多属性神经网络反演预测煤层顶板岩性_刘文明.caj

Seismic multi-attributes inversion using neural network and its application in predicting lithology of coal seam’s roof
LIU Wenming1,2, LIU Wanjin2, PEI Gendi1
(1. Xi′an Research Institute, China Coal Technology and Engineering Groop Corp, Xi′an 710077, China; 2. China University of Mining and Technology (Beijing), State Key Laboratory of Coal Resource and Safety Mining, Beijing 100083, China) Abstract: The lithology of coalbed’s roof has huge impact on the safe mining. Through training the data of seismic attributes(including P-impedance) and gamma ray logging data by neural network algorithm, we can get the nonlinear relationship of them, then we apply the nonlinear relationship to the whole seismic data volume and get pseudo gamma ray data volume. Compared to P-impedance, the gamma ray data can better distinguish the sandstone and mudstone, therefore, we can predict the lithology of coalbed’s roof more directly and accurately, also improve the resolution on lithology prediction issues. Key words: lithology of coalbed’s roof; seismic attributes; neural network; gamma ray logging
随着煤矿采区三维地震勘探技术的发展，很多 学者将三维地震叠后反演技术应用于揭示煤层顶板 岩性变化、稳定性和煤层本身结构问题等，得到了 较好的效果。如彭苏萍等 利用测井约束反演方法 得到了高分辨率波阻抗剖面；根据波阻抗差异转换 得到煤层厚度。邹冠贵等 测灰岩的含水性。孔炜等
[2-3] [1]
煤田地震反演中的应用。彭刘亚等 [8] 利用概率神经 网络技术对研究区进行孔隙度预测，进而研究构造 煤发育和瓦斯赋存情况。 由于砂泥岩的波阻抗属性重叠性很大，其预测 岩性有一定局限性。通过多属性反演可以直接得到 诸如拟密度体及拟自然伽马体等，可以直接预测煤 层顶底板岩性。
· 104 ·
煤田地质与勘探
第 44 卷 a． 对目标测井属性与地震属性进行多元线性逐
响应之间的统计关系，其关系可能是线性的或者非 线性的。基于神经网络的多属性反演要大大优于基 于多线性回归的多属性反演，其得到自然伽马测井 与地震属性 ( 包括波阻抗属性 ) 之间的非线性关系， 大大提高了两者的拟合度。 神经网络是一种通过神经网络结构功能实现数 学内插的方法[10]，此过程中通常需要人为干预[11]。网 络训练数据包含一系列的训练样本，文中样本为一定 分析时窗内的测井数据及相应井旁地震道地震属性及 其他属性，假设样本中有m个属性，采样长度均为n： 映射
摘要 : 煤层顶板岩性对于煤矿安全生产产生很大的影响。通过神经网络方法对自然伽马测井与地 震属性 (包括波阻抗属性 )进行训练得到两者的非线性关系， 并将其应用到整个地震数据中得到拟自 然伽马体。相对于波阻抗属性，自然伽马参数可以很好地区分砂泥岩，从而更直接预测煤层顶板 岩性，提高岩性预测的分辨率。 关 键 词 ： 煤层顶板岩性；地震属性；神经网络；自然伽马测井 文献标识码 ： A DOI: 10.3969/j.issn.1001-1986.2016.01.020 中图分类号 ： P631
多元线性逐步回归测试结果
Testing results of muti-linear stepwise regression
属性会有所不同。 式 (1)和式 (2)描述了 PNN 网络的适用情况。网 络训练需要确定最优平滑参数 j ，其标准是网络校 验误差最小原则。定义第 p 个目标样本的校验结果 为：
n i 1

