BP神经网络在煤相预测分析中的应用.docVIP

BP神经网络在煤相预测分析中的应用 　　【摘 要】应用煤相分析完成煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法，然而复杂多样的成煤环境导致不同的层位（纵向上）和不同地区（平面上）的煤相特征存在明显差异，使用传统方法很难实现快速准确的煤相描述，本文采用BP神经网络的方法，利用其较强的自适应非线性学习能力，建立了煤相神经网络模型，并进行了网络训练及预测。结果表明，BP神经网络预测值与实际值非常吻合，从而为煤相研究提供了一种高效准确的方法。 　　【关键词】BP神经网络模型； 煤相； 训练； 预测 　　煤相最早是由前苏联学者热姆丘日尼科夫于1951年提出的，定义为煤的原始成因类型?即一定泥炭沼泽环境下形成的煤成因类型和煤岩类型[1]。应用煤相分析实现煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法，然而成煤环境中不同的层位（纵向上）和不同地区（平面上）的煤相特征存在明显差异，野外露头观察、薄片分析等地质方法工作量巨大，而传统数学归纳统计方法又很难准确描述，因此寻找到一种高效、准确的方法成为亟待解决的问题。 　　1 煤相分析参数及类型划分 　　1.1 煤相分析参数 　　不同煤相反映出泥炭沼泽的覆水深度?水介质的酸度?氧化还原电位?堆积方式和成煤植物种类等成煤环境的不同，可通过凝胶化指数（GI）、植物保存指数（TPI）、镜惰比（V/I）、流动性指数（MI）和森林指数（WI）五个煤岩学参数反映。 　　凝胶化指数GI反映泥炭沼泽的覆水程度，高值表明环境相对潮湿，低值则相对干燥，一般以4为界。 　　植物保存系数TPI是古代植物遗体遭受微生物降解程度的反映，在一定程度上反映PH的高低。 　　一般镜惰比（V/I）是成煤泥炭遭受氧化程度的参数，小于1.0反映成煤泥炭层暴露于氧化环境。 　　流动性指数MI是水流动介质和相对停滞介质的比值，可以反映成煤环境水体的流动性，一般大于0.4表明为流动相。 　　森林指数WI反映了成煤环境的森林情况，大于0.5表示为森林沼泽[2]。 　　1.2 煤相类型划分 　　根据成煤环境中煤相参数的划分依据，结合实际沉积环境的沉积相分析研究，将煤相特征划分为如下三类：干燥泥炭沼泽、森林泥炭沼泽和活水泥炭沼泽。 　　干燥泥炭沼泽类型反映高位干燥森林沼泽，包括潜水条件或者水下短时间干燥的氧化沼泽，该煤相广泛发育于辫状河三角洲等沉积环境。 　　森林泥炭沼泽体现极为潮湿、覆水较深的森林面貌，植物遗体遭受分解破坏弱，水流活动差，该煤相广泛发育于上三角洲平原等沉积环境。 　　活水泥炭沼泽反映处于流动的水动力条件，微生物活动强烈，强覆水的沼泽泥炭环境，该煤相广泛发育于三角洲间湾等沉积环境[3]。 　　其中在森林泥炭沼泽相发育地带，煤层厚度大且分布稳定，是煤层气生成有利地带，同样，煤储层物性也发育良好，有利于煤层气聚集成藏地带。 　　2 BP神经网络概述 　　BP神经网络（Back-Propagation Neural Networks）是一种典型的多层神经网络，由输入层、中间层和输出层组成，其学习过程包括正向传播和反向传播两部分，在正向传播中，信号从输入神经元传入，传播到各隐层神经元，经过激活函数输出，传播到输出层；判断误差函数的最小值，如果达不到所要求的精度，则自动转入反向传播，通过修改学习率、学习步长等参数，调整输出层与隐层、隐层与输入层之间的连接权值，重新进行正向传播，反复训练，直到误差函数达到所要求的精度为止，此时网络模型自动将各层连接权值加以保存，用于对未训练样本值进行预测[4-5]（图1）。 　　图1 BP神经网络示意图 　　Fig.1 Back-Propagation Neural Networks 　　BP神经网络模型中输入层节点和输出层节点根据需要求解的问题、数据而定，隐层数一般在1到3之间，隐层节点数目前只能根据经验公式获得，根据Komogorov理论，一个具有n 个节点输入层，隐层节点数为2n+1。 　　输入层各节点数据的量纲差异往往对网络训练和预测结果会产生影响，，因此首先要对数据进行归一化处理，使数据经过归一化后全部分布在[0，1]区间内。数据标准化处理有如下几种： 　　（1）X’（i）=，（2）X’（i）=，（3）X’（i）=，本文采用方法（3）。 　　3 使用BP神经网络算法进行煤相预测 　　图2 学习次数与误差分析关系图 　　Fig.2 Learning times and error analysis 　　3.1 BP神经网络模型建立 　　选取凝胶化指数（GI）、植物保存系数（TPI）、一般镜惰比（V/I）、流动性指数（MI）、森林指数（WI）作为输入层节点变量；输出层划分为三个节点：干燥泥炭沼泽相、活