• (010)84657853 84657852 84657855 84658665
  • (010)84657900
  • mt@zgmt.com.cn
  • 北京市朝阳区芍药居35号中煤信息大厦(100029)

★ 智慧矿山 ★

人工监督神经网络在煤层裂缝发育区识别中的应用

仇念广

(中煤科工集团重庆研究院有限公司,重庆市九龙坡区,400039)

摘 要针对在地震属性应用中难以精细识别煤层裂缝发育区边界的难题,开展了基于人工监督神经网络技术的煤层裂缝发育区应用研究。从地震资料中获取倾角导向体以提取高质量的地震属性,以多属性为指导进行人工拾取样点,并基于多层感知器进行神经网络机器训练学习,建立裂缝的最优属性集,拓展整体数据后获得裂缝概率体,从而识别划分出煤层裂缝发育区。该技术在山西阳泉新元矿区进行了应用,煤层裂缝发育区的识别结果明显优于属性直接识别,但勘探区内暂无钻井资料,预测效果还有待进一步验证。

关键词 人工监督神经网络 机器训练学习 地震属性 裂缝发育区

煤层开采中存在粉尘、瓦斯爆炸、透水、火灾、冒顶等各种灾害,其中瓦斯、水害、冒顶与地质构造条件密不可分。煤层瓦斯富集与裂缝具有明显的伴生关系[1]。因此,研究煤层裂缝发育条件,对于煤矿安全生产可以提供技术保障。对于煤层裂缝的研究,主要以地质分析为主,如钻井取芯、井下取样分析等。近年来,利用三维地震数据也开展了属性分析[2]、各向异性分析[3]等相关技术的研究,尤其是基于地震属性分析的裂缝识别技术发展较为迅速。其中,相干、曲率、蚂蚁体、倾角、方差等多属性应用效果较好[4]。此外,多属性优选分析、多属性叠合、多属性融合等应用技术也得到了应用推广。但是,单一的地震属性或者简单直接的叠合、融合,对于识别断层等明显断裂构造具有一定的应用价值,却难以划分煤层的裂缝发育区,不足以更精细地研究瓦斯富集条件。Heggland[5]、Meldahl[6]提出的有监督的神经网络技术在地震勘探中取得了一定的应用效果,可识别气焰囱、盐丘等地质体。尤其进入“互联网+”时代以来,随着人工智能技术的发展,基于神经网络运算的机器学习得到了快速进步,在油气与非常规能源勘探领域也进一步得到推广应用。基于此,为能够更精细识别划分煤层裂缝发育区,利用三维地震资料,基于人工监督神经网络算法的机器训练学习技术,针对山西阳泉新元矿区中部采区3#煤层开展了裂缝发育区识别技术的应用性研究。

1 人工监督神经网络识别流程

人工监督神经网络技术自20世纪90年代提出以来,在多领域得到了应用,尤其在油气勘探领域。其主要思路是以地震数据为基础,根据需求目标,通过人工拾取定义“是”、“非”数据,从而获得样本数据。然后针对样本数据提取多种地震属性,进行神经网络运算,从而得到最优属性集。最后将最优属性集应用至整个数据体,从而得到研究的目标体。其主要流程如图1所示。

图1 人工监督神经网络裂缝识别流程

2 人工监督神经网络分析

2.1 倾角导向体

人工监督神经网络裂缝发育区技术是基于地震属性能够识别断裂构造这一特征而应用发展起来的。断裂构造地震属性识别主要是利用了属性可突出地震反射同相轴不连续性的特点。倾角导向体是基于构造、地层导向,以全体数据、全方位、全区的控制提取倾角、方位角而获得的数据体[7]。对于每一样点数据,在属性提取中,以线、道各个方向的倾角、方位角为导向控制如图2所示,获得的属性等数据更为丰富,也更符合实际地质条件,避免了穿层现象,具有全局性、真实性的特点。

图2 倾角导向控制示意图

2.2 样点人工拾取

人工拾取样本数据的优劣直接影响着后期神经网络训练结果[8],因此,样本拾取中,可以充分利用相干、曲率、蚂蚁体等对于裂缝识别效果较好的多属性叠合成果拾取样本。人工判定裂缝则定义为“是”,非裂缝发育则定义为“非”。通过拾取从而获得“是”、“非”两组样本数据库,如图3所示。样本拾取中有一定的人为主观性,因此在拾取中不仅要依靠前期地震成果资料,也需要对研究目标的深度认知,掌握区域内的断裂发育规律,从而提高拾取样本质量,做到精确的人工监督。

