基于测井数据的砂岩型铀矿异常识别BP神经网络方法应用

发布时间：2021-12-24 11:35

　　为了快速有效的获取砂岩型铀矿矿集区铀矿异常分布信息,以砂岩型铀矿异常的测井响应特征为理论依据,利用BP神经网络强大的非线性映射和学习能力,以已知铀矿矿化层信息为学习样本,构建3层BP（back propagation）神经网络模型。对松辽盆地大庆长垣南端某铀矿矿集区铀矿钻孔测井数据进行异常层和矿化层的识别提取,并将模型识别结果与已知矿化层信息进行分析对比。结果表明:BP神经网络模型识别准确率达86.55%,效果较好,矿化层的识别结果同已知矿化层信息重合度高,同常规的铀矿异常识别方法相比更加接近铀矿异常分布的形态。此方法能快速有效的获取未知孔的异常信息、降低人为解释工作带来的误差,具有较高的准确性,优势明显。BP神经网络技术应用于铀矿勘察工作中具有良好的前景。 

【文章来源】：科学技术与工程. 2020,20(09)北大核心

【文章页数】：9 页

【部分图文】：

研究区构造位置

研究区内的铀矿异常主要赋存于四方台组的砂体中,属砂岩型铀矿[1]。因而砂岩型铀矿异常的测井响应特征主要有:极高的自然伽马值(GR),已知矿化层的平均放射性可达1 000 api;铀矿异常多富集于泥-砂-泥结构、砂泥互层等,因而密度曲线在异常发生处有由大变小的趋势,可在含矿目的层作为铀矿异常存在的辅助标志;缩径与扩径现象的产生也对自然伽马测井存在一定的波动影响,虽不属于地球物理属性,但其在放射性测井解释中具有重要的辅助参数作用[18]。此外,由于铀矿赋存岩性交替变化的原因,在铀矿异常处表现出相较于上下岩层低电位、高电阻的现象。不同测井参数随着铀矿异常的发生出现各自的变化,这些变化间复杂且微小的相关关系共同指示着铀矿异常的存在,同时也给铀矿异常识别的准确性带来了一定的困难。测井响应特征如图2所示。3 BP神经网络模型的建立

BP神经网络结构示意图

【参考文献】：
期刊论文
[1]松科2井东孔营城组高放射性异常层测井响应特征及成因初探[J]. 张淑霞,邹长春,彭诚,赵金环,李宁,张小环,马火林,牛一雄.  地球物理学报. 2018(11)
[2]井径的异常对测井曲线的影响[J]. 杨云龙.  当代化工研究. 2018(05)
[3]“油铀兼探”的找矿思路在松辽盆地的应用——以中央拗陷区南部为例[J]. 张森,石蕾,鞠楠,苏建伟.  地质与资源. 2018(03)
[4]松辽盆地大庆长垣南端四方台组含铀砂岩岩石学特征及地质意义[J]. 陈路路,汤超,李建国,钟延秋,谷社峰,魏佳林,肖鹏,徐增连,曾辉,刘华建,陈印.  地质调查与研究. 2018(01)
[5]大庆长垣南端四方台组沉积相特征及其与铀富集的关系[J]. 肖鹏,汤超,魏佳林,徐增连,曾辉,刘华健.  地质调查与研究. 2018(01)
[6]煤田测井资料在圈定黔北煤系铀矿靶区中的应用[J]. 周晓林,代迪,苟熠,刘志臣,张应文.  煤田地质与勘探. 2017(06)
[7]基于ATD-BP神经网络的页岩气产量预测方法[J]. 朱红,孔德群,钱旭.  科学技术与工程. 2017(31)
[8]基于线性回归与神经网络的储层参数预测复合方法[J]. 项云飞,康志宏,郝伟俊,付康宁,王福顺.  科学技术与工程. 2017(31)
[9]BP神经网络在钻孔测井资料分类识别杂卤石中的研究[J]. 陈科贵,刘利,陈愿愿,韦航,王刚.  中国石油大学学报(自然科学版). 2016(04)
[10]煤田资料的铀矿二次开发技术及其找矿意义——以二连盆地ZS煤田铀矿点的发现为例[J]. 吴兆剑,韩效忠.  中国地质. 2016(02)



本文编号：3550414