CN102478668A - 一种应用地震多属性参数预测煤层厚度的方法 - Google Patents

Abstract

本发明实施例提供了一种应用地震多属性参数预测煤层厚度的方法，该方法在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库，然后，执行地震属性与煤厚的相关分析，并且进一步地对这些地震属性执行互相关分析，从中优选出最有意义的多个地震属性作为煤厚预测模型的基本参数，然后，结合已知钻孔资料，利用多元多项式回归方法和BP人工神经网络方法，建立各地震属性与煤厚之间的多元多项式回归模型和BP人工神经网络模型，利用上述模型预测煤层厚度。本发明实施例的方法由于同时考虑了多属性参数，因而得出的计算模型更完善、更接近实际，预测煤层厚度的效果更好，可信度及准确度更高。

Description

一种应用地震多属性参数预测煤层厚度的方法

技术领域

本发明涉及地震勘探中地震资料处理解释技术，具体地涉及一种应用地震多属性参数预测煤层厚度的方法。

背景技术

在煤炭地震勘探领域，除了要查明采区内构造外，还要提供煤层厚度的变化情况。随着综采技术的发展，煤厚的变化情况成了急需解决的问题，由于大部分煤层属于典型的薄层，垂向分辨率达不到解决煤厚的要求。如何利用地震信息，结合钻孔资料准确获取煤层厚度信息，是当前国内外许多学者正在研究的课题。

如何由薄层反射波来估算薄层厚度一直受到国内外学者的重视，并进行过不少理论探讨，发表了相关研究论文。Ricker(1953)从分辨率的角度提出了分辨地层的标准——“雷克标准”。此标准是，在时间域内如果岩层上下界面的反射波的时差小于四分之一波长，该层则不可分辨，只当作一个面看待。Widess(1973)根据簿层厚度和地震反射响应的关系提出，当薄层厚度小于地震波主波长的四分之一时，地震波的振幅与薄层厚度近似成正比，首次突破了纯几何方法求取反射层厚度的界限，从动力学特点出发，给出了薄层定量化的具体定义。Ruter和Schepers(1978)，Koefoed和Voogd(1980)通过合成地震模型研究得出，薄层厚度和地震反射复合波的振幅之间存在着准线性关系(quasi-Linerarity)。在我国，煤田地震工作者根据Widess的薄层理论，采用振幅法进行煤层厚度变化趋势研究，尤其是在80年代后期，试用煤层反射波综合特征参数(包括振幅、能量、能量比)进行煤层厚度估算，取得了一定进展。戚敬华(1996)通过理论分析和模型试验，得出了利用振幅谱比和振幅谱平方比直接反演煤层厚度的表达式。但由于振幅、能量表示的都是反射波强度，因而常常受到野外激发、接收和资料处理过程中非煤厚因素的影响。致使计算结果弥散性较大，因此，不论国内和国外，目前都还没有一种实用的、较淮确的反演计算煤厚的方法。

地震属性反应了地震波形的几何学、运动学、动力学和统计学特征，地震属性技术是通过应用研究、算法开发及综合软件系统来提取、储存、可视化、分析、验证及评价地震属性的技术。地震属性技术应用于地震解释处理、地震构造绘图、地震地层解释、地震岩性学和模拟、油藏描述和模拟等各个方面。20世纪90年代以来，地震属性技术已从单道瞬时属性计算，发展到多道沿层取时窗计算几十种参数，可以较为精确地确定诸如油水界面、岩性变化、厚度变化、裂缝检测和地震相等特征的位置和面貌。地震属性学正在成为油藏地球物理学的关键部分，并且在勘探地震学与开发地震学之间建立了一种特殊联系。应用地震属性预测薄层厚度包含两个方面：一个是薄层地震属性的提取；一个是薄层厚度与这些属性的关系研究。研究的方法大致有两类：一类是利用在调谐厚度内，振幅与薄层厚度近似呈线性关系；一类是利用振幅谱来预测煤层厚度。

发明人在实现本发明的过程中发现，现有技术至少存在以下不足：这些方法由于使用单一参数，并且振幅的影响因素很多，无法克服地震信息的多解性，效果并不理想。有的尽管用了多属性预测，只是用理论和模型研究成果抽取地震属性，主要侧重在油气储层预测识别方法的研究，用一种或几种计算方法预测油气储层信息，没有结合研究区实际进行属性优选，由于各种地震属性信息间的组合方式以及各种属性反映厚度的灵敏度具有很大的不确定性，在不同地区、不同层位地震属性组合存在较大差别，使预测的可信度降低。