图3 人工拾取样本点

2.3 神经网络运算

获得两组样本数据后,再进行神经网络运算,即机器训练学习。首先将“是”、“非”样本数据随机抽取一定比例,再分别随机分配为训练学习组和结果测试组,从而降低人为主观误差。

人工监督神经网络是基于多层感知器(MLP)的运算。运算中,输入元xi对输出元的权重为wi,则权重函数W为:

(1)

由激励函数可确定是否保留输出,即1输出、0不输出,激励函数为:

(2)

多层感知器构建了输出层、隐含层、输出层的网络运算体系[9]。首先,对输入层进行循环反复识别,从而建立不同层次的隐含层,根据需要可设定隐含层的层数。模糊识别运算在反复不停进行,直至达到要求后停止训练,从而确定输出层,最后应用至全部数据体后输出目标体,即裂缝发育概率体,如图4所示。该概率体为无量纲数据体,其值越大则表明裂缝发育的可能性则越大。

图4 人工监督神经网络结构图

在机器训练学习中,如何界定训练效果是否达到需求标准,主要依靠误差分析完成。分别提取训练学习组和结果测试组各样点的地震属性值,统计分析归一化均方根误差和误分类百分比,即:

式中:Ai——样点i的输入属性值;

Bi——样点i的预测属性值;

n——样点数;

σrms——输入属性值与预测属性值的归一化均方根误差;

C——误分类百分数,%;

n1——机器训练学习后建立的标准判定为裂缝发育的样点错误数;

n0——判定为裂缝欠发育的样点错误数。

在训练学习中,训练组和测试组的归一化均方根误差和误分类百分数一般逐渐走低,当误分类百分数不再减小,并且均一化均方根误差百分数最小、训练组与测试组的间距不扩大时,达到了最优训练结果,应当终止训练学习,如图5所示。若停止训练,均一化均方根误差则会增加,曲线逐渐上翘,训练组与测试组差距变大,此时训练过度,效果欠佳,需要返回重新训练测试。达到最优训练结果时,神经网络节点中每一种地震属性均有对应的权重值,权重越大则属性对断层的响应越强,即属于敏感属性[10],可保留从而建立最优属性集,将该最优属性集运用于全部数据,则可得到裂缝概率体数据,即值越大,裂缝越发育,以概率值较为集中的区域即可划分出裂缝发育区。

图5 神经网络机器训练学习

3 应用实例

山西阳泉矿新元矿区瓦斯灾害严重,属突出矿井,瓦斯灾害治理需求较大,研究煤层瓦斯富集区对于安全生产意义重大。裂缝的发育条件对于瓦斯富集有着至关重要的影响。明确煤层裂缝发育区不仅可以为安全生产提供地质指导,更有利于煤与瓦斯防突工作的前期预判。

研究区位于山西阳泉新元矿区中部,属沁水煤田北翼,整个井田为近WE走向、S倾向的单斜构造。目的层3#煤层倾角为2°~9°,构造以小断层及陷落柱为主。

依据地震资料解释成果可知,井田内发育1个陷落柱和5条断距不超过5 m的正断层,构造简单。3#煤层沿层属性如图6所示。由图6可知,地震相干属性较为均匀,煤层反射同相轴连续,相干属性一致性较好,这表明3#煤层并无大断层发育。但是,最大正曲率、最小负曲率、蚂蚁体则较为零碎,表明煤层裂缝较发育。地震解释成果表明,3#煤层主要以小尺度的裂缝发育为主。直接依据地震属性难以圈定裂缝的发育范围,多属性的叠合则更为杂乱,范围边界划分识别难度大。

图6 3#煤层沿层属性

通过神经网络运算,归一化均方根误差可降至0.6~0.75,低于最高标准0.8[8];此时,误分类也在15%左右,低于最高标准20%,运算结果可以接受,如图5所示。此时,优选出振曲率、相干、蚂蚁体、复地震道、倾角、相位、能量等属性集。最后可获得煤层裂缝发育概率结果,从而划分出概率较为集中的区域,即为裂缝发育区,如图7所示。

