流实现鱼群位置信息的共享.WOA算法初期将距离鱼群最近的鲸鱼个体作为局部最优解，其余鲸鱼个体会计算当前自己所在位置到当前最优解的距离，进而朝着当前最优解聚拢，包围鱼群.这个阶段的数学模型表示如下，假设在鱼群中存在当前局部最优解X*，则当前位置向量X与X*的距离R表示为：

R=|C·X*(t)-X(t)|，

(1)

X(t+1)=X*(t)-A·R，

(2)

式中A、C是系数向量，R是距离向量，X*是局部最优解，X是位置向量，| |是绝对值.A、C数学表达式为：

A=2a·r-a，

(3)

C=2·r，

(4)

式(3)中，a是从2到0线性减小的向量，r∈[0,1]为随机向量，A为距离系数，其变化受a的影响.

(2)气泡袭击阶段

在减小鱼群的活动范围后，在一定小的空间中，鲸鱼会朝着鱼群喷吐气泡，形成“泡泡网”，“泡泡网”会圈定鱼群使其无法逃脱，而后鲸鱼会采用收缩包围或螺旋游走的方式获取该区域内的全部食物，达到在解空间中寻优的目的.

①收缩包围原理

根据式(3)进行收缩包围，朝鱼群逼近.当距离系数|A|<1时，鲸鱼个体会朝着最优解的方向直线逼近.在|A|<1的前提下，|A|越大，鲸鱼个体使用较大跨度区间进行游走，大踏步搜索鱼群，使WOA算法具有全局寻优勘探的能力；|A|越小，鲸鱼使用较小的间距游走，仔细寻觅鱼群，使WOA算法具有较强的局部寻优水平.

②螺旋更新位置

选择螺旋游走的方式更新位置，鲸鱼能够精细地捕获区域内的鱼群，螺旋游走极大的提高了WOA算法的局部寻优水平，但是随之而来的是寻优效率的降低.鲸鱼螺旋游走方式的数学模型表示为：

X(t+1)=R′·eb l·cos(2πl)+X*(t)，

(5)

式中，R′=|X*(t)-X(t)|是鲸鱼个体到目前最好的鲸鱼的距离向量，b是一个常量，l∈[0,1]是一个随机向量，X*是局部最优解.WOA算法中引入了随机值p来协助鲸鱼完成收缩包围或螺旋游走方式的选择，其中p∈[0,1]；引入q值衡量解空间中数据的分散程度，q∈[0,1].当p

X(t+1)=

(6)

式(6)表明，p的大小决定了鲸鱼的游走方式.

(3)探索食物阶段

鲸鱼个体采用收缩包围和螺旋游走的方式捕食局部食物，实现局部寻优；鲸鱼群体通过群体交流与合作实现更大范围的食物探索和获取，跳出局部最优解，即WOA算法具有全局寻优的能力.当|A|>1时，鲸鱼个体遍布在解空间中，进行探索食物，一旦某一鲸鱼个体探寻得到可行解，则该鲸鱼就是局部最优解，转而进入收缩包围、气泡攻击的阶段.这一机制使得WOA算法适用于全局寻优：

R=|C·Xranr-X(t)|，

(7)

X(t+1)=Xranr-A·R，

(8)

式(7)中，Xranr是随机获得的当前最优解，本文使用蒙特卡洛方法实现这一过程.

用一个测试函数对WOA算法进行测试，定维多模态函数表达式为：

(9)

如图4所示，WOA算法在式(9)上的测试误差与迭代次数的关系曲线，可以看出，WOA算法计算过程快速收敛，误差减小快；计算过程稳定，计算后期误差不发生跳跃(公式(1)—(8)可参考文献Mirjalili and Lewis, 2016).

图4 鲸鱼优化算法测试误差与迭代次数的关系曲线Fig.4 Test error versus iteration number for whale optimized algorithm

1.3 储层裂隙WOA-BP智能检测方法

储层裂隙WOA-BP智能检测方法是由具有较强的非线性映射能力的BP网络与具有较强的全局搜索和快速收敛能力的WOA法构成，它是一种稳健和高效的储层裂缝检测方法.其流程图如图5所示.

由图5可以看出，WOA-BP算法在双误差与优势样本的控制下，并基于数据和运算阶段所设置的环绕方式等，使得搜索范围和收敛速度达到优化，获得稳定而精确的检测结果.

