PNN概率神经网络反演技术预测煤层顶板岩性—以寺家庄煤矿中央盘区为例_刘最亮.pdf

第 46 卷 增刊 1煤田地质与勘探Vol. 46 Supp.1 2018 年 7 月COALGEOLOGY 2.Research Institute of Coal Geophysical Exploration of China national Administration of coal geology,Hebei Baoding072750,China Abstract In order to study the trend of structural soft coal in Sijiazhuang coal mine, the PNN neural network inversion technique is used to invert the lithology of coal seam roof in the study area, so as to predict the structure of soft coal. Taking natural gamma curve as a constraint condition, by analyzing the response characteristics of the sandstone, mudstone density and gamma ray of the target area, the PNN inversion of the post stack 3D seismic data is carried out. The results show that the roof sandstone of No. 15 coal seam corresponds to low natural gamma value and positively correlated with the development of structural soft coal. By studying the distribution law of sandstone in coal seam roof, the spatial development characteristics of tectonic soft coal can be indirectly predicted. Keywords coalbed roof; lithology; prediction; gamma ray log; probability neural network 构造煤成因是构造煤研究中的热点和难点，前 人研究表明，构造煤是构造应力和煤层岩石力学性 质两个因素综合作用的结果，构造应力作用下导致 的顺层滑动如褶皱、顺层断层等是构造煤区域分 布的主要原因；而切层断层是构造煤局部分布的主 控因素；煤岩层岩石力学性质及组合则控制了构造 煤的层域分布等。总体来看，构造煤的研究不断深 化。已有学者进行了岩石力学数值模拟，结果表明 煤层上覆围岩中砂岩透镜体的存在，会致使煤岩的 应力、位移分布不均，从而在透镜体砂岩影响范围 之内形成应力集中现象[1-6]。该应力集中会使煤层在 构造应力作用下塑性变形加大，形成构造软煤。砂 岩透镜体规模越大、与煤层之间的距离越小，煤层 塑性区的分布范围越大， 构造软煤发育的范围越广。 为了研究煤层上覆围岩岩性不均衡对山西阳泉寺家 庄矿 15 号煤层构造软煤分布规律的影响， 本文采用 PNN 神经网络反演技术，应用自然伽马测井曲线进 行约束，对研究区进行岩性反演，对 15 号煤层顶板 岩性分布进行预测。 ChaoXing 增刊 1刘最亮等 PNN 概率神经网络反演技术预测煤层顶板岩性51 1研究区地质概况 山西阳泉寺家庄煤矿 15 号煤层位于石炭系上 统太原组下部， 厚 3.755.89 m， 平均 4.80 m。 含 04 层夹矸，属全区稳定可采煤层，是研究区内主要可 采煤层。煤层顶板一般为泥岩、砂质泥岩或砂岩， 底板为砂质泥岩或铝土泥岩。 研究区 15 号煤层 15116 综采面南部构造软煤实 见资料为煤巷的实揭资料，其测量结果见图 1图中红 色测点为糜棱煤厚度，蓝色测点为碎粒煤厚度；15 号 煤层顶部除发育碎粒煤外，在碎粒煤下部还发育 0.6 m 左右厚的糜棱煤红色等值线内。为了直观显示研究 区实测的 15 号煤层构造软煤分布规律， 将实测资料进 行插值测点构造软煤厚度为糜棱煤厚度与碎粒煤厚 度之和，生成构造软煤分布图图中绿色等值线，其 中 15 号煤层构造软煤厚度多为 0.10.3 m，在研究区 中部发育超过 0.3 m 厚的构造软煤。在研究区东南部 即 15116 工作面南部构造软煤较发育，部分区域构造 软煤超过 1 m 厚等值线呈锯齿状位置处。 