发明内容

本发明的目的在于，提供一种应用地震多属性参数预测煤层厚度的方法，通过应用地震多属性参数分析方法，从中优选出最有意义的地震属性作为煤厚预测模型基本参数，结合已知钻孔资料，建立地震属性与煤层厚度之间的预测模型，在煤炭资源勘探和开发中利用地震多属性对煤层厚度进行高精度预测。

本发明实施例提供了一种应用地震多属性参数预测煤层厚度的方法，包括：从地震资料中提取i个地震属性；其中，i为正整数；对所述i个地震属性进行归一化处理；从已知钻孔资料中提取煤层厚度值；对所述煤层厚度值进行归一化处理；对归一化处理后的i个地震属性和归一化处理后的煤层厚度值进行相关分析，生成i个相关系数；从所述i个地震属性中提取j个地震属性，所述j个地震属性所对应的j个相关系数的绝对值大于预设的第一相关系数阈值；其中j为小于i的正整数；对所述j个地震属性进行互相关分析，生成j²个互相关系数；从所述j个地震属性中提取k个地震属性，其中，k为小于j的正整数，所述k个地震属性与所述煤层厚度值的k个相关系数的绝对值大于预设的第二相关系数阈值，所述预设的第二相关系数阈值大于所述预设的第一相关系数阈值，并且所述k个地震属性中任意两个地震属性之间的互相关系数小于预设的互相关系数阈值；根据所述k个地震属性和从已知钻孔资料中提取煤层厚度值，建立煤层厚度预测模型；利用所述煤层厚度预测模型，预测实际钻孔处的煤层厚度。

本发明实施例的方法由于同时考虑了多属性参数，进行了相关分析和互相关分析，对属性进行了筛选，找出了与煤层厚度紧密相关的地震属性，因而得出的煤层厚度预测模型更完善、更接近实际，预测煤层厚度的效果更好，可信度及准确度更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中煤层厚度调谐曲线；

图2为本发明实施例的方法的整体流程图；

图3为本发明实施例中BP神经网络煤层厚度预测模型的结构形式；

图4为本发明实施例中淮南潘东试验区13-1煤层厚度预测分布图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种应用地震多属性参数高精度预测煤层厚度的方法，以解决煤炭资源勘探和开发中的煤层厚度问题。本发明实施例的方法首先较佳地应用例如Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库，然后，执行地震属性与煤层厚度的相关分析，并且进一步地对这些地震属性进行互相关分析，从中优选出最有意义的多个地震属性作为煤厚预测模型的基本参数，然后，结合已知钻孔资料，利用多元多项式回归方法和/或BP人工神经网络方法，建立各地震属性与煤厚之间的多元多项式回归模型和BP人工神经网络模型，进一步地，本发明实施例还对上述煤层厚度预测模型进行误差分析，以使着预测精进一步提高。本发明实施例的方法由于同时考虑了多属性参数，因而得出的计算模型更完善、更接近实际，预测煤层厚度的效果更好，可信度及准确度更高。

以下描述煤层复合波的振幅频率特性。煤层作为地震勘探中通常定义的“薄层”(H≤λ/4)，其反射波是煤层顶底板界面反射，层间多次波及转换波等共同作用的叠加复合波，随煤层厚度的变化合成反射波存在调谐点。在粘弹性体内，煤层复合波的振幅频率特性为：

$\left|H\left(f\right)\right|=\frac{\left|r\right|\sqrt{1+e^{-2\mathrm{\β}}-2e^{-\mathrm{\β}}\cos (4\mathrm{\πd}/\mathrm{\λ})}}{\sqrt{1+r^4{e}^{-2\mathrm{\β}}-2r^2{e}^{-\mathrm{\β}}\cos (4\mathrm{\πd}/\mathrm{\λ})}}---\left(1\right)$

式(1)中r：煤层的上、下反射系数；d：煤层厚度；β＝2ad(a为煤层的吸收衰减因子)，H(f)是振幅频率。

图1为煤层厚度调谐曲线，在图1中A表示反射系数，如图1所示：在存在薄层的情况下，当波垂直入射到薄层表面时，反射系数不仅与界面两边的波阻抗有关，还与入射波的频率有关。因而薄层可以看成一个滤波器，入射波在薄层表面发生反射时，通过一个滤波器，经受了某种频率滤波作用。薄层反射叠加的效果是对低频及高频的成分有压制作用，接收到的反射波的中频成分得到相对加强。

