劉 剛 李治平 孫兵華 廉海榮

(1.陜西延長石油〈集團〉有限責任公司研究院，陜西 西安710075；2.中國地質(zhì)大學，中國 北京100083)

煤相最早是由前蘇聯(lián)學者熱姆丘日尼科夫于1951 年提出的，定義為煤的原始成因類型﹐即一定泥炭沼澤環(huán)境下形成的煤成因類型和煤巖類型[1]。 應用煤相分析實現(xiàn)煤層氣潛力評價和生氣有利帶預測已成為煤層氣勘探開發(fā)中十分重要的方法，然而成煤環(huán)境中不同的層位（縱向上）和不同地區(qū)（平面上）的煤相特征存在明顯差異，野外露頭觀察、薄片分析等地質(zhì)方法工作量巨大，而傳統(tǒng)數(shù)學歸納統(tǒng)計方法又很難準確描述，因此尋找到一種高效、準確的方法成為亟待解決的問題。

1 煤相分析參數(shù)及類型劃分

1.1 煤相分析參數(shù)

不同煤相反映出泥炭沼澤的覆水深度﹑水介質(zhì)的酸度﹑氧化還原電位﹑堆積方式和成煤植物種類等成煤環(huán)境的不同，可通過凝膠化指數(shù)（GI）、植物保存指數(shù)（TPI）、鏡惰比（V/I）、流動性指數(shù)（MI）和森林指數(shù)（WI）五個煤巖學參數(shù)反映。

凝膠化指數(shù)GI 反映泥炭沼澤的覆水程度， 高值表明環(huán)境相對潮濕，低值則相對干燥，一般以4 為界。

植物保存系數(shù)TPI 是古代植物遺體遭受微生物降解程度的反映，在一定程度上反映PH 的高低。

一般鏡惰比（V/I）是成煤泥炭遭受氧化程度的參數(shù)，小于1.0 反映成煤泥炭層暴露于氧化環(huán)境。

流動性指數(shù)MI 是水流動介質(zhì)和相對停滯介質(zhì)的比值，可以反映成煤環(huán)境水體的流動性，一般大于0.4 表明為流動相。

森林指數(shù)WI 反映了成煤環(huán)境的森林情況， 大于0.5 表示為森林沼澤[2]。

1.2 煤相類型劃分

根據(jù)成煤環(huán)境中煤相參數(shù)的劃分依據(jù)，結(jié)合實際沉積環(huán)境的沉積相分析研究，將煤相特征劃分為如下三類：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。

干燥泥炭沼澤類型反映高位干燥森林沼澤，包括潛水條件或者水下短時間干燥的氧化沼澤，該煤相廣泛發(fā)育于辮狀河三角洲等沉積環(huán)境。

森林泥炭沼澤體現(xiàn)極為潮濕、覆水較深的森林面貌，植物遺體遭受分解破壞弱，水流活動差，該煤相廣泛發(fā)育于上三角洲平原等沉積環(huán)境。

活水泥炭沼澤反映處于流動的水動力條件， 微生物活動強烈，強覆水的沼澤泥炭環(huán)境，該煤相廣泛發(fā)育于三角洲間灣等沉積環(huán)境[3]。

其中在森林泥炭沼澤相發(fā)育地帶，煤層厚度大且分布穩(wěn)定，是煤層氣生成有利地帶，同樣，煤儲層物性也發(fā)育良好，有利于煤層氣聚集成藏地帶。

2 BP 神經(jīng)網(wǎng)絡概述

BP 神經(jīng)網(wǎng)絡（Back-Propagation Neural Networks）是一種典型的多層神經(jīng)網(wǎng)絡，由輸入層、中間層和輸出層組成，其學習過程包括正向傳播和反向傳播兩部分，在正向傳播中，信號從輸入神經(jīng)元傳入，傳播到各隱層神經(jīng)元，經(jīng)過激活函數(shù)輸出，傳播到輸出層；判斷誤差函數(shù)的最小值，如果達不到所要求的精度，則自動轉(zhuǎn)入反向傳播，通過修改學習率、學習步長等參數(shù)，調(diào)整輸出層與隱層、隱層與輸入層之間的連接權(quán)值，重新進行正向傳播，反復訓練，直到誤差函數(shù)達到所要求的精度為止，此時網(wǎng)絡模型自動將各層連接權(quán)值加以保存,用于對未訓練樣本值進行預測[4-5]（圖1）。BP 神經(jīng)網(wǎng)絡模型中輸入層節(jié)點和輸出層節(jié)點根據(jù)需要求解的問題、數(shù)據(jù)而定，隱層數(shù)一般在1 到3 之間，隱層節(jié)點數(shù)目前只能根據(jù)經(jīng)驗公式獲得，根據(jù)Komogorov 理論，一個具有n 個節(jié)點輸入層,隱層節(jié)點數(shù)為2n+1。