图 1寺家庄中央盘区 15 号煤层实测构造软煤分布图 Fig.1Distribution of structural soft coal of No.15 coal seam in central panel of Sijiazhuang Coalmine 2研究区测井响应特征 为了研究 15 号煤层顶板砂泥岩的测井响应特 征，对其进行交会分析。图 2 为自然伽马与密度交 会分析图，图中黄色样点为 15 号煤层顶部砂岩，图 中蓝色样点为顶板泥岩，可见砂岩表现为高密度、 ChaoXing 52煤田地质与勘探第 46 卷 低自然伽马特征，而泥岩表现为低密度、高自然伽 马特征，自然伽马测井对泥质含量具有很高的灵敏 度， 自然伽马测井能很好地区分 15 号煤层顶板的砂 岩与泥岩。为了提高煤层顶板岩性预测精度，将对 研究区进行叠后三维地震概率神经网络反演。 图 2寺家庄中央盘区 15 号煤层顶板砂岩、泥岩密度与 自然伽马交会分析图 Fig.2The Diagram of sandstone and mudstone and natural Gamma of No.15 Coal seam of in central panel of Sijiazhuang Coalmine 3PNN 概率神经网络反演 3.1PNN 概率神经网络原理 概率神经网络Probabilistic Neural Network, 简 称 PNN最早于 1990 年由数学家 Specht 提出，它是 一种基于概率统计思想和贝叶斯分类规则的神经网 络。PNN 网络是一种数学内插方案，只不过在实现 时利用了神经网络的架构，这是它潜在的优势，可 以通过数学公式理解它的行为。其实现原理如下 对于给定训练样本，如 1233 ,,,,, iiin AAAA 1,2,3,,in。PNN 假设新的储层参数可以表示为 训练集中储层参数的线性组合，也就是说具有属性 向量 x 的样本，其储层参数可以表达为 1 1 exp[ ,] exp[ ,] n ii i n i i LD x x L x D x x        其中， 2 1 , m jij i j xx D x y        表示属性向量 x 到 第 i 个训练样本之间的 n 为空间距离；训练网络的 目的是确定 j ，确定 j 的准则是整个网络的校验 误差最小。所谓的校验误差是针对训练集中的样本 而言的，某个样本的校验误差是样本储层参数值与 估计值之间的差值，该估计可表达为 exp[,] exp[,] n imi i m mm n mi i m LD xx Lx D xx        PNN 既可应用于离散型数据如岩相又可应用 于连续性数据如各种测井曲线和孔隙度、渗透率 等。它直接考虑样本空间的概率特性，以样本空间 的典型样本作为隐含层的节点，一经确定就不需要 进行重新训练，只要根据实际问题进行样本的追加 就可以，大大缩短了样本训练时间。另外，PNN 网 络稳定性好，无论分类问题多么复杂，只要有足够 多的训练数据，它的结果总收敛于 Bayes，得到优 化解，还具有一定的抗噪性能可以包容一定的错误 样本。PNN 网络具有计算精度高，结构简单，收敛 速度快等特性，得到广泛应用。 3.2反演流程 常规三维地震数据反演均需建立准确的地质模 型，且地质模型的准确与否直接影响反演结果，而 地质模型的建立又与地震解释层位、断层的解释精 度紧密相关。这就使得反演过程更加复杂化，其结 果的稳定性受多种因素影响而使得反演结果变得不 令人信服。PNN 概率神经网络反演相比常规地震反 演方法具有以下优势实现了多种测井属性特征数 据体的预测；无需建模，即不依赖于正演模型；不 需要已知地震子波； PNN 概率神经网络反演属于 非线性变换，预测结果更加准确，分辨率得到了很 大的提高[6-11]。PNN 概率神经网络反演流程见图 3。 图 3叠后三维地震 PNN 概率神经网络反演流程图 Fig.3The flow chart of PNN neural network use after stack seismic data 3.3参数测试 通过属性组合分析与 3、5、7、9、11、13 不同 褶积算子长度进行测试， 从交叉验证图图 4可以看出 不同长度的褶积算子对应的属性个数与验证误差的变 化趋势基本相同。即均有一个极小值点，也就是前面 所述的临界点。超过临界点后，验证误差随属性个数 的增加而增大，即出现过度匹配的现象。其中褶积算 子为 7， 属性数为 5 时预测误差达到最小， 5 个属性组 合为加权振幅的余弦相、 加权振幅的频率、 平均频率、 25/3035/40 带通分量、15/2025/30 带通分量，褶积 算子 7、 5 个属性组合获得的神经网络的训练误差及检 验误差的平均值小于 0.251API表 1。 