三种声波测井曲线预测方法对比分析.docVIP

三种声波测井曲线预测方法对比分析 　　摘 要：随着科学技术的快速发展，煤矿地震检测技术也在不断的完善中。为了能够提高检测的准确性，通过大量的实践经验总结，当前主要的检测方法包括经验公式法、神经网络法、地震属性分析法。这三种方法的作用以及优势都各不相同，检测结果也不同，文章就从预测方法方面来阐述这三种检测手段的应用特点，以及检测结果的精确程度，希望能够给相关人士一定的借鉴。 　　关键词：声波测井曲线；预测方法；分析 　　以某煤田研究区为例，对比研究上述三种预测方法。某煤田采区勘探面积为23.325km2。主要研究煤层为13-1，11-2，8，6-2，1煤，其埋藏深度大致分布于500～900m之间，并作为此次研究的分析窗口。研究区内共有64口测井，且均匀分布于研究区的各个位置。经统计，每口井都有密度曲线，但只有29口井包含速度曲线，可以作为此次研究的训练样本和目标。 　　1 预测方法的应用 　　1.1 经验公式法的应用 　　因为所有的矿井都能够形成一定的密度曲线，而这种曲线能够反映出地层的状态，所以我们可以通过观察这些曲线了解地层的变化，预测出地震的情况。我们可以对这二十个矿井通过Gardner公式法来计算出具体的密度曲线，并通过计算机的计算得到相应的预测值。任意选择一口矿井，通过经验公式法来预测出声波曲线，把曲线的结果和原始的测算曲线放在一个窗口下进行分析，主要是看两个测算结果中速度的交汇点。通过计算机来测量两个曲线之间的相关性，得出的系数为0.336。从这个数值中我们可以看到二者之间的相关性是非常小的，可见这种测量方法的曲线精确度不高。不过这种方法的优势就是操作比较简单，可以在一些地形比较复杂，误差可以在一定范围内的情况下使用。 　　1.2 地震属性分析法的应用 　　利用地震属性预测声波曲线，首先需要导人三维地震数据体。在本例中，地震数据体共包含1109条inline线和1819条crossline线，间隔为5m。然后，建立好几何网格，使得地震数据和测井曲线能位置统一。以已知的29口井作为训练样本，抽取复合地震道，并对其进行转换运算，得到多种体属性值。同时利用基于模型反演获得的波阻抗体，提取出外部属性值（外部属性用ex-attr来表示）。最后建立地震属性与井数据的线形关系，其中部分关系如表1所示。分析窗口为13煤和1煤之间的区域。 　　从表1中可以看出，最佳的属性表达式为Log（ex-attr），属性运算的误差率最低，且相关系数大约为0.50，相对比较高。因此选取其作为单属性分析的结果。10-8井、10n-17井、11-10井，三口井单属性分析预测结果：相关系数=0.500134；平均误差=602.441。多属性分析是在单属性分析的基础上，利用逐步回归法进行分析与计算。在本例中，使用的最优褶积算子长度为10，获得的分析结果如表2所示。 　　在表2中，每一行代表一个多属性变换，且此变换包含了上面所有行的属性变换。多属性分析预测结果显示：相关系数=0 658744；平均误差=523.422。在采用地震属性分析法的时候，由于需要的训练时间比较长，则可能产生训练过度的问题，这就需要通过训练来减少误差的产生。通过表2我们也可以看出，过度训练只是该种测量方法中的一种情况，也就是说增加测量属性能够简单的测量出曲线中的一些细节，不过也可能适得其反，产生一些不好的结果。当前已经产生了针对解决这一问题的方法，就是交叉验证。 　　1.3 神经网络法的应用 　　这种方法主要就是对预测结果的多属性转换进行更加深入的测量和分析。在上述例子中，可以把表2中的前七种属性直接输入到电脑中，并通过声波曲线对照后再输出，这样就能够建立神经网络的具体结构。通过输入值和输出值之间的对比，我们可以看到二者之间存在着一定的误差，不过这种误差和上述两种方法比已经是最小值了。在网络的方差达到一定的精度时，就结束整个网络训练。本例中对于MLFN，根据误差最小原则，确定出隐含层节点数为46，共轭梯度迭代次数为100，总的迭代次数为10。对于PNN，确定出σ因子数量为25，σ因子取值范围为0.1～3.0，共轭梯度迭代次数为20。最后利用训练好的两种网络，对非目标声波曲线分别进行预测，得到的预测结果：MLFN的相关系数=0.730526；平均误差=495.072。PNN的相关系数=0.787698；平均误差=449.863。 　　2 结果对比分析 　　利用三种预测方法对整个研究区内的声波速度曲线进行了预测，并得到了不同精度的预测结果，随机挑选其中一口井作对比，采样率选为2ms，其预测结果：经验公式法相关系数为：0.355；单属性分析法相关系数为：0.783；多属性分析法相关系数：0.838；MLFN相关系数为：0.891；PNN相关系数为：0.91