圖1 BP 神經(jīng)網(wǎng)絡示意圖Fig.1 Back-Propagation Neural Networks

輸入層各節(jié)點數(shù)據(jù)的量綱差異往往對網(wǎng)絡訓練和預測結(jié)果會產(chǎn)生影響,，因此首先要對數(shù)據(jù)進行歸一化處理，使數(shù)據(jù)經(jīng)過歸一化后全部分布在[0，1]區(qū)間內(nèi)。 數(shù)據(jù)標準化處理有如下幾種：，本文采用方法（3）。

3 使用BP 神經(jīng)網(wǎng)絡算法進行煤相預測

圖2 學習次數(shù)與誤差分析關系圖Fig.2 Learning times and error analysis

3.1 BP 神經(jīng)網(wǎng)絡模型建立

選取凝膠化指數(shù)（GI）、植物保存系數(shù)（TPI）、一般鏡惰比（V/I）、流動性指數(shù)（MI）、森林指數(shù)（WI）作為輸入層節(jié)點變量；輸出層劃分為三個節(jié)點：干燥泥炭沼澤相、活水泥炭沼澤相、森林泥炭沼澤相，分別賦予期望輸出值為0.99、0.66 和0.33；隱層數(shù)設為1，隱層節(jié)點數(shù)為11；最大誤差精度要求在達到10-3 數(shù)量級，最大訓練次數(shù)為3500 次。 此外針對BP 神經(jīng)算法收斂速度慢和易陷入局部極小的缺點，本文選擇采用改進的BP 神經(jīng)網(wǎng)絡算法，通過加入動量常數(shù)，可有效提高運算速度并避免不收斂情況的發(fā)生。

3.2 BP 神經(jīng)網(wǎng)絡模型訓練

選取了西北地區(qū)柴達木盆地、鄂爾多斯盆地的不同地區(qū)、不同層位的25 個樣點煤相分析結(jié)果作為訓練樣本[1]，應用專業(yè)軟件Matlab進行BP 神經(jīng)網(wǎng)絡模型訓練，通過對學習率、學習步長、動量常數(shù)等參數(shù)的調(diào)整，使誤差精度達到了預期要求[6-8]，實際的訓練次數(shù)為1095次，并且沒有出現(xiàn)不收斂情況（圖2）。

將參與訓練的樣本代回已經(jīng)訓練好的網(wǎng)絡模型進行驗證，驗證結(jié)果表明，訓練值與期望值之間的相對誤差全部在10%以內(nèi)，對于網(wǎng)絡輸出值小于1 的神經(jīng)網(wǎng)絡模型，認定訓練成功,模型可用于煤相類型的神經(jīng)網(wǎng)絡預測（表1）。

表1 西北地區(qū)柴達木盆地、鄂爾多斯盆地的幾十個地區(qū)的樣點的煤相分析Tab.1 The coal facies analysis of samples in qaidam basin and ordos basin

3.3 BP 神經(jīng)網(wǎng)絡模型預測

隨機選取8 個未參與訓練的樣點，將煤相參數(shù)代入已經(jīng)訓練好的網(wǎng)絡中，進行網(wǎng)絡預測，結(jié)果表明8 個預測樣本全部判別正確，判別效果非常好（表2）。

表2 樣本預測及預測結(jié)果Tab.2 Prediction of samples and results

4 結(jié)論

4.1 不同煤相反映出泥炭沼澤的覆水深度﹑水介質(zhì)的酸度﹑氧化還原電位﹑堆積方式和成煤植物種類等成煤環(huán)境的不同，通過凝膠化指數(shù)、植物保存指數(shù)、鏡惰比、流動性指數(shù)和森林指數(shù)五個煤巖學參數(shù)量化反映。根據(jù)成煤環(huán)境中煤相參數(shù)的劃分依據(jù)，將煤相劃分為：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。

4.2 由于煤相類別與分析參數(shù)之間存在著較強的非線性關系,用傳統(tǒng)的地質(zhì)方法和數(shù)學歸納方法難以處理, 而BP 神經(jīng)網(wǎng)絡具有極強的自適應學習能力,能準確刻畫出兩者之間復雜的非線性關系，通過加入動量常數(shù)，則有效地提高了運算速度并避免了不收斂的發(fā)生。

4.3 本文將煤相分析參數(shù)作為輸入層節(jié)點， 典型煤相類別作為輸出層節(jié)點，建立了基于BP 神經(jīng)網(wǎng)絡的煤相分析預測模型，通過模型訓練和預測，BP 神經(jīng)網(wǎng)絡預測煤相結(jié)果準確，為開展區(qū)域上煤相研究提供了高效快速的方法。

［1］許福美,方愛民.煤相研究歷史的回顧及其國內(nèi)外研究現(xiàn)狀[J].龍巖學院學報,2005，23(3)：54-56.

［2］楊起,劉大錳，等.中國西北煤層氣地質(zhì)與資源綜合評價[M].北京:地質(zhì)出版社,2005:168-194.