图2为本发明实施例的方法的整体流程图。如图2所示，该方法包括如下步骤：

步骤100、从地震资料中提取i个地震属性；其中，i为正整数。

具体地，本发明实施例的方法较佳地应用例如Landmark公司的PAL模块，在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库。

地震属性的分类方法有很多，主要有以下4种：第一种是在学术界较为流行的分类方法，即从运动学与动力学的角度，将地震属性分为振幅、频率、相位、能量、波形和比率等几大类；第二种是按属性拾取的方法将地震属性分为层位属性和时窗属性两类的分类方法；第三种是由Alistair R.Brown 1996年提出的将地震属性分为时间、振幅、频率和衰减4类的分类方法；第四种是由Quincy Chen et al.1997年提出的基于储层特征的分类方法，该方法有利于根据所要研究的对象优选地震属性，以减少属性计算的盲目性和随机性。在本发明实施例中，是采用上述第一种地震属性的分类方法。

本发明实施例中，根据上述第一种方法的理论与模型研究成果，提取振幅类、复地震道统计类、频谱统计类属性。其中：

振幅类属性包括15种：均方根振幅、平均绝对振幅、最大峰值振幅、平均峰值振幅、最大谷值振幅、平均谷值振幅、最大绝对振幅、绝对振幅总量、振幅总量、平均能量、能量总体、平均振幅、振幅变化、振幅变化的不对称性、振幅的峰态。地震振幅或能量属性反映了波阻抗差、地层厚度、岩石成分、地层压力、孔隙度及含流体成分的变化。既可用来识别振幅异常或层序特征，也可用来追踪地层学特征如三角洲河道或砂岩。另外，还可用于识别岩性变化、不整合、气体以及流体的聚集等。

复地震道统计类属性包括5种：平均反射强度、平均瞬时频率、平均瞬时相位、反射强度斜率、瞬时频率斜率。复地震道实际是地震信号的Hilbert变换。它能帮助分析气体、流体的特征、岩性、河道与三角洲砂岩、礁体、不整合面、地层序列、裂隙、调谐效应等。

频(能)谱统计类属性包括6种：有效带宽、弧线长度、平均零交叉点频率、主频序列F1、F2、F3、主频峰值、主频峰值到最大频率的斜率。它是对地震信号的频率谱和能量谱，可揭示地层或油气效应的裂隙发育带、含气吸收区、调谐效应、岩性或吸收引起的子波变化。

在提取了上述多种地震属性后，还需要对上述地震属性进行选择或筛选。具体地，对于每一地震道，通过上述方法提取的特征参数将会多达数十种，也就是说具有很高的特征空间维数。对于预测的目标来说，并非特征空间中的每一种参数都真实地反映了地下地质的特征，其中有真实的信息，也有外界的噪音；同时各种参数之间还存在着相关性，使得参数空间中的信息冗余度增大，因此必须要对多参量进行筛选，以便优选出对所求解问题最敏感的(或最有效、最有代表性)、属性个数最少的地震属性或地震属性组合，提高地震预测精度，改善与地震属性有关的处理及解释方法的效果。

在本发明实施例中，从一个属性集中挑选出最有利于煤层厚度地震预测的属性子集的过程称为属性选择。以下详细描述本发明实施例进行地震属性选择的处理过程。

假定对每一地震道提取了n个特征，即：

X＝(X₁，X₂，…，X_n)^T                (2)

其中，X_n是n个地震道的数据信息，要选出n个特征Y₁，Y₂，…，Y_n，Y是指n个地震道中的某一道数据信息，须满足线性性质、不相关性和方差最大性。

上述的线性性质是指每个特征是原有各特征的线性组合，即满足：

$Y_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}{X}_i,i=\mathrm{1,2},...,n---\left(3\right)$

或者，Y_i＝(α_i)^TX，其中α_i＝(α_i1，α_i2，…，α_in)^T    i＝1，2，...，n

上述的不相关性是指各个变量Y_i(i＝1，2，...n)之间是不相关的，即相关系数为零或接近于0，满足下式：

r(Y_i，Y_j)＝0    i，j＝1，2，.…n，i≠j            (4)

上述的方差最大性是指使各个参数之间的差异最大，即α₁应使Y₁的方差达最大，α₂应使Y₂达到最大。

满足以上三个条件的特征Y₁，Y₂，....，Y_n分别称为与预测目标线性相关、与特征属性线性无关的n个特征信息。本发明实施例通过上述地震属性的筛选过程，达到了减少特征个数，压缩特征空间维数，突出差异性，选出敏感性参数的目的。