人工监督神经网络运算识别结果与属性分布情况进行对比分析,将预测范围与曲率、蚂蚁体叠合,预测的范围与属性分布具有一定的一致性,如图8所示。识别结果明显优于属性的直接识别。图7识别成果显示,勘探区内中部、北部裂缝较发育,而中部偏东南、中部偏西南两个方向裂缝欠发育。裂缝发育区域面积占比达70.35%,勘探区内裂缝较为发育。但是,勘探区内暂无钻井资料,也未开拓掘进,其预测效果有待进一步验证。

图7 神经网裂缝发育区识别结果

图8 识别效果分析

4 结论

(1)人工监督神经网络相对于单一属性,能够更精细、更清晰地识别煤层裂缝发育区,对于裂缝发育区域范围边界识别能力更强。在一定程度上降低了多解性、提高了解释精度。

(2)应用实例表明,勘探区中部、北部裂缝较发育,中部偏东南、中部偏西南两方向裂缝欠发育。

(3)裂缝识别结果没有地质资料的佐证,其预测的准确性有待验证,但作为采区前期地质及安全分析,可以作为一种参考,为后期开拓掘进提供地质指导。

参考文献:

[1] 袁军伟.灰岩裂隙发育区瓦斯异常涌出原因及防治技术研究[J].中国煤炭,2014,40(1):98-101.

[2] 王飞,程礼军,刘俊峰等.叠后地震属性识别页岩气储层裂缝研究及应用[J].煤田地质与勘探,2015,43(5):113-116.

[3] 尹志恒,魏建新,狄帮让等. 利用Q值各向异性识别裂缝走向[J].石油地球物理勘探,2011,46(3):429-433.

[4] 仇念广.叠后地震多属性分析在煤层裂缝识别中的应用[J].能源与环保,2019,41(7):111-115.

[5] Heggland R. Gas seepage as an indicator of deeper prospective reservoirs: study based on exploration 3D seismic data [J]. Ma-rine and Petroleum Geology,1998,15: 1-9.

[6] Meldahl P,Heggland R,Bril B,et al. Identifying fault and gas chimneys using multi-attributes and neural networks [J]. The Leading Edge of Geophysics,2001,20(5): 474-482.

[7] 高磊,陈文雄,薛明星.渤海A油田气烟囱识别及其研究意义[J].物探与化探,2016,40(4): 675-680.

[8] 杨瑞召,李洋,庞海玲等.倾角导向体控制的气烟囱识别技术及其在海拉尔盆地贝尔凹陷中的应用[J].现代地质,2013,27(1):223-230.

[9] 尹川,张金淼,骆宗强等.气烟囱模式识别技术在油气运移通道检测中的应用[J].地球物理学进展,2014(3):1343-1349.

[10] 刘伟,陈学华,贺振华等.基于倾角数据体的神经网络气烟囱识别[J].石油地球物理勘探,2012,47(6):937-944.

Application of artificial supervised neural network in identification of fracture development area in coal seam

Qiu Nianguang

(China Coal Technology & Engineering Group Chongqing Research Institute, Jiulongpo, Chongqing 400039, China)

Abstract Aiming at the puzzle that it was difficult to identify the boundary of seam fracture development area accurately by seismic attributes, the applied research of artificial supervision neural network technology was carried out. The dip steering from seismic data was help for the high-quality seismic attributes, and the neural network machine training and learning based on multi-layer perceptron was conducted after picking the sample points manually guided by the multiple attributes, and the optimal set of seismic attributes was established, and then the coal fracture development area could be recognized and divided up through developing the overall seismic data and achieving the fracture probabilistic volume. The application in Shanxi Yangquan Xinyuan coal mining area showed that the recoginition result of coal seam fracture development area was obviously better than that of attribute direct recoginition. However, there was no drilling data in the exploration area, so the prediction effect needed to be further verified.

Key words artificial supervised neural network, machine training and learning, seismic attribute, fracture development area

中图分类号 TD163 P631.4

文献标识码 A

基金项目:“十三五”国家科技重大专项(2016ZX05067004-006)

引用格式:仇念广.人工监督神经网络在煤层裂缝发育区识别中的应用[J]. 中国煤炭,2020, 46(4):32-36.

Qiu Nianguang. Application of artificial supervised neural network in identification of fracture development area in coal seam[J]. China Coal, 2020, 46(4):32-36.

作者简介:仇念广(1987-),男,汉族,山东济宁人,工程师,硕士,主要从事地球物理勘探工作。E-mail:qiunianguang@126.com。

(责任编辑 郭东芝)