exp D x p , xi
n i p
(3) 依据上式可得到当去除第 p 个目标样本时第 p 个样本的预测值， 从而可以计算该样本的预测误差。 对每个训练样本计算预测误差则可得到训练数据的 总预测误差：
ˆ EV 1 , 2 , 3 Li L i
提出了通过波阻抗反演 通过多属性反演得到了
预测煤层孔隙度的方法，并且利用递推反演方法预
[4-5]
煤田拟声波 三维数据体 以及预测了 煤层的空间 分 布。秦轲等 [6] 通过概率神经网络反演得到煤层顶板 视电阻率以及孔隙度，然后利用这两个属性划分该 层的突水程度。李娟娟等 探讨了概率神经网络在
[7]
1
ˆ x L exp D x , x L m m i p i
i p n
b. 将得到的最佳属性组合输入到神经网络算法 中进行训练。神经网络存在“过度训练”现象，此时得 到的非线性关系就会变得不准确。 也就是说， 在井点 的位置是非常吻合的，在远离井点的区域误差较大。 通过交叉验证技术可以解决这个问题。 在进行交叉验 证过程中， 将训练阶段的井逐个移除， 然后利用剩余 的井得到非线性关系对移除的那口井进行验证。 交叉 验证后得到的相关性可以判断网络被训练的程度。 图 2 为 P-X 矿井点自然伽马测井通过概率神经 网络训练后及交叉验证后的相关性结果。通过概率 神经网络训练得到的相关系数为 0.93，平均误差为 14.7 API；进行交叉验证后得到的相关系数为 0.76，
· 105 ·
图2
Fig.2
概率神经网络训练及交叉验证结果
The results of (a) training and (b) cross-validation using PNN
3
实例分析
P-X 矿位于西山煤田东南部， 含煤地层为石炭 –
切片对煤层顶板岩性纵向变化和平面分布进行有效 预测。
二叠系，可采煤层从上往下分别为 2、 6、 8 和 9 号 煤层，区内主要发育陷落柱以及走向为 NW 向的断 层。煤层顶板岩性对于煤矿安全生产有着重要的意 义。一般来说顶板岩性为泥页岩时稳定性较差，容 易引 起垮塌，易造成 设备甚至是 人员损伤， 煤层 顶板为砂岩时则稳定性较好；顶板岩性在纵向上 的变化也对煤矿生产安全有很大影响， 如煤层顶板 为砂泥岩薄互层时，因为岩层之间胶结较差会容易 引起顶板冒落，而如果煤层顶板单层岩性较厚则较 为稳定。 以 2 号煤层为例，图 3 为工区内钻孔处 2 号煤 层顶板岩性柱状图。可以看出， 2 号煤层直接顶板 岩性主要为泥岩和砂质泥岩，除 w11 和 s7 钻孔，其 他钻孔在纵向上表现为砂泥岩薄互层，且向上砂质 明显增多。由于区内钻孔揭露 2 号煤层顶板岩性未 见灰岩，从而可以在岩性预测中不考虑灰岩。由于 2 号煤顶板岩性纵向变化较大且没有明显的规律， 这导致井间顶板岩性预测难度加大。 自然伽马测井对于识别砂泥岩比较敏感，一般 而言，泥岩的自然伽马高，而砂岩的低。通过多属 性神经网络 反演可以得 到精度较高 的拟自然伽 马 体，然后利用拟自然伽马体的时间剖面和沿层时间
多属性神经网络反演
Schultz[9] 首先提出了利用地震多属性预测远离
井点的测井参数。在井点处的地震响应和测井参数 为已知的前提下，可以建立井点处地震响应和测井
收稿日期 : 2014-11-07 基金项目 : 国家自然基金项目 (U1261203)；国家十二五科技支撑计划 (2012BAB13B01， 2012BAC10B03) Foundation item：National Natural Science Foundation of China(U1261203)；The National Science and Technology Pillar Program in the Twelfth Five-year Plan Period(2012BAB13B01， 2012BAC10B03) 作者简介 : 刘文明 (1990— )，男，山东临沂人，硕士，从事三维地震资料解释与反演研究 . E-mail： liuwm0506@. 引用格式 : 刘文明，刘万金，裴跟弟 . 多属性神经网络反演预测煤层顶板岩性 [J]. 煤田地质与勘探， 2016， 44(1)： 103–106. LIU Wenming ，LIU Wanjin ，PEI Gendi. Seismic multi-attributes inversion using neural network and its application in predicting lithology of coal seam’s roof[J]. Coal Geology & Exploration， 2016， 44(1)： 103–106.


2
(4)
平均误差为 25.5 API。 c. 将概率神经网络得到的非线性关系应用到 整个地震数据中得到目标测井属性体，然后对拟自 然伽马体进行煤层顶板层位追踪，并做连井剖面和 沿层切片分析等。
2
多属性神经网络反演主要过程
多属性神经网络反演主要包括 3 个步骤。