步骤102、对所述i个地震属性进行归一化处理。

步骤104、从已知钻孔资料中提取煤层厚度值。

步骤106、对所述煤层厚度值进行归一化处理。

其中，步骤102或步骤106中归一化处理过程具体如下：

对井旁地震记录的煤层厚度与提取的地震属性数据进行归一化处理，其方法为：设样本数据为x_p(p＝1，2，...，P)，定义样本数据中的最大值x_max＝max{x_p}，样本数据中的最小值x_min＝min{x_p}，有

$\frac{x_p-x_{\min }+a}{x_{\max }-x_{\min }+a}\→x_p.---\left(5\right)$

即按式(5)归一化处理计算，将样本数据转化为0～1区间的数据，式中a为修正系数。

步骤108、对归一化处理后的i个地震属性和归一化处理后的煤层厚度值进行相关分析，生成i个相关系数。

具体地，根据归一化处理后的数据，按照式(6)计算煤厚与地震属性之间相关系数，选择与煤厚相关系数较大的，形成供后续需要建立的煤厚预测模型使用的地震属性集。

$r=\frac{\underset{i}{\mathrm{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i}{\mathrm{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}---\left(6\right)$

式(6)中，r为相关系数；x_i为第i个地震属性值；

为地震属性平均值；y_i为第i个煤厚值；

为煤厚平均值。其中，煤厚值从已知的钻孔资料中获得。

步骤110、从所述i个地震属性中提取j个地震属性，所述j个地震属性所对应的j个相关系数的绝对值大于预设的第一相关系数阈值；其中j为小于i的正整数。

步骤112、对所述j个地震属性进行互相关分析，生成j²个互相关系数。

步骤114、从所述j个地震属性中提取k个地震属性，其中，k为小于j的正整数，所述k个地震属性与所述煤层厚度值的k个相关系数的绝对值大于预设的第二相关系数阈值，所述预设的第二相关系数阈值大于所述预设的第一相关系数阈值，并且所述k个地震属性中任意两个地震属性之间的互相关系数小于预设的互相关系数阈值。

在步骤112-步骤114中，进一步执行基于互相关的属性分析。为了提高可信度，对与煤厚相关系数较大的地震属性进行互相关分析，将相关系数较大的地震属性进行合并，以保证用于预测的地震属性具有相对独立性。如果相关系数很大的属性进行回归，会影响预测算法的稳定性。互相关的计算公式如公式(7)相同。

$r=\frac{\underset{i}{\mathrm{\Σ}}(x_i-\stackrel{\‾}{x})(z_i-\stackrel{\‾}{z})}{\sqrt{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i}{\mathrm{\Σ}}{(z_i-\stackrel{\‾}{z})}^2}}---\left(7\right)$

式(7)中，r为相关系数；x_i为一种地震属性的第i个地震属性值；

为一种地震属性平均值；z_i为另一种地震属性的第i个地震属性值；为另一种地震属性的平均值。

在另一可选实施例中，本发明实施例还可以通过式(8)和式(9)，对式(6)选择出来的地震属性进行进一步地优选。

首先，求煤厚与各地震属性之间线性回归方程的相关系数，利用最小平方二乘法求煤层厚度与各地震属性线性回归方程之间的误差。

$\hat{Y}=\mathrm{ax}+b---\left(8\right)$

其中

为预测煤层厚度，x为地震属性值，a、b为回归系数。

然后，利用式(9)计算煤厚与地震属性相关系数R²

$R^2=1-\frac{\mathrm{\Σ}{(Y_i-{\hat{Y}}_i)}^2}{\left(\mathrm{\Σ}{Y}_i^2\right)-\frac{{\left(\mathrm{\Σ}{Y}_i\right)}^2}{n}},(i=\mathrm{1,2},.....n)---\left(9\right)$

其中，n是指参与计算的钻孔资料个数，Y_i为已知钻孔的煤厚，

为根据式(8)计算得出的煤厚值。

步骤116、根据所述k个地震属性和从已知钻孔资料中提取煤层厚度值，建立煤层厚度预测模型。

步骤118、利用所述煤层厚度预测模型，预测实际钻孔处的煤层厚度。

以下具体说明步骤116中建立煤层厚度预测模型的过程。可以通过多元回归分析或利用BP人工神经网络分析方法。

其中，通过多元回归分析方法，建立预测煤层厚度的多元回归模型的过程如下。

根据井旁地震记录的煤层厚度与优选的地震属性值，进行归一化处理，其原理为：设样本数据为x_p(p＝1，2，...，P)，定义x_max＝max{x_p}，x_min＝min{x_p}，归一化处理计算即按(5)式将样本数据转化为0～1区间的数据。