2 煤层气储层裂隙地震多参数提取及特征

2.1 地震层位的标定与追踪

YCN研究区有两个主力煤层组M2、M10.其中山西组的M2主力煤层，厚度较大(单层4～6 m)，横向稳定，选为研究计算对象.

对研究区14口井进行了合成记录制作，标定了煤层(M2)的地震反射位置，合成记录标定M2顶位于波峰与波谷转折处(或靠近波峰)，底界标定在最大波谷位置(见图6、图7).确定了煤层具有反射强、连续性好的地震反射特征.

经过层位标定后，选择过井剖面进行追踪，以此为控制，对M2煤层全区追踪.

2.2 煤层气储层裂隙地震多参数提取

2.2.1 方位角、倾角属性

方位角属性描述了地层走向、倾向特征，从大尺度上刻画了研究区的裂隙发育系统.方位角的变化反映了地层断裂、孔洞特征，方位角变化越剧烈，落差越明显，地层成层性越差，断裂越发育.

如图8a中红色曲线标识的区域，方位角变化大，数值落差明显，是地层断裂和裂隙发育的差异边界.

倾角属性反映的是层面与裂隙展布面的差异性.在裂隙发育的地方，会发生倾角突变，在属性平面上表现为倾角突变带.如图8b中红色椭圆标示的区域，倾角变化大，具有明显的突变带，其中分布有细密平滑的线带，可视为裂隙发育区.

图5 WOA-BP储层裂隙检测流程图Fig.5 Flowchart of detecting cracks in reservoirs by WOA-BP

2.2.2 曲率属性

地震曲率属性反映了目的层的弯曲程度，对折曲、裂隙反应敏感.最正、最负曲率与地质构造形态有确定的对应关系，此处选取最正曲率和最负曲率分析地质构造，进行裂隙的检测.

图9所示为目的煤层曲率属性平面图.图9a为最正曲率，其中红色曲线划分的区域内最正曲率数值较大、较集中，地层弯曲程度大，向上隆起弯曲，表明地层受力挤压产生形变，岩层产生破碎，是裂隙发育形成的有利条件.图9b为最负曲率，图中广泛分布低最负曲率值形成的线条，线条粗细长短不均匀，红色曲线划分的区域最负曲率数值小而集中，表明该区域广泛分布负地形，裂隙发育.最负曲率与最正曲率数值分布相对应，表明区域内地层弯曲程度大，正地形与负地形相伴形成，可以预测为裂隙相对发育的区域.

2.2.3 相干属性

Gersztenkorn和 Marfurt(1999)提出了基于特征结构的第三代相干体算法，该算法较好的解决了前代相干算法的抗噪能力、分辨率和效率问题.因此通过第三代相干算法计算相干体，能够识别出裂隙发育带，从宏观角度反映裂隙的发育与展布情况.公式为：

(10)

式中，λmax为最大的特征值，λm表示矩阵C的第m个特征值.

图6 M2煤层的层位标定Fig.6 Horizon calibration of M2 coal beds

图7 M2煤层的层位标定及追踪Fig.7 Horizon calibration and tracing for M2 coal beds

图8 目的煤层方位角(a)倾角(b)属性平面图Fig.8 Plane diagram of azimuth (a) and dip (b) of target coal bed

图9 目的煤层曲率属性平面图(a) 最正曲率; (b) 最负曲率.Fig.9 Plane diagram of curvature of target coal bed

图10所示为目的煤层相干属性平面图.图中用红色椭圆包围的区域A、B、C、D，其间相干值较小，呈条带状分布，可以推断为裂隙分布集中区域.从图10可知，地层广泛发育的裂隙并不一定有利于煤层气的成藏.在相干值集中的条带附近的井多为低产气井或干井，产量不理想，开采效果差，推断为裂隙过度发育，地层破裂严重，煤层气逸散，无法成藏.在由低相干值集中分布的条带包围区域的中间地带，分布有红色的高产气井，说明地层破裂带的内部裂隙发育适中，利于煤层气吸附成藏，是良好的储集体.