ChaoXing 增刊 1刘最亮等 PNN 概率神经网络反演技术预测煤层顶板岩性53 图 4不同长度褶积算子、属性个数与预测误差的变化图 Fig.4The Variation of Predication with different length convolution and the number of attributes 表 1属性优选结果 Table 1The results of fine attributes 地震属性训练误差/API检验误差/API 加权振幅的余弦相0.2510.251 加权振幅的频率0.2130.217 平均频率0.1990.206 25/3035/40带通分量0.1950.205 15/2025/30带通分量0.1920.202 3.4反演成果 根据神经网络反演流程， 对全区进行 PNN 概率 神经网络反演，最终得到反映全区砂泥岩分布的自 然伽马数据体。 对比实见构造软煤分布剖面与自然伽马分布分 析，图 5 为 XLine830 自然伽马剖面，上部等值线为 实际揭露的构造软煤厚度等值线。反演自然伽马剖 面中， 该剖面 15 号煤层顶部围岩的自然伽马值有四 图 5Xline830 线 PNN 反演自然伽马剖面 Fig.5The profile of PNN inversion results of Xline830 段相对低值红黄色，也即泥质含量低，岩性更近 似砂岩，且四段砂岩段均分布在实见构造软煤发育 的区域，尤其是实际揭露糜棱煤发育区图 5 右侧； 自然伽马反演剖面上显示，其上覆厚度较厚的砂岩 体，该区域的自然伽马特征明显有别于其他区域。 可见 15 号煤层顶板岩性的不均衡对研究区构造软 煤发育有一定的控制作用。 3.515号煤层顶板岩性预测 图 6为研究区 15号煤层上部围岩自然伽马分布 平面图，图中蓝色线为实测糜棱煤厚度等值线，绿 色线为实测碎粒煤厚度等值线其中等值线急剧变 化的区域，实见构造软煤厚度在 1 m 左右，紫色线 ChaoXing 54煤田地质与勘探第 46 卷 为煤巷实见构造软煤碎粒煤糜棱煤插值等值线。 通过自然伽马平面属性分析可知 研究区 15 号煤层 构造软煤发育区域，其煤层顶部岩石自然伽马值多 较低红黄色，也即砂岩较为发育。也就是说，煤 层顶部砂岩发育区域预测成果可以间接指示构造软 煤发育区域；研究区中部由于断层和向斜构造引起 的自然伽马值低区域，本次顶板岩性研究不讨论该 区域。 图 6寺家庄中央盘区 15 号煤层上部围岩自然伽马平面分布图 Fig.6Map of natural Gamma of upper No.15 Coal seam in central panel of Sijiazhuang Coalmine 4结 论 a. 山西阳泉寺家庄矿 15 号煤层构造软煤发育 区多伴随着煤层上部砂岩局部发育，煤层上覆围岩 岩性不均衡是形成构造软煤的主要因素之一。 b. PNN 神经网络反演对山西阳泉寺家庄矿 15 号煤层上覆围岩的岩性分布进行了预测，预测结果 与采掘揭露的实际发现相吻合，可作为煤层构造软 煤预测的一种辅助手段。 参考文献 [1] 栾颖， 冯晅， 刘财， 等. 波阻抗反演技术的研究现状及发展[J]. 吉林大学学报地球科学版，2008，381194–97. LUAN Ying，FENG Xuan，LIU Cai，et al. The research present and future of wave impedance inversion technique[J]. Journal of Jilin UniversityEarth Science Edition，2008，381194–97. [2] 罗忠琴，林建东，刘鹏. 常村煤矿 3煤层煤与瓦斯突出危险 区地球物理预测方法[J]. 中国煤炭地质，2016，28168–74. ChaoXing 增刊 1刘最亮等 PNN 概率神经网络反演技术预测煤层顶板岩性55 LUO Zhongqin，LIN Jiandong，LIU Peng. Coal No.3 coal and gas outburst hazard area geophysical prediction in Changcun coalmine[J]. Coal Geology of China，2016，28168–74. [3] 张宝水. 地震参数反演及其在岩性解释中的应用[J]. 山东地 质，2002，18145–49. ZHANGBaoshui.Seismicparametersconversionandits application in rock property explanation[J]. Shandong Geology， 2002，18145–49. [4] E Robein， 刘立林. 利用反演进行岩性地层解释一种综合 的方法[J]. 