用上面归一化后的属性集，建立井旁地震属性与煤厚的多元高次多项式回归模型，假设有p个属性，建立煤厚与p个属性的m次多项式回归方程，即

$\hat{y}=a_{00}+a_{11}{x}_1+a_{12}{x_1}^2+...+a_{1m}{x_1}^m$

$+a_{21}{x}_2+a_{22}{x_2}^2+...+a_{2m}{x_2}^m+...+---\left(10\right)$

$a_{p1}{x}_p+a_{p2}{x_p}^2+...+a_{\mathrm{pm}}{x_p}^m$

其中：

表示预测煤厚；x_i(i＝1，2，...，p)表示各个振幅属性的值；a_ij(i＝0，1，...，p；j＝1，2，...，m，m为样本数)表示回归系数。

根据钻孔数据及井旁地震道的属性值，获得一批试验数据：A_1i，A_2i，...，A_pi，y_i(i＝1，2，...，m)，要使得实际试验数值y_i与式(10)上相应的之间的残差平方和

$Q=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2---\left(11\right)$

为最小，用最小二乘法求各个系数α_ij的值。

其中，建立预测煤层厚度的BP人工神经网络模型的具体过程如下。

BP神经网络模型具有自学习、自组织、强容错性、计算简单、并行处理速度快等优点，并且它在理论上可以任意逼近任何非线性映射，因此应用最为广泛。

BP网络是通过将网络输出误差反馈来对网络参数进行修正，从而实现网络的非线性映射能力。Robet-Nielson证明了具有1个隐含层的3层BP网络模型可以有效地逼近任意连续函数，即包含输入层、隐含层和输出层。基于研究区实际情况，建立的煤层厚度BP神经网络预测模型的网络结构如图3所示，图3为本发明实施例的BP神经网络煤层厚度预测模型的结构示意图。如图3所示，该BP神经网络模型采用3层网络结构，将优选的4种地震属性作为网络学习输入层的4个节点，网络的中间层为2个节点，输出层为1个节点，建立煤层厚度BP神经网络预测模型。

1、样本数据的归一化

建立BP神经网络模型，首先较佳地选用Sigmoid函数

作为网络中神经元的激发函数。为了有效地利用Sigmoid函数的特性，以保证网络神经元的非线性作用，对于数值型的学习样本以及输出数据利用式(5)进行归一化处理，每个节点的输出值为0～1。

2、利用反向传播学习建立煤厚预测的神经网络模型

假设有学习样本为(x_1p，x_2p，...，x_np；t_p)(p＝1，2，...，P；P为样本数)，其中，t_p指第p个样品数据。随机给出W(w_ij，θ_i，v_i)，其中，w_ij为隐含层神经元i与输入层神经元j的连接权，θ_i为隐含层神经元i的阀值，v_i为输出层神经元与隐含层神经元i的连接权，然后，根据式(12)～(14)计算网络第p个样本的输出y_p。

$I_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j+{\mathrm{\θ}}_i,(i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n)---\left(12\right)$

其中，I_i为第i个隐含层神经元的输入，n为输入层的神经元数；m为隐含层的神经元数；w_ij为隐层神经元i与输入层神经元j的连接权；θ_i为隐层神经元i的阀值。

$o_i=\frac{1}{1+e^{-I_i}}---\left(13\right)$

其中，I_i为第i个隐含层神经元的输入；O_i为第i个隐含层神经元的输出。

$y_p=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{v}_i{o}_i---\left(14\right)$

其中，v_i为输出层神经元与隐含层神经元i的连接权；y_p为第p个样本的输出。

定义由隐含层神经元i与输入层神经元j的连接权w_ij、隐含层神经元i的阀值θ_i和输出层神经元与隐含层神经元i的连接权v_i组成的向量为网络的连接权向量W。

对于样本p，定义网络的输出误差为：

$o_{\mathrm{ip}}=\frac{1}{1+e^{-I_{\mathrm{ip}}}}{d}_p=t_p-y_p---\left(15\right)$