图10 目的煤层相干属性图Fig.10 Coherence of target coal bed

2.2.4 构形张量属性

构型张量属性一般通过梯度结构张量特征值与三维图像结构的对应关系可实现计算.依据特征值与三维图像结构的对应关系，可以计算不同的构形属性.有如下描述断层的表达式(张军华等，2007)，其中Lamda横向梯度属性可表示为：

DLmd=λ2+λ3，

(11)

式中，DLmd为Lamda横向梯度属性，λ2、λ3表示梯度结构张量的第2、3个特征值.横向梯度属性具有较好的抗噪性，用特征值和特征向量构建的构形张量属性，能够很好的描绘断层和裂缝等细微的地质断裂、孔隙特征.因此利用梯度结构张量矩阵特征值，可以计算地层断裂特征值，进而检测裂隙.如图11所示为目的煤层的构形张量属性平面图.图中颜色分布具有明显的区分性，相对于图10所示的相干属性，构形张量属性在平面上表现为团块状、短而弯曲的线状，能够清楚的识别出裂隙发育区的边界范围.图中黑色区域代表的高属性值指示裂隙发育程度高，黑色越集中，裂隙发育越广泛；白色区域代表的低属性值指示裂隙发育程度低，白色集中，说明地层裂隙发育差，连续性好.

构形张量属性刻画出裂隙发育的边缘结构，有效增强裂隙的检测能力.

2.2.5 加权瞬时频率属性

煤层气储层中分布着发育程度不同的裂隙，裂隙中的充填物会增大地层的衰减系数，地震波速度降低，界面反射信号被吸收，地震频率降低，振幅减小.振幅加权瞬时频率属性可以有效的反映地层的吸收特性，从而进行裂隙检测.图12所示为目的煤层加权瞬时频率属性平面图.图中白色代表低频表明地层的吸收作用明显，白色集中的条带，指示地层裂隙发育的集中区；图中红色椭圆标示的区域，白色分布集中且细致，为裂隙广泛发育的边界.

图11 目的煤层构形张量属性平面图Fig.11 Configuration tensors of target coal bed

图12 目的煤层加权瞬时频率属性平面图Fig.12 Weighted instant frequency of target coal bed

上述7种属性参数体之间的关系复杂，不同程度不同尺度反映了煤层裂隙的发育情况，但经过图5所示的WOA-BP流程计算处理后，可获得共同反映储层裂隙发育程度的参数，称之为裂隙发育程度参数.

3 煤层气储层裂隙的测井数据特征分析及优势样本

3.1 测井数据特征分析

运用智能算法进行煤层气储层裂隙检测，首先要准备适量的样本对鲸鱼优化算法改进的BP神经网络(WOA-BP网络)进行训练，得到适合研究区域的目的层裂隙检测网络模型.神经网络模型的训练对于预测十分重要，所用的训练数据应该能反映研究区域的裂隙水平.

研究区域内分布有14口井，如图13所示为研究区域内井的分布图.

图13 三维工区钻井位置图Fig.13 Locations of drill holes in work area

依据测井曲线评价井位的裂隙水平，从属性数据中分离出井位的属性值，可以得到训练数据.

声波时差TD曲线可以反映井周围裂隙的产状及发育程度，对裂隙的显示主要取决于裂隙的分布密度、纵横比、充填物和流体的性质，因此可以利用声波时差曲线计算和评价裂缝的发育程度.如图14所示为TpH6井850 m到1045 m的声波时差(AC)测井曲线.图中用红色方框标示部分高值，指示裂隙发育较广泛区段.

图14 TpH6井850 m到1045 m的声波测井曲线Fig.14 Acoustic logging curve for 850 m to 1045 m in well TpH6

密度测井曲线可以确定地层孔隙度.由于电子密度ρe与真体密度ρb存在线性关系：

ρb=1.0704ρe-0.1388，

(12)

对于饱含水的石灰岩、砂岩和白云岩，密度测井读数等于真体积密度ρb(王铁利和施为兵，2010).

根据怀利(Wylile)公式可知体积密度：

ρb=φDρf+(1-φD)ρma，

(13)

式中，φD为地层孔隙度，ρf为水的体积密度，ρma为岩石骨架密度.

由式(13)可以计算出地层孔隙度：

(14)

对于含有裂隙的地层，岩石的体密度ρb减小，地层孔隙度φD增加.

图15为TpL4井850 m到1050 m的密度测井曲线.图中红色方框表示部分低值，指示地层孔隙度增加的区段.