国外油气勘探，1992，4464–71. ROBEIN E ， LIU Lilin. The use of inversion for lithology stratigraphic interpretationA comprehensive [J]. Oil and Gas Exploration Abroad，1992，4464–71. [5] 彭刘亚， 崔若飞， 张亚兵. 概率神经网络在地震岩性反演中的 应用[J]. 煤田地质与勘探，2012，40463–65，70. PENG Liuya ，CUI Ruofei，ZHANG Yabing. Application of probabilistic neural network in seismic lithological inversion[J]. Coal Geology Exploration，2012，40463–65，70. [6] 彭刘亚， 崔若飞， 仁川. 多参数岩性地震反演在识别煤层顶板 砂岩中的应用以新景煤矿为例[J]. 地球物理学进展， 2013，2842033–2039. PENG Liuya ， CUI Ruofei ， REN Chuan. Application of multi-parameter lithological seismic inversion in identifying sandstone of coalbed roof in Xinjing coalmine as an example[J]. Progress in Geophysics，2013，2842033–2039. [7] 程国建， 周冠武， 王潇潇. 概率神经网络方法在岩性识别中的 应用[J]. 微计算机信息，2007，236-1288–289. CHENG Guojian ， ZHOU Guanwu ， WANG Xiaoxiao. The probabilityneuralnetworksforlithologyidentification[J]. Microcomputer Ination，2007，236-1288–289. [8] 吴俊林， 曾江辉. PNN 神经网络在地震反演中的应用[J]. 内蒙 古石油化工，2011125–27. WU Junlin，ZENG Jianghui. Application of probabilistic neural networks in seismic inversion[J]. Inner Mongolia Petro Chemical Industry，2011125–27. [9] 杨立强，宋海斌，郝天珧. 基于 BP 神经网络的波阻抗反演及 应用[J]. 地球物理学进展，2005，20134–37. YANG Liqiang，SONG Haibin，HAO Tianyao. Application of impedance inversion based on BP neural network[J]. Progress in Geophysics，2005，20134–37. [10] 王晶，杨懋新，刘金平. 基于 PNN 神经网络的地震属性反演 技术[J]. 科学技术与工程，2011，11276539–6543. WANG Jing，YANG Maoxin，LIU Jinping. Attribute seismic inversions based PNN neural network[J]. Science Technology and Engineering，2011，11276539–6543. [11] 王恩营，殷秋朝，李丰良. 构造煤的研究现状与发展趋 势[J]. 河南理工大学学报自然科学版，2008，273 278–293. WANG Enying，YIN Qiuchao，LI Fengliang. Research state and its development trends of structure coal[J]. Journal of Henan Polytechnic UniversityNatural Science， 2008， 273 278–293. [12] HAMPSON D P，SCHUELKE J S，QUIREIN J A. Use of multi-attribute transs to predict log properties from seismic data[J]. Geophysics，2001，661220–236. [13] LI Juanjuan，CUI R F，PAN D M，et al. Coalfield seismic inversion using probabilistic neural network[J]. Progress in Geophysics，2012，272715–720. ChaoXing