并定义误差函数为：

$e_p=\frac{1}{2}{(t_p-y_p)}^2---\left(16\right)$

沿着误差函数e_p随W变化的负梯度方向对W进行修正。设W的修正值为ΔW，取

$\mathrm{\Δw}=-\mathrm{\η}\frac{\∂e_p}{\∂w}---\left(17\right)$

式中：η为学习率，取0～1之间的数，η是根据实际数据计算出来的实际值。

求得ΔW后，采用迭代式：W+ΔW→W                (18)

对原W进行修正计算，得到新的连接权向量W。

对于所有的学习样本，均按照样本排列顺序进行上述的计算过程，然后固定W的值。对P个样本分别进行正向计算，从而求出学习样本的能量函数值：

$E=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{e}_p---\left(19\right)$

通过反复迭代，对网络连接权W进行修正，使E达预先设定的精度。

3、模型误差分析

$E=\frac{\sqrt{\mathrm{\Σ}{(y-y_i)}^2}}{N}---\left(20\right)$

$R=1-\frac{\mathrm{\Σ}{(y-y_i)}^2}{\mathrm{\Σ}{(y_i-\stackrel{\‾}{y})}^2}---\left(21\right)$

上式中，E为标准估计误差，其值愈小说明所建模型愈好；R为决定系数，其值愈大说明所建立的模型愈好。使E、R达到一定精度要求，使标准估计误差小于预设的第一阈值；使决定系数大于预设的第二阈值，该第一阈值与第二阈值例如均为1，较佳地，使E、R接近于1。

本发明实施例的有益效果在于：本发明实施例的方法通过在三维偏移数据体中选取合适的时窗，从中提取振幅类、频率类、瞬时类等地震属性数据，建立地震属性数据库，对这些属性做自相关分析和属性与煤厚的相关性分析，从中优选出最有意义的地震属性作为煤厚预测模型的基本参数，结合已知钻孔资料，应用地震多属性分析方法，利用多元多项式回归和BP人工神经网络方法，建立各属性与煤厚之间的多元多项式回归模型和人工神经网络模型，得出的计算模型更完善、更接近实际。通过对华东、华南及华北等典型煤炭资源采区应用表明：其误差小于10％，完全满足煤炭资源开发要求，本发明实施例的应用地震多属性参数高精度预测煤层厚度的方法解决了煤炭资源勘探和开发中的高精度预测煤层厚度的问题。

以下通过一个具体的例子来说明本发明实施例的上述技术方案。以下所举的例子是以淮南煤田潘东西四采区下部勘探试验区为例。

本区表层地震地质一般，而深层地震地质条件较好。主要目的层13-1煤层厚度较大，且赋存稳定，这些煤层的顶底板岩性以泥岩、砂质泥岩和砂岩为主，与煤层本身存在较大的物性差异，具有良好的反射界面。

1、地震属性提取和相关系数计算

本发明实施例采用Landmark公司Poststack的PAL属性提取模块，确定分别沿13-1煤层均26ms时窗作为提取属性分析的时窗。在此时窗内，共提取42种地震属性，其中振幅类属性16种，复地震道类属性5种，频(能)谱统计类属性8种，层序统计包括7种属性，相关统计包括6种相关属性。根据淮南煤田潘东西四采区下部勘探试验区已知钻孔资料，采用例如最小二乘法计算出钻孔处的煤厚与地震属性的相关系数如表1所示，表1为淮南潘东试验区煤层厚度与属性的相关系数表。

表1

2、地震属性的优选

对于13-1煤层，从表1中优选出相关系数的绝对值大于0.35的地震属性10种，即：弧线长度、平均绝对振幅、平均峰值振幅、平均反射强度、平均谷值振幅、主频序列1、最大绝对振幅、最大峰值振幅、最大谷值振幅和主频峰值。

为了保证各属性的相对独立性和算法的稳定性，利用式(7)进行地震属性的互相关分析，如表2所示，表2为潘东13煤层优选10种地震属性互相关系数表。同时还计算了地震属性与煤厚之间的相关系，再请参阅表2。

表2

根据各地震属性间的互相关系数，并参考地震属性与煤厚之间的相关系数，剔除地震属性间互相关系数较大的和地震属性与煤厚之间相关系数较小的地震属性，可以设定相应的比较阈值。通过地震属性的互相关分析，最后获取4个有用的地震属性作为预测模型的基本参数。对于13-1煤层它们分别是：弧线长度、主频序列1、最大绝对振幅、主频峰值四种属性。用上述这些地震属性作为回归模型和BP神经网络预测模型的基本参数。

