基于叠前AVO属性的煤层瓦斯含量预测

发布时间：2021-08-19 09:45

　　瓦斯富集一直以来都是威胁煤矿安全生产的重要因素,如何对其精准预测是值得深入探究的问题.为此,本文以沁水盆地南缘某矿的3#煤层为研究对象,基于叠前地震数据体提取的AVO属性预测目标煤层的瓦斯含量.先通过对叠前三维地震数据进行超道集计算和角道集抽取等的处理,计算叠前AVO属性,得到截距（P）、梯度（G）、流体因子（P*G）、拟泊松比（P+G）、横波反射系数（P-G）等多个属性参数的沿层切片.再通过蝙蝠（BA）算法优化BP神经网络的权值和阈值来优化预测模型,构建AVO属性与瓦斯含量间的非线性映射关系,并利用井数据训练非线性预测模型.最终,基于训练后的BA-BP神经网络模型预测研究区内3#煤层的瓦斯含量.通过对比分析研究区内目标煤层9口钻井处的预测结果与实测结果,显示该方法的预测误差较小;表明基于BA-BP神经网络预测模型,以AVO属性为输入,进行煤层瓦斯含量的非线性预测是可行的. 

【文章来源】：地球物理学进展. 2020,35(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

AVO属性的提取流程

BP神经网络三层结构图

图2 BP神经网络三层结构图(5)在瓦斯富集区煤层顶底板截距P和梯度G总是符号相反,为了AVO异常更好突出,将二者作减法运算,得到横波反射系数(P-G)属性,二者差值可增强AVO异常特征且减弱反演过程中产生的噪声,能更好地反映瓦斯富集情况.

【参考文献】：
期刊论文
[1]基于蝙蝠算法优化BP神经网络的特征点匹配[J]. 郭贝,任金霞.  制造业自动化. 2019(08)
[2]基于改进反射系数近似方程的纵横波阻抗同步反演[J]. 付欣,张峰,李向阳,钱忠平,陈海峰,梅璐璐.  地球物理学报. 2019(01)
[3]蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究[J]. 郑云水,牛行通,康毅军.  铁道学报. 2018(12)
[4]2007—2016年全国煤矿事故统计及发生规律研究[J]. 诸利一,吕文生,杨鹏,王志凯,王昆.  煤矿安全. 2018(07)
[5]基于改进蝙蝠算法优化BP神经网络的电力变压器故障诊断研究[J]. 公茂法,柳岩妮,王来河,宋健,谢云兴.  山东科技大学学报(自然科学版). 2017(03)
[6]2005-2014年我国煤矿瓦斯事故统计分析[J]. 陈晓坤,蔡灿凡,肖旸.  煤矿安全. 2016(02)
[7]沁水盆地煤层含气后的AVO响应特征[J]. 冯小英,秦凤启,唐钰童,刘慧,王亚.  岩性油气藏. 2015(04)
[8]HTI煤层AVO响应特征及其影响因素[J]. 彭苏萍,王宏伟,杜文凤,勾精为.  煤炭学报. 2013(10)
[9]利用AVO属性研究构造煤的分布规律[J]. 崔大尉,王远,于景邨.  煤炭学报. 2013(10)
[10]利用地震AVO反演预测煤与瓦斯突出区[J]. 胡朝元,彭苏萍,杜文凤,勾精为.  天然气地球科学. 2011(04)



本文编号：3351180