1、第42卷第03期2023年03月煤炭技术Coal TechnologyVol.42 No.03Mar.2023doi:10.13301/ki.ct.2023.03.0260引言煤层气是一种与煤伴生、共生的气体资源，在我国煤层气的储量位居世界第3。近年来，随着勘探技术的不断发展，国内外对于煤层气的勘探研究也逐步深入，其中，煤层气的含量由于在很大程度上决定了煤层气的产能，一直是煤层气勘探的重点。其中，最为常用的预测煤层含气量的方法就是由JMHawkins等学者于1992年提出的Langmuir方程，其核心思想是通过找出煤组分和Langmuir参数之间的映射关系，构建出一种数学模型来计算煤层含气量，
2、其本质是一种较为简单的多元回归的处理方式。随着计算机运算能力的不断提高，机器学习在各领域的兴起解决了大量的回归问题并获得了较以往的简单模型更好的效果。煤层气勘探领域的学者们将机器学习的方法引入煤层含气量预测中来，其中使用最多的方法有支持向量机、回归树等。但是，利用机器学习构建预测模型时，测井参数的选取对于机器学习的预测研究有较大影响，难以满足煤层勘探对于煤层含气量预测的高精度需求。深度学习是在机器学习的基础上，通过建立较多层的神经网络来解决回归、分类等问题，由于其常具有成百上千个连续的表示层，在处理大规模数据时比仅有1、2基于浅层神经网络的准南煤田煤层气含量预测胡永1，罗聪2，王博3，胡振鹏1
3、，刘子强1，仲劼1，刘蒙蒙1（1.新疆煤田地质局 一五六煤田地质勘探队，乌鲁木齐834022；2.新疆工程学院 矿业工程与地质学院，乌鲁木齐834023；3.新疆维吾尔自治区煤炭煤层气测试研究所，乌鲁木齐830009）摘要：煤层含气量是决定产能的重要因素，因此对含气量的预测是煤层气勘探领域的重点。利用煤层中含气量的不同导致煤层地球物理性质所产生的差异，优选出井深、自然伽马、电阻率、密度、中子孔隙度、声波时差等测井曲线，采用浅层神经网络对测井数据与含气量实验室检测数据开展研究，并与机器学习的研究结果进行了对比。研究发现，使用浅层神经网络法利用上述测井曲线可以对煤层含气量进行较为精准的预测，其相关
4、系数可达0.91，准确度明显超过支持向量机、回归树等机器学习方法。研究结果对使用测井曲线准确预测煤层含气量，指导后续的煤层气开发工作具有较好的实际意义。关键词：煤层气；测井；浅层神经网络；机器学习中图分类号：P631.81;P618.13文献标志码：A文章编号：1008 8725（2023）03 138 05Prediction of Coalbed Methane Content in Zhunnan Coalfield Based onShallow Neural NetworkHU Yong1，LUO Cong2，WANG Bo3，HU Zhenpeng1，LIU Ziqiang1，ZH
5、ONG Jie1，LIU Mengmeng1（1.156 Coal Geological Exploration Team,Xinjiang Coal Geology Bureau,Urumqi 834022,China;2.School of MiningEngineering and Geology,Xinjiang Institute of Engineering,Urumqi 834023,China;3.Coalbed Methane Testing Instituteof Xinjiang Uygur Autonomous Region,Urumqi 830009,China)Ab
6、stract:Coalbed methane content is an important factor which determines the productivity,so theprediction of coalbed methane content is the focus of coalbed methane exploration.Based on thedifferences in geophysical properties of coal seams caused by different coalbed methane content in coalseams,the
7、 logging curves such as well depth,natural gamma ray,resistivity,density,neutron porosityand acoustic are optimized.The shallow neural network is used to study the logging data and coalbedmethane content tested in the laboratory,and the results are compared with those of machine learning.It is found
8、 that the shallow neural network method can accurately predict the coalbed methane contentof coal seam by using the above logging curves,and the correlation coefficient can reach 0.91.Theaccuracy is significantly higher than that of machine learning methods such as support vector machineand regressi