3、建立煤层厚度预测模型

3.1、建立多元统计预测模型

根据淮南潘东试验区13-1煤层实际观测点资料，以归一化后的地震属性集为基础，建立地震属性与煤厚之间的多元多项式回归模型分别如下：

建立四元一次多项式回归模型：通过选择弧线长度、主频序列1、最大绝对振幅、主频峰值四种属性与煤层厚度之间进行相关分析，计算获得的四元一次多项式回归模型为：

y＝0.0534656x₁+0.000247426x₂-0.0363759x₃-0.0140472x₄+5.90867    (22)

式(22)中，y为预测的煤厚值(m)；x₁为弧线长度；x₂为主频F1；x₃为最大绝对振幅；x₄为主频峰值。

建立四元二次多项式的回归模型：通过数学回归分析计算获得的四元二次多项式的回归模型为：

$y=0.0672554x_1-0.101061x_2-0.0190425x_3-0.0195623x_4$

                                (23)

$-0.0000122418x_1^2+0.000245225x_2^2-0.000023421x_3^2+0.000011115x_4^2+10.4887$

3.2、建立BP神经网络预测模型

利用反向传播学习建立煤厚预测的神经网络模型，根据淮南潘东试验区13-1煤层实际观测点资料，分别筛选出13、14和19个实测数据作为学习训练和测试样本，以钻孔点地震属性作为学习样本，对网络进行训练。

经过迭代，输入层与隐含层间的权系数W和隐含层与输出层间的权系数V分别为：

隐含层权系数：

$W=\left[\begin{array}{ccccc}17.22824704& 33.19380155& 17.058455105& -62.92539678& -0.313807653585\\ -47.3828957& 22.783838954& 38.657032425& -4.687325997& 0.8474377295909\end{array}\right]---\left(24\right)$

输出层权系数：

V＝[2.52863410472906  -29.8586552283255  27.8594790230161]    (25)

4、煤层厚度预测结果误差分析

为了进一步检验模型预测结果的可靠性，用BP人工神经网络与多项式回归模型对淮南潘东西四采区下部勘探试验区13-1煤层厚度进行预测分析和检验，预测结果如表3所示，表3为本发明实施例中13-1煤层厚度预测误差统计表。根据模型预测值与实测值及其误差对比分析可以看出：应用一次和二次多项式回归模型预测煤层厚度误差相对较大，尽管一次和二次多项式回归模型在一些已知点数据吻合很好，但不可用于整个研究区预测煤厚；但BP人工神经网络模型预测煤层厚度数据可应用于整个研究区，去除非值点，几乎所有数据均可用，且误差也较小，精度高，说明用神经网络模型预测煤层厚度最稳定。基于BP神经网络预测模型的煤层厚度预测结果如图4所示，图4为本发明实施例中淮南潘东试验区13-1煤层厚度预测分布图(图中单位：m)。

表3

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (7)

1.一种应用地震多属性参数预测煤层厚度的方法，其特征在于，所述方法包括：

从地震资料中提取i个地震属性；其中，i为正整数；

对所述i个地震属性进行归一化处理；

从已知钻孔资料中提取煤层厚度值；

对所述煤层厚度值进行归一化处理；

对归一化处理后的i个地震属性和归一化处理后的煤层厚度值进行相关分析，生成i个相关系数；

从所述i个地震属性中提取j个地震属性，所述j个地震属性所对应的j个相关系数的绝对值大于预设的第一相关系数阈值；其中j为小于i的正整数；

对所述j个地震属性进行互相关分析，生成j²个互相关系数；

从所述j个地震属性中提取k个地震属性，其中，k为小于j的正整数，所述k个地震属性与所述煤层厚度值的k个相关系数的绝对值大于预设的第二相关系数阈值，所述预设的第二相关系数阈值大于所述预设的第一相关系数阈值，并且所述k个地震属性中任意两个地震属性之间的互相关系数小于预设的互相关系数阈值；

根据所述k个地震属性和从已知钻孔资料中提取煤层厚度值，建立煤层厚度预测模型；

利用所述煤层厚度预测模型，预测实际钻孔处的煤层厚度。

2.根据权利要求1所述的方法，其特征在于，所述对所述i个地震属性进行归一化处理是基于以下算法：

$\frac{x_p-x_{\min }+a}{x_{\max }-x_{\min }+a}\→x_p$

其中，x_p为样本数据，p＝1，2，...，P，x_max＝max{x_p}为样本数据中的最大值，x_min＝min{x_p}是样本数据中的最小值，a为修正系数。