图15 TpL4井850 m到1050 m的密度测井曲线Fig.15 Density logging curve for 850 m to 1050 m in well TpL4

3.2 优势样本获取与裂隙发育水平评价参数

(1)优势样本建立

综合井数据、已知井产量数据与岩心薄片法分析数据可建立优势样本.依据井区的数据(包括岩心薄片法分析数据)之间的关系，设计一个评价裂缝发育水平的参数Sevlt.裂隙发育水平评价参数Sevlt反映了裂缝分布密度、裂隙(填充物)速度和裂隙纵横比的变化等.它是一个多参数函数，即Sevlt(TD、φD、Pout、Ppic、Ppre)，其表达式为：

Sevlt=aTD+bφD+cPout+dPpic+ePpre，

(15)

本试验抽取2万个声波时差和孔隙度等参数计算Sevlt参数，形成Sevlt三维数据体.

4 煤层气储层裂隙分布特征及效果分析

4.1 建立研究区检测裂隙发育程度的标准Sevlt参数

通过分析研究区已知井的裂缝发育程度、产气量与Sevlt参数之间的关系，建立起研究区划分裂缝发育区段和区块的标准参数，如表1所示.由表1可看出，从裂缝不发育到裂缝过度发育均存在，Sevlt值为(3.2～3.9)，裂缝发育程度较佳，气产量高，是高渗储集体，而Sevlt值大于4.1为裂缝过度发育.图16为WOA-BP方法裂隙发育水平Sevlt值检测结果.

表1 Sevlt值与裂缝(隙)发育程度、气产量关系表Table 1 Sevlt value, development degree of crack and gas production in wells

4.2 煤层气储层裂隙发育区段的剖面分布特征

图17所示为Sevlt值的ab剖面曲线图，图18所示为Sevlt值的cd剖面曲线图.

图16 WOA-BP方法裂隙发育水平Sevlt值检测结果Fig.16 Test results of fracture development level Sevltvalue of WOA-BP method

图17 ab剖面曲线图Fig.17 Sevlt curve of profile ab

图18 cd剖面曲线图Fig.18 Sevlt curve of profile cd

由图17和图18可以看出，图17中用红色标示TpH7井和TpH6井在ab剖面上的位置，该处为中高Sevlt值，其Sevlt值为(3.2～3.9)，为裂缝发育区段；用蓝色标示高Sevlt值，其Sevlt值大于4.1，为过度发育区段.图18中用红色标示TpH1井和TpL14井在cd剖面上的位置，对比TpH1井和TpL14井可知，高产气井TpH1井的Sevlt值(3.4)高于低产气井TpL14井的Sevlt值(2.9)，分别为裂缝发育和不发育区段；用蓝色标示部分高Sevlt值分布段，Sevlt值大于4.1，为过度发育区段.

4.3 煤层气储层裂隙发育区块的平面分布特征

图16是煤层气储层的Sevlt值平面分布图.依据表1的标准参数值，在图16中划分出4个区域，分别为A、B、C和D区域.在D区域内，Sevlt值高值，深红色表示，裂隙发育程度较高，该区域裂隙过度发育，是一条NE-SW走向的断层造成的，致使煤层气沿断裂带逸散，因此，Tp2、Tp3井为干井.在A区域内，NW-SE走向的断层所造成的破碎带两侧，其Sevlt值为(3.2～3.9)，裂隙发育程度适中，因此，TpH1井和TpH7井为高产气井，为煤层气储层优质储层.在C区域内，Sevlt值(3.8～4.4)，在断层附近有少量裂缝分布，其余部位裂缝被充填，因此，TpL14井为低产气井，为煤层气的次级储集层.在B区域内，Sevlt值为高值，裂隙过度发育，不易形成气藏，这是由强烈构造变动等地质活动所造成的.

5 结论

WOA-BP裂隙检测方法是一种具有较强的非线性映射能力的BP网络与具有较强的全局搜索能力和快速收敛能力的WOA方法有机结合而构成的，它是一种在双误差和优势样本控制下的稳健和精确而有效的裂缝检测方法.

在裂隙检测中，使用了7种属性数据体，它们之间的关系复杂，在利用测井数据获得的Sevlt参数的匹配下，经WOA-BP优化方法处理后，获得了共同反映裂隙发育程度的参数Sevlt.在研究地区的井区范围内，根据Sevlt值与裂隙发育程度和产气量之间的关系，建立了实际用于划分裂缝发育程度的Sevlt参数的标准值，据此，在研究地区检测出4个裂缝存在区块(A、B、C、D)，其中在A区块中，获得了Sevlt值为(3.2～3.9)的优质煤层气储层.

随着地震分辨率的提高和我们的研究在智能方面的创新，促进了微裂隙预测的发展，这将产生高效的勘探开发效益.