9、on tree.The research results have good practical significance for accurately predictingcoalbed methane content by logging curves and guiding subsequent coalbed methane development.Key words:coalbed methane;logging;shallow neural network;machine learning138层的机器学习方法具有更好的效果。但在处理较少量数据的情况下，使用含有较多层的深度学习经常
10、会出现过拟合的现象。本文采用浅层神经网络的方法，使用测井数据对煤层含气量进行预测。该方法既避免了深度学习对较少量数据计算容易过拟合的缺点，又发挥了神经网络对数据间内在联系的挖掘能力，同时具备计算快速的优点，易于在较低配置的个人计算机上实现。针对目前，基于煤层含气量的预测研究大多都选择的是水平煤层或是倾角较小的煤层，对于高倾角、直立甚至倒转的煤层研究并不多。基于目前研究存在的问题，本文将选择煤层倾角较大且局部直立甚至倒转的煤层来进行煤层含气量的预测研究，本研究选用浅层神经网络拟合作为核心建模技术，相对于机器学习来说，深度学习更能反映各参数之间的内在关系，且对于测井参数不再有那么苛刻的要求，预测精
11、度也更高，进而更能满足煤层勘探技术的要求。1数据预测分析1.1研究区概况及数据来源研究区块位于乌鲁木齐米东区的七道湾以东，向东延至69线，区内长度33 km。轴向北东东，轴面南倾，倾角7688，向西倾伏，背斜北翼被断层切割，断层北盘（即上盘）由西山窑组、头屯河组地层构成单斜构造，地层倾角7080，局部直立甚至倒转。背斜轴部主要由三工河组地层组成。背斜南翼倾角由西向东逐渐变缓，倾角在6530，该背斜轴自41线向57线逐渐翘起，但再往东至64线又渐渐倾伏。本文选取位于乌鲁木齐河东区的七道湾的88块煤心取样测试的煤层含气量数据以及对应各取样点的常规测井数据，将测井参数进行归一化处理，将煤层含气量数据
12、与之进行一一对应，得到88组样本数据，每组数据包含煤层含气量和归一化后的测井参数。1.2测井数据分析测井曲线中蕴含着大量的地质地层信息，而煤层含气量一般受地质构造、煤的变质程度、煤层埋藏深度和煤层组分的影响。因此能够反映煤层组分的自然伽马测井数据、直接体现埋藏深度的井深数据、反映煤层密度的密度测井数据、反映煤层含氢量的中子孔隙度测井数据等应纳入浅层神经网络中。同时，煤层气含量的高低必然会导致煤层导电性及岩石力学性质的变化，所以电阻率测井数据及声波测井数据也应当纳入到浅层神经网络的计算模型中。因此，本文所采用主要有井深、自然伽马、深电阻率、浅电阻率、中子孔隙度、密度和声波测井数据。事实上，井径也
13、能在一定程度上反映煤层的性质，但扩径会导致其他测井数据产生复杂的变化甚至失真，而自然电位测井在很大程度上受地层水和泥浆滤液电阻率的影响，难以进行有效的归一化，因此上述2种测井数据未纳入研究范畴。2煤层含气量预测模型构建2.1浅层神经网络拟合模型与参数设置神经网络是通过对人脑的基本单元神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。经过多年发展，2006年，Hinton提出了深度学习的概念，而浅层神经网络拟合模型就是基于深度学习发展出的一种层数较少的模型，其网络结构由输入（Input）、隐含层（Hiddenlayer）、输
14、出层（Output layer）和输出（Output）组成，如图1所示。其中，隐含层有1个sigmoid传递函数，在输出层有1个线性传递函数，层的大小影响隐含神经元的数量。图1浅层神经网络拟合结构图w.参数b.算法本文利用浅层神经网络拟合模型对煤层含气量的预测进行了研究，在MATLAB R2021b中选取浅层神经网络App，将归一化的测井数据作为输入，煤层含气量作为输出，表示此数据集包含88个观测值，每个观测值有与7种测井数据一一对应的7个特征，最终响应为煤层含气量。模型自动将88组数据随机分为训练集、验证集和测试集，其默认分别为训练集占70%，验证集和测试集各占15%。由于样本数量较少，本研
15、究将训练集占比改为80%，验证集Hiddenwbwb第42卷第03期Vol.42 No.03基于浅层神经网络的准南煤田煤层气含量预测胡永，等Input71011OutputOutput139和测试集各占10%，侧重于更准确地获取测井数据与含气量之间的关系，但会在一定程度上可能导致验证和测试数据集数量的下降从而导致其相关系数降低。该App隐含层神经元个数默认设置为10并内置有3种算法，分别为LM算法、贝叶斯正则化法和量化共轭梯度法。2.2机器学习回归模型与参数设置机器学习（machine learning）是人工智能的1个分支。计算机通过“记忆”、“归纳”、“推理”等方式模仿人类获取知识的方式，
16、并以抽象的模型化形式，完成知识提取和经验总结，并不断地自我完善，以提高模型精度和泛化能力。回归算法用于连续型分布预测，针对的是数值型的样本，使用回归可以在给定输入的情况下预测出1个数值。本文使用的是MATLABR2021b中的机器学习回归预测模型，将样本数据导入到模型中，选择以行作为变量，其他参数均设为默认值，即可开始会话。在模型中，可以选择线性回归模型、回归树、支持向量机、高斯过程回归模型和树集成等多种模型。3煤层含气量预测结果与分析3.1机器学习回归模型的运算结果基于机器学习中的各种回归模型均可对煤层气含量进行预测，但回归效果都偏差。4种模型为全部模型中计算结果相对较好的模型图如图2所示，分别为回归树中的中等树模型、支持向量机中的中等高斯SVM模型、精细高斯SVM模型以及树集成中的装袋树模型。（a）精细高斯SVM模型预测图（b）中等树模型预测图（c）中等高斯SVM模型预测图（d）装袋数模型预测图图2部分效果较好机器学习回归预测结果图3.2浅层神经网络模型的运算结果浅层神经网络模型共有贝叶斯正则化法、量化共轭梯度法和LM法3种算法。其中贝叶斯正则化法、量化共轭梯度法的回归结果如图3所