3.根据权利要求1所述的方法，其特征在于，所述对归一化处理后的i个地震属性和归一化处理后的煤层厚度值进行相关分析，生成i个相关系数是基于以下算法：

$r=\frac{\underset{i}{\mathrm{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i}{\mathrm{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}$

其中，r为相关系数，x_i为第i个地震属性值；

为地震属性平均值，y_i为第i个煤层厚度值，

为煤层厚度的平均值。

4.根据权利要求1所述的方法，其特征在于，所述对所述j个地震属性进行互相关分析，生成j²个互相关系数是基于以下算法：

$r=\frac{\underset{i}{\mathrm{\Σ}}(x_i-\stackrel{\‾}{x})(z_i-\stackrel{\‾}{z})}{\sqrt{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i}{\mathrm{\Σ}}{(z_i-\stackrel{\‾}{z})}^2}}$

其中，r为相关系数，x_i为一种地震属性的第i个地震属性值，

为一种地震属性平均值，z_i为另一种地震属性的第i个地震属性值，为另一种地震属性的平均值。

5.根据权利要求1所述的方法，其特征在于，所述煤层厚度预测模型是多次多项式回归模型，根据所述k个地震属性和已知钻孔资料中提取煤层厚度值，建立多次多项式回归模型包括：

对已知钻井资料中的煤层厚度与所述k个地震属性分别进行归一化处理；

建立归一化处理后的煤层厚度与归一化处理后的述k个地震属性之间的m次多项式回归方程；所述方程为：

$\hat{y}=a_{00}+a_{11}{x}_1+a_{12}{x_1}^2+...+a_{1m}{x_1}^m+a_{21}{x}_2+a_{22}{x_2}^2+...+a_{2m}{x_2}^m+...+a_{k1}{x}_k+a_{k2}{x_k}^2+...+a_{\mathrm{km}}{x_k}^m$

，其中，

表示预测的煤层厚度值，x_i(i＝1，...，k)为所述k个地震属性中每一个的值，a_ij(i＝1，...，k；j＝1，2，...，m)为回归系数；

根据已知钻孔资料及所述k个地震属性，获得试验数据：A_1i，A_2i，...，A_pi，y_i(i＝1，2，...，m)，使得实际试验数值y_i与相应的之间的残差平方和

为最小，用最小二乘法求各个系数a_ij的值。

6.根据权利要求1所述的方法，其特征在于，所述煤层厚度预测模型是BP神经网络模型，根据所述k个地震属性和已知钻孔资料中提取煤层厚度值，建立BP神经网络模型包括：

选用Sigmoid函数

作为BP神经网络模型的神经元的激发函数；

对于数值型的学习样本以及输出数据进行归一化处理，使每个节点的输出值为0～1；

假设有学习样本为(x_1p，x_2p，...，x_np；t_p)(p＝1，2，...，P；P为样本数)，其中，t_p指第p个样品数据，随机给出W(w_ij，θ_i，v_i)，其中，w_ij为隐含层神经元i与输入层神经元j的连接权，θ_i为隐含层神经元i的阀值，v_i为输出层神经元与隐含层神经元i的连接权，计算BP神经网络模型的第p个样本的输出y_p；所述计算y_p的过程是基于以下公式：

其中，I_i为第i个隐含层神经元的输入，n为输入层的神经元数，m为隐含层的神经元数；以及，

其中，O_i为第i个隐含层神经元的输出；以及，

定义由隐含层神经元i与输入层神经元j的连接权w_ij、隐含层神经元i的阀值θ_i和输出层神经元与隐含层神经元i的连接权v_i组成的向量为BP神经网络模型的连接权向量W；对于样本p，定义网络的输出误差为：

并定义误差函数为：

沿着误差函数e_p随W变化的负梯度方向对W进行修正，设W的修正值为ΔW，取

其中，η为学习率，取0～1之间的数；

求得ΔW后，采用迭代式：W+ΔW →W对原W进行修正计算，得到连接权向量W′；

对于所有的学习样本，均按照样本排列顺序进行上述的计算过程，然后固定W′的值；

对P个样本分别进行正向计算，从而求出学习样本的能量函数值

通过反复迭代，对BP神经网络模型的连接权向量W进行修正，使E达预先设定的精度。

7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：对所述煤层厚度预测模型进行误差分析；所述对所述煤层厚度预测模型进行误差分析包括：

计算标准估计误差，使所述准估计误差小于预设的第一阈值；

计算决定系数，使所述决定系数大于预设的第